该研究使用最大、最全面的计算机视觉滑雪数据集 SkiTB，对滑雪选手的跟踪进行了深入研究，测试了几种视觉目标跟踪算法的适用性，以提高对滑雪表现的理解和分析。

Dec, 2023

基于超轨迹的半监督视频分割方法，使用概率模型生成轨迹并采用密度峰值聚类算法进行可靠的轨迹分组，从而实现精确的目标物体提取和重识别。

Feb, 2017

本文介绍了一种高效计算户外场景中高质量 3D 重建的视点和轨迹的新方法，利用搭载在自主导航四旋翼飞行器上的 RGB 摄像机采集图像，并利用分层的体积表示区分未知、自由和占据空间，利用信息增益来处理遮挡，避免障碍并规划无碰撞的飞行路径，以限制四旋翼的总飞行距离，获得了多项令人信服的 3D 重建结果，并证明了此方法的量化提升。

May, 2017

本文介绍了一种从单目球拍运动视频中提取和分割三维羽毛球轨迹的完整端到端系统，该系统整合了羽毛球领域知识和基于视觉特征的模型改进，通过改进模型，提高了场地识别、2D 轨迹估计和击球识别的性能。

Apr, 2022

通过使用边界框来引导主题，在不进行神经网络训练、微调、推理时间优化或使用现有视频的情况下，本文专注于改善视频合成中的可控性。

Dec, 2023

我们提出了 TRAM 方法，一个两阶段的方法，从野外视频中重建人类的全局轨迹和运动。通过增强 SLAM 以在存在动态人类的情况下恢复相机运动，并利用场景背景来推导运动尺度。利用恢复的相机作为度量尺度参考帧，我们引入一个视频转换模型 (VIMO) 来回归人类的运动。通过组合这两个运动，我们实现了对世界空间中 3D 人体的准确恢复，相对于之前的工作，全局运动误差减少了 60%。

Mar, 2024

本文介绍了一种基于神经网络的方法，用于从 2D 视频片段到 3D 坐标的跟踪和重构棒球投球轨迹。该方法利用 OpenCV 的 CSRT 算法准确跟踪 2D 视频帧中的棒球和固定参考点，然后使用跟踪的像素坐标作为我们的神经网络模型的输入特征，将 2D 坐标映射到 3D 空间，通过使用平方均误差损失函数和 Adam 优化器对模型进行训练，最小化预测误差。实验结果表明，该方法从 2D 输入中精确重构 3D 轨迹，展现了在体育分析、训练以及提高各类运动轨迹预测准确性方面的巨大潜力。

May, 2024

本文提出了一种基于跨摄像头轨迹生成的行人检索框架，该框架整合了时间和空间信息，并通过建立稀疏采样行人数据来构建跨摄像头的空间 - 时间模型，进而提取出交叉摄像头轨迹，并结合条件随机场模型和非负矩阵分解方法进行优化， 最终通过轨迹重新排序技术来提高检索结果。为了验证方法的有效性，本文构建了第一个跨摄像头行人轨迹数据集，即人员轨迹数据集，并进行了广泛实验。

Apr, 2022

本文总结了最近光学跟踪的方法，并提供了传统和深度学习方法的综合分类法。同时，还讨论了跟踪数据的预处理步骤、该领域中最常见的挑战以及跟踪数据在运动队中的应用。最后，通过对成本和限制的比较，突出了可能的未来研究方向。

Apr, 2022

为了解决目前手动注释和低层次注释方法在球拍运动视频中对战术理解的限制，我们提出了一个基于视觉数据和上下文洞察力相结合的视频球类运动技巧识别模型 ViSTec。我们的方法通过引入图形来显式建模球拍序列中的战略知识，并通过上下文归纳偏差增强技巧识别。实验证明我们的方法相较于现有模型具有更好的性能。与中国国家乒乓球队的专家的案例研究验证了我们模型自动化分析技术动作和战略策略的能力。

Feb, 2024