2024 体育赛事大年，年轻一代观看习惯变化引发关注

当各国版权购买者、媒体机构和广告主充分调动资源优势，准备深度开发这些头部IP时，需要关注赛事受众，特别是年轻一代的观赛习惯、观赛平台、消费习惯等一些新的变化。

年轻一代注意力向碎片化转变受到多种因素推动，且正在加速。

这种转变凸显了观看习惯的变化，尤其是年轻一代，他们越来越多地转向社交媒体平台和流媒体服务观看体育赛事。

根据计算机辅助网络智能（CAWI）的数据，越来越多的美国年轻球迷更喜欢观看体育赛事的精彩片段，而不是整场直播。

其中，在传统大屏电视上，87%的体育迷喜欢观看比赛精彩片段，78%的体育迷喜欢观看比赛直播。

网络媒体方面，72%的观众喜欢在电脑或手机上观看比赛集锦，53%的球迷更喜欢观看轻量级、非直播的比赛集锦。

近两三年来，随着人工智能、深度学习和物体追踪技术的不断进步，新技术在体育转播和自动视频生成中的应用日趋成熟。

01

NBA与WSC合作案例

NBA与WSC体育科技于2015年12月签署合作协议，共同打造球迷定制的NBA比赛精彩片段和视频。

WSC体育科技利用其自动视频生成器和平台制作了超过2万个NBA精彩片段。这只是WSC首次将AIGC技术和物体追踪技术应用于NBA赛事。

2014-15赛季，全球球迷通过NBA手机APP观看NBA视频集锦，达到了史无前例的42亿次，NBA开始重新审视NBA视频集锦的商业价值。

目前，NBA已发展成为一个全球性的体育及传媒集团，公司业务主要围绕美国职业篮球联赛（NBA）、美国女子篮球联赛（WNBA）和NBA发展联盟三个职业体育联盟展开。

联盟已在215个国家和地区建立了国际媒体影响力，NBA比赛和节目以49种语言在全球播出。

NBA数字媒体的业务主要包括在线和移动NBA以及NBA TV。

WSC 的商业模式是为体育媒体版权持有者提供创新的工作流程自动化解决方案。

简单来说，WSC利用公共信号直播素材，自动分级制作短视频，并根据需求进行分发，可根据用户各类需求进行量身定制nba篮球视频-直播吧手机版，提供专属、个性化的短视频素材。

该公司利用自主研发的体育视频技术，对体育赛事转播内容进行实时自动分析，自动识别比赛各个时间点的精彩瞬间，并根据每个球员、每个球队、每个时刻生成定制化的比赛集锦。

目前，WSC体育科技的解决方案正被全球各大体育媒体组织采用，以更好地利用体育内容来增加球迷参与度，并增加赛事营销和市场开发机会。

注：OBS 在塞纳河上测试定制船，以迎接巴黎奥运会开幕式

WSC 还将参与 2024 年巴黎奥运会，为 OBS 提供视频标记、分类、标记、录制等服务。WSC 的产品和服务是基于云计算、体育数据集成、图像处理、音频分析和自动编辑算法的独特技术。

需要指出的是nba篮球视频-直播吧手机版，由于视频自动生成技术并不需要在现场部署专门的摄像机，也不需要在篮球场内部预先安装跟踪设备，所以所有的自动编辑工作都是基于现场信号生成的。

02

识别并追踪篮球

首先，在自动生成视频的过程中，关键在于快速识别篮球与有效追踪篮球，这是两种完全不同的逻辑关系。

通常的做法是将篮球的大小、形状、颜色等参数输入到计算机视觉程序的功能中去识别。

但在NBA比赛转播中，篮球往往会在不同的帧中以不同的形状出现，这会影响通过基本参数进行视觉识别的准确性。

从NBA转播信号的不同帧中我们可以看到，由于不同场馆的硬件设施存在很大的差异，场馆的灯光条件、地板上的标记、背景颜色等都会影响节目对篮球的识别。

此外，运动员在运球、传球、持球时，都可能对篮球识别造成阻碍或干扰，这是机器学习需要解决的问题。

一种常见的解决方案是使用迁移学习来训练 YOLO 物体检测模型以识别两个新物体：篮球和篮球架。

首先，从不同比赛的直播信号中收集一定数量的帧，并用它们来标记篮球和篮筐。

在每一帧中，使用给定的程序框架标记篮球。此步骤涉及神经网络（）和迁移学习（）。

迁移学习采用预先训练的神经网络，冻结其中的大部分内容，并仅在用户希望其识别的特定对象上训练几层。

与从头开始训练神经网络相比，迁移学习可以节省大量的训练时间，提高识别准确率。迁移学习允许用户用相对有限的图像数量完成训练模型。

在篮球视频自动剪辑的程序中，一个常用的插件是AIGuy，在网上可以很容易的找到AIGuy的物体检测教程，这是一个非常好用的机器学习教程。

一旦模型建立起来nba篮球视频-直播吧手机版，就能够在给定帧的篮球比赛转播中识别出篮球和篮筐。

03

确定进球数

虽然神经网络在很多方面都很强大，但需要建立和解释一个框架来过滤掉假阳性，比如为篮子设置一个高置信度阈值以过滤掉一些错误的识别。

此外，在进球前，你需要至少连续三帧看到球进入篮筐。

每次投篮后都会有两秒钟的冷静期，以确保在篮筐周围发生争抢或干扰时，不会重复计算进球数。

当进球时，通过在视频帧中用红色边框围住篮球、用绿色边框围住篮筐来训练模型检测自定义物体。

04

识别玩家

识别比赛中的主队和客队是计算机视觉处理中的一个经典问题，可以使用语言库有效地解决。

首先，为每一帧设置一个播放器边框，捕获边框内的所有像素，并使用遮罩仅隔离边框内的暗像素。

然后计算边界框内暗像素与总像素的比例，以确定玩家属于亮队还是暗队。比例越高，玩家属于较暗队伍的可能性就越大。此过程如下图所示。

左边比例（客队穿深色衣服）=0.35，右边比例（主队穿浅色衣服）=0.03

从上图中我们可以看到，左侧球员图像被遮罩处理过，显示出很多白色像素，而右侧球员图像也被遮罩处理过，只有球员的头发区域显示出白色像素。

本质上需要计算的是边框蒙版内的白色像素占总像素的比例，原图区域越暗，被蒙版孤立出来的白色像素就越多，计算出的比例就越高。

这些比例可以用来快速识别球员所属的球队。但也有一些特殊情况需要注意。例如，主队球员（浅色队服）正对着黑色背景。上述比例方法会错误地标记球员所属的球队。

因此为了解决这个问题，需要在系统内部建立玩家追踪数据库，对不同区域的玩家识别结果进行汇总分析，避免个别场景的误识别。

06

物体识别和物体追踪之间的区别

物体检测和物体追踪之间有一个重要的区别。在物体检测中，每一帧都是独立于其前后帧进行处理的。

物体检测只是看识别出的物体的帧，然后通过对比识别出物体；而物体追踪技术的思路就是从这些帧中检测出物体，并找到不同帧中物体之间的联系，从而追踪到每个玩家的数据信息。

每个玩家都需要设置个人ID，在自动编辑的过程中通过ID来追踪玩家，并且每个玩家ID都附带一些专属功能。

例如，通过记录某个球员在整场比赛中的平均像素占比，虽然数据模型在某些特定帧中仍可能错误标记球员所在的球队，但总体而言，通过追踪球员数据，可以将球员准确地分配到各自的球队。

将所有数据整合在一起，可以形成深度学习篮球比赛的数据模型。通过分析越来越多的原始材料，进球集锦的制作将不断成熟。

07

两个需要改进的地方

在数据模型发展过程中，机器学习仍存在两个需要改进的问题：

首先，当防守球员站在其他球员前面，或者两名球员高度重叠时，很难保持相同的追踪器。

解决此问题的一个常见方法是尝试将玩家号码信息添加到玩家 ID 中以改进跟踪。

其次，由于篮筐与篮筐的激烈对抗，数据模型经常会将篮球滑过篮筐的过程（图中显示为篮球穿过篮筐）误认为进球。

解决这个问题的唯一方法是更多地使用比赛画面分析和校正，并用实际图像训练数据模型来识别真实比分。解决这个问题还需要找到更有效的方法。

尽管存在这些问题，但使用机器学习在体育精彩片段的自动编辑方面已经取得了巨大进步，许多自动编辑程序现在都在普通计算机上运行，​​利用远程服务器的 GPU 处理能力。

08

概括

利用AIGC、机器学习、物体追踪等技术制作篮球精彩片段的过程涉及到多种技术和方法，整体工作分为比赛精彩片段的分析、剪辑、呈现三个部分。

通过对WSC及常见的自动编辑解决方案的分析，以下八个方面是篮球比赛自动编辑的重点内容。

一是广泛收集原创视频素材。

在篮球比赛视频素材采集过程中，我们尽可能的发现问题，例如场地背景、场地灯光、裁判影响等，并根据赛事特点修改数据模型，提高容忍度，以实现精准识别。

二是充分利用现有的视频分析工具。

目前基于篮球比赛的AI视频分析工具已经比较成熟，可以自动检测篮球比赛中的精彩瞬间并进行分类统计，比如进球、助攻、篮板、激情瞬间等，而计算机视觉算法可以对视频中的精彩瞬间进行分类识别。

第三，通过算法追踪球员和篮球。

通过物体追踪算法，追踪比赛中球员和篮球的运动轨迹，在比赛的关键时刻准确识别特定球员，确保自动编辑的精彩瞬间的起点（入点）和终点（出点）停留在正确的时间。

四、精彩瞬间的检测标准。

人工智能算法根据预先定义的检测标准识别比赛中值得注意的精彩瞬间。预先输入的预定义参数包括改变比赛局势的进球、盖帽或抢断、精彩扣篮、离地高度、篮筐附近的防守队员数量、最后时刻的进球等。

精彩片段的分类、分级和时间安排是训练机器学习模型的重要方面，以便自动编辑的内容符合观众的期望。

五、字幕及说明信息。

结合自然语言处理（NLP）算法，收集并分析解说员、选手访谈等比赛相关的数据和信息，将这些数据和信息以字幕、简介或旁白的形式添加到精彩片段中，增加精彩片段的故事性和叙事性。

第六，为活动精彩片段短视频制作单独的音频信号。

利用人工智能算法提升短视频的音频体验，具体操作包括降噪、调整观众声音音量、增强即时解说员的评述、增强球员反应音频、强化篮球入篮声音等关键音频元素。

第七，提供定制化活动亮点选项。

比赛精彩短视频的制作需要兼顾用户的多样化需求，因此为用户提供可定制化、个性化的组合选项是一项基础服务。

目前精彩时刻国内用户包括媒体机构、电视台、短视频二次创作团队、播出平台、版权方、活动联盟主办方等。

在欧美的职业联赛中，球队、教练、球员甚至裁判都是分类短视频的用户。

例如，一名球员可以购买自己在一场比赛或一个赛季中的精彩瞬间，并将其作为简历在申请某个球队的工作时使用。

球队教练也会购买该球队一个赛季的分类视频，用于技术分析、战术回顾，因此定制分类比赛精彩片段与传统的十大进球在功能上有区别。

第八，机器学习需要不断改进。

在制作方面，篮球比赛的自动剪辑项目需要经过多次反复的反馈循环，开发人员需要与转播制作团队反复沟通，了解公共信号的制作流程，不断完善人工智能算法。

在播出端，开发人员需要收集用户对自动编辑的片段的反馈，以了解其是否符合用户期望，并通过调整预定义参数来提高数据模型的准确性。

观众观看传统电视直播时最大的痛点是比赛时间过长，观众难以长时间集中注意力观看比赛。

有人指出，当代社会，无论是在互联网还是移动设备上，最稀缺的资源就是注意力，大部分移动应用的核心竞争力就是争夺目标用户的注意力，由此催生了注意力经济。

一场比赛的精彩片段集锦，解决了直播中因为犯规、断球等导致时间过长的问题。目前短视频的不足之一就是缺乏故事性，观众缺乏情境信息。

线性直播与碎片化的精彩片段合集最大的区别在于故事性。随着音频处理、字幕信息和机器学习技术的不断成熟，自动剪辑的视频内容也可以制作成精彩不断、精彩刺激的短剧集锦，同时还具备一定的故事性和叙事性，为球迷带来不一样的、沉浸式的、动态演变的观赛体验。