本文目录导读：
这是一个用于统计界外球进攻威胁次数的实用脚本思路和实现方案，我会提供一个基于Python的可运行脚本，并解释其原理，方便你根据实际需求（如视频分析或事件日志）进行调整。
核心定义
在足球数据分析中,“界外球进攻威胁”通常指：进攻方在对方半场（或最后30米区域）获得的界外球，且在随后的短时间内（如5秒内）发生了关键事件（如射门、传中、禁区外触球、形成攻门机会）。
基于事件日志（最适合数据分析）
如果你有一份比赛事件数据（含界外球、射门、关键事件时间戳），可以用这个脚本：
import json
# 示例数据格式（可使用StatsBomb/Wyscout导出数据调整）
events = [
{"type": "throw_in", "team": "A", "minute": 45, "second": 30, "x": 85, "y": 40, "outcome": "success"},
{"type": "shot", "team": "A", "minute": 45, "second": 35, "x": 88, "y": 45, "outcome": "blocked"},
{"type": "throw_in", "team": "B", "minute": 50, "second": 10, "x": 20, "y": 30, "outcome": "success"},
# ...更多数据
]
def count_throw_in_threats(events, time_window=5, x_threshold=70):
"""
统计界外球进攻威胁次数
:param events: 事件列表
:param time_window: 界外球后多少秒内算威胁
:param x_threshold: 界外球位置阈值（对方半场，即x>70）
"""
threats = 0
throw_ins = [e for e in events if e["type"] == "throw_in" and e["x"] >= x_threshold]
for throw_in in throw_ins:
# 计算当前时间点（分钟+秒）
throw_time = throw_in["minute"] * 60 + throw_in["second"]
# 查看后续事件是否存在威胁
for event in events:
if event["type"] == "throw_in":
continue
event_time = event["minute"] * 60 + event["second"]
if event_time <= throw_time:
continue
if event_time > throw_time + time_window:
break
# 威胁定义：射门、传中、禁区触球、助攻机会
if event["type"] in ["shot", "cross", "key_pass"] and event["team"] == throw_in["team"]:
threats += 1
break # 同一界外球只算一次威胁
return threats
# 执行
threat_count = count_throw_in_threats(events)
print(f"界外球进攻威胁次数: {threat_count}")
基于视频分析（适合初学者/无数据）
如果你只有比赛视频,需要用到计算机视觉，这个脚本会减少工作量，但需要安装opencv-python。
import cv2
import numpy as np
def detect_throw_in_threat_from_video(video_path):
"""
使用视频算法统计界外球威胁（简化版）
原理：检测到界外球手势（裁判/球员举球）后，监控接下来5秒是否发生射门（画面突变/球速变化）
"""
cap = cv2.VideoCapture(video_path)
fps = cap.get(cv2.CAP_PROP_FPS)
frame_count = 0
throw_in_frames = [] # 保存疑似界外球帧
threat_count = 0
while cap.isOpened():
ret, frame = cap.read()
if not ret:
break
frame_count += 1
# 简化：使用运动检测 + 球检测
gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
# 检测界外球（画面上方出现静止人群/球员举球动作）
# 这里用HSV颜色检测白色/黄色球衣集中出现（简化逻辑）
hsv = cv2.cvtColor(frame, cv2.COLOR_BGR2HSV)
# 示例：检测画面中央是否有高举的双臂（肤色区域）
skin_lower = np.array([0, 50, 80], dtype=np.uint8)
skin_upper = np.array([20, 255, 255], dtype=np.uint8)
mask = cv2.inRange(hsv, skin_lower, skin_upper)
skin_ratio = cv2.countNonZero(mask) / (frame.shape[0] * frame.shape[1])
# 假设：皮肤比例突然显著上升且位置在边线附近 → 界外球
if skin_ratio > 0.1 and frame_count > fps * 30: # 只统计比赛30秒后
# 模拟：实时记录当前时间点
throw_time = frame_count / fps
# 检查接下来5秒是否出现射门（画面中心剧烈运动）
future_end = frame_count + int(fps * 5)
# ...这里需要更精确的射门检测算法
cap.release()
return threat_count
# 使用（需结合具体进球识别模型）
# count = detect_throw_in_threat_from_video("match.mp4")
Excel/CSV处理（最轻量级）
如果你用Excel整理数据,可以直接用公式：
=COUNTIFS(B:B, "throw_in", D:D, ">70", A:A, ">=" & B2, A:A, "<=" & B2 + 5, C:C, "shot")
推荐的最优流程（实际项目建议）：
- 获取数据：首选 StatsBomb公开数据（免费）或Wyscout，直接有结构化事件。
- 数据清洗：只保留对方半场的界外球，过滤与时间表。
- 威胁定义：明确阈值（
x >= 70,时间差 <= 5秒,事件 ∈ {射门, 传中, 造成对方犯规}）。 - 自动化输出：用Python生成统计报告（部分功能**也支持直接生成图形化报告）。
扩展：如何输出到文件？
with open("threat_report.json", "w") as f:
json.dump({"total_threats": threat_count, "details": []}, f)
如果你有具体的比赛数据文件格式，或者需要视频分析的关键帧提取算法，可以告诉我更多细节，我来调整代码。
