开源项目如何分析守门员的出击范围？

wen 开源项目 2026-10-10 2

本文目录导读：

开源项目如何分析守门员的出击范围？

什么是“守门员出击范围”
数据来源
核心分析方法
推荐开源项目 & 工具
完整分析流程
进阶方向
示例：对比两位守门员

在开源项目中分析守门员的出击范围，通常属于体育数据分析领域，尤其是足球数据科学，开源项目一般通过事件数据、追踪数据和计算机视觉来实现，下面从数据来源、核心算法、开源工具到具体实现思路,做一个系统梳理。

什么是“守门员出击范围”

守门员出击范围是指：守门员在比赛中离开球门线、主动出击拦截传中、单刀球或长传的区域范围。

常见量化指标：

指标	含义
平均出击距离	每次出击时离球门线的距离
出击热区图	出击位置的空间分布
出击成功率	出击后成功解围/控制球的比例
防守覆盖面积	守门员控制的空间范围
Sweeper Keeper 指数	综合衡量清道夫门将倾向

数据来源

事件数据

StatsBomb Open Data（免费开源）
Wyscout Open Data
FBref / Opta
包含事件类型如 Goalkeeper Save、Keeper Sweeper、Punch、Claim

追踪数据

Metrica Sports Open Data
DFL Bundesliga Open Data
提供每帧 25fps 的球员坐标（x, y）

视频数据

通过计算机视觉自行提取
工具：YOLO + DeepSORT + 单应性变换

核心分析方法

方法 1：基于事件数据的出击范围分析

import pandas as pd
from statsbombpy import sb
# 加载比赛事件
events = sb.events(match_id=3788741)
# 筛选守门员出击事件
gk_actions = events[
    (events['player'] == 'Manuel Neuer') &
    (events['type'].isin(['Goal Keeper', 'Pass', 'Clearance']))
]
# 提取出击位置
gk_sweeper = events[
    (events['type'] == 'Goal Keeper') &
    (events['goalkeeper_outcome'] == 'Success') &
    (events['goalkeeper_type'].isin(['Collected', 'Keeper Sweeper']))
]
# 计算平均出击 x 坐标（StatsBomb 坐标：x=0 己方球门，x=120 对方球门）
avg_x = gk_sweeper['location'].apply(lambda loc: loc[0]).mean()
print(f"平均出击位置 x = {avg_x:.1f}")

输出热区图：

from mplsoccer import Pitch
import matplotlib.pyplot as plt
pitch = Pitch(pitch_type='statsbomb')
fig, ax = pitch.draw()
# 绘制出击点
x = [loc[0] for loc in gk_sweeper['location']]
y = [loc[1] for loc in gk_sweeper['location']]
pitch.scatter(x, y, ax=ax, s=100, color='red', alpha=0.6)'守门员出击位置分布')

方法 2：基于追踪数据的覆盖范围

# 追踪数据处理（以 Metrica 数据为例）
import numpy as np
# 假设 df 包含 frame, player_id, x, y
gk_id = 1  # 守门员 ID
gk_df = df[df['player_id'] == gk_id]
# 计算守门员每帧距球门线距离
goal_line_x = 0  # 己方球门线
gk_df['distance_from_goal'] = np.abs(gk_df['x'] - goal_line_x)
# 出击阈值：超过 5 米算作出击
gk_df['is_rush_out'] = gk_df['distance_from_goal'] > 5
# 计算出击范围（凸包）
from scipy.spatial import ConvexHull
rush_points = gk_df[gk_df['is_rush_out']][['x', 'y']].values
if len(rush_points) > 3:
    hull = ConvexHull(rush_points)
    area = hull.volume  # 2D 中 volume 即面积
    print(f"出击覆盖面积: {area:.1f} 平方米")

方法 3：计算机视觉提取出击

# 使用 YOLOv8 检测球员，判断守门员是否离开球门区
from ultralytics import YOLO
import cv2
model = YOLO('yolov8n.pt')
cap = cv2.VideoCapture('match.mp4')
# 单应性矩阵：将像素坐标转为球场坐标
H = cv2.findHomography(pixel_points, pitch_points)[0]
while cap.isOpened():
    ret, frame = cap.read()
    results = model(frame)
    for box in results[0].boxes:
        x1, y1, x2, y2 = box.xyxy[0]
        foot = np.array([[(x1+x2)/2, y2, 1]]).T
        pitch_coord = H @ foot
        pitch_coord /= pitch_coord[2]
        # 判断是否守门员 + 是否在禁区外
        ...

项目	用途
statsbombpy	加载 StatsBomb 开放数据
mplsoccer	球场绘图
socceraction	事件数据转换为 SPADL
kloppy	统一追踪数据接口
metrica-sports	开放追踪数据
SoccerNet	视频理解数据集
roboflow/sports	CV 体育分析
footballcs	比赛结果数据

完整分析流程

数据获取
   ├─ 事件数据（StatsBomb/Wyscout）
   ├─ 追踪数据（Metrica/DFL）
   └─ 视频数据（SoccerNet）
2. 数据预处理
   ├─ 坐标归一化到统一球场尺寸（105x68）
   ├─ 识别守门员 ID
   └─ 标记出击事件
3. 出击判定
   ├─ 事件法：goalkeeper_type == 'Keeper Sweeper'
   ├─ 距离法：距球门线 > 阈值
   └─ 区域法：离开禁区/球门区
4. 量化分析
   ├─ 平均出击距离
   ├─ 出击热区图
   ├─ 凸包面积
   └─ 成功率对比
5. 可视化 & 对比
   ├─ 多守门员对比
   ├─ 时间序列变化
   └─ 与球队战术关联

进阶方向

xG 链分析：出击是否降低了对手的预期进球
空间控制模型：用 Voronoi 图划分守门员控制区域
深度学习：用 LSTM/Transformer 预测出击决策
对比分析：诺伊尔 vs 布冯 vs 埃德森的出击风格
战术关联：高位防线球队的守门员出击范围更大

示例：对比两位守门员

import matplotlib.pyplot as plt
from mplsoccer import Pitch
fig, axes = plt.subplots(1, 2, figsize=(16, 8))
for ax, (name, df) in zip(axes, gk_data.items()):
    pitch = Pitch(pitch_type='statsbomb')
    pitch.draw(ax=ax)
    x = [loc[0] for loc in df['location']]
    y = [loc[1] for loc in df['location']]
    pitch.scatter(x, y, ax=ax, s=80, alpha=0.5)
    ax.set_title(f'{name} 出击范围')