用于监测运动中球员表现和事件的系统和方法

摘要

描述了与评估参加运动(例如篮球)的人的表现相关的系统和方法。该系统和方法可用于提供评估序列，该评估序列可以确定和评估人在一项或多项运动技术方面的表现水平。本文所述的系统和方法还可用于在体育事件(例如篮球比赛)中监视和控制一个或多个时钟。

说明书

相关申请的交叉引用

本申请要求于2019年2月1日提交的题为“用于评估球员表现的系统和方法(Systems and Methods for Evaluating Player Performance)”的美国临时申请第62/800,005号的优先权，该申请通过引用并入本文。本申请还要求于2019年7月8日提交的题为“Systems and Methods for Evaluating Player Performance”的美国临时申请第62/871,689号的优先权，该申请通过引用并入本文。

背景技术

球员经常花费无数小时训练以提高他们的技术水平，使得他们可以在诸如篮球比赛之类的体育事件中变得更具竞争力。为了帮助球员提高他们的技术水平，已经开发了系统，其在训练或进行比赛时跟踪球员的表现，然后提供指示表现的反馈。然后可以评估这样的反馈以帮助球员提高他的技术水平。作为示例，共同转让的美国专利No.7,094,164描述了一种在篮球投篮期间跟踪篮球轨迹的系统，使得投篮者可以使用来自系统的反馈以提高他/她投射篮球的技术。

除了在投射篮球时改善投篮轨迹之外，投篮者还可能想要改善投篮的“瞄准”，即球相对于篮圈的落点(placement)。理想情况下，投篮者希望将每个投篮落点在篮圈的“保证得分区(make zone)”内。篮圈的“保证得分区”是篮圈内的目标区域。导致篮球中心穿过“保证得分区”的轨迹导致得分投篮，即球穿过篮圈。在某些情况下，“保证得分区”可以被限定为篮圈内相对较小的区域，使得可以在没有球的中心穿过“保证得分区”的情况下投篮得分。投篮者可能需要对他/她的投篮落点进行横向调整(例如，左或右调整)和/或深度调整(例如，前或后调整)，以便更好地将球落点在“保证得分区”内并增加投篮得分的数量。

跟踪在进行投篮时球在篮圈处的落点可能提出各种挑战，这些挑战可能限制试图评估投射表现的系统的有效性。作为示例，由于投篮者位于球场的一侧或另一侧，许多篮球投篮通常与篮板(和相应的篮圈)成非正交角度。以不同角度投篮经常导致现对于篮圈的各种不同的投篮落点。因此，可能难以准确地评估投篮者关于投篮落点的整体表现和技术水平，因为当从一个角度(或球场位置)投篮时，在篮圈处的相同投篮落点可能在“保证得分区”内，但如果从另一个角度(或球场位置)投篮，则可能在“保证得分区”之外。

附图说明

所包括的附图出于说明性目的，并且仅用于提供所公开的发明系统和方法的可能结构和过程步骤的示例。在不脱离本发明的精神和范围的情况下，这些附图决不限制本领域技术人员可以对本发明进行的形式和细节上的任何改变。

图1是由投射表现系统执行的轨迹捕获场景的图。

图2是投射表现系统的实施例的框图。

图3是示出用于生成落点图的过程的实施例的流程图。

图4示出了确定投篮的基点的实施例。

图5A示出了来自图4的实施例的篮圈的放大视图。

图5B示出了来自图4的实施例的篮圈的放大视图。

图6示出了具有相同基点的落点图的实施例。

图7示出了具有相同基点的落点图的实施例。

图8示出了具有归一化基点的图6的落点图的实施例。

图9示出了具有归一化基点的图7的落点图的实施例。

图10示出了具有多个基点的投篮落点图的实施例。

图11示出了具有标准化基点的图10的投篮落点图。

图12示出了投篮者的投篮位置图的实施例。

图13示出了投篮者的投射百分比图的实施例。

图12A示出了投篮者的投篮位置图的不同实施例。

图13A示出了投篮者的投射百分比图的不同实施例。

图14示出了用于投篮者的投射参数的蜘蛛图的实施例。

图15示出了数据聚合系统的实施例。

图16是在图15的数据聚合系统中使用的服务器的实施例的框图。

图17示出了在地形上提供投篮落点信息的落点图的实施例。

图18示出了在地形上提供投篮落点信息的落点图的实施例。

图19是示出用于评估球员的表现水平的过程的实施例的流程图。

图20是示出用于响应于动作在比赛期间更新信息和/或控制设备的过程的实施例的流程图。

图21是示出当所采取的动作是投篮时用于生成信号的过程的实施例的流程图。

图22A示出了球相对于篮圈的阶段。

图22B示出了在稍后时间图22A所描绘的球相对于的篮圈的阶段。

图22C示出了在稍后时间图22B所描绘的球相对于篮圈的阶段。可以分析图22A-C所示的阶段以确定何时发生得分投篮。

具体实施方式

提供了用于评估参与训练课程或运动比赛例如篮球的人的表现的系统和方法。对人的表现的评估可以包括对与人的表现关联的众多参数的跟踪和分析以及基于所分析的参数来确定人的整体表现水平。可以跟踪和分析的一些参数可以与人执行基本篮球动作(例如，传球、投篮、运球等)的能力关联。可以跟踪或分析的其他参数可以与人的身体和/或精神表现关联(例如，人对特定比赛情况的响应或人变得疲劳的速度)。

可用于评估一个人的整体篮球表现的一个参数是该人的投射表现。在篮球中，投射表现可以基于朝向篮圈的投篮的轨迹(投篮轨迹)和球相对于篮圈的位置(投篮落点)。根据投篮轨迹和投篮落点，投篮得分(即，球穿过篮圈)或未命中(即，球不穿过篮圈)。该系统可以使用一个或多个相机捕获球从人的投篮释放到球到达篮圈处的终点(其可以指示轨迹的结束并且可以指示篮圈处的投篮落点)的图像和至少一个处理器来分析图像，以确定和评估投篮落点和投射表现。系统可以评估相对于“保证得分区”的投篮落点，以确定投篮者是否需要对投篮者的投篮落点进行左或右调整或者前或后调整，以增加投篮得分的概率。“保证得分区”可以对应于篮圈内的一个区域，如果篮球的中心穿过该区域，则该区域将导致投篮得分。“保证得分区”可以针对每次投篮而变化并且可以基于诸如投篮长度(即，距篮圈103的距离)、投篮释放高度和进入角度等因素。该系统还可以通过评估来自投篮者的多个投篮并确定投篮者是否更可能以相对于“保证得分区”的特定方式投篮未命中来识别投篮者的投篮落点的趋势(例如，较多的投篮在“保证得分区”左侧或较多的投篮没有够到“保证得分区”(即在得分区前面))。

为了评估来自篮球场上不同位置的投篮的投篮落点和相应的投篮者倾向，该系统被配置为“标准化”来自投篮者的投篮落点，以便可以使用相同的评估标准来执行投篮落点的评估。该系统可以基于相对于投篮者的位置的篮圈的前部(或圈边)(即，进行投篮时最靠近投篮者的篮圈的部分)来标准化每个投篮落点。篮圈对于投篮者的前部的位置可能根据投篮者在球场上的位置而变化。一旦确定了篮圈的前部，就可以根基于与篮圈前部相关的篮圈的中心线和与篮圈前部相关的投篮的“保证得分区”进行投篮落点的评估。取决于篮圈前部的位置，来自两个不同投篮的相同投篮落点可能需要不同的调整以导致球穿过“保证得分区”。例如，从球场上的第一位置进行的投篮的投篮落点可能在中心线的右侧并且在“保证得分区”内，但是对于从球场上的不同位置进行的第二投篮，相同的投篮落点可能在中心线的左侧并且在“保证得分区”之外。然后可以通过将投篮落点调整到对应于所有投篮的共同点的篮圈位置的新前部来对投篮落点进行标准化。通过将所有投篮落点标准化到共同点，可以识别相对于“保证得分区”的投篮者倾向，而不管投篮者的位置如何。

用于评估投射表现的一个过程可以使系统利用一个或多个相机捕获投篮，然后确定投篮的轨迹和投篮落点。然后，系统可以使用投篮的轨迹来确定投篮者在篮球场上的位置。一旦确定投篮者的位置和投篮的原点，系统就可以确定相对于投篮者位置的篮圈前部的位置。使用篮圈前部的位置，系统就可以评估相对于与篮圈前部相关的一条或多条线的投篮落点。系统然后可以存储投篮落点和投篮者的位置，并且可以使用所存储的信息来生成投篮落点图(为简单起见也简称为“落点图”)，其显示关于投篮落点投篮者在多次投篮上的倾向。系统可以生成球场特定区域的落点图或覆盖整个球场的标准化落点图。

还提供了用于基于一组投射参数来评估投篮者的投篮技术和能力的系统和方法。投射参数可以包括平均进入角度，平均深度位置，平均横向(左/右)位置，进入角度一致性，深度位置一致性，横向位置一致性和/或其他参数。如本文进一步描述的，进入角度通常是指对于多次投篮篮球进入篮圈的角度(相对于水平面，例如，相对于由篮圈形成的平面)。深度位置通常是指距参考点(例如篮圈的中心)的深度(例如，在平行于篮球的轨迹的水平方向上的距离)，篮圈的中心即对于多次投篮篮球穿过篮圈的中心。横向位置通常是指在垂直于篮球轨迹的水平方向上距参考点(例如篮圈的中心)的距离，篮圈的中心即对于多次投篮篮球穿过篮圈的中心。

在一些实施例中，可以使用在生成落点图时获得的投射信息来确定投射参数。投篮者的投射能力也可以基于投射参数(这里称为“释放效率参数”)来评估，所述投射参数通常是指指示投篮者在投篮期间释放篮球的好的程度的参数。释放效率参数可以基于诸如释放高度、释放速度和释放分离之类的参数来确定，这些参数已被标准化以考虑不同的投篮者和投篮类型。投射参数可用于识别“好”投篮者或可以通过额外训练发展为“好”投篮者的球员。

在一些实施例中，投射参数用于提供关于投篮者的技术和能力的各种评估。作为示例，基于投射参数，系统可以确定指示对投篮者当前投射技术和能力的评估的球员的技术水平。这样的技术水平可以是定量的(例如，更高的值表示更高的技术)或定性的(例如，投篮者可以被评估为“坏”、“好”或“优秀”)。如将更详细地描述的，球员的技术水平可以随着他/她训练而改变并且由系统监测。

在其他实施例中，该系统可以将生物参数结合到球员表现的评估中。一些用于评估球员表现的生物参数可能与遗传信息、微生物组信息、生理信息(例如，心率、呼吸率、血压、体温、氧气水平)或心理信息关联。生物参数可以与其他基于技术的参数(例如，投射表现)结合使用，以对球员进行短期(例如，在比赛期间)和长期(例如，几年后)的评估。例如，生物参数(例如，生理信息)可用于确定球员在比赛期间何时疲劳并且应该在球员的表现相对于基于技术的参数显著降低之前休息。此外，生物参数(例如，遗传或微生物组信息)也可用于确定未来球员可期待的表现水平。

提供数据聚合系统以从多个位置处的多个系统收集信息。数据聚合系统可以聚合来自报告系统的数据，并使用聚合的数据来识别可能的倾向或模式。数据聚合系统还可以识别在某些区域产生“高于平均水平”的结果和可以使球员和/或球队在改善其表现方面受益的训练练习和计划。数据聚合系统还可用于向第三方提供门户，使得第三方可以获得对系统和相应设施的访问和并使用(例如，预定)系统和相应设施。

图1是由球员表现评估系统执行的轨迹捕获场景的图。在图1所示的实施例中，球员表现评估系统100可以包括具有一个或多个相机118(为简单起见，在图1中仅示出一个相机118)的机器视觉系统以检测和分析投篮者112朝向篮圈103投射的篮球109的轨迹102。在其他实施例中，球员表现评估系统100还可以检测和分析球员的运动和反应(无论是在篮球场上还是在篮球场外)和在投篮者112投射之前球的运动(例如，传球和带球)。在一个实施例中，相机118可以放置在每个篮圈103上方。作为示例，一个或多个相机118可以在杆或将篮球连接到天花板或墙壁的其他结构上安装在篮圈103上方，或者一个或多个相机118可以放置在建筑物的天花板或椽子中，在计分板(包括悬挂的计分板和安装的计分板)中，在篮球场(即，运动表面119)周围的座位区域中或在远离篮球场的建筑物中提供篮球场的视野的其他位置中。注意，相机118不一定定位在篮圈103上方。作为示例，相机118可以定位在座位区域或墙壁上，其中相机118以低于篮圈103的高度从侧面观察比赛。

球员表现评估系统100可以利用轨迹检测、分析和反馈系统来检测和分析投篮的轨迹102。示例性轨迹检测、分析和反馈系统在2016年3月15日颁布并且标题为“TrajectoryDetection and Feedback System”的共同转让的美国专利No.9,283,432中描述，该专利的全部内容通过引用结合于此并用于所有目的。

篮圈103可以通过支撑系统安装到篮板151，支撑系统例如杆或锚固到地面中的其他结构、锚固到墙壁中的支撑件或从天花板悬挂的支撑件，以保持篮板151和篮圈103位于期望位置。篮圈103可以具有标准高度，并且篮球可以是标准的男子篮球大小。然而，也可以用系统100检测和分析投射在不同高度的篮圈处的不同大小的篮球(例如，女子篮球)的轨迹。

机器视觉系统中的相机118可以记录相应的检测体积110内(即相机118的视野)的物理信息。在一个实施例中，相机118可以是超高清(UHD)相机，也称为“4K”相机，具有在3840×2160和4096×2160之间的分辨率，其可以进行立体采集或球大小跟踪，但是在其他实施例中其他类型的相机也是可能的。被记录的物理信息可以是检测体积110中在特定时间对象的图像。在特定时间记录的图像可以存储为视频帧106。相机118可以在篮球109在轨迹平面104中运动时捕获篮球109的图像，以及其他次要对象(例如，球员)的图像。次要对象可以比篮球109更靠近相机(即，在相机118和轨迹平面104之间)，或者次要对象可以比篮球109更远离相机(即，超出轨迹平面104)。机器视觉系统可以利用软件来区分可以被检测的次要对象的运动和篮球109的运动。

球员表现评估系统100可以设置在正常情况下进行篮球运动的运动区域中，例如位于体育馆或竞技场中的具有运动表面119的篮球场。系统100可以位于球场之外，并且使用机器视觉系统远程地检测投篮者112的投篮轨迹。因此，投篮者112和防守者114可以在运动表面119上进行他们的任何正常活动而没有来自系统100的任何干扰。如图1所示，投篮者112由防守者114防守。但是，当投篮者112没有被防守(例如，不存在防守者114)时，也可以使用系统100。

在一个实施例中，系统100可以使用在运动表面119周围定位的多个相机118来确定在运动表面119上的任何地方进行的投篮的轨迹102。机器视觉系统可以在确定投篮的轨迹102时使用来自一些或所有相机118的视频帧106。轨迹平面104可以相对于篮球篮板151成任何角度，并且范围可以从对于在运动表面119的一个角落处的投篮的约0度到对于在运动表面119的对角处的投篮的180度(相对于篮球篮板151)。

为了分析篮球109的轨迹102，每个相机118可以在不同时间记录在其对应的检测体积110中的视频帧106的序列。由每个相机118在给定时间段(例如球的轨迹102的持续时间)内记录的帧106的数量，可以根据相机118的刷新率而变化。捕获的视频帧106可以示出篮球109沿着其轨迹102在不同时间的状态序列。例如，相机118可以捕获以下中的一些或全部：1)在球109离开投篮者的手之后不久轨迹102的初始状态105；2)沿轨迹102的多个状态，例如在时间t1，t2，t3和t4的120,121,122和123；以及3)篮圈103中的终点107，即球109的中心穿过(或将穿过)篮圈103的平面的点。在一个实施例中，终点107的相对于篮圈103的位置可以用于确定投篮的投篮落点。

可以将捕获的视频帧的序列转换为数字数据以供处理器116分析。如关于图1所描述的，数字化帧捕获当球109接近篮圈103时在时间t1，t2，t3和t4的球109的图像。视频帧数据的分析可能要求检测体积110在轨迹102期间保持恒定。然而，可以调整检测体积110以考虑系统100被采用的运动区域的不同设置条件。例如，相机118可以能够放大或缩小特定区域和/或改变焦点。

模式识别软件可以用于从可以由相机118捕获的图像确定球109的位置。在一个实施例中，在没有球的情况下捕获参考帧并且将参考帧与包含球109的帧106进行比较。在参考帧相对固定的情况下，即，唯一运动的对象是球109。球109可以通过帧的相减来识别球109。系统100可以能够根据需要更新参考帧以考虑已经运动到帧中或已经从帧中移除的新对象。当帧中存在许多噪声时，例如在帧中四处运动的人或其他对象，以及篮球109，则可以应用更复杂的过滤技术。在其他实施例中，可以使用用于跟踪球的其他技术。作为示例，球可以包括传感器(例如，加速度计，识别设备，诸如射频识别(RFID)标签，以及其他类型的传感器)，用于检测球运动并将指示这样的运动的传感器数据传输到处理器116进行分析。

一旦从每个帧确定篮球109的位置。可以在具有坐标系的计算空间中形成轨迹102的曲线拟合。由投篮者112投射的篮球在轨迹平面104中以基本上抛物线的弧线行进，其中重力109是作用在球上的主导力。可以使用最小二乘曲线拟合或其他曲线拟合算法来生成抛物线曲线拟合以确定轨迹102。

在一个实施例中，可以使用记录每个帧的时间将球109的x和y位置的曲线拟合参数化为时间的函数。在另一个实施例中，可以生成坐标系中作为距离(x)的函数的高度(y)的曲线拟合。使用曲线拟合，可以生成轨迹参数并随后在评估投射表现时使用轨迹参数，轨迹参数例如对象进入篮圈103、接近篮圈或在沿着轨迹102的其他状态下时对象的进入角度和进入速度。例如，可以从终点107处曲线拟合的切线生成进入角度。可以从在对应于终点107的时间的参数化方程的导数生成进入速度。如果释放时间是已知的，则释放速度和释放角度也可以从参数化轨迹方程确定。

在一个实施例中，可以在不对整个轨迹进行曲线拟合的情况下生成轨迹参数，并且轨迹参数可以仅提供与轨迹102的一部分(例如轨迹102的开始、中间或末端部分)有关的数据。使用轨迹分析方法，可以模拟或外推未捕获的轨迹102的其他部分。特别地，在捕获轨迹102的初始部分之后，可以预测轨迹102的稍后形貌。例如，在轨迹102上的特定位置(例如终点107)附近具有足够的位置数据的情况下，则可以通过简单地通过终点107附近的可用数据点拟合线来计算进入角度。作为另一个示例，球109离开投篮者的手时的速度、方向和角度可以基于接近篮圈103的篮球109的捕获的数据来预测。因此，基于在轨迹102的末端附近捕获的数据来预测轨迹102的开始。在一些实施例中，可以针对在视频帧数据中捕获的轨迹102的一部分生成轨迹参数并以上述方式分析轨迹参数。可以将轨迹参数作为反馈信息提供给系统100的用户。

用于捕获轨迹102的一系列帧还可以捕获投射篮球109的投篮者112，其包括投篮者身体的全部或一部分以及投篮期间的防守者的身体。由相机118捕获的关于投篮者112和防守者114的物理信息也可以由系统100分析。例如，系统100可以分析投篮者112的不同运动以确定投篮者是否正在使用正确的投射技术。作为另一示例，可以在机器视觉系统中使用由相机118捕获的视频帧数据来确定诸如跳跃高度、滞空时间、运动表面119上的释放点位置以及运动表面119上的落地位置之类的数据。

图2是用于一个实施例的球员表现评估系统100的框图。系统100的部件可以包围在单个壳体内，或者可以在包围系统系统不同部件的多个不同壳体之间分开。此外，系统100可以包括未示出的不同部件，例如外围设备和远程服务器。

物理信息经由传感器212输入到系统100的计算机202中。在一个实施例中，可以使用机器视觉系统，其中机器视觉系统包括一个或多个相机118(例如，CCD相机或CMOS相机)以及用于数字化捕获的帧数据的微处理器。在另一个实施例中，系统100可以采用布置在机构上的多个相机118，该机构允许不同类型的相机118旋转或移动到其中某个时间仅使用一个相机118记录帧数据的位置。不同的相机118可以允许调整系统100的检测体积110。在再其他实施例中，传感器212可包括各种传感器，例如音频传感器，加速度计，运动传感器和/或其他类型的传感器，其可用于提供关于在运动表面119上发生的事件的信息。例如，加速度计与球109一起使用可以向计算机202提供球位置、运动和/或加速度信息，以用于确定投射表现。在另一实施例中，传感器212可包括生物设备140，其可用于从球员收集生物样本(例如，血液、唾液、汗液等)和/或感测球员的生物参数(例如，心率、氧气水平、血压、体温等)。来自机器视觉系统(或相机118)的数字化帧数据和/或其他传感器数据可以存储为传感器/相机数据205并由计算机202处理。

计算机202可以被实现为一个或多个通用或专用计算机，诸如膝上型计算机、手持(例如，智能手机)、用户可佩戴(例如，“智能”眼镜、“智能”手表)、用户嵌入式、台式或大型计算机。计算机202可以包括操作系统206，用于一般地控制计算机202的操作，包括与系统100的其他部件(例如反馈接口213和系统输入/输出机构215)通信。计算机202还包括分析软件208，用于使用来自传感器212的传感器/相机数据205分析轨迹，确定和分析投篮落点，确定和分析投射参数，确定和分析释放效率，确定和分析指定的进攻和防守参数以及生成反馈信息。

分析软件208可以包括“计算机视觉逻辑”，用于处理和分析来自相机118的传感器/相机数据205。可以由系统100使用的计算机视觉逻辑的示例在共同转让的2018年7月2日提交的题为“Systems and Methods for Determining Reduced Player Performancein Sporting Events”的美国申请No.16/026,029中描述，其全部内容并入本文作为参考。分析软件208还可以结合其他技术，例如球跟踪，波门跟踪，面部跟踪，身体运动跟踪等，以确定球员和球的运动。操作系统206和分析软件208可以用软件，硬件，固件或其任何组合来实现。在图2所示的计算机202中，操作系统206和分析软件208以软件实现并存储在计算机202的存储器207中。注意，当以软件实现时，操作系统206和分析软件208可以在任何非暂时性计算机可读介质上存储和传输，以供可以获得和执行指令的指令执行设备使用或与之结合使用。

计算机202可以包括至少一个常规处理器116，其具有用于执行存储在存储器207中的指令的处理硬件。作为示例，处理器116可以包括中央处理单元(CPU)，数字信号处理器(DSP)，图形处理单元(GPU)和/或量子处理单元(QPU)。处理器116经由本地接口(未示出)(其可以包括至少一个总线)与计算机202内的其他元件通信并驱动其他元件。

计算机202还可以包括各种网络/设备通信接口209，例如无线和有线网络接口，用于连接到局域网(LAN)，广域网(WAN)或互联网。设备通信接口209可以允许计算机202与多个外围设备和其他远程系统部件通信。计算机202可以无线地，即通过携带信号的电磁波或声波，与系统100的其他部件进行通信，但是计算机202可以通过导电介质(例如，导线)、光纤或其他介质与系统100的其他部件通信。

可以从电源219提供对计算机202和其他设备的供电。在一个实施例中，电源219可以是可再充电电池或燃料电池。电源219可以包括一个或多个电源接口，用于从外部源(例如AC插座)接收电力，并调整电力以供各种系统部件使用。在一个实施例中，对于室内/室外型号，系统100可包括用于提供直接电力并对内部电池充电的光电池。

系统100的客户用于改善其投射技术的反馈信息可以通过一个或多个反馈接口设备213(例如声音投放设备211)输出。通常，系统100可以能够以多种不同格式(例如视觉格式、听觉格式和动力学格式)同时向多个不同设备输出反馈信息。

系统100可以支持多个不同的输入/输出机构215，其用于输入/显示系统100的操作信息。操作信息可以包括系统100和系统部件的校准和配置设置输入。在一个实施例中，触摸屏显示器210可用于使用多个菜单输入和显示操作信息。菜单可用于配置和设置系统100，以允许球员登录系统并选择系统100的优选设置和用于查看由系统100生成的各种格式的课程信息。打印机214可以用于为球员或系统100的其他客户输出课程信息的硬拷贝。在其他实施例中，可以使用监视器，液晶显示器(LCD)或其他显示设备将数据输出给用户。系统100不限于触摸屏显示器210作为操作信息的接口。其他输入机构，例如键盘，鼠标，触摸板，操纵杆和具有语音识别软件的麦克风，可用于将操作信息输入到系统100中。在其他实施例中，输入/输出机构215可以包括诸如投篮时钟216、时间(或比赛)时钟218或计分板220之类的可以向球员和/或比赛的观众提供相关信息(例如，分数、投篮剩余时间或比赛(或比赛的一部分)剩余时间)的设备。

如下文将更详细地描述的，系统100可用于基于由系统100做出的投篮得分或未命中的确定(或其他确定，例如，球是否接触篮圈)自动控制投篮时钟216、时间时钟218和/或计分板220中的一个或多个。时间时钟是指用于跟踪篮球比赛小节剩余时间的时钟。通常，时间时钟从预定值周期性地(例如，每秒或十分之一秒)递减，直到时钟达到指示小节结束的零值。时间时钟有时也称为“比赛时钟”。投篮时钟是指用于跟踪球队将篮球射向篮的剩余时间的时钟。通常，投篮时钟从预定值周期性地(例如，每秒或十分之一秒)递减，直到时钟达到指示投篮时间段结束的零值。如果进攻队在投篮时钟到期前没有尝试投篮，则判为违例。

球员表现评估系统100可以结合到更综合的训练和反馈系统中或者作为其中的部件。在2016年7月12日颁布的共同转让的美国专利No.9,390,501中描述了示例性训练和反馈系统，该专利的标题为“Stereoscopic Image Capture with Performance OutcomePrediction in Sporting Environments”，其全部内容通过引用结合于此并且用于所有目的。

球员表现评估系统100可以用于生成落点图(也称为“热图”)，其指示投篮者112进行的投篮(相对于篮圈103)的落点。落点图可以指示投篮者112进行的每个投篮的横向位置，即篮圈103中的左右落点，以及深度位置，即篮圈103中的前后落点。落点图还可以用第一类型的指示符(例如，圆圈)在投篮得分(即，球109穿过篮圈103)时进行指示并且用不同类型的指示符(例如，“X”)在投篮未命中(即球109没有穿过投篮103)时进行指示。落点图还可以指示篮圈103的具有投篮者112的不同的投篮落点行为(或投篮频率)的区域。落点图可以示出进行较多投篮的区域(即，具有较多投篮落点的区域)和篮圈103的进行较少(或没有)投篮的区域(即，具有很少或没有投篮落点的区域)。

在一个实施例中，落点图可以用第一颜色指示得分投篮并且用第二颜色指示未命中投篮。当多个投篮具有约相同的投篮落点时，可以使用从一系列颜色中选择的颜色来指示在该投篮落点处投篮得分或投篮未命中的频率。例如，得分投篮可以用绿色指示，未命中投篮可以用红色指示，并且可以用从绿色(指示所有投篮都得分)到黄色(指示一半投篮得分)到红色(指示所有投篮都未命中)转变的一系列颜色中选择的颜色来指示多个投篮。类似地，落点图可以用第一颜色指示具有高投篮频率的区域(即，篮圈103的具有许多投篮落点的区域)并且用第二种颜色指示具有低投篮频率的区域(即，篮圈103的具有很少(如果有的话)投篮落点的区域)。当多个区域具有不同的投篮频率时，可以使用从一系列颜色中选择的颜色来指示在该区域中发生的投篮落点的频率。例如，频繁发生投篮的区域可以用绿色指示，不频繁发生投篮的区域可以用红色指示，并且具有不同投射频率的其他区域可以用从绿色(指示在该区域中发生较多投篮)到黄色(指示在该区域中发生一些投篮)到红色(指示在该区域中发生很少或没有投篮)转变的一系列颜色中选择的颜色来指示。

可以针对运动表面119上的任何特定位置为投篮者112生成落点图。替代地，可以为投篮者112生成对应于运动表面119的特定区域的落点图。例如，可以针对一下投篮生成落点图：从运动表面119的右侧或左侧进行的投篮，从运动表面119的中心区域进行的投篮，接近或远离篮圈103进行的投篮，在运动表面119上的特定位置的预定距离内进行的投篮，在运动表面119的预定区域中进行的投篮或其组合。另外，可以生成综合落点图，其基于投篮者112进行的所有投篮对上述各个落点图进行标准化和组合，并提供投篮落点信息。

图3示出了用于生成由投篮者112进行的一组投篮的落点图的过程的实施例。该过程以用定位在运动表面119周围的相机118捕获投篮的多个图像(步骤302)开始。如上所述，相机118可以捕获投篮的图像。一旦捕获了投篮的图像，球员表现评估系统100就可以确定投篮的轨迹102(步骤304)。在一个实施例中，系统100可以如上所述确定投篮的轨迹102。

使用轨迹信息，系统100可以确定投篮者112在运动表面119上的位置(步骤306)。在一个实施例中，如果系统100计算了投篮的整个轨迹102，则系统100可以使用轨迹信息来确定运动表面119上投篮者112进行投篮的位置，因为整个轨迹102包括释放点105(其对应于投篮者112的位置)和终点107。在另一个实施例中，如果仅计算了部分轨迹102，则系统100可以使用部分轨迹102的信息来外推投篮的整个轨迹102和投篮者在运动表面119上的位置。在再其他实施例中，系统100可以通过分析来自相机118的包括投篮者112的图像数据和可以被收集的其他传感器数据来确定投篮者112在运动表面119上的位置。作为示例，投篮者在由系统100捕获的图像内的位置可以用于确定在投射篮球109时投篮者在运动表面119上的位置。在另一个示例中，投篮者112可以佩戴一个或多个传感器(例如，射频识别(RFID)标签或位置传感器)，其与系统100无线通信以使系统100能够确定投篮者的位置。例如，系统100可以使用三角测量或其他位置确定技术来确定投篮者的位置。在一些实施例中，篮球109内的传感器(例如，加速度计或位置传感器)可以与系统100无线通信，系统100可以使用来自这些传感器的数据来确定球109在投射时的位置或者随后可用于确定投篮者的位置的球109的轨迹。用于确定投篮者位置的各种其他技术是可能的。

在确定投篮者112的位置之后，系统100就可以识别相对于投篮者位置的基点(步骤308)。在一个实施例中，基点可以对应于篮圈103的最靠近投篮者位置并且可以被称为“篮圈的前部”的部分。然而，在其他实施例中，可以使用基点的其他位置(例如，“篮圈的后部”)。图4和5示出了从投篮者位置确定基点。如图4所示，投篮者112在运动表面119上的位置404(用“X”表示)可以用线402连接到篮圈103的中心400(用点表示)。篮圈103的线402与篮圈103相交的部分410(图5A中用“X”表示)可以用作基点410。基点410相对于预定参考点(例如，篮圈的中心)的位置指示从篮圈的投篮者方向。在其他实施例中，可以为基点410选择其他参考点。

返回参考图3，一旦确定了基点410，系统100就可以确定投篮的投篮落点和投篮状态，即，投篮是得分还是未命中(步骤310)。当球109到达(或将到达)篮圈103的平面时，投篮落点可以对应于球109的中心。可以根据相对于基点410的横向位置和相对于基点410的深度位置在数值上限定投篮落点。在其他实施例中，可以使用其他参考点来限定投篮落点的坐标或其他位置数据。注意，坐标可以相对于任何期望的坐标系(例如，笛卡尔坐标系或极坐标系)。

横向位置可以对应于投篮相对于篮圈103的穿过篮圈103的中心400和参考点(例如基点410)的中心线(例如线402，参见图5A)的左右位置。注意，线402从篮圈中心的方向指示从篮圈的投篮者位置的近似方向，在此称为“投篮方向”。深度位置可以对应于投篮相对于线408(参见图5A)的前后位置，线408穿过篮圈104的基点410并且垂直于中心线402(或者在基点410与篮圈103相切)。例如，如图5A所示，用点405示出的示例性投篮落点可以具有由距离l限定的横向位置和由距离d限定的深度位置。正l距离可以对应于到中心线402的右侧(对应于投篮者112的右侧)的投篮，并且负l距离可以对应于到中心线402的左侧(对应于投篮者112的左侧)的投篮。正d距离可以对应于线408“上方”(即远离投篮者112)的投篮，并且负d距离可以对应于线408“下方”(即朝向投篮者112)的投篮。在图5A中所示的实施例中，投篮405的横向位置可以是+2英寸(对应于线402的右侧2英寸的投篮)并且投篮405的深度位置可以是+8英寸(对应于进入篮圈103 8英寸的投篮)。

在其他实施例中，可以与投篮的期望深度位置对应在相对于篮圈103的不同位置限定线408，例如，通过中心400或距基点410一定距离，例如距基点410约11英寸。深度位置可以根据线408上方(即，远离投篮者112)或线408下方(即朝向投篮者112)的距离来限定。在一个实施例中，投篮落点可以对应于轨迹102的终点107。系统100还可以使用轨迹信息和投篮落点信息确定投篮是得分，即球109穿过篮圈103，还是未命中，即球109没有穿过篮圈103。在又一个实施例中，系统100可以使用传感器/相机数据205(例如，寻找球109相对于篮圈103的路径)确定投篮是否得分。

在如图5B所示的另一个实施例中，可以根据具有参考距离和参考角度的极坐标来数值地定义投篮落点，以代替图5A中所示的横向位置和深度位置。参考角度可以对应于投篮相对于穿过参考点(例如，篮圈103的中心400)的篮圈103的参考线(例如，线402)的角位置。注意，线402从篮圈的中心400的方向表示投篮者位置从篮圈103的大致方向，这里称为“投篮方向”。参考距离可以对应于投篮距篮圈103的参考点(例如，篮圈103的中心400)的距离。例如，如图5B所示，用点405示出的示例性投篮落点可以具有由距离RD定义的参考距离和由角度RA定义的参考角度。0到180度之间的RA角可以对应于参考线402右侧(对应于投篮者112的右侧)的投篮，并且180度到360度之间的RA角可以对应于参考线402的左侧(对应于投篮者112的左侧)的投篮。等于0或180度的RA角可对应于参考线402上的投篮。较小的RD距离可对应较接近篮圈103的中心400的投篮，较大的RD距离可对应于更远离中心400和更靠近篮圈103的投篮。在图5B所示的实施例中，投篮405的参考距离可以是1.75英寸(对应于距中心400 1.75英寸的投篮)并且投篮405的参考角度可以是为55度(对应于与参考线402成55度角的投篮)。

在一个实施例中，对于每次投篮可以限定“保证得分区”，其对应于篮圈103的如果球109的中心穿过“保证得分区”则可以导致投篮者112的得分投篮的区域。可以基于诸如投篮长度、投篮释放高度和进入角等因素为每次投篮计算“保证得分区”。计算出的“保证得分区”可以具有椭圆形状和相应的中心点。“保证得分区”的计算可以独立于投篮方向。然而，“保证得分区”相对于篮圈103的取向可以取决于投篮方向。计算出的“保证得分区”可以相对于限定篮圈103的顶部的平面来限定(例如，限定在其中)。在一个实施例中，“保证得分区”可以使用关于“保证得分区”的椭圆形的中心点的极坐标来定义。

“保证得分区”的大小可以基于轨迹102的变化或其他因素(如投篮速度、投篮长度和/或进入角度)而增大或减小。例如，轨迹102的进入角度的减小可以导致较小的“保证得分区”，而轨迹102的进入角度的小幅增加可以导致较大的“保证得分区”。然而，大幅增加轨迹102的进入角度可能导致较小的“保证得分区”。在一个实施例中，可以基于约45度的进入角度来定义最佳的“保证得分区”。大于或小于约45度的进入角度会导致“保证得分区域”具有比最佳“保证得分区”更小的尺寸。

此外，“保证得分区”的尺寸可以根据篮者112所使用的球109的尺寸增加或减少(例如，男子球的周长约为29.5英寸(7号)，女子球的周长约为28.5英寸(6号)，青年球的周长约为27.5英寸(5号)或25.5英寸(4号))。在一个实施例中，当“保证得分区”的大小增加或减小时，“保证得分区”的中心点可以改变相对于篮圈103的位置。此外，“保证得分区”的中心点可以改变相对于篮圈103的位置，因为“保证得分区”由于不同的投篮方向而改变了篮圈内的位置。

“保证得分区”可以包括导致球109与篮圈103接触的区域，只要球109保持穿过篮圈103的向下轨迹。在一个实施例中，如果“保证得分区”被定义为包括球109接触篮圈103同时保持向下轨迹的投篮位置，“保证得分区”的边缘可以被更新以考虑导致得分投篮的额外投篮落点。系统100可以分析多次投篮的轨迹数据(包括投篮长度和进入角度数据)以确定要对“保证得分区”做出的具体调整，以考虑并包括接触篮圈103但继续向下的轨迹的投篮。在另一个实施例中，可以相对于“保证得分区”，更具体地，“保证得分区”的限定边缘来定义投篮放置的进入位置。例如，球员可以被通知某个特定的投篮落点距离“保证得分区”的边缘仅一英寸。

相比之下，“脏得分区”可定义为球109在接触篮圈103后穿过篮圈103，但在恢复穿过篮圈103的向下轨迹之前球109的轨迹发生变化(例如，球109向上和/或横向行进，包括可能击中篮板)的区域。“肮得分区”可能不像“保证得分区”那样有限定的形状，并且可以是导致球穿过篮圈的投篮落点的集合。此外，在“脏得分区”中基本相同的投篮落点可能会导致不同的投篮结果(例如，一次投篮可能得分，而另一次投篮可能会未命中)。在一些实施例中，系统100可以通过分析投篮的轨迹数据(包括投篮长度和进入角度数据)来预测“脏得分区”中的投篮落点是否会导致得分投篮。在其他实施例中，落点图可以以第一颜色(例如，深绿色)指示穿过“保证得分区”的投篮，并以第二颜色(例如，浅绿色)指示穿过“肮得分区域”的投篮。例如，如下文更详细描述的图6示出了落点图的实施例。图6中的圆圈对应于得分篮，在一个实施例中可以用不同的颜色(例如，深绿色和浅绿色)填充以指示投篮是在“保证得分区”还是在“脏得分区”。

然后，系统100可以使用投篮者的投篮落点信息来向投篮者112提供关于如何增加投篮者后续投篮得分的概率的反馈。例如，如果投篮者的平均横向位置偏离期望点(例如“保证得分区”的中心)超过阈值量，则反馈可以指示投篮者112应该向左或向右调整他/她的投篮以使他/她的投篮更接近期望点的量。类似地，如果投篮者的平均深度偏离期望点(例如“保证得分区”的中心)超过阈值量，则反馈可以指示投篮者112应该向篮圈的前部或后部调整他/她的投篮以使他/她的投篮更接近期望点的量。通过根据反馈进行训练，投篮者可以通过肌肉记忆学习投射更好的投篮，这些更好的投篮具有穿过篮圈的更高概率。

返回参考图3，系统100然后可以存储关于投篮落点、投篮的轨迹102、投篮的基点410(即“篮圈的前部”)、投篮者112的位置、投篮得分还是未命中的信息以及可以由系统100收集的任何其他投篮信息(步骤312)。注意，基点的位置指示投篮的近似投篮方向。也就是说，投篮的方向近似沿着从篮圈的中心到基点的线。在其他实施例中，可以使用其他类型的信息(例如，从篮圈的中心的角度)来指示投篮方向。

在存储与投篮有关的信息之后，系统100可以生成一个或多个落点图(步骤314)以向投篮者112提供关于投篮者112进行的投篮的信息。图6-11示出了落点图的实施例，其可以在显示器210上显示以向投篮者112提供关于投射表现的信息。

图6和7示出了投篮者112从运动表面119上的特定位置404进行的一组投篮的落点图。图6示出了落点图600，其指示了该组投篮的投篮落点以及投篮得分(由圆圈表示)或未命中(由“X”表示)。图7示出了图6中使用的同一组投篮的落点图700。然而，图7提供了关于投篮者112在特定区域中具有投篮的频率的信息，而不是显示各个投篮落点和相应的投篮状态。如图7所示，基于在监测期间确定为穿过各个区域的投篮数量，第一区域702指示较有可能出现投篮落点的区域(例如，30％概率)，第二区域704指示不太可能出现投篮落点的区域(例如，5％概率)。落点图700还可以指示具有在第一区域702的频率和第二区域704的频率之间某处的投篮频率的其他区域。在图7的实施例中，对应区域中的图案越暗，则在该区域出现投篮的频率越高。落点图600和700可以包括篮圈103上的基点410的位置，篮圈103的中心400和相应的中心线402，以向投篮者112提供关于投篮者112在篮圈103处投射的角度和位置的信息。基于落点图600和700中的信息，投篮者112可以确定他/她的更多投篮要向中心线402的左侧并且更多投篮更接近“篮圈的后部”而不是“篮圈的前部”。

图8和9提供了来自图6和7的相同信息，除了信息已经“标准化”之外。图8示出了类似于具有信息和投篮位置和投篮状态的落点图600的标准化落点图800。图9示出了与落点图700类似的标准化落点图900，其具有关于投篮频率区域的信息。为了标准化投篮落点信息，落点图600和700中的投篮信息(包括相对于基点410的横向位置和深度位置)可以与前点(front point)810一起使用以计算“标准化”投篮落点。前点810可以是篮圈103的位于离篮球篮板151最远的位置的部分。投篮的标准化投篮落点可以被确定为从前点810而不是投篮的对应基点410测量的投篮的横向位置和深度位置。在另一个实施例中，可以通过将基点410和每个投篮落点位置绕篮圈103的中心400旋转角度A来标准化投篮落点信息(参见图10，其中基点410-2对应于前点810)，角度A对应于投篮的对应基点410和前点810之间的角度(从篮圈103的中心400测量)。通过篮圈103的前点810和中心400的中心线402可以垂直于篮球篮板151。

对投篮的与不同基点对应的投篮落点信息的标准化使得从不同投篮方向进行的多个投篮的信息能够以使得所有投篮落点相对于相同投篮方向的方式显示在综合落点图上。在没有标准化的情况下，用户可能难以可视化投篮者是否倾向于相对于篮圈中心或其他参考点在某个方向(例如，左，右，前，后)上投篮。通过调整投篮落点使得它们相对于相同的投篮方向，则在相同方向上从篮圈103的中心偏离的投篮将看起来在图上被分组在一起(例如，在相同的大体附近内指示)，从而帮助用户更好地可视化投篮倾向。因此，标准化可以被视为调整投篮落点以便考虑投篮方向的变化。

在一个实施例中执行标准化时，每个投篮落点与指示投篮方向(即，篮球109接近篮圈103的方向)的数据相关。例如，如上所述，投篮落点(例如，篮圈103的平面内球109的中心(或其他参考点)穿过的位置)可以与基于并且指示投篮方向的基点相关。在标准化过程中，更新每个投篮的投篮落点，使得它指示球109的中心或其他参考点将通过的位置使得球109从预定参考方向而不是由投篮的相应基点指示的实际方向被投射(假设距篮圈103的距离和其他轨迹参数保持相同)。作为示例，可以调整从篮圈103的侧面进行的投篮的投篮落点，使得其与从篮圈103的前部而不是篮圈103的侧面进行的相同投篮一致。如果落点图的所有投篮落点都被标准化为相同的参考方向，则通过查看投篮落点图就可以容易地确定投篮落点的倾向。

在其他实施例中，前点810可以被选择为篮圈103上或附近的任何期望参考点。在又一个实施例中，投篮方向信息可以用于调整投篮落点信息以对应于预定投篮方向。在一个实施例中，可以通过将投篮落点位置角度调整与投篮方向和预定投篮方向之间的角度差相对应的角度来标准化投篮落点信息。

作为如何进行投篮标准化的示例，参考图10和11。图10示出了两次投篮的示例性落点图。图10的落点图不提供关于投篮的得分/未命中信息而仅仅投篮的位置。如图10所示，第一投篮可以具有由点405-1识别的第一投篮落点。第一投篮落点405-1可以具有相应的基点410-1，中心线402-1和“切”线408-1。基于中心线402-1和切线408-1，可以根据相对于基点410-1的横向位置(l1)和深度位置(d1)来限定第一投篮落点405-1。第二投篮可以具有由点405-2识别的第二投篮落点。第二投篮落点405-2可以具有相应的基点410-2，中心线402-2和“切”线408-2。从图10中可以看出，基点410-2可以对应于前点810(见图11)，中心线402-2可以垂直于篮板151。基于中心线402-2和切线408-2，可以根据相对于基点410-2的横向位置(l2)和深度位置(d2)来限定第二投篮落点405-2。

如图11所示，第一投篮落点405-1和第二投篮落点405-2已被标准化到前点810。由于第二投篮落点405-2的基点410-2处于与前点810相同的位置(即，基点410-2和前点810重合)，所以第二投篮落点405-2的位置在图10和11中相同。但是，第一投篮落点405-1的基点410-1位于与前点810不同的位置，因此必须被标准化到前点810。为了将第一投篮落点405-1标准化到前点810，点可以定位在基于前点810的中心线402的第一投篮落点405-1的相应横向距离(横向距离l1)处和基于前点810的切线408的第一投篮落点405-1的相应深度距离(深度距离d1)处。该点在相对于前点810的横向位置l1和深度位置d1处的位置对应于第一投篮落点405-1的标准化位置。

图12和13示出了可以在显示器210上显示的投篮位置图，以提供关于在投篮时投篮者在运动表面119上的位置的信息。图12示出了投篮位置图200，其指示所有投篮的投篮落点以及投篮是得分(由圆圈表示)还是未命中(由“X”表示)。图13示出了图12中使用的同一组投篮的投篮图250(例如，投射百分比图)。然而，图13提供了关于投篮者112在运动表面119的在特定区域中得分的投篮的百分比的信息，而不是显示各个投篮落点和相应的投篮状态。如图13所示，运动表面119的每个区域可以包括由投篮者112在该对应区域内得分的投篮的百分比。在一个实施例中，可以给投射百分比图250的区域提供来自一系列颜色的颜色，以视觉方式指示相对于其他区域的百分比的某个区域的百分比。在其他实施例中，可以调整投射百分比图250中的区域的大小，使得投射百分比图250中包括更多区域或更少区域。

在其他实施例中，如图12A和13A所示，投篮位置图和投射百分比图可以提供关于与发生在篮圈处的投篮落点(例如，左右位置和/或深度位置)相关的一个或多个参数的信息。图12A示出了投篮位置图200A的实施例，该图可以提供关于投篮是得分还是未命中以及投篮相对于圈边的深度位置的信息。在图12A中，得分的投篮用不同的圆形符号(例如，空心圆、实心圆或带斜线的圆)表示，未命中的投篮用不同的非圆形符号(例如，“X”、三角形或正方形)表示。除了提供关于投篮是否得分或未命中的信息之外，这些符号还可以提供与投篮的深度位置相关的信息。对于得分投篮(即，圆形符号)，具有靠近篮圈中心的深度位置的投篮可以用空心圆圈表示，深度位置超过篮圈中心(例如，朝向篮板)的投篮可以用实心圆圈表示，深度位置在篮圈中心前面的投篮可以用带斜线的圆圈表示。对于未命中的投篮(即，非圆形符号)，可以用“X”表示深度位置靠近篮圈中心的投篮，深度位置超过篮圈中心的投篮(例如，朝向篮板)可以用正方形表示，并且具有在篮圈中心前面的深度位置的投篮可以用三角形表示。在其他实施例中，用于得分投篮或未命中投篮的符号可以被不同地着色以代替使用不同符号来提供深度位置信息。在再其他实施例中，用于得分或未命中投篮的不同符号(或不同颜色)可以代替深度位置提供与该投篮关联的其他投篮信息(例如，左右位置或进入角度)。例如，在篮圈中心左侧的得分投篮可以用带斜线的圆圈表示，而在篮圈中心右侧的得分投篮可以用实心圆圈表示。在进一步的实施例中，用于得分或未命中投篮的不同符号也可以被着色以提供除了深度位置之外的关于投篮的进一步信息。例如，绿色实心圆圈可以指示深度位置超过篮圈中心并且左右位置在篮圈中心右侧的得分投篮。

图13A示出了投篮图250A(例如，投射百分比图)的实施例，该图可以提供关于特定区域中的人的投射百分比和在该区域进行的投篮的平均深度位置的信息。在图13A中，运动表面119可以被划分为多个不同的区域(或区带)，并且可以针对在运动表面119的每个对应区域中进行的投篮确定投篮者112的投射百分比。投篮者112在特定区域中的投篮的投射百分比可以用特定图案来指示。在图13A的实施例中，对应区域中的图案越暗，该区域中投篮者112的投射百分比(即，得分投篮的百分比)越高。除了提供关于区域内投篮的投射百分比的信息外，投射百分比图还可以提供区域内进行的投篮的平均深度位置相关的信息。在特定区域中显示的正数可以表示在该区域进行的投篮超过了篮圈中心由该数字指示的平均距离。在特定区域中显示的负数可以表示在该区域中进行的投篮在篮圈中心前面由该数字指示的平均距离。在其他实施例中，投射百分比图250A的区域可以被不同地着色以代替使用数值来提供深度位置信息。在再其他实施例中，投射百分比图250A的区域中的数值可以代替深度位置指示与投篮关联的其他投篮信息(例如，平均左右位置或平均进入角度)。例如，在篮圈中心左侧的投篮可以用负数表示，而在篮圈中心右侧的投篮可以用正数表示。在进一步的实施例中，投射百分比图250A的区域可以被着色和图案化以提供除了深度位置之外的关于投篮的进一步信息。例如，绿色的交叉影线区域可以表示来自绿色的高投射百分比、如由数值指示的超过篮圈中心的深度位置以及来自交叉阴影的在篮圈中心右侧的左右位置。在再其他实施例中，可以调整投射百分比图250A中的区域的大小，使得投射百分比图250A中包括更多区域或更少区域。此外，区域中的数值可以用颜色编码以指示某些信息。例如，区域中的数字的值可以指示球在左/右方向上离篮圈中心多远，并且该值的颜色可以指示投篮是向中心左还是右。在另一个示例中，正值或负值可以指示一个方向(例如，左/右)距圈边中心的距离，并且值的颜色可以指示不同方向上的投篮落点(例如，投篮是否没够到圈边中心或超过圈边中心)。在再其他实施例中，投篮图的特性可以以其他方式变化以传达其他类型或组合的相对于圈边或其他参考点的投篮落点信息。

在其他实施例中，如果关于多个参数的信息被显示，则投射百分比图250、250A的区域可以使用多种显示技术(例如，颜色、图案和/或地形)以类似于图13A的方式传达信息。例如，可以按地形显示平均深度位置信息，并且可以针对每个区域以颜色显示平均左右位置信息。通过在同一图上显示多个参数，可以(由人或系统100)识别可用于提高球员表现的趋势。在另一个实施例中，投篮位置图200，200A可以示出具有较多投篮落点和较少投篮落点的区域，类似于落点图700和900。在又一个实施例中，落点图600,700,800和900中的信息可以被提供有投篮位置图200，200A和/或投射百分比图250，250A以为投篮者112提供关于投射表现的附加信息。例如，响应于对投篮位置图200，200A和/或投射百分比图250，250A中的区域的选择，系统100可以生成在选择的区域中进行的投篮的落点图600和700并向投篮者提供落点图600和700。根据所选区域的大小，可以创建“标准化”基点，其对应于所选区域中该组投篮落点的基点的平均。

球员表现评估系统100还可以提供与用于评估投篮者112是否是“好投篮者”的投射参数有关的分析信息。在一个实施例中，用于评估“好投篮者”的投射参数可以包括平均进入角度，进入角度一致性，篮圈中的平均深度(即平均深度位置)，深度一致性，平均左/右位置(即平均横向位置)和左/右一致性。在其他实施例中，在评估投射表现时，代替先前识别的投射参数或者除了先前识别的投射参数之外，系统100可以使用诸如进入角度范围，中值进入角度，深度范围，中值深度位置，左/右范围，中值左/右位置，球速度或其他合适的投射参数的投射参数。

球员表现评估系统100可以使用在生成投篮落点图时使用的投篮轨迹和投篮落点数据来确定平均进入角度，进入角度一致性，平均深度位置，深度一致性，平均左/右位置，左/右一致性和/或其他参数。在一个实施例中，球员表现评估系统100可以通过基于一个或多个平均参数计算相应的“保证得分区”并且然后比较一个或多个剩余的平均参数来确定这些参数是否导致在所计算的“保证得分区”中的投篮来确定“好投篮者”。例如，如本文所述，投篮者的具有更佳进入角度的“保证得分区”通常大于投篮者的具有较不佳进入角度的“保证得分区”。在一些实施例中，系统100可以基于他/她的平均进入角确定投篮者的期望“保证得分区”，并且然后比较投篮者的平均深度位置和平均横向位置以确定这些参数是否在计算的“保证得分区”内。如果是，则投篮者可能被表征为“好”投篮者或投射百分比较高的投篮者。在一些实施例中，系统100可以基于投篮者的平均横向位置或深度在他或她的“保证得分区”内的程度来确定投篮者的投射百分比(或其他投射参数)。例如，对于投篮者的平均横向位置或深度在他或她的“保证得分区”内，平均横向位置或深度距他的“保证得分区”的边界越远，则投篮者可以被表征为更好的投篮者或者与更高百分比关联。也就是说，投篮者的平均投篮位置(例如，横向位置或深度)在他/她的“保证得分区”内越好，投篮者就被表征为更好的投篮者。在其他实施例中，用于确定投射表现的其他技术是可能的。

球员表现评估系统100还可以在评估“好投篮者”时使用一致性参数。在一个实施例中，一致性参数可以提供投篮者112具有等于或在相应的平均参数的范围内的投篮的频率的指示。例如，平均深度为8英寸的投篮者112的深度一致性可以通过计算来自投篮者112的投篮的深度为8英寸加或减距离平均值预定范围(例如，1英寸)的百分比来确定。在另一个实施例中，一致性参数可以提供投篮者112的投篮在相同测量中重复的频率的指示。例如，投篮者112的进入角度一致性可以通过识别在来自投篮者112的投篮中最频繁发生的进入角度(例如，43度)(其可能对应于或不对应于平均进入角度)并且然后确定在最频繁的进入角度发生的投篮的百分比来确定。

当评估投射表现时，系统100可以将一致性参数用作独立因子或加权因子。如果来自投篮者112的投篮具有较高的一致性百分比，则系统100可以将投篮者112评估为“好投篮者”。投篮者112经常重复投篮参数的能力可以指示某人是“好投篮者”，或者如果经常重复的特定参数不在期望范围内，则可以指示某人在具有附加指导的情况下可能会变成“好投篮者”。

球员表现评估系统100可以按请求为个人或球队的一些或所有成员提供关于投射参数或其他投射信息的分段信息，例如，落点图。系统100可以将投篮者112的投射参数信息分段成如下类别，例如：防守投篮；空位投篮；得分投篮；未命中投篮；近投；远投；经过右侧传球，左侧传球，内侧传球，右侧带球，左侧带球，直接向前带球，右手后撤步带球，左手后撤步带球，右左交叉带球，左右交叉带球的投篮；来自球场特定区域的投篮；向特定篮的投篮；针对特定球队的投篮；针对特定防守者的投篮；在特定场地投篮；以及可以提供有益信息的任何其他合适分段。另外，球员表现评估系统100可以根据请求提供关于投射参数或其他投篮信息(例如落点图)的基于时间的信息。系统100可以将投篮者112的投射参数信息分类为诸如以下的类别：特定时段中的投篮；特定量的休息后的投篮，在季前赛的投篮；常规赛季期间的投篮；季后赛期间的投篮；以及任何其他可以提供有益信息的合适类别。作为示例，系统100可以针对特定的半场比赛、比赛或一组比赛指示请求从运动表面上的一个或多个区域的投射百分比(或其他投射参数)。

球员表现评估系统100还可以提供关于分段和分类的投射参数信息的比较信息。例如，系统100可以基于在休息1天，休息2天，休息3天等之后发生的来自投篮者112的投篮来提供投篮者112的投射参数信息的比较。因此，该信息可以被分析以确定或估计在比赛之前休息或其他表现影响球员的投射表现的程度。系统100还可以在季前、常规赛季和季后期间提供投射参数信息的比较。系统100可以基于在受伤之前和受伤之后发生的来自投篮者112的投篮来提供投篮者112的投射参数信息的比较。系统100还可以基于在受伤恢复过程的不同阶段期间发生的来自投篮者112的投篮提供投射参数信息的比较(例如，在“康复”开始时和“康复”要结束时)。

如果已经为多于一个投篮者112或多于一个球队获得了投射信息，则可以在投篮者112(或球队)与另一投篮者112(或球队)或一组投篮者112(或一组球队)之间提供比较数据，以确定投篮者112(或球队)的比较数据是否仅适用于该投篮者112(或球队)，或者比较数据是否指示将适用于大多数投篮者112(或球队)的趋势或倾向。系统100可以确定一些投射参数比较适用于很多组的投篮者112，而其他投射参数比较特定于个体投篮者112。如果存在投篮者112所特有的一些投射参数比较，则该信息可以用于通过强调或避免投篮者的表现与大多数投篮者不同的情况和/或实施训练方案来帮助投篮者112改善与大多数投篮者112不在同一水平的方面来尝试最大化球队胜利。作为一个示例，如果球员的投射表现在比赛过程中降低超过平均值，则可以确定疲劳对该球员的影响大于平均值。在这种情况下，教练可以决定在下半场较少使用该球员或在练习结束时进行某些投射练习以帮助球员学会在疲劳时更好地投射。

图14示出了可以在显示器210上显示的蜘蛛图，以提供关于投篮者相对于用于评估“好投篮者”的投射参数的表现的信息。图14示出投篮者的得分投篮(用圆圈表示)和未命中投篮(用“X”表示)的平均进入角度，进入角度一致性，平均深度位置，深度一致性，平均左/右位置和左/右一致性的蜘蛛图，雷达图或网图。在其他实施例中，投射参数的其他类型或组合可以用于图14所示的图，并且可以根据需要采用不同类型。

在图14所示的示例中，投篮者112具有针对得分投篮的较高一致性参数和针对未命中投篮的较低一致性参数。得分投篮的较高一致性参数可以是投篮者112能够将球落点在“保证得分区”内并且结果是得分投篮的指示符。相反，投篮者112对于得分投篮具有“较高”的平均进入角度，平均深度位置和平均左/右位置并且对于未命中投篮具有“较低”的平均进入角度，平均深度位置和平均左/右位置。得分投篮的较高平均进入角度，平均深度位置和平均左/右位置参数可以是投篮者112不能将球落点在“保证得分区”内并且结果是未命中投篮的指示符。

图17和18示出了示例性落点图的实施例，其可以被生成以提供投篮落点信息。图17和18的落点图可以以地形格式提供投篮落点信息，以便人们可以轻易识别球员最常发生投篮落点的位置。在一些实施例中，落点图的地形格式可以被加阴影或着色(参见图17)以使得人们能够更容易地区分落点图的各个部分。虽然落点图的地形格式关于图17和18中的图形显示，但地形格式也可以关于篮圈显示，类似于图6-11中使用的显示格式。

在一个实施例中，落点图可以在预选时间段内呈现给人，这允许人可视化在该时间段期间发生的落点图变化。“基于时间”的落点图可以作为视频或静态落点图序列呈现，其显示球员在预选时间段内投篮落点的变化。例如，“基于时间”的落点图可以显示球员的落点图在一年时间段内的每月变化。此外，“基于时间”的落点图可以累积地(例如，后续落点图合并来自先前落点图的信息)或独立地(例如，后续落点图不合并来自先前落点图的信息)呈现信息。

在进一步的实施例中，可以使用分层方法向用户提供表现相关信息，该分层方法可以提供关于用户正在观看的显示的附加信息。关于球员或球队的表现信息可以在比赛转播期间同时显示在屏幕上，而不会实质性地干扰比赛的观看。例如，在转播比赛期间，可以在屏幕上显示持球球员的投射百分比。在一个实施例中，显示的投射百分比可以对应于球员的总投射百分比(即，对于球员进行的所有投篮)。然而，在其他实施例中，显示的投射百分比可以对应于球员所在篮球场区域的球员的投射百分比和/或球员关于当前正在防守该球员的防守者的投射百分比。当球员在篮球场上四处移动和/或被不同的防守者防守时，所显示的球员的投射百分比可以改变以对应于球员所在的当前区域和/或球员的当前防守者。在其他实施例中，所显示的投射百分比可以对应于球员所投投篮类型(例如，上拉投篮、上篮、接球投篮、失衡投篮、左手投篮、右手投篮、运球投篮等)的投射百分比。在再其他实施例中，可以显示与队友提供的协助的质量相关的表现信息。换句话说，可以显示关于球员将能够基于从队友接收到的传球进行投篮的可能性有多大(或不太可能)的表现信息。诸如收到的传球类型、传球相对于球员的位置、传球相对于球场的位置、传球相对于防守者的位置、传球速度或球员在接到传球时保持运动的能力等因素可用于确定球员能够基于从队友处接到的传球进行投篮的概率(基于历史数据)。

作为示例，在图1中，图形元素113(在该示例中是数值)显示在投篮者112下方，尽管在其他实施例中该图形元素113可以显示在其他位置。在本实施例中，图形元素113指示投篮者从投篮者当前位置的投射百分比，但在其他实施例中可以指示其他类型的投射或表现特性。由图形元素113指示的投射百分比可以指示投篮者112在他或她在当前时间从他或她的当前位置尝试投篮时将成功投篮的概率，并且该投射百分比可以基于若干因素。作为示例，投射百分比可以基于系统从与投篮者当前位置相同的近似区域为投篮者112捕获的其他投篮。因此，投篮者112的投射百分比可以随着投篮者位置的改变而改变。

注意，由系统100计算的投射百分比可以简单地是成功投篮尝试的次数与从投篮者112当前所在区域的投篮尝试总数之比。然而，可以基于系统100对于从与投篮者当前位置相同的大致区域进行的投篮跟踪的各种其他投篮特性，例如平均释放高度、平均进入角度、相对于圈边的平均投篮落点或其他投篮特性，来计算投射概率的更准确预测。在这方面，由这些投篮参数指示的投篮者的表现可能是比投篮者过去的得分/未命中表现更好的投篮概率指示，特别是对于可能没有高统计意义的低数量投篮。

投射百分比也可以基于其他因素，例如最近的防守者114防守投篮者112的紧密度。例如，如题为“Systems and Methods for Tracking Dribbling and PassingPerformance in Sporting Environments”的共同转让的美国专利第10,010,778号中所述，通过引用将该专利并入本文，系统100可以被配置为跟踪防守者114，例如防守者114与投篮者的距离，并跟踪投篮者从相同区域相对于防守者114与投篮者112的距离的过去的投篮表现。例如，系统100跟踪的数据可以揭示投篮者的表现特性，例如得分/未命中百分比、进入角度、释放高度等，可能受他被防守的紧密程度影响，并且可以调整图形元素113指示的投射百分比以考虑到这样的因素。在其他实施例中，其他类型的因素，例如指示投篮者疲劳的因素，如本文进一步描述，可用于确定投篮者112的可能投射百分比(或其他投篮特性)。

在一些实施例中，可以使用加权公式计算投射百分比，对于该加权公式，某些更重要的投射特性(例如，从相同区域的投篮的平均进入角度)的权重高于至少一些其他投射特性。在一些实施例中，投篮者过去从与其当前位置相同区域的投射百分比可以用作计算的起点，并且该值可以基于其他投射特性进行调整，例如从同一地区的投篮的平均进入角度。在其他实施例中，甚至不需要使用投篮者过去的得分/未命中百分比，因为球员的投射百分比可以仅基于其他投射特性，例如球员的平均进入角度和相对于圈边的投篮落点。在再其他实施例中，从相同区域的投篮的过去投射特性(例如，平均得分/未命中、平均进入角度、平均释放高度、相对于圈边的投篮落点等)可以被提供作为机器学习算法的输入，该机器学习算法确定要显示的投射百分比或其他可能的投篮特性。

在任何情况下，但条件(例如投篮者的位置和/或防守者114与投篮者112的距离)改变时，图形元素113可以被更新以考虑改变的条件。因此，当比赛发生时，图形元素113可以被连续更新以指示投篮者从投篮者的当前位置投中投篮或投篮失手的当前概率。在一些实施例中，图形元素113的位置相对于投篮者112固定。因此，当投篮者112在比赛的显示内移动时，图形元素113随着投篮者112移动。在其他实施例中，图形元素113可以是固定的(例如，位于不太可能实质性干扰用户对比赛的观看的预定义位置，例如显示的角落)。在一些实施例中，图形元素113可以指示当前持球的球员的可能投射百分比。因此，当球从一名球员传给另一名球员时，图形元素113被更新以反映接传球的球员的可能投射百分比。

注意，图形元素113不必显示如图1所示的数值。作为示例，图形元素113可以是根据投射百分比或系统100对于投篮者112计算的其他投射参数而改变的符号。例如，如果当前投射百分比低于预定阈值，则图形元素113可以用第一颜色(例如，红色)进行颜色编码，并且如果当前投射百分比高于阈值，则图形元素113可以用第二颜色(例如，绿色或黄色)进行颜色编码。如果投射百分比增加到另一个阈值以上，则图形元素113可以用第三颜色进行颜色编码，表明投篮者113在当前时间进行投篮非常可取。在另一个实施例中，图形元素113的形状可以基于计算的投射百分比或其他投篮特性而改变。例如，如果投射百分比低于阈值，则图形元素113可以是x的形状，并且如果投射百分比增加到阈值以上，则图形元素可以改变为圆圈。对元素113的形状或颜色进行图形编码可以使观看者能够快速评估何时认为投篮者112进行投篮是可取的。

另外，应当注意，类似的技术可以用于提供对其他运动项目中其他运动员的表现的预测。作为示例，指示橄榄球四分卫将完成传球的概率的图形元素可以由系统100指示。这样的概率可以基于由系统100对于先前传球尝试所跟踪的四分卫过去的投掷表现(例如，旋转速率、释放速度、投掷准确度等)。该概率还可能受到防守者相对于接收者的动作或位置的影响。例如，如果四分卫在当前时间向接收者发起投掷，则可以使用接收者相对于最近防守者的当前速度和位置的当前速度和位置来预测在球可能到达接收者时接收者和防守者之间的间隔距离。这样的间隔距离，以及接收者过去接球的表现，可以用来计算四分卫完成当前发起的传球的概率。

在曲棍球或足球中，系统100可以计算球员从他或她的当前位置进行击球的概率并显示给比赛的观看者。这种概率可以基于系统100跟踪的球员过去的表现以及系统100跟踪的防守者在防守先前击球时的位置和表现。在各种运动的其他实施例中可以显示再其他类型的表现特性。

分层方法还可与增强现实系统一起使用以在训练序列期间或在观看比赛时向人提供附加信息。例如，增强现实系统可以提供“投篮轨迹”，其以三维显示球员的投篮轨迹，使球员能够看到球朝向篮的路径。在训练序列中，投篮轨迹可用于帮助球员提高投篮技术。例如，可以要求球员对随后投篮重新创建之前的投篮轨迹(如果该轨迹导致投篮在“保证命中区”中)，或者改变该球员的投篮，使得该球员投篮的投篮轨迹对应于通过“保证得分区域”的所需投篮轨迹(其也可以被显示)。

此外，使用增强现实系统的人可以选择分层到人的视图中的特定类型的信息。例如，球员可以选择将左右位置信息和深度位置信息添加到球员的增强现实视图中，以帮助球员提高他/她的投篮表现。相比之下，使用增强现实系统观看比赛的人可以选择将投射百分比分层到增强现实视图中，以使该人能够预测在比赛期间投篮是否会成功。此外，随着人在增强现实系统中视角的变化，添加到增强现实视图中的分层信息也可以发生变化。例如，当球队在球场的一端时，观看比赛的人可以接收关于进攻的信息，而当球队在球场的另一端时，可以接收关于防守的信息。分层信息可以基于球员在训练序列期间的表现“实时”提供，或者分层信息可以基于关于球员的过去信息以增强训练序列(例如，显示球员表现信息以尝试让球员在训练序列中更加努力)。

在一个实施例中，球员表现评估系统100可以评估用于评估“好投篮者”的投射参数，以确定投射参数之间是否存在任何关系，或者投射参数是否独立。当试图确定投射参数之间的关系时，球员表现评估系统100可以评估单个投篮者112或一组投篮者112的投射参数。球员表现评估系统100可以能够建立进入角度和左/右位置或深度位置之间的关系。例如，系统100可识别进入角度和深度位置之间的关系，使得较低的进入角度导致较大的深度位置，较高的进入角度导致较小的深度位置。类似地，球员表现评估系统100可以能够建立进入角度一致性和左/右一致性或深度一致性之间的关系。例如，球员表现评估系统100可以确定低进入角度可以提供更好的左/右位置，或者低左/右一致性可以具有更好的进入角度一致性。在一些实施例中，系统100可以分析投射参数并基于他/她的个人表现历史为特定球员提供推荐的理想或目标范围。作为示例，系统100可以确定与较高投射百分比关联的进入角度或其他投射参数的特定范围，而不是具有在该范围之外的投射参数的投篮。因此，相同投射参数的理想或目标范围对于一个投篮者而言可能相对于另一个不同。

球员表现评估系统100可以用于帮助评估或预测投篮者112的投篮能力。系统100可以向教练、球员或其他人员提供信息，该信息指示一个人经过适当的训练是否有能力发展成“好投篮者”。例如，具有进入角度一致性，深度一致性和/或左/右一致性的较高数字的投篮者112可被确定为具有比具有较低一致性数字的投篮者更高的投篮能力，因为具有较高一致性数字的投篮者112已被证明具有重复投射参数的能力，这种能力可以转化为通过适当的训练重复“好投篮”的能力。相反，具有较低一致性数字的投篮者112可被识别为具有较低的手眼协调水平，这可能限制该人成为“好投篮者”的能力。然而，即使该人仅具有成为“好投篮者”的有限能力，系统100仍然可以通过改善平均进入角度，平均深度位置和/或平均左/右位置的锻炼来帮助该人改善他/她的投篮。教练和其他人员可以使用人的投篮能力信息来确定哪些球员要包括在球队中和/或哪些位置最适合特定球员。

注意，投篮者的能力可以使用基于投篮者的评估能力计算或以其他方式确定的值(例如，得分)来量化。作为示例，可以基于若干因素(例如，投篮者的进入角度一致性，平均进入角度，横向位置一致性，平均横向位置等)中的任何一个使用算法来计算该值。作为另一示例，对于被评估为更好的投篮者的球员，该值可以被计算得更高，使得更高的值指示更好的投射能力。通常，能力值表示可以通过训练和练习实现的投篮者最大投射技术的估计。作为示例，系统100可以预测任何特定投射参数的可能最大值或上限，特定投射参数例如投篮者从篮框的特定距离或位置的投射百分比，投篮者的最大进入角度一致性，或本文所述的任何其他参数。系统100还可以基于随时间球员已经展示多少改进或根据限定的训练方案将来预期的训练量或者基于球员展示的过去的训练模式来预测球员的未来技术水平或未来某个时间的某个投射参数。

此外，注意，能力值或评估可以基于球员改善一个或多个投射参数或技术水平的速率，在此称为“训练速率”。作为示例，系统100可以跟踪特定投篮者尝试投篮的数量，并评估特定参数(例如平均进入角度，投射百分比或本文所述的任何其他参数)相对于该投射参数的期望范围的改善程度。然后，系统100可以将该改善与在评估训练速率期间进行的投篮数量进行比较。仅作为示例，系统100可以计算指示投篮者的进入角度已经改善多少的值(例如，计算球员的平均进入角度的改善百分比)并且将该值除以为实现这种改善而进行的投篮数量，以提供指示球员能够改善他/她的平均进入角度的每次投篮速率的值。这样的训练速率值可以指示球员的眼睛/手的协调或球员通过训练改善的能力。请注意，速率不必为每次投篮。例如，它可以是每单位时间(例如，每天)，每个练习课程或一些其他系数。使用训练速率值，系统100可以计算能力值或以其他方式评估球员改善的能力。作为示例，系统100可以基于至少一个训练速率值和可能的其他参数(例如，球员当前的投射参数中的一个或多个)来预测最大投射参数(例如，投射百分比)或以其他方式评估球员的最大技术水平。

在一些实施例中，系统100可以使用来自其他球员的数据来预测给定球员将如何通过训练随着时间推移而改善。作为示例，系统100可以确定球员当前的投篮技术水平并评估指示球员当前正在改善一个或多个投射参数的速率的训练速率。然后，系统100可以分析具有相似投射特性(例如，在类似技术水平和类似训练速率)的其他球员的跟踪表现，以预测球员的投射参数或技术水平可能随时间变化多少以便提供对未来某个点(例如，时间)球员的投射参数或技术水平将是怎样的预测。作为示例，系统100可以计算针对被确定为具有与当前球员相似的投篮特性的其他球员的投射参数或技术水平的平均变化(例如，每次投篮或每单位时间)，然后假设球员将根据平均进展计算当前球员的未来投射参数或技术水平。注意，系统100可以提供对未来某一天或其他时间(例如，月)的球员的投射参数或技术水平的预测。在另一个示例中，系统100可以预测在进行特定数量的投篮(例如，10000或一些其他数量)之后或者在将来训练一定数量的小时之后球员的投射参数或技术水平将会怎样。在其他实施例中，用于评估投篮者的能力和预测投篮者的未来投射特性的其他技术是可能的。注意，这里描述的用于评估和预测投射表现的技术可以类似地用于评估和预测其他类型的球员表现，例如带球表现，传球表现，防守表现等。

在另一个实施例中，球员表现评估系统100还可以基于投篮者112的投篮的释放高度，释放分离和/或释放速度来确定投篮者112的释放效率参数。为了计算投篮者112的释放效率参数，球员表现评估系统100可确定释放高度，释放分离，释放速度参数和/或其他释放参数，并将这些参数中的任何参数与预定标准进行比较。通过标准化释放高度，释放分离和/或释放速度(以及最终释放效率参数)的确定，系统100可以比较投篮者112和投篮类型之间的不同投篮技术。

在一个实施例中，释放高度可以被确定为球最后接触投篮者112的指尖时的英寸高度。在一些实施例中，释放高度可以除以预定数量(例如，200)或以其他方式操纵以帮助使用户更直观或更容易理解信息。释放分离可以被确定为球最后接触指尖时球与防守者的最接近身体部分之间的距离。在一些实施例中，释放分离可以被除以预定数量(例如，100)或以其他方式操纵以帮助使信息对于用户更直观或更容易理解。释放速度可以被确定为从球到达预定高度(例如，投篮者112的下巴高度)到球最后接触指尖的时间。在一些实施例中，释放速度可以除以预定时间段(例如，2/10秒)或以其他方式操纵以帮助使信息对于用户更直观或更容易理解。在其他实施例中可以使用用于确定释放高度，释放分离和/或释放速度的其他技术。

球员表现评估系统100可以通过组合释放高度，释放分离，释放速度和/或其他释放参数来确定释放效率参数。可以加和/或相乘释放高度，释放分离，释放速度和/或其他释放参数以获得释放效率参数。另外，可以在计算释放效率参数时对释放高度，释放分离，释放速度和/或其他释放参数中的一个或多个进行加权。在其他实施例中可以使用其他技术和/或其他参数来确定释放效率参数。

系统100可以向教练，球员或其他人员提供释放效率信息，其指示人是否具有随适当训练改善的能力。例如，具有较高的释放速度数量的投篮者112可被确定为具有比具有较低数量的释放速度的投篮者更高的投篮能力，因为具有较高释放速度的投篮者112具有较低的投篮被防守者阻挡的概率，这可以转化为在更多种的一组条件下进行投篮和投篮得分的能力。教练和其他人员可以使用球员的释放效率信息来确定哪些球员要包括在球队中和/或如何最好地利用特定球员。

在一个实施例中，球员表现评估系统100还可以确定投篮者112的保证得分比率。每次投篮尝试的“保证得分”可以对应于球穿过“保证得分区”。“保证得分区”的大小可以根据投篮的投篮长度、投篮释放高度、进入角度和/或其他投射参数而改变。系统100可以使用针对每个投射收集的进入角度和投篮落点信息来计算投射是否经过“保证得分区”。然后，系统100可以通过将穿过“保证得分区”的投篮数量除以所进行的总投篮数来确定保证得分比率。投篮者112的保证得分比率可以提供比投篮者112成功得分的投射百分比更好的投篮能力指示符，因为成功得分的投射百分比可能比穿过篮圈103但不在“保证得分区”中的投篮夸大，并且在后续的类似尝试中可能不会穿过篮圈103。换句话说，实际得分的投射百分比可能包括这样一组投篮，其中结果不能被投篮者112重复，或者投篮类型不期望用于最大化投射百分比。

在一个实施例中，系统100可以在投篮者112进行每个投篮之后向投篮者112提供反馈。反馈信息可以以视觉格式，音频格式和动力学格式之一提供给投篮者112。例如，在一个实施例中，在视觉显示器上，投篮者112可以观看相对于篮圈的投篮落点，或者投篮者112可以以数字格式观看投篮的横向位置和深度位置。在另一个实施例中，当通过音频设备投放时，投篮者112可以听到横向位置和深度位置的数值。在又一个实施例中，可以使用动力学设备，例如由球员佩戴的手环或头带，其可以以动力学格式传输反馈信息。例如，手环可以根据投篮与中心线402和/或预定深度线(例如，距基点410的11英寸的线)的接近程度而或多或少地振动。替代地，取决于投篮与中心线402和/或预定深度线的接近程度，手环可变得更热或更冷。还可以采用多个反馈输出机构。例如，反馈信息可以由教练或其他观众在显示器上以视觉格式观看，而声音投放设备可以用于以音频格式向球员发送反馈信息。

通常，可以定性或定量地呈现参数。定性反馈的示例可以是诸如“向右”或“向左”的消息，其参考球员的投篮的横向位置或参考深度位置的“太前”或“太后”。定量反馈的示例可以是以适当的测量单位的投篮的实际横向位置和/或深度位置，例如横向位置的“向右2英寸”或深度位置的“8英寸深”的消息。同样，定性和/或定量信息可以以不同的格式呈现，例如视觉格式，听觉格式，动力学格式及其组合。

具有在反馈信息中传输的横向位置和深度位置的知识，投篮者112就可以调整他的下一次投篮以产生更优化的投篮落点。例如，如果反馈信息是横向位置并且他们的投篮是向右，则投篮者112可以调整他们的下一次投篮以将投篮向左移动。然后，系统100可以使用用于后续投篮(或投篮组)的投篮落点信息来确定投篮者112是否过度补偿或者在投篮落点方面补偿不足。

可以在球109到达篮圈103之前或者在球109到达篮圈103之后不久将反馈信息提供给球员。系统100被设计成最小化投篮之间的任何等待时间。对于每个投篮者112和对于不同的训练练习，在投篮者112投射篮球109和投篮者112接收反馈信息之间可能存在最佳时间。系统100可以被设计为允许投篮和反馈信息之间的可变延迟时间以适合使用系统100的每个投篮者112的偏好或者考虑可以用系统100执行的不同训练练习。例如快速投射训练可能需要比更轻松的训练(例如球员投射罚球)更快的反馈时间。

在另一个实施例中，系统100可以基于一个或多个投射参数为每个个体构建特定的训练练习，以增加个体的学习速率和投射百分比。作为示例，如果特定投射参数低(例如，低于预定阈值)，则系统100可以推荐与投射参数关联并且被设计为改善这样的投射参数的特定投篮训练或一组投篮训练。在这样的实施例中，对于每个投射参数，系统100可以存储用于改善这种投射参数的训练列表或练习方案，并且当关联的投射参数在特定范围内时，系统100可以访问并报告这样的训练或方案。由于需要改进的投射参数对于每个人而言是不同的，因此对于每个投篮者112来说，训练练习和方案将是高度个性化的。来自系统100的投射参数信息还可以帮助教练决定哪些球员最优可能为球队的利益提高投篮的多样性和/或哪些训练对球队中的大多数球员最有利。关于投篮者112的投射参数的信息以及来自系统100的推荐训练的方案可以帮助教练预测特定训练方案将花费多长时间以使投篮者达到下一级别的能力以及投篮者112的上限能力将如何。

在另一个实施例中，球员表现评估系统100可以跟踪进攻和防守球员的表现并提供综合训练和反馈系统以改善进攻和防守球员的表现。系统100可以确定指示对比赛的防守理解的一个或多个防守参数以及指示对比赛的进攻理解的一个或多个进攻参数(除了投射参数之外)。

分析软件208可以确定防守者相对于提供对比赛的防守理解的指示的许多不同防守参数特性的熟练度。例如，可以由分析软件208评估的防守者的一些防守参数可以包括阻挡参数、篮板球参数和/或抢断。在一个实施例中，阻挡参数可以包括以下中的一个或多个：阻挡机会(即，可以被防守者阻挡的投篮)，阻挡尝试(即，防守者试图阻挡的投篮)，被阻挡的投篮，阻挡的高度(即，阻挡投篮时防守者多高)，阻挡的速度(即阻挡后球的速度多快)，阻挡的横向距离(即阻挡后球移动的距离)，阻挡是否导致控球权的变化(即防守队在阻挡后获得球109的控制或者进攻队保有球109的控制)，阻挡的位置(即阻挡是否发生在篮圈附近的区域内)，以及防守球员是否非法(例如，干扰球)或防守球员被吹犯规。在一个实施例中，篮板球参数可包括以下中的一个或多个：获得争球篮板，获得补篮板球，针对特定进攻球员获得篮板，在篮板时与进攻球员的分离(包括身体部位分离)，篮板高度(即，球在篮圈上方移动的高度)，篮板速度(即球从篮圈移动的速度)，篮板横向移动(即球从篮圈移动多远)和/或在试图获得篮板之前(例如，阻挡掉时)防守者的身体或部位的位置。使用本文描述的任何这样的因素或其他因素，系统100可以计算指示防守者作为防守球员的熟练度的参数，类似于上面描述的用于评估投篮者的投篮熟练度的技术。

系统100的分析软件208还可以跟踪防守者防守哪些进攻球员以及防守者防守每个进攻球员多长时间。分析软件208还可以跟踪(对于每个进攻球员)在进攻球员每次带球运动、传球运动和投篮运动期间防守者和进攻球员的分离(包括身体部位分离)。分析软件208还可以在每次进攻运动期间确定防守者和进攻球员在运动表面119上的位置。分析软件208可以基于防守者在场上的位置(例如，靠近篮圈，靠近3分线，在球场的左侧或在球场的右侧)提供关于防守者的表现的相应分类信息。分析软件208还可以跟踪由防守者防守的每个进攻球员的进攻表现(例如，投篮多样性)，用于评估防守者的防守表现。

在另一个实施例中，分析软件208可以基于由分析软件208确定的一组相应参数来确定一个或多个防守运动。每个防守运动，例如，“低冲刺前进以用两只手抢断”，可以限定为一系列或一组防守特性，其包括各种高度、各种速度、各种方向、各种取向、各种加速度或减速度、具有各种旋转和/或具有各种速度的手，臂，肩膀和腿部运动。分析软件208可以使用计算机视觉逻辑确定与特定防守运动关联的特定防守特性，然后根据防守特性识别防守运动的类型。在其他实施例中可以使用用于检测防守运动的其他技术。

分析软件208可以确定关于许多不同进攻参数特性的投篮者112(或其他进攻球员)的熟练度，所述进攻参数特性提供对比赛的进攻理解的指示。例如，可以由分析软件208评估的进攻球员的一些进攻参数可以包括：投篮的类型(例如，上拉投篮，近投，接球投篮或带球上篮)，基于投篮类型的投篮多变性因素(具有更高投篮多样性因素的球员更难防守并为球队增加进攻效益)，投篮得分类型(例如，上拉投篮，近投，接球投篮或带球上篮)，基于得分投篮类型的得分投篮多样性，得分投篮和未命中投篮的投射参数，篮板参数和/或失误参数。在一个实施例中，投射参数信息可以包括投篮的进入角度，投篮落点，投篮位置，投篮的释放速度，投篮释放时与防守者的分离，投篮的释放高度，投篮时投篮者112的身体或身体部位的位置(例如，在向篮圈103投篮时投篮者脚的位置)，以及投篮者112的防守者。在一个实施例中，篮板参数可包括：获得争球篮板，获得补篮板球，针对特定进攻球员获得篮板，在篮板时与进攻球员的分离(包括身体部位分离)，篮板高度(即，球在篮圈上方移动的高度)，篮板速度(即球从篮圈移动的速度)，篮板横向移动(即球从篮圈移动多远)和/或在试图获得篮板之前(例如，阻挡掉时)防守球员的身体或部位的位置。在一个实施例中，失误参数可以包括：在带球时发生的失误(例如，防守者抢断或球或者进攻球员越界)，在传球时发生的失误(例如，防守者的抢断或者球出界)，是否在进攻时发生了违例(例如，带球违例)或对进攻球员吹犯规，和/或失误时防守者(包括身体部位)的位置。

系统100的分析软件208还可以跟踪哪个防守球员防守投篮者112(或进攻球员)以及每个防守者防守进攻球员多长时间。分析软件208还可以跟踪(对于每个防守球员)在进攻球员每次带球运动、传球运动和投篮运动期间防守者与进攻球员的分离(包括身体部位分离)。分析软件208还可以在每次运动期间确定防守者和进攻球员在运动表面119上的位置。分析软件208可以基于进攻球员在场上的位置提供关于进攻球员的表现的相应分类信息。分析软件208还可以跟踪防守进攻球员的每个防守者的防守表现(例如，阻挡和抢断)，以用于评估投篮者112的进攻表现。

在另一个实施例中，分析软件208可以基于由分析软件208确定的一组相应参数来确定一个或多个进攻运动。每个进攻运动，例如“用左手带球到篮下”，可以被限定为一系列或一组进攻特性，包括各种高度，各种速度，各种方向，各种取向，各种加速度或减速度，具有各种旋转和/或具有各种各种速度的手，臂，肩膀和腿部运动。分析软件208可以使用计算机视觉逻辑确定与特定进攻运动关联的特定进攻特性，然后根据进攻特性识别进攻运动的类型。在其他实施例中可以使用用于检测进攻运动的其他技术。

在一个实施例中，分析软件208可以使用计算机视觉逻辑来识别进攻和防守球员的手指，手，肘部，肩部，胸部，头部，腰部，背部，大腿，膝盖，小腿，臀部，脚踝，脚和/或其他身体部位在3D空间中的位置。另外，一旦识别出各个部位，分析软件208就可以确定所识别的身体部位彼此的相对位置。分析软件208可以使用关于球员身体位置的信息进行进攻或防守表现评估。作为示例，基于身体部位的相对运动，软件208可以识别由球员引发的某些进攻或防守运动，例如跳投，挑球，带球，勾手投篮，上篮等。在另一个实施例中，由于运动表面119上的球员在进攻和防守之间交替，所以分析软件208可以具体地识别每个球员并为每个球员存储相应的进攻和防守信息。

在一个实施例中，分析软件208可用于识别每个球员并实时提供每个球员的进攻和防守度量。分析软件208还可以提供关于每个球员如何在进攻(例如投篮者)和防守(例如，禁区防守者)上使用的信息。分析软件208还可以跟踪和分类比赛期间球员在场上的时间(例如，比赛或一节的开始，比赛或一节的结束，或领先或落后预定数量的分数)并提供相应的进攻和球员的防守度量。分析软件208还可以跟踪球员在场上的时间量并且基于运动时间量来提供相应的进攻和防守度量(例如，每分钟的投篮尝试，得分投篮，未命中投篮，失误，犯规或阻挡)。

在一个实施例中，系统100可以使用球员的进攻和防守度量来提供关于哪些进攻球员应该在比赛中进行投篮(以及针对哪些防守球员)以及哪些防守球员应该防守哪些进攻球员的推荐。作为示例，系统100可以显示球员针对每个防守者(即，针对限定投射百分比的一组投篮而防守球员的防守者)的投射百分比(或其他投射参数)。为了防守特定投篮者，教练可以选择针对对于该比赛，半场，赛季或一些其他时间段具有最低投射百分比的投篮者的球员。另外，系统100可以在比赛期间提供关于特定进攻球员应该投篮或者应该使用特定防守球员来防守进攻球员的时间推荐。例如，系统100可以识别特定进攻球员在半场(或其他时段)的开始时具有良好的投射表现，但是在半场(或其他时段)结束时具有较低的投射表现，则建议球员是在半场开始时出场较多(在时间方面)，而在半场结束时出场较少。系统100可以提供关于进攻或防守球员应该位于的场地的特定区域的推荐。例如，系统100可以识别特定防守球员在防守篮下附近的进攻球员时具有良好的防守度量，但是当需要防守远离篮下的进攻球员时具有较低的防守度量，则建议球员用于防守篮下附近的进攻球员。系统100可以提供关于进攻球员应该采取的投篮类型(例如，接球投篮)以及防守球员应该防守的投篮类型(例如，带球上篮)的推荐。在这方面，系统100可以基于投篮类型对投射参数(诸如投射百分比)进行分类，使得投篮者可以确定他/她的哪种投射类型更可能成功。可以基于投篮位置进一步对这种反馈进行分类。作为示例，反馈可以指示投篮者对于篮附近或左侧的一种类型的投篮和对于篮更远或右侧的投篮的不同类型的投篮具有更高的投射百分比。通过分析反馈，投篮者可以确定哪些类型的投篮可能在运动表面的某些区域中更成功。

在一个实施例中，系统100可用于评估球员从受伤中恢复的能力。如前所述，系统100可以为投篮者112提供在他/她从受伤中恢复时的投射表现信息。然而，系统100还可以提供相对于从相同或类似受伤中恢复的其他球员的关于从受伤中恢复的进攻或防守球员的比较信息(如果系统100正在收集并存储关于多个球员的信息)。例如，系统100可以识别大多数球员针对特定受伤是否需要特定量的恢复时间，或者基于个体球员的受伤的恢复时间。系统100还可以识别特定受伤是否导致球员之间的类似表现降低，或者表现的任何变化是否基于个体球员。

作为示例，系统100可以跟踪具有相同受伤的各个球员并且确定一个或多个投射参数回到在球员的伤前状态的某个范围内需要多长时间。这样的信息对于教练评估球员从受伤中恢复需要多长时间可能是有用的。此外，如果球员的投射参数没有在与其他球员在相同的平均时间内回到这样的状态，则可能表明球员的受伤比预期的更严重，球员没有足够努力地训练来恢复他的/她的伤势。在一个实施例中，系统100可以使用关于恢复时间的信息来识别可以用于缩短球员的恢复时间的训练和训练的类型。在这方面，系统100可以接收指示各个球员正用于恢复相同类型的受伤的训练或康复方案的类型的信息。通过在康复期间比较诸如投射参数的表现结果，系统100可以评估哪些技术在使球员接近他/她的伤前状态时更有效。使用这样的信息，系统100可以向遭受相同或类似受伤的其他球员提出建议。在任何情况下，系统100可以将球员的投射参数与遭受相同或类似受伤的一组球员进行比较，以便在评估球员的受伤或训练技术或向球员提出受伤复原建议时提供有用的信息。

在一个实施例中，系统100可以向球员提供交互序列以执行对该球员的一种或多种技术(例如，投篮、传球和/或运球)的评估。在另一个实施例中，系统100还可以使用交互序列来评估球员在与技术关联的特定子技术(例如，三分投篮和/或投篮的进入角度和运球的左手运球和/或运球高度)方面的表现。在提供交互序列时使用系统100可以允许球队或教练快速高效地确定球员在现在和未来能够为球队增加的价值，并确定球员的技术(和/或子技术)与其他球员相比。例如，交互序列可用于评估球员的投篮技术(和/或子技术)。来自交互序列的结果和系统100对结果的相应评估可以提供球员当前投篮能力的指示(例如，相对于标准和/或与其他球员相比)。例如，如果球员的平均进入角度接近目标进入角度则来自交互序列的结果可以指示球员在进入角度方面优于一般投篮者水平(例如，如果目标进入角度为45度，则44度的平均进入角度将指示优于一般水平的投篮者)。如果球员的平均左右位置比其他球员的平均左右位置离中心线更远，则来自交互序列的结果还可以指示该球员在左右位置方面是低于平均水平的投篮者(例如，如果其他球员的平均左右位置为±2英寸，则+4英寸的平均左右位置将指示投篮者低于平均水平)。

此外，系统100还可以基于球员的长处和弱点提供球员在未来可能能够获得什么水平的投篮表现的指示。例如，来自交互序列的结果可以指示球员在进入角度方面具有投篮长处(例如，球员的投篮具有约45度的进入角度)，但在左右位置方面具有投篮弱点(例如，球员的所有投篮一致地向右)。基于上述评估，系统100可以得出结论，由于具有类似弱点的其他球员能够通过额外训练提高他们的表现，因此球员的投篮表现在未来可能会提高。

图19示出了用于评估球员在一种或多种技术(和/或关联的子技术)上的表现水平的过程的实施例。该过程利用交互序列，该交互序列指示球员执行一系列动作，其使系统100能够获得适当的数据和信息以评估球员在一个或多个技术(和/或子技术)方面的表现。评估球员在一个或多个选择的技术(和/或子技术)上的表现的交互序列可以包括预定部分和调整部分。返回参考图19，该过程可以通过(由用户)选择一个或多个要评估的技术(和/或子技术)开始(步骤502)。如前所述，要为篮球运动员评估的技术可以包括投篮、传球和/或运球，并且对每个技术的评估可以包括对一个或多个相关子技术的评估。例如，对球员投篮技术的评估可以包括对诸如三分投篮、进入角度、左右位置、深度位置、释放高度、左右手投篮、在篮附近的投篮、在篮球场基线附近的投篮等相关子技术的评估。在其他实施例中，可以为篮球球员评估其他篮球相关技术(和/或子技术)。此外，图19的过程可用于评估一名球员在篮球以外的另一项运动中的一个或多个技术。例如，可以使用图19的过程评估橄榄球或足球球员的踢球或传球技术。

一旦选择了要评估的技术，系统100就可以基于被评估的技能(和/或子技能)来选择要由球员执行的预定义动作序列(对应于交互序列的预定部分)(步骤504)。可以从与要评估的每个技术关联的预定动作列表中选择预定义动作序列中的动作。技术的预定动作列表可以包括提供在球员完成动作时关于与该技术关联的一个或多个子技术的信息的动作。例如，用于投篮技术的预定动作列表可以包括在三分线后面跳投的动作。当球员执行动作时，系统可以获得关于三分投射百分比、投篮进入角度、投篮深度位置、投篮左右位置、释放高度等的信息，其然后用于评估球员的投篮表现。预定动作列表可以包括用于收集关于球员表现的更一般信息的动作和用于收集关于球员表现的特定信息的动作。此外，用于技术的预定动作列表可以包括未被选择用于或包括在预定义动作序列中的动作。

由系统100选择来评估技术(和/或子技术)的表现水平的预定义动作序列每次可以是相同的，而不管被评估的球员如何。换句话说，每个球员在对于相同技术(和/或子技术)被评估时接收相同的预定义动作序列。例如，如果系统100正在评估球员的投篮表现，则系统100提供给每个球员的预定义动作序列可以包括使球员从运动表面上的不同位置和/或距篮圈103不同距离进行预定系列的投篮(例如，25个投篮)的指令。如果评估多个技术，则预定义序列可以包括用于使球员进行针对每个被评估的技术的预定动作的指令。当评估多个技术时，预定义序列可以被布置为单独地顺序评估每个技术(例如，球员可能需要执行预定系列的投篮动作，然后是预定系列的传球动作)。替代地，用于评估多种技术的预定义序列可以被布置成使得要求球员的每个顺序动作涉及球员的不同技术(例如，可以要求球员执行传球动作，然后是运球动作)。

一旦选择了预定义序列，系统100就可以向球员提供一系列指令以执行包括在预定义序列中的动作。预定义序列中的动作可用于高效地对球员关于被评估的技术(和/或子技术)的表现进行初步评估，因为执行的动作在评估快速获得的表现时产生有用的信息，由于教练或其他人对球员的技术进行评估的时间有限，因此需要这样做。在一个实施例中，系统100可以提供指令以按预定顺序执行预定义序列的动作。然而，在其他实施例中，系统100可以提供指令以随机顺序执行预定义序列的动作。

系统100的传感器212可用于记录一个或多个指示球员的动作表现的参数(例如，记录投篮动作的轨迹信息)。当球员完成来自预定义序列的动作时，系统100可以收集和评估来自传感器212的关于记录的参数的数据(步骤506)。一旦评估了传感器数据，系统100就可以做出关于球员表现的初始确定(步骤508)。在一个实施例中，由系统做出的初始确定可以针对系统100是否具有足够的信息或数据来做出关于球员对于一个技术(和/或子技术)的表现的确定(积极或消极)。

例如，传感器数据的评估可以指示球员对于一系列投篮的进入角度落在狭窄的进入角度范围内。由于与进入角度关联的小分组，一系列投篮中进入角度的窄范围的存在使得系统100能够确定存在足够的信息来评估球员的进入角度表现。从进入角度的小分组，系统100可以确定球员对于球员所进行的投篮具有的进入角度控制。如果进入角度的窄范围接近球员进行的投篮的目标进入角度(例如，45度)，则系统可以做出球员具有良好的进入角度控制的确定。相反，如果进入角度的窄范围在目标进入角度周围的预定义段之外，则系统100可以确定球员具有较差的进入角度控制。

在另一个示例中，传感器数据的评估可以指示球员对于一系列投篮的进入角度落在宽范围的进入角度内。宽范围的进入角的存在导致系统100确定没有足够的信息来评估球员的进入角度表现，因为宽范围的进入角度阻止系统100执行有意义的关于进入角度表现的分析(即，系统100对于关于进入角度表现的任何结论将具有低置信度)。如下文将更详细地描述的，系统100可能需要关于与球员的投篮关联的进入角度的附加信息，以便以更高的置信度对球员的进入角度表现进行评估。在一个实施例中，系统100可以使用机器学习技术来做出关于球员表现的初始确定。

基于系统100从预定义动作序列做出的初始确定，系统100可以基于被评估技术(和/或子技术)为球员生成调整的动作序列(与交互序列的调整部分对应)(步骤510)。调整的动作序列可以包括由系统100从对于被评估的技术的预定动作列表中选择的动作，以使得系统100能够获得附加信息以允许系统100做出关于球员表现水平的更好的确定。在一个实施例中，系统100可以使用机器学习技术基于关于球员表现的初始确定来为调整的序列进行动作选择。

如果正在评估球员的投篮表现，则调整的序列可以包括附加动作，其旨在获得无法对其做出初始确定的子技术(例如，在完成预定义序列后具有宽值范围的子技术)的附加信息(或样本)，但可以省略旨在获得具有足够信息以进行初始确定的子技术(例如，在完成预定义序列后具有窄值范围的子技术)的信息的动作。例如，如果在完成预定义序列后，球员的左右位置和进入角度的值范围很窄，而深度位置的值范围很宽，则调整的动作序列可以包括旨在获得关于深度位置的更多信息的动作，而不包括旨在获得有关进入角度或左右位置信息的动作。调整的序列中的附加动作可用于获得足够的信息来确定球员对子技术的表现，或者确定球员对子技术的表现太不一致而无法关于子技术进行任何表现(例如，长处或弱点)评估。

当球员完成来自调整的序列的动作时，系统100可以收集和评估来自传感器212的关于记录参数的数据(步骤512)。一旦传感器数据已经被评估，系统100就可以确定球员对于被评估的技术(和/或子技术)的表现水平(步骤514)并且将表现水平信息提供给系统输入/输出机构215供球员或其他人(例如教练)查看。关于球员对技术(和/或子技术)的表现水平的确定可以包括球员相对于其他球员和/或技术的预定标准在与技术关联的子技术方面是熟练的确定，和球员相对于其他球员和/或技术的预定标准在与技术关联的子技术方面是不足的确定。例如，球员可能在以期望进入角度进行投篮方面熟练而在以期望深度位置进行投篮方面不足。此外，为了提供关于球员对于技术和子技术的表现水平的确定，系统还可以提供确定的置信水平。例如，如果从交互序列收集并与子技术关联的传感器数据在窄值范围内或与数据点的紧凑集群关联，则系统100可以为从数据做出的确定提供更高的置信度等级，因为球员在该子技术方面是一致的。相比之下，如果从交互序列收集并与子技术关联的传感器数据在宽值范围内或与数据点的宽排列关联，则系统100可以为从数据做出的确定提供较低的置信度等级，因为球员在该子技术方面不一致。

在一个实施例中，交互序列的预定部分对于关于每个特定技术和/或特定子技术的被评估每个球员可以是相同的。交互序列的调整部分可以在被评估的球员之间变化并且基于序列的预定部分的结果。换句话说，响应于在交互序列的预定部分中的球员表现，从用于技术的预定动作列表中选择调整部分中的动作。为调整部分选择的动作可以包括获得关于新子技术的信息的动作和/或获得关于在预定部分中被评估的子技术的附加信息的动作。

在一个实施例中，交互序列的调整部分可以由系统100基于先前调整部分和预定部分的结果重复几次(用相同动作或来自预定动作列表的新动作)，直到系统有足够的信息来确定球员对于所选技术(和/或子技术)的表现水平。在其他实施例中，如果系统100能够获得足够的信息来确定球员对于所选技术的表现水平，则可以不需要交互序列的调整部分。虽然已经针对篮球技术的评估描述了交互序列，但应当理解，该系统和交互序列可以适用于评估球员在其他运动中的其他技术(例如，足球运球)的表现。

为了帮助说明上述一些概念，假设系统100用于评估球员的技术。进一步假设系统100监测球员以便评估他或她的技术的时间量有限(例如，一到两个小时)。仅根据球员的投射百分比来准确评估球员的技术(例如，投三分球的技术水平)要进行数千次投篮才能达到统计意义，以达到预测球员技术水平所需的准确度。由于监测球员的时间有限，一般不可能在如此大量的投篮中监测球员。然而，使用本文所述的技术，可以将球员的各种投篮特性与大量球员在大量投篮中的类似投篮特性进行比较，以实现对球员技术的在统计上准确的评估。

在这方面，如本文所述，可以从大量球员的大量投篮中收集数据以确定某些投篮特性的各种期望范围。举例来说，通过对这些数据进行分析，可以确定能够在一定进入角度范围内和一定偏差范围内投射多次投篮的球员多于该投篮特性具有较高技术水平。因此，即使对于某种类型(例如，三分投篮或跳投)的少量投篮，如果球员的进入角变化很小并且如果他的平均进入角度在一定范围内则他会展现高技术水平。具体来说，如果球员在一定的进入角度范围内(例如，约43度到45度)射出多个偏差相对较小的投篮(即投篮的进入角度在该范围内紧密归组)，那么可以做出准确的评估，即球员对于所分析的投篮类型具有高技术水平。在这种情况下，系统100可能能够以高置信度评估球员的技术，即使球员已经进行了相对少量(例如，约10到20次)的投篮。在这点上，来自在统计上大量投篮的数据可用于以高度统计准确度准确地评估具有一定技术水平的投篮者所拥有的属性。此外，具有小偏差可能是具有高技术水平的投篮者所共有的特征，因此即使实际尝试了少量投篮，检测到小偏差也会增加技术水平评估的置信度。另一方面，较大的偏差可能会降低评估的置信度，因此在评估球员对于特定类型的技术的技术水平(例如，球员在投三分球或其他类型的投篮方面的技术水平)之前，需要获得更多数据，例如更大的采样(例如，来自更多投篮的数据)。系统100可以使用基于球员在测试期间的表现的评估置信度来做出关于系统100指示的动作序列的动态决定，从而对于一系列技术更高效地利用用于监测球员的时间。

作为一个示例，假设系统100被设计为评估用户对于各种技术的技术水平，包括他的三分投篮技术和他的传球跳投技术(即，接到传球后一定时间内跳投)。最初，系统100可以通过指示球员执行用于测试球员在三分球的投篮方面的技术的动作序列来评估球员在执行三分球投篮时的技术水平。例如，该动作序列可以包括从球场上的某个位置(例如，在三分线一定距离内的弧顶)射出一定数量的某种类型的投篮。

当用户执行由指示的序列指示的投篮时，系统100跟踪并记录球员的投篮特性，例如每次投篮是得分还是未命中、每次投篮的进入角度、每次投篮相对于圈边的投篮落点等。基于这样的投篮特性，系统100可以评估球员对于被测试的特定类型的投篮的技术水平。此外，系统100可以计算评估的置信度值。例如，如上所述，进入角度(或其他投篮特性)的较小偏差可以是可用于定义或增加评估置信度的因素。在其他实施例中，可以使用其他因素来确定评估的置信度。如果置信度在某个范围内(例如，高于预定义阈值)，则系统100可以确定不需要对被评估的特定技术水平进行进一步测试。在这种情况下，系统100可以通过指示球员执行与其他技术关联的动作序列，例如接传球跳投，以类似方式继续评估其他技术。

然而，如果置信度不在前述范围内，从而表明系统100准确评估球员针对被测投篮类型的技术的能力具有较低的置信度，则系统100可以改为指示球员执行与正在测试的技术相关的附加动作。例如，系统100可以指示球员执行相同类型的更多投篮，从而提高投篮特性的统计准确度，或者指示球员执行指示技术的其他动作，例如从球场上的不同位置投篮。一般来说，获得更多关于球员对于被测技术的数据应该有助于增加评估的置信度，直到置信度达到表明可以进行准确评估的水平。此时，在针对被测技术执行更多动作之后，系统100然后可以指示球员执行与其他技术关联的其他动作，如上所述。因此，由系统100指示的动作序列可以由系统100基于球员的表现动态地选择或以其他方式确定，以优化使用可用于监测的时间，使得系统100在一系列技术上的评估更可能是准确的。

如下文将更详细地描述的，可以采用机器学习算法来评估球员的技术。这样的机器学习算法可以接收被监测的特性(例如，进入角度等)作为输入，然后基于这样的输入指示要指示哪些动作。在一些实施例中，机器学习系统可用于进行技术评估并为每个评估提供指示评估置信度的置信度值。基于来自机器学习算法的该反馈，系统100可以从预定义的并且与被测技术关联的动作序列中进行选择。

作为示例，系统100可以指示球员针对特定技术执行动作序列并且将针对该序列的跟踪投篮特性提供给机器学习算法，机器学习算法然后可以评估球员对于被测试技术的技术水平并且提供评估的置信度值。基于置信度值，系统100可以确定是针对相同技术还是针对新技术指示动作序列，如上所述。因此，机器学习算法分析特定技术的动作的结果，但动作序列的选择由不利用机器学习的软件程序(或其他控制元件)基于反馈(特别是机器学习算法提供的置信度值)来执行。在其他实施例中，系统100可以使用用于使用机器学习的其他技术。

在一个实施例中，系统100可用于基于一个或多个生物参数评估和/或预测球员的表现。系统100可以从传感器212接收关于与球员关联的生物参数的信息。此外，系统100可以通过使用输入/输出机构215将信息手动输入到系统中或使用设备/网络通信接口209从另一计算机或系统传输数据来接收关于与球员关联的生物参数的信息。关于与球员关联的生物参数的信息可以包括球员的遗传信息、微生物组信息、生理信息或心理信息。

生物参数信息可用于评估或预测运动员的身体表现。生物参数信息可用于通过识别生物参数信息的预定变化来确定运动员的表现水平。例如，球员的氧气水平从起始氧气水平的预定下降可以指示球员变得疲劳。在另一示例中，球员的心率从起始心率没有预定增加可以指示球员没有提供最大努力。此外，生物参数信息可用于预测球员未来的能力。例如，年轻球员的遗传信息(或遗传概况)可用于预测球员未来可能发展出的身体特性(例如，身高、体重、肌肉质量等)。在另一个示例中，生理信息(例如，血液中抗体的增加)可用于确定来自运动员的免疫反应，该免疫反应可用于确定运动员是否生病并因此可能在降低的表现水平下进行表现。

生物参数信息还可以与基于技术的参数信息(例如，投篮信息)一起使用以确定生物参数何时会影响基于技术的参数，从而显著改变球员的表现。来自球员的生理信息可用于确定球员的表现(例如，投篮表现、运球表现或其他类型的比赛表现)何时可能发生显著变化。系统100可以存储关于生物参数和表现参数的信息，从而可以将两组数据进行相关。

例如，球员的疲劳会影响他或她成功完成一些任务的能力，例如投射一种或多种类型的投篮。就此而言，随着球员的疲劳，从一个投篮到下一个投篮，他或她的投篮的进入角度可能减小或偏离更多，从而降低他或她执行任务的能力。在一些实施例中，系统100基于感测到的指示球员疲劳或其他生物状况的生物参数来评估球员完成一项或多项任务(例如，一般投篮或投射特定类型的投篮，例如三分投篮)的技术。系统100还提供指示技术的反馈。作为示例，系统100可以提供指示球员执行任务的技术的值，其针对疲劳或其他生物状况而调整，并且使用这样的值来确定在比赛期间运行的比赛类型或是否替换球员或者让球员进入比赛。技术水平值可以是最小数字和最大数字之间的值，其中较低的数字表示较低的技术水平。在某些情况下，该值可以是百分比，例如球员的预测投射百分比。在其他实施例中可以使用其他类型的技术水平值。

为了进行上述技术水平评估，系统100可以在训练阶段期间在延长的时间段内跟踪球员，同时监测球员的表现(例如，投篮特征，包括进入角度、得分/未命中、相对于篮圈的投篮落点等)和生物信息。系统100可以将每个样本(例如，每次投篮的测量的投篮特性)与采样时针对球员感测的生物信息相关。为了针对给定的疲劳水平或其他生物状况确定球员的技术水平，系统100可以使用系统100在球员表现出类似疲劳水平或其他生物状况时捕获的样本。因此，随着球员的疲劳水平或其他生物状况改变，系统100可以提供对球员执行一项或多项任务的技术的不同评估。如上所述，在一些实施例中，机器学习可用于提供对球员技术的评估，尽管在其他实施例中机器学习的使用是不必要的。

当使用机器学习时，可以将各种参数输入机器学习算法以评估球员的技术。例如，在训练阶段获取的球员训练数据(投篮特性和相关生物信息)可用于训练机器学习算法以学习球员针对各种生物状况的表现特性。在某些情况下，还可以使用附加信息，例如比赛情况信息。例如，作为机器学习算法的另一输入，指示时钟状态(例如，比赛中剩余的时间量)和比赛的得分的信息可以被包括在球员的表现数据中。因此，用于训练机器学习算法的每个样本可以包括，对于每个投篮，投篮的测量投篮特性、投篮时球员的生物信息以及投篮时的比赛情况信息。系统100可以学习球员表现的模式，其可以针对比赛中的给定情况提供球员技术水平的准确预测。在比赛中的给定时间点，可以将指示球员生物状态的信息和有关比赛情况的信息输入到机器学习算法中，然后机器学习算法提供对球员对于给定情况的技术评估。作为示例，系统100可以用于为多个球员提供类似的评估，并且来自系统100的反馈可以被教练使用来确定哪些球员应该被插入/移出/移出比赛或者应该被选中来执行特定任务，例如在比赛结束时进行比赛制胜投篮。这种分析考虑了球员之前如何在类似的疲劳水平或其他生物状态以及类似的比赛情况下执行类似的任务。

注意，有多种技术可用于收集生物信息以用于训练和执行技术水平的实时评估。例如，可能要求球员向生物设备140提供身体样本(例如，唾液、血液、尿液等)。在一些实施例中，可能要求球员吐到容器中以提供唾液样本或者用针刺破以提供血样，然而，在其他实施例中，可以使用任何合适的技术来获得身体样本。提供给生物设备140的样本然后可以被分析(通过已经并入系统100的分析器或通过诸如实验室的外部源)以获得关于球员的生物参数信息。如果分析器是系统100的一部分，则样本分析的结果可以直接传送到计算机202(例如，通过有线或无线连接)，或者如果使用外部源分析样本，则结果可能必须上传到计算机202(通过手动数据输入或通过电子数据传输)。

在另一示例中，生物设备140可以是非侵入性传感器，其在比赛或训练课程期间由球员佩戴，或者在长凳上时或在比赛休息或球员空闲的训练课程期间(例如，比赛的中场休息)施加到球员以获得关于球员的生物参数信息(例如，心率、呼吸率、血压、氧饱和度、体温等)。在一个实施例中，生物设备140可以用于获得关于球员的神经学信息，从而可以确定球员的神经学状态以便最大化球员的表现或者预测球员的未来表现。生物设备140的非侵入性传感器可直接与计算机202通信(例如，通过有线或无线连接)以向计算机202提供生物参数信息以供分析。在其他实施例中，可以通过使用远程设备监视球员来获得生物参数信息。相机118可用于记录球员的动作和运动。此外，麦克风或其他录音设备可用于记录球员产生的语音和其他声音。

在一个实施例中，可以分析与生活在人体内部和人体上的微生物(例如，细菌、噬菌体、真菌、原生动物和病毒)的集体基因组相关的微生物组信息，以确定营养指示，其可以用于最大化球员表现或预测球员表现。类似地，可以分析与球员的基因和DNA(脱氧核糖核酸)相关的遗传信息以确定可能影响球员表现的球员的身体能力或限制。在另一个实施例中，可以为球员开发生物表型并将其用于确定球员是否能够在比赛或训练课程期间的某些时间和/或情况下最大化表现。

从相机118和/或麦克风获得的视频和/或音频信息可用于确定用户的生物参数信息。视频和/或音频信息可由机器视觉系统和/或处理器116分析以识别对应于生物参数信息的球员的动作或特性。在一个实施例中，视频信息可用于确定球员的疲劳水平。例如，处理器116可以从视频信息中识别球员对球的处理(例如，运球、传球或投篮)的变化或球员执行动作(例如，移动到球场的不同区域)的速度的变化以确定球员疲劳水平。使用视频信息来确定疲劳水平的另一个示例可以涉及系统100检测由球员进行的投篮的轨迹和/或进入角度的变化并且从这些变化确定疲劳水平。当球员变得疲劳时，球员的投篮轨迹可能会变得“平坦”，这导致球员投篮的进入角度更小。疲劳水平与轨迹和/或进入角度之间的相关性可以基于指示轨迹和/或进入角度的变化何时对应于正在疲劳的球员(或其他球员)的存储数据。

在另一个实施例中，可以从视频信息确定球员的焦虑水平。例如，可以识别球员在球上的手放置的变化或球上排汗量的变化以确定人的焦虑水平。在另一示例中，可以从生物传感器140确定球员的排汗量以确定人的焦虑水平。例如，从预期的排汗水平增加的排汗可以指示球员具有增加的焦虑水平。

在再其他实施例中，可以分析生物参数信息以确定球员进入(或重新进入)比赛情况的准备度。例如，可以使用生理信息，例如从身体样本(例如，唾液、汗液或血液样本)获得的信息或从非侵入性传感器获得的信息(例如，体温、血压、氧饱和度、心率等)来确定疲劳的球员何时休息到足以返回比赛情况并以可接受的水平进行表现。在另一个示例中，可以分析视频信息以确定关于球员的光学信息。光学信息可以包括关于球员的眼扩张或眼运动的信息，其可用于确定球员进入(或重新进入)比赛情况的准备度。类似地，关于球员的响应时间、动作、球队合作或球队互动的信息可用于确定球员何时应该退出和/或进入(或重新进入)比赛情况。例如，在比赛情形期间球员的响应时间或移动的减少可能表明球员正在以降低的表现水平进行比赛并且应该从比赛情形中移出。可以分析收集的关于球员的音频信息以确定球员是否准备好进入(或重新进入)比赛情况。例如，球员如何和/或何时欢呼和/或球员如何或何时对比赛情况中的活动做出反应可以指示球员的参与水平，这可以指示球员进入(或重新进入)比赛情况的准备度。

在进一步的实施例中，如上文简要描述的，生物参数信息可用于通过将比赛情况和球员的当前生物参数信息与关于球员在相似生物参数信息的情况下在相似比赛情况中的表现的存储信息进行匹配来最大化球员或球队的预测表现。比赛情况的一些示例包括比赛的计时(例如，在小节内还剩两分钟，小节的开始，小节的中间等)和防守球员的防守者。例如，系统100可以基于球员的生物参数信息，该信息可以指示球员几乎没有疲劳，以及比赛的计时(例如，半场结束)，确定球员应该参与比赛，因为球员在过去在类似情况下历史上有较高的表现。类似地，系统100可以基于球员的生物参数信息，该信息可以指示球员有一些疲劳，以及防守球员的防守者，确定球员不应该参与比赛，因为球员在过去在类似情况下历史上有较低的表现。

在又一个实施例中，系统100为球员存储的生物参数信息可以由球员控制，使得某些生物信息可以被发布给球迷、医务人员、其他球队等以用于其他用途。例如，球员可以向球员的粉丝群发布某些生物参数信息，以允许球员的粉丝将自己的生物参数信息与球员进行比较。在另一个示例中，球员可以向可能已被要求评估球员的身体或精神状态的独立医疗人员(例如，医生)发布生物参数信息。

在一个实施例中，系统100可以在比赛期间用于自动控制在比赛期间使用的设备(例如，计分板220、时间时钟218和/或投篮时钟216)和/或在比赛期间自动跟踪和/或更新球员和/或球队信息(例如，比赛得分和/或个人和/或球队统计数据)。此前，“记分板操作员”负责设备的操作，“记分员”负责记录比赛信息。“计分板操作员”通常在比赛期间观看动作并响应于比赛期间发生的事件采取相应的手动动作(例如，操作开始/停止时钟的机构或操作更新计分板上的分数的机构)。“记分员”还观察比赛过程中的动作，并手动记录与比赛过程中发生的事件相关的统计数据和其他信息。“计分板操作员”和“记分员”执行的手动任务可能会不一致地执行(例如，停止时间时钟和触发停止的动作之间的延迟可能会有很大差异(高达十分之几秒甚至几秒))和/或不准确地执行(例如，停止未命中投篮(而不是得分投篮)的时钟或将诸如未命中投篮之类的动作归咎于错误的人)导致有时困难且耗时的纠正必须要执行以保持比赛所需的准确度水平。例如，如果时间时钟没有在适当的时间停止，则可能必须停止比赛以进行适当的纠正(例如，更新时间时钟上的时间)，这可能会干扰比赛的自然进程。相比之下，使用系统100捕获的图像(或其他传感器读数)以及系统100从捕获的图像(或其他传感器读数)生成的信息和参数，系统100可以以更高的一致性(例如，相同的比赛事件导致系统100采取相同的动作)和准确性(例如，更少的错误确定)执行与“计分板操作员”和“记分员”相同的动作。在一个实施例中，系统100可以足够快地执行这些动作，使得对比赛没有任何干扰(例如，系统可以在小于0.1秒的时间内进行关于动作的确定)。

在一个实施例中，计分板220可以显示参与比赛的每个球队的得分(以及可能的其他信息)，时间时钟218可以显示比赛的预定义部分(例如，四分之一或一半)，并且投篮时钟216可以显示球员在比赛期间尝试投篮的剩余时间。在一些实施例中，时间时钟218和/或投篮时钟216可以被结合在计分板220中。在其他实施例中，可以在用于比赛的运动表面119周围放置不止一个计分板220、时间时钟218和/或投篮时钟216。例如，在篮球比赛中，系统100可以在系统100确定篮球的投篮得分(即穿过篮圈)或篮球与篮圈接触时自动重置比赛的投篮时钟216(例如，将投篮时钟216设置为预定时间，例如24秒或14秒)。此外，系统100可以响应于特定比赛动作(例如，得分投篮、球出界或在时间时钟218停止后球员触球)和/或特定比赛情况(例如，在时间时钟218上的比赛中少于2分钟)的确定来控制比赛的时间时钟218(例如，开始和/或停止时间时钟218)。

系统100还可以在比赛期间自动跟踪和/或更新球队和/或个人信息和/或统计数据，并将信息存储到存储器中的一个或多个相应记录或文件中。例如，系统100可以通过确定投篮是否得分、进行投篮的位置和投篮类型(例如，三分球、罚球或两分球)来跟踪和/或更新比赛的得分。系统100还可以通过确定投篮得分的时间、基于投篮的位置和投篮类型确定得分投篮的适当分值并向计分板220提供信号或指令来更改投篮得分的球队确定的分值来更新由计分板220显示的比赛得分。系统100还可以通过确定进行得分的投篮的球员、投篮位置和投篮类型来自动跟踪和/或更新单个球员在比赛期间的得分。除了确定球员和/或球队的得分投篮之外，系统100还可以确定球员和/或球队的投篮总数(或特定投篮类型)和球员和/或球队未命中的投篮总数(或特定投篮类型)。

在另一个实施例中，系统100可以为球队和/或个人跟踪和/或更新关于的比赛的其他信息和/或统计数据。系统100可以确定特定比赛动作或事件(例如，进攻篮板、防守篮板、总篮板、助攻、盖帽、抢断、犯规、造犯规、失误等)的发生并为球员或球队跟踪和/或更新与个动作或事件相关的信息。系统100可以实时(例如，在动作发生后的预定时间段内)、接近实时(例如，在大于预定时间段但仍在比赛期间内)或稍后(例如，在比赛结束后)确定特定比赛动作或事件何时发生。在一个实施例中，对于系统100确定动作或事件的预定时间段可以是0.1秒或更短。在另一个实施例中，系统100还可以使用由系统100确定的跟踪和/或更新的信息来生成比赛的框得分。

图20示出了用于在比赛期间跟踪和/或更新信息或控制设备的过程的实施例。该过程开始于捕获比赛期间发生的动作或事件的多个图像或传感器读数(步骤1002)。在一个实施例中，多个图像可以用至少一个设置在运动表面119周围的相机118或其他类型的传感器来捕获。相机118可以如本文先前描述的那样捕获动作或事件(例如，投篮)的图像。一旦捕获到动作或事件的图像，系统100就可以分析捕获的图像并确定与动作或事件关联的一个或多个参数(步骤1004)，包括确定执行动作或参与事件的球员。在一个实施例中，当所采取的动作是投篮时，系统100可以如本文先前描述的那样确定与投篮关联的参数，例如投篮轨迹、投篮的左右位置、投篮的深度位置、投篮位置、投篮的进入角度、投篮类型等。在一个实施例中，当动作或事件发生时，系统100还可以通过分析捕获的图像或使用其他合适的技术来确定比赛的时间时钟218上的时间。一旦系统100确定了与动作或事件关联的参数，系统100就可以分析来自动作或事件的参数并基于来自动作或事件的所确定的参数(和与动作或事件相关的其他数据，例如捕获的图像)生成一个或多个指示符(步骤1006)。

在一个实施例中，当所采取的动作是投篮时，系统100可以基于所确定的投篮参数生成一个或多个指示符。图21示出了用于生成与球员进行投篮关联的一个或多个指示符的过程的实施例。在一个实施例中，当捕获到的动作是投篮时，图21的过程可以用于从图20的过程的步骤1006生成指示符，但是在其他实施例中图21的过程也可以用于为其他应用生成指示符。图21的过程可以以系统100接收所确定的投篮参数和与投篮关联的捕获图像(或其他传感器读数或数据)开始(步骤1102)。系统100然后可以确定投篮是否导致球接触篮圈(步骤1104)。

在一个实施例中，系统100可以通过分析与投篮关联的捕获图像和/或通过分析与投篮关联的轨迹信息来确定投篮是否导致球接触篮圈(步骤1104)。系统100可以通过分析所捕获的投篮图像(例如从篮圈的俯视图)来确定球接触篮圈以：识别所捕获图像中的球和/或篮圈；并确定捕获的图像中球和篮圈之间是否有空间。如果系统100确定在所捕获的图像中的至少一个图像中球和篮圈之间没有空间，则系统100可以确定投篮已经接触篮圈。替代地，系统100可以通过分析投篮的轨迹信息来确定球接触篮圈以：确定球相对于篮圈的位置；确定球的位置是否在篮圈占据的区域内；识别投篮轨迹的任何变化；识别球的旋转速度或旋转轴的任何变化；并确定球的位置是否在篮圈占据的区域内和投篮轨迹是否有变化。如果系统100确定投篮轨迹发生了变化并且球的位置在篮圈占据的区域内(与球的位置在篮框的其他部分例如篮板占据的区域内不同)，系统100可以确定投篮已经接触篮圈。在进一步的实施例中，系统100可以通过使用一种技术(例如，分析捕获的投篮图像)来确定球接触篮圈，然后通过使用另一种技术(例如，确定当球的位置在篮圈占据的区域内时投篮轨迹的变化)来确认初始确定。通过在确定球接触篮圈之前需要基于不同技术的两个单独确定，系统100可以在做出关于球接触篮圈的确定时展现增加的准确度和置信度。

返回参考图21，如果系统100确定投篮已经接触篮圈，则系统100可以生成一个或多个“接触篮圈”指示符(步骤1106)，其可以用于控制比赛设备和/或跟踪信息，将在下面更详细地描述。系统100然后可以基于投篮参数和捕获的图像来确定(或预测)投篮是否导致得分篮(步骤1108)。在一个实施例中，系统100可以使用轨迹信息和视觉指示符(来自所捕获的图像)来确定是否已经发生得分篮。系统100可以通过分析轨迹信息以确定投篮的轨迹是否导致球穿过篮圈来确定是否发生得分篮。在一个实施例中，系统100可以通过分析在球到达篮圈之前的轨迹信息来预测球是否会穿过篮圈。在确定球的轨迹导致球穿过篮圈之后，系统100然后可以分析捕获的图像以确定何时一个或多个预定标准(例如，球的预定部分通过与篮圈关联的预定点或球的预定部分进入与篮圈相关的预定区域或球的预定部分进入与篮圈相关的预定区域加上设置的安全措施时间)被满足，其明确指示得分篮已发生。通过使得分篮确定与预定标准关联，系统100可以避免由于球围在篮圈周围的异常运动例如球沿篮圈的内边缘盘旋然后从篮圈的顶部退出篮圈而导致的得分篮的错误和错误确定。此外，基于预定标准确定得分篮允许系统一致地确定发生得分篮时的准确时刻，用于需要这种确定的情况(例如，为了在接近比赛结束时停止时间时钟)。

在一个实施例中，负责比赛规则的组织可以在比赛之前为球的预定位置、与篮圈关联的预定点以及被添加的用于确定当穿过篮圈的投篮为得分投篮时的具体时间的安全措施时间的设置量建立预定标准。在一个实施例中，预定点可以是篮圈的顶部、篮圈的底部、网的底部、篮板的底部、篮圈底部和网的底部(即，网的顶部)之间的网的中间点或对应于从前面列出的任何点测量的预定距离(例如，篮球框底部下方6英寸)的点。在另一个实施例中，球的预定部分可以是球的顶部、球的底部、球的中心、球的顶部和球中心之间的球的中间点或球的底部和球中心之间的球的中间点。在进一步的实施例中，要添加的安全措施时间量可以是0.01秒、或0.05秒、或0.1秒或其他合适的时间量。在一个实施例中，与篮圈关联的预定点、球的预定部分或要从上面列出的那些中添加的预定安全措施时间量的任何组合可以被选择作为预定标准以指示何时得分篮已经发生。在其他实施例中，可以使用其他标准来确定何时投篮得分。

下面将关于图22A-22C提供系统100如何能够确定得分篮的示例。当球员投篮时，系统100可以基于对捕获的图像的分析来确定投篮的轨迹和相对于篮圈的投篮落点。基于轨迹信息和投篮落点，系统100然后可以确定球是否将穿过、正在穿过或已经穿过篮圈。在一个实施例中，系统100可以确定投篮落点是否在如上所述的由系统100基于轨迹信息确定的“保证得分区”内。响应于对投篮落点在“保证得分区”内的确定，系统100可以确定(或预测)球将穿过、正在穿过或已经穿过篮圈。如果投篮落点不在“保证得分区”内，则系统100然后可以确定投篮落点是否在如上所述的“脏得分区”内，其指示球在接触篮圈和/或篮板后将穿过、正在穿过或已经穿过篮圈。如果系统100确定投篮落点不在“保证得分区”或“脏得分区”内，则系统100可以确定球没有穿过篮圈并且投篮将是未命中或已经未命中。

在图22A中，由运动员向篮圈103(具有相应的篮板151)投射的球109的轨迹由虚线T示出。虽然在图22A中未示出，但是投篮的投篮落点可以是在由系统100基于轨迹信息确定的投篮的“保证得分区”内。由于图22A中所示的投篮的轨迹T由系统100确定为导致球109穿过篮圈103，因此系统100然后可以分析捕获的图像以确定球109的预定部分何时穿过与篮圈103相关的预定点。在图22A-22C所示的实施例中，系统100可以使用以下示例性标准确定得分篮：球的预定部分可以是球109的顶部；并且与篮圈103关联的预定点可以是篮圈103的底部。如上所述，系统100可以使用球的其他预定部分以及与篮圈103关联的其他预定点来确定何时得分篮发生。

系统100可以分析捕获的图像，其可以对应于图22A-22C中所示的视图，以识别捕获的图像中的球109(和球109的预定部分)和篮圈103。在所捕获的图像中识别出球109和篮圈103之后，系统100可以确定球109的预定部分何时通过与篮圈103关联的预定点。当分析与图22A和22B中所示视图对应的捕获的图像时，由于球109的顶部在篮圈103上方，因此系统100不会做出得分篮确定。然而，当分析对应于图22C中所示的视图的捕获图像时，由于球109的顶部低于篮圈103的底部边缘，因此系统100可以做出得分篮确定。

在另一个实施例中，系统100可以通过使用多个相机视图来确定球何时穿过篮圈和/或球的预定部分已经穿过篮圈来确定得分篮。例如，系统100可以使用高架相机视图(即，显示篮圈顶部的视图)来确定球将穿过篮圈。替代地，系统100可以使用显示篮圈相对两侧的一对相机，通过确定在来自对放相机的两个图像中篮圈在球的一部分前面(即，遮挡)来确定球将穿过篮圈。系统100可以使用一个(或多个)相机显示篮圈的侧(或前)视图来确定球的预定部分已经通过与篮圈关联的预定点。

返回参考图21，如果系统100确定投篮已经导致得分篮，则系统100可以生成一个或多个“得分”投篮指示符(步骤1110)，其可以用于控制比赛设备和/或跟踪信息，如下文将更详细地描述。如果系统100确定投篮已经导致投篮未命中(即，不是得分投篮)，则系统100然后可以生成一个或多个“未命中”投篮指示符(步骤1112)，其可以用于控制比赛设备和/或跟踪信息，如下文将更详细地描述。

返回参考图20，系统100可以使用生成的指示符，可能连同使用系统100从捕获的动作或事件获得的其他信息，来跟踪和/或更新关于球员和/或球队和/或比赛中使用的控制设备的信息(步骤1008)。系统100可以处理生成的指示符以基于设备控制算法生成用于投篮时钟216、时间时钟218或计分板220的控制信号或指令。设备控制算法可以响应于特定指示符的接收以及在一些实施例中与指示符关联的一个或多个附加标准的满足而生成特定控制信号或指令。类似地，系统100可以处理生成的指示符以生成控制信号或指令，这些控制信号或指令可以基于比赛统计控制算法更新存储器中的球员和/或球队的信息或统计数据。比赛统计控制算法可以生成特定控制信号或指令以响应于特定指示符的接收、特定指示符所属的球员和/或球队的识别并且在一些实施例中，与指示符关联的一个或多个附加标准的满足来更新球员和/或球队的存储器中的信息。

例如，如果系统100接收“接触篮圈”指示符，则系统可以生成控制信号以将投篮时钟216设置(或重置)到预定时间量。在一个实施例中，系统100可以通过确定是否发生了“控球改变”并且还通过分析所捕获的图像以识别球和/或持球的一名或多名球员来确定与控制信号关联的预定时间量。如上所述，系统100可以通过确定得分投篮已经发生，或者如果发生投篮未命中则防守队已经获得对球的控制来确定“控球改变”已经发生。在一个实施例中，如果系统100确定“控球改变”已经发生，则可以使用第一预定时间量(例如，24秒)，或者如果系统100确定“控球改变”尚未发生，则可以使用第二预定时间量(例如，14秒)。

在另一示例中，如果系统100接收“得分”投篮指示符，则系统100可以生成用于计分板220的控制信号以增加投篮得分的球队的得分(由系统100通过分析捕获的图像或其他信息来确定)。在一个实施例中，系统100可以通过确定投篮的投篮位置(如上所述)并基于投篮位置分配特定分值(例如，2或3分)来确定计分板220的增加量。此外，如果系统100没有接收“接触篮圈”指示符，则系统100可以基于接收到“得分”投篮指示符来生成控制信号以将投篮时钟216设置(或重置)到预定时间量。如果系统100还做出了某些比赛标准已经满足(例如，比赛中小于2分钟)，则系统100还可以生成控制信号以响应于“得分”投篮指示符停止时间时钟208。系统100还可以使用“得分”投篮指示符来生成指令以更新存储器中与投篮得分的球员和/或球队关联的信息和/或统计数据。

在又一示例中，如果系统100接收“未命中”投篮指示符，则系统100可以生成指令以更新存储器中与未命中投篮的球员和/或球队关联的信息和/或统计数据。此外，如果系统100没有接收到“接触篮圈”指示符，如果系统100还确定控球改变已经发生，则系统100可以生成控制信号以将投篮时钟216设置(或重置)到预定时间量。球队和/或个人关于得分投篮或未命中投篮的信息的更新还可以包括更新与投篮的所确定的投篮参数关联的其他信息的指令。

对于其他动作，系统100可以使用所生成的指示符来生成控制指令以更新关于该动作(例如，防守篮板)的球队和/或个人信息并更新与该动作的确定的动作参数关联的对应信息。除了为球队和/或个人更新其他动作的信息外，生成的指示符还可用于控制比赛期间使用的设备。例如，如果系统100生成的指示符指示在时间时钟218已经停止之后球员接触篮球，则系统100可以生成控制信号以响应于“接触”指示符开始时间时钟218。在一个实施例中，“接触”指示符可以由系统100通过分析捕获的图像以识别球员和球然后确定图像中球员的一部分何时接触了的球来生成。类似地，可以基于系统100对捕获的图像的分析来生成其他指示符，其可以导致可以开始或停止时间时钟218的控制信号的生成。例如，“犯规”指示符可以通过以下方式生成：系统100分析捕获的图像以识别裁判，然后确定裁判何时做出指示犯规发生的运动(例如，通过将他的手臂抬起至少预定量)和/或通过检测哨声何时响起。系统100可以生成控制信号以响应于“犯规”指示符停止时间时钟218。

在另一个实施例中，系统100可以生成控制信号，其用于激活人类操作员(例如，记分员或计分板操作员)的指示器，通知人应该发生动作(例如，操作计分板、时间时钟或投篮时钟或更新与比赛相关的统计数据或信息)。通过向操作员提供指示器，系统100可以增强人类操作员执行的职责，同时仍然允许人类操作员将他们的判断应用于特定情况。系统100为人类操作员生成的控制信号可以激活视觉指示器(例如，激活指示灯)、听觉指示器(例如，向人佩戴的耳机提供音调或计算机生成的语音)和/或物理指示器(例如，人佩戴的设备振动或提供其他物理刺激)。例如，在接收“接触篮圈”指示符时，系统100可以生成控制信号，该控制信号为计分板操作员激活计分板控制器上的“重置投篮时钟”灯。在另一个实施例中，系统100可以生成控制信号，其向操作员提供提示以确认系统100将采取的预期动作。例如，如果系统100接收“得分投篮”指示符，则系统100可以向人类操作员生成提示，其指示系统100打算更新计分板上的分数、停止时间时钟或重置投篮时钟。人类操作员然后可以“接受”预期动作并且系统100将自动执行动作或“拒绝”系统100的预期动作并手动执行动作(或不采取动作)。这种接受或拒绝可以通过来自操作员的手动输入来指示，例如按下按钮或拨动开关。在进一步的实施例中，如果操作员在预定时间段(例如，1或2秒)内没有对来自系统100的提示做出响应，则系统100可以在没有操作员输入的情况下自动执行预期动作。

注意，人与系统之间的这种类型的交互可以使系统能够以比通过完全手动控制或完全自动控制可以实现的方式更可靠和准确的方式执行。例如，在得分投篮后停止时间时钟的情况下，经过几秒钟的人工观察后，人工验证投篮得分的可靠性是高度可靠的，但在在应当做出决定以准确地停止时钟的时间可能不太准确。在这种情况下，系统100可以通过这里描述的任何技术自动检测得分的投篮，并在投篮得分的精确时刻标记由时钟指示的时间(根据用于确定得分投篮的标准)。如果操作员确认得分投篮，则系统100可以更新或以其他方式控制时间时钟，以使其指示系统100在投篮得分的精确时间标记的时间。

在这样的实施例中，系统100可以持续跟踪在认为投篮得分的点之后经过的时间。如果人类操作员提供指示实际上投篮没有得分的输入，则系统100可以更新或以其他方式控制时间时钟，以便在没有得分投篮的情况下指示正确的比赛时间。例如，当系统100检测到得分投篮时，系统100可以最初停止时间时钟。如果人类操作员确定实际上投篮并未得分，则系统100自动调整时间时钟以使其指示时间，就好像时钟从未被系统100响应于对得分投篮的错误检测而停止。在另一个示例中，系统可以在检测到投篮得分后允许时间时钟暂时继续运行。如果人类操作员稍后确认投篮被得分(例如，通过肯定输入在或没有输入的情况下被通知检测到得分投篮之后)，则系统100可以更新时间时钟以指示在投篮被认为得分时被标记的时间。例如，如果在投篮得分时时间时钟在10.2秒，并且人类操作员确认当时间时钟指示8.1秒(假设时钟正在倒计时)时投篮确实得分，则时间时钟可调整为指示10.2秒。

在任一实施例中，由系统100确定的投篮得分的精确时间由时间时钟在得分投篮后指示，并且在投篮被系统100视为得分之后在观察到投篮后某个时间量(例如，几秒)由人类操作员确认投篮的得分。这样的实施例允许人类操作者在投篮的得分之后花费额外的时间来确认投篮确实得分同时仍然精确指示由系统100确定的实际投篮得分的确切时刻。类似的技术可用于精确标记事件的发生，同时允许在一段时间后手动确认事件，例如重置投篮时钟。

类似的技术也可用于由系统100提供事件例如得分投篮的确认，不管是否提供事件的手动确认。作为示例，一旦系统100确定事件发生，例如投篮得分，系统100就可以继续评估投篮并最终对事件的发生做出更准确的确定。系统100然后可以适当地自动更新时钟以指示事件发生的精确时间。作为示例，系统100在做出投篮被得分的初始确定之后可以通过进一步评估投篮实际上未命中来做出确定。在这种情况下，系统100可以更新时间时钟以使其指示正确的时间，就好像从未发生过得分投篮的确定一样。替代地，系统100可允许时间时钟在检测到得分投篮后继续运行一小段时间，然后在稍后确认投篮确实得分后将时间时钟调整到得分投篮的精确时间。仅作为示例，如果一旦球的中心穿过篮圈就认为发生得分投篮，则系统100可以标记球的中心在篮圈处或正好低于篮圈的时间，但可以一旦球的另一部分例如球的顶部穿过(例如，低于)篮圈就更新时间时钟。在再其他实施例中，其他技术可用于基于事件发生后收集的信息来精确指示事件发生的时间。

在一个实施例中，系统100可以是较大数据聚合系统的一部分，其收集和处理来自多个系统100的球员表现信息。图15示出了数据聚合系统300的实施例。聚合系统300可以包括服务器350，其通过网络340连接到多个系统100。当每个系统100从比赛或从练习和/或训练课程收集球员表现信息(例如，投射参数信息)时，系统100可以将该信息提供给服务器350。在一个实施例中，系统100可以按预定的时间表(例如，每天一次或在完成比赛或训练课程时)或当已经收集了预定量的信息(例如，5千兆字节或1000条记录)时，自动向服务器350提供球员表现信息。在另一个实施例中，服务器350可以在预定时间或以预定顺序自动地从系统100请求信息。在又一个实施例中，系统100的操作员可以手动发起向服务器350提供(或上传)信息。

在一个实施例中，网络340可以是互联网并且使用传输控制协议/互联网协议(TCP/IP)来通过网络340进行通信。然而，在其他实施例中，网络340可以是内联网，局域网(LAN)，广域网(WAN)，近场通信(NFC)对等网络，或使用一种或多种通信协议的任何其他类型的通信网络。

图16示出了服务器350的实施例。服务器350可以被实现为一个或多个通用或专用计算机，诸如膝上型计算机，手持(例如，智能手机)，用户可佩戴(例如，“智能”眼镜，“智能”手表)，用户嵌入式，台式或大型计算机。服务器350可以包括逻辑360，这里称为“设备逻辑”，用于一般地控制服务器350的操作，包括与数据聚合系统300的系统100通信。服务器350还包括逻辑362，这里称为“知识管理系统”，用于检查和处理来自系统100的信息，和调度逻辑363，用于管理系统100的预定以供个人或球队使用。设备逻辑360，调度逻辑363和知识管理系统362可以用软件，硬件，固件或其任何组合来实现。在图16所示的服务器350中，设备逻辑360，调度逻辑363和知识管理系统362以软件实现并存储在服务器350的存储器366中。注意，设备逻辑360，调度逻辑363和知识管理系统362当在软件中实现时，可以在任何非暂时性计算机可读介质上存储和传输，以供可以获得和执行指令的指令执行设备使用或与之结合使用。

服务器350可以包括至少一个常规处理器368，其具有用于执行存储在存储器366中的指令的处理硬件。作为示例，处理器368可以包括中央处理单元(CPU)，数字信号处理器(DSP)，图形处理单元(GPU)和/或量子处理单元(QPU)。处理器368经由本地接口370与服务器350内的其他元件通信并驱动其他元件，本地接口370可包括至少一个总线。此外，输入接口372，例如小键盘，键盘，“智能”眼镜，“智能”手表，麦克风或鼠标，可用于从服务器350的用户输入数据，以及输出接口374，例如，打印机，扬声器，“智能”眼镜，“智能”手表，“直接到大脑”系统，“直接到视网膜”系统，监视器，液晶显示器(LCD)或其他显示设备，其可用于输出数据给用户。此外，通信接口376可用于经由网络340与系统100交换数据，如图15所示。

知识管理系统362可以使用从一个系统100获得的表现信息(包括体育馆/球队/个人的表现信息)并且分析所获得的表现信息与从所有系统100收集的大规模或聚合的表现信息相比较(包括体育馆/球队/个人的表现信息)。在一个实施例中，知识管理系统362可以分析来自系统100的表现数据378，以确定在建立获胜球队或培养顶级球员方面最有效的练习方法和个人训练方法。例如，知识管理系统362可以将非常成功的球队的练习和训练方法与不太成功的球队使用的方法进行比较，以识别可用于改善球队表现的练习和训练方法。在另一个示例中，知识管理系统362可以比较高度熟练的投篮者，中等熟练的投篮者和缺乏经验或不太成熟的投篮者之间的投篮训练，以识别可用于培养球员的投篮能力的投篮训练或练习/训练方法。另外，类似于上述用于制定训练建议以受伤复原的技术，系统100可以跟踪球员使用的训练技术并评估一种或多种技术对特定投射参数的表现改善以确定哪种训练技术(例如，投射参数)对该投射参数的影响最大。当特定投射参数在特定范围内(例如，低于预定阈值)或当用户提供指示球员想要改善某个投射参数的输入时，系统100然后可以推荐历史上对于其他球员对该特定投射参数具有最大影响的技术。类似的技术可以按需要用于其他类型的表现参数，例如带球参数或防守参数。

在另一个实施例中，知识管理系统362可以分析来自系统100的表现数据378，以确定在校正进攻或防守参数缺陷方面最有效的练习方法和个体训练方法。例如，知识管理系统362可以比较具有低进入角度的投篮者112所使用的练习和训练方法，以识别导致投篮者进入角度改善的那些练习和训练方法。在另一个示例中，知识管理系统362可以比较针对特定投篮具有共同横向位置缺陷的投篮者所使用的练习和训练方法(例如，向左的基线投射)，以识别导致投篮者针对特定投篮横向位置改善的练习和训练方法。

知识管理系统362还可以分析来自系统的表现数据378，以确定在为球员开发新技术或改善球员的整体发展速度方面最有效的练习方法和个人训练方法。例如，知识管理系统362可以比较球员使用来开发背后带球技术的练习和训练方法以识别导致球员能够快速且有效地开发背后带球的那些练习和训练方法。

如图16所示，评估数据382和表现数据378可以存储在服务器350的存储器366中。表现数据378可以包括由每个系统100获取并提供到服务器350的关于体育馆/球队/个人的表现信息。在另一个实施例中，表现数据378还可以包括关于已经与各个系统100一起使用的训练练习，课程和/或方案的信息。例如，表现数据378可以包括关于用于技术训练(例如，投篮训练，篮板练习，带球练习，防守训练，阻挡训练等)，进攻组训练(即如何最有效地教授新战术)或协调训练的课程的信息。

在一个实施例中，处于隐私顾虑，表现数据378可以在向服务器350提供信息之前由系统100进行匿名化，或者在接收到来自系统100的信息时由服务器350进行匿名化。在另一个实施例中，表现数据378的一部分可以不被匿名化(例如，从比赛中获得的表现数据378)，而表现数据378的其余部分可以被匿名化(例如，从练习或训练课程中获得的表现数据378)。表现数据378的不被匿名化的部分可归属于个体球员和/或球队。表现数据378(归属的和匿名化的表现数据378)可以由设备逻辑360和/或知识管理系统362处理以生成评估数据382。在一个实施例中，知识管理系统362可以通过聚合来自系统100的表现数据378(包括归属的和匿名化的表现数据378)并分析聚合信息以识别可用于改善球员和/或球队的表现的信息来生成评估数据382。在另一个实施例中，知识管理系统362可以通过聚合匿名化表现数据378然后用来自系统100的聚合和匿名化表现数据378分析归属表现数据378来生成评估数据382以生成关于球员或球队将来表现如何的洞察。

评估数据382可以包括作为处理和分析表现数据378的结果从知识管理系统362获得的数据和信息。评估数据382可以包括与一个或多个进攻和/或防守参数关联的聚合表现信息和与球队和/或个人使用的一种或多种训练/练习方法关联的聚合训练信息。可以基于个体球员，球队，课程(例如，包括校队，高级校队，新生队等的高中课程)，区域(例如，一个或多个州，县，市等)，联盟/联合会，组织(例如，业余运动联盟(AAU))，遗传特征(例如，人类基因组)和任何其他合适或期望的分类来对聚合信息进行分类。评估数据382还可以包括关于“正确的”进攻和/或防守技术的训练信息，例如图表和视频，其可以提供给系统100以供使用系统100的个人使用。评估数据382可以包括一个或多个基于“正确的”进攻和/或防守技术形式的测试程序，其可用于评估用户的表现。

调度逻辑363可以为第三方提供调度门户，以便能够向相应的系统100预定设施(例如，体育馆或运动场)以供个人使用。系统100的用户或管理员(或系统100本身)可以向服务器350(和调度逻辑363)提供关于设施被使用的日期/时间的信息(或者，当设施可用时的日期/时间的信息)。在一个实施例中，设施的可用性信息可以与由系统100提供给服务器350的表现数据包括在一起。然而，在其他实施例中，系统100可以提供与表现数据分开的可用性信息。

然后，调度逻辑363可以使用来自系统100的可用性信息来确定设施可供第三方使用的日期/时间。一旦调度逻辑363确定设施何时可供第三方使用，则第三方可以使用调度门户来确定设施的可用性并预定设施供他/她使用。调度门户还可用于在第三方可以使用该设施之前收集要完成第三方的预订设施所需的任何信息(例如，联系信息，保险信息，预期用途等)和支付。一旦完成预订，调度逻辑363就可以向系统100推送更新，提供第三方将使用设施的时间，来自第三方的完成预订的所需信息以及支付信息。在另一个实施例中，调度逻辑363还可以向系统100的用户或管理员发送通知，以通知他们第三方的预订。

第三方可以使用调度门户来搜索可用设施(如果多于一个设施已经提供了可用性信息)和设施的可用时间。另外，调度门户可以能够在第三方进行预订之前使用系统100的相机118向第三方提供设施的图像。在一个实施例中，第三方可以决定在预订时间期间在设施处使用系统100，或者在第三方使用设施时使系统100不启用。在另一个实施例中，没有系统100的设施还可以向服务器350提供可用性信息以供调度逻辑363使用。

在一个实施例中，如上所述，分析软件208可以实现机器学习系统来评估球员的表现。机器学习系统可以接收传感器/相机数据205和/或存储在存储器207中的其他信息或数据作为输入，并生成指示球员表现的输出。然后可以使用机器学习系统的输出来确定球员的表现。在一个实施例中，机器学习系统的输出可以是概率值，使得来自机器学习系统的值越高(或越低)，球员相对于其他球员以更高水平表现的概率就越大。

机器学习系统可以评估与球员的动作关联的多个参数以生成输出。机器学习系统评估的多个参数可以对应于分析软件208提供的参数(例如，指示投篮轨迹的参数)，但是多个参数也可以包括来自机器学习系统的“自生成”参数。自生成参数可以由实现深度学习过程以提高输出的神经网络的节点来确定。自生成参数可以基于来自传感器/相机数据205或存储器207中的一个或多个的信息或数据。

在使用机器学习来评估球员的动作之前，可以训练机器学习系统。机器学习系统的训练可以涉及向机器学习系统提供大量输入(例如，数千个输入或更多)以训练它学习指示球员表现的参数。作为示例，本文描述的任何类型的传感器(例如，相机)可用于捕获与进行大量投篮的球员(和/或其他球员)关联的历史数据，并且该数据可包括原始数据传感器数据和/或经处理的传感器数据，例如从传感器数据测量的参数(例如，轨迹参数或身体运动参数)。实现机器学习系统的分析软件208可以分析这样的数据以学习指示表现的参数。在神经网络的上下文中，学习的参数可以由存储在用于将输入转换为期望输出的神经网络节点中的值定义。以此方式，机器学习系统可学习哪些表现特性可能指示良好表现，例如进入角度在期望范围内，并评估指示此类特性的参数以对球员表现作出评估。机器学习系统还可以学习哪些特性指示对评估球员技术的高置信度。例如，机器学习系统可以确定基于某个特性(例如，进入角度)的评估在特性的样本在某个范围内或具有在一定范围内的偏差时可能具有更高的置信度或准确的可能性。例如，某个投篮特性的偏差越小，可以指示系统100对于投篮特性所获取的样本越有可能准确地反映球员对于该投篮特性的实际技术。

机器学习可用于实现以上描述的概念或类似于以上针对非机器学习实施例描述的概念。例如，如上所述，某些轨迹参数在某些范围内时可以指示良好的表现。当分析软件208实现机器学习系统时，它可以学习必要的参数，使得当轨迹参数在指示良好表现的范围内时，机器学习系统的输出指示球员在良好水平上表现。

在一些实施例中，由分析软件208实现的机器学习系统可以使用来自多个用户采取的大量投篮(或其他类型的动作)的投篮数据来训练。在训练期间，机器学习系统可以被配置为学习指示可能表现出良好表现或较差表现的表现特征的参数。这些参数可以基于球员发射的物体的轨迹或球员在发射物体(或执行另一种类型的动作)时的身体运动。

可以使用多种不同的有线和无线通信协议来发送在系统中的不同部件之间传递的信息。例如，对于有线通信，可以使用USB兼容，火线兼容和IEEE 1394兼容的硬件通信接口和通信协议。对于无线通信，可以使用与诸如蓝牙，IEEE 802.11a，IEEE 802.11b，IEEE802.11x(例如，诸如IEEE 802.11c，IEEE 802.11d，IEEE 802.11e等其他IEEE 802.11标准)、IrDA、WiFi和HomeRF之类的标准兼容的硬件和软件。

尽管为了清楚和理解的目的已经通过说明和实施例详细描述了前述发明，但应认识到，在不脱离本发明的精神或者基本特征的情况下，上述发明可以体现在许多其他具体的变化和实施方式中。可以实施某些改变和修改，并且应该理解，本发明不受前述细节的限制，而是由所附权利要求的范围限定。