实用脚本统计假动作晃过防守几次？

本文目录导读：

1. 先定义"假动作晃过防守"的判定标准
2. 方案 A：人工标注 + 脚本统计（推荐，最实用）
3. 方案 B：用姿态识别自动检测（进阶，坑多）
4. 建议

要统计篮球比赛中"假动作晃过防守"的次数，需要先明确统计口径，因为脚本能自动识别的和人工判断的差别很大，下面给你一个可落地的方案，分两种场景。

先定义"假动作晃过防守"的判定标准

建议用可量化的规则,否则统计会主观：

满足 ①②③ 记 1 次。

方案 A：人工标注 + 脚本统计（推荐，最实用）

你只需要边看录像边打时间戳,脚本负责汇总。

标注文件 labels.csv：

quarter,time,player,type,result
1,08:32,库里,投篮假动作,突破成功
1,06:15,库里,突破假动作,跳投命中
2,03:44,汤普森,传球假动作,被识破

统计脚本 count.py：

import csv
from collections import Counter, defaultdict
# 只有这些 result 算"晃过"
SUCCESS = {"突破成功", "跳投命中", "传球成功", "造成犯规"}
stats = defaultdict(Counter)
total = Counter()
with open("labels.csv", encoding="utf-8") as f:
    for row in csv.DictReader(f):
        player = row["player"]
        total[player] += 1
        if row["result"] in SUCCESS:
            stats[player][row["type"]] += 1
print(f"{'球员':<10}{'总假动作':<10}{'晃过成功':<10}{'成功率':<8}")
print("-" * 40)
for p in total:
    succ = sum(stats[p].values())
    rate = succ / total[p] * 100 if total[p] else 0
    print(f"{p:<10}{total[p]:<10}{succ:<10}{rate:.1f}%")
print("\n按类型细分：")
for p in stats:
    for t, c in stats[p].items():
        print(f"  {p} - {t}: {c} 次")

输出示例：

球员        总假动作    晃过成功    成功率
----------------------------------------
库里        12         7          58.3%
汤普森      8          3          37.5%
按类型细分：
  库里 - 投篮假动作: 5 次
  库里 - 突破假动作: 2 次

方案 B：用姿态识别自动检测（进阶，坑多）

如果想从视频自动识别,需要 人体姿态估计 + 轨迹分析。

技术栈：

pip install mediapipe opencv-python numpy

核心思路：

import cv2, mediapipe as mp, numpy as np
mp_pose = mp.solutions.pose
pose = mp_pose.Pose()
def detect_fake(prev_kp, curr_kp, defender_kp_prev, defender_kp_curr):
    """
    简化逻辑：
    1. 持球人躯干/头部先向A方向偏移，再向B方向移动
    2. 防守人重心(髋部)向A方向偏移
    """
    # 持球人方向突变
    atk_dir_prev = prev_kp[mp_pose.PoseLandmark.LEFT_SHOULDER].x - prev_kp[mp_pose.PoseLandmark.RIGHT_SHOULDER].x
    atk_dir_curr = curr_kp[mp_pose.PoseLandmark.LEFT_SHOULDER].x - curr_kp[mp_pose.PoseLandmark.RIGHT_SHOULDER].x
    # 防守人髋部横移
    def_hip_prev = (defender_kp_prev[23].x + defender_kp_prev[24].x) / 2
    def_hip_curr = (defender_kp_curr[23].x + defender_kp_curr[24].x) / 2
    defender_moved = abs(def_hip_curr - def_hip_prev) > 0.05
    attacker_reversed = np.sign(atk_dir_curr) != np.sign(atk_dir_prev)
    return defender_moved and attacker_reversed
cap = cv2.VideoCapture("game.mp4")
count = 0
while cap.isOpened():
    ret, frame = cap.read()
    if not ret: break
    result = pose.process(cv2.cvtColor(frame, cv2.COLOR_BGR2RGB))
    # ... 与上一帧对比调用 detect_fake

但要注意：

• 实战中遮挡严重、多人重叠，MediaPipe 单人模式容易崩
• "假动作"和"正常变向"很难自动区分，误报率高
• 需要先做球员追踪 ID（如 ByteTrack / BoT-SORT）
• 实际项目里通常还是人工标注 + 脚本汇总

建议

如果你告诉我：

1. 是真人比赛视频还是游戏画面（如 2K）？
2. 数据现在是CSV/Excel 还是视频？

我可以给你一份更贴合的具体脚本。