Python量化球员跑动覆盖面积
下面我从数据来源 → 核心算法 → 可视化完整讲一个可落地的方案。
问题拆解
"跑动覆盖面积"通常有两种含义：
- 轨迹包围面积：球员轨迹形成的多边形面积（凸包/凹包）
- 网格覆盖率：将球场划分网格，统计球员经过的格子数 × 单元格面积
比赛中一般用第 2 种（更贴近"覆盖"含义）,本案例两种都实现。
数据准备
真实场景可来自：
- Sportradar / StatsBomb / Metrica 的 tracking data（25fps 的 x, y 坐标）
- 自采 GPS 背心数据
- 视频 AI 追踪（YOLO + 多目标跟踪）
这里模拟一份数据：
import numpy as np
import pandas as pd
np.random.seed(42)
# 模拟 5 分钟、10Hz 的球员轨迹（105m x 68m 球场）
n = 3000
t = np.arange(n) / 10
# 用布朗运动 + 朝向漂移，模拟一段带方向的跑动
x = np.cumsum(np.random.randn(n) * 0.3) + 20
y = np.cumsum(np.random.randn(n) * 0.3) + 34
# 加一个折返跑片段（增加覆盖感）
x[1000:1500] += np.linspace(0, 30, 500)
y[1000:1500] += np.sin(np.linspace(0, 4*np.pi, 500)) * 10
# 裁剪到球场范围
x = np.clip(x, 0, 105)
y = np.clip(y, 0, 68)
df = pd.DataFrame({"t": t, "x": x, "y": y})
print(df.head())
方法一：凸包 / 凹包面积
from scipy.spatial import ConvexHull
from shapely.geometry import MultiPoint
points = df[["x", "y"]].values
# --- 凸包（快速，但会高估覆盖）---
hull = ConvexHull(points)
convex_area = hull.volume # 2D 时 volume 就是面积
print(f"凸包面积: {convex_area:.1f} m²")
# --- 凹包（更贴合真实轨迹）---
mp = MultiPoint(points)
concave_poly = mp.convex_hull # shapely 没有直接凹包，用 alpha shape 近似
凹包（Alpha Shape）实现：
import alphashape # pip install alphashape
alpha = 0.15 # 越小越贴合，越大越接近凸包
shape = alphashape.alphashape(points, alpha)
print(f"凹包面积: {shape.area:.1f} m²")
方法二：网格覆盖率（推荐）
def coverage_grid(df, cell=1.0, pitch=(105, 68)):
"""将球场按 cell 米划分网格，统计球员经过的格子数"""
nx = int(pitch[0] / cell)
ny = int(pitch[1] / cell)
ix = np.clip((df["x"] / cell).astype(int), 0, nx - 1)
iy = np.clip((df["y"] / cell).astype(int), 0, ny - 1)
cells = set(zip(ix, iy))
return cells, len(cells) * cell * cell, (nx, ny)
cells, area, shape = coverage_grid(df, cell=1.0)
print(f"覆盖格数: {len(cells)}")
print(f"覆盖面积: {area:.1f} m²")
print(f"球场总面积: {105*68} = 7140 m²")
print(f"覆盖率: {area/7140*100:.2f}%")
参数选择建议： | 场景 | cell 大小 | |------|-----------| | 精细分析单个球员 | 0.5 – 1 m | | 团队阵型分析 | 2 – 5 m | | 转播可视化 | 1 m |
可视化
import matplotlib.pyplot as plt
from matplotlib.patches import Rectangle
fig, axes = plt.subplots(1, 2, figsize=(14, 5))
# --- 左图：轨迹 + 凸包 ---
ax = axes[0]
ax.plot(df["x"], df["y"], lw=0.8, alpha=0.6, color="steelblue")
hull_pts = points[hull.vertices]
ax.fill(hull_pts[:, 0], hull_pts[:, 1],
alpha=0.25, color="orange", label=f"Hull {convex_area:.0f} m²")
ax.add_patch(Rectangle((0, 0), 105, 68, fill=False, ec="black"))
ax.set_title("轨迹 + 凸包")
ax.set_xlim(-2, 107); ax.set_ylim(-2, 70)
ax.set_aspect("equal"); ax.legend()
# --- 右图：网格覆盖热力图 ---
ax = axes[1]
ax.add_patch(Rectangle((0, 0), 105, 68, fill=False, ec="black"))
for (i, j) in cells:
ax.add_patch(Rectangle((i, j), 1, 1, color="green", alpha=0.4))
ax.set_title(f"网格覆盖 {area:.0f} m²（{area/7140*100:.1f}%）")
ax.set_xlim(-2, 107); ax.set_ylim(-2, 70)
ax.set_aspect("equal")
plt.tight_layout()
plt.show()
进阶：时间加权覆盖面积
实际问题里"站 1 秒"和"冲刺经过"权重不同,可按停留时间加权：
from collections import Counter
ix = (df["x"]).astype(int).clip(0, 104)
iy = (df["y"]).astype(int).clip(0, 67)
visit = Counter(zip(ix, iy))
# 每帧 0.1s，加权面积 = 每个格子停留时间占比
total_time = df["t"].iloc[-1] - df["t"].iloc[0]
weight = df["t"].diff().fillna(0.1).mean() # 采样间隔
weighted_area = sum(min(c * weight, 1.0) for c in visit.values())
print(f"时间加权有效覆盖: {weighted_area:.1f} m²")
完整工程化建议
- 数据清洗：剔除静止帧（速度 < 0.5 m/s）会显著影响"跑动"覆盖面积
- 多目标：每个球员 ID 单独计算，再聚合为团队覆盖
- 攻防分区：把面积按前/中/后场切分，分析球员在哪片区域跑动多
- 对比分析：与同位置均值对比 → 生成雷达图（覆盖面积、冲刺距离、高强度跑）
速度过滤示例：
dt = 0.1
dx = df["x"].diff().fillna(0)
dy = df["y"].diff().fillna(0)
speed = np.hypot(dx, dy) / dt # m/s
moving = df[speed > 0.5] # 只保留跑动帧
cells_moving, area_moving, _ = coverage_grid(moving, cell=1.0)
print(f"仅跑动时的覆盖面积: {area_moving:.1f} m²")
小结
| 方法 | 优点 | 缺点 | 适用 |
|---|---|---|---|
| 凸包 | 一行代码 | 严重高估（外场大片空白会算进去） | 粗略对比 |
| 凹包 Alpha Shape | 贴合形状 | 需调 α | 单球员展示 |
| 网格覆盖率 | 直观、可加权 | 受网格大小影响 | 推荐生产使用 |
需要我继续扩展视频 AI 追踪（YOLOv8 + ByteTrack 提取球员坐标）或者多球员对比可视化吗？
