本研究提出了一种快速而准确的运动员追踪解决方案，通过结合几个模型以在相对较小的硬件上并行执行来追踪运动员，最终能够在高清视频上以 80 fps 的速度处理，可以达到一定的准确率。

Mar, 2020

我们通过经济实用的单个固定顶视摄像机，在连续追踪拳击手的过程中，利用改进的算法进行过渡检测和持续的运动员识别，从而在精确分割录制视频流中的拳击回合边界以及不同时间段或同一回合内重新识别同一拳击手的困难中取得了进展，并且在我们自定义采集的约 11 小时数据中，过渡检测算法精度达到 90%，持续追踪的识别错误次数为 0。

Aug, 2023

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

在美式足球比赛中，使用球员追踪数据和长短时记忆循环神经网络构建球员模型，实现了比赛情况和赛况期望点值的连续时间估值。

Jun, 2019

本篇论文提出了自监督管道来检测和跟踪低分辨率足球玩家，不需要任何地面真实数据，并赢得了顶级结果。

Nov, 2020

在本篇论文中，我们提出了一个可用于多物体跟踪的新型数据集，其包含 200 个 30 秒的序列和一个完整的 45 分钟半场，用于跟踪足球视频中的球员、裁判和球，该数据集带有边界框和跟踪 ID 的完整注释，并能够训练足球领域 MOT 基线并对这些方法进行全面基准测试，结果表明足球视频中的多人、裁判和球跟踪问题还有待改善。

Apr, 2022

该论文提出了一种自动系统来跟踪和识别广播 NHL 冰球录像中的球员，它包括三个组成部分：球员跟踪、队伍识别和球员识别。通过使用现有的追踪算法来跟踪球员，将远离队的队服分组为单一类别，主队的队服按照颜色分组，训练了一个卷积神经网络来识别团队。还引入了一种新颖的球员识别模型，利用一维卷积神经网络来识别球员的边界框序列，进一步利用 NHL 比赛花名册数据来获得 83％的球员识别准确率。

Oct, 2021

本文提出了一种新颖的方法，用于在静态俯视模型上对足球广播视频的帧进行注册，并利用场地线条的边缘信息解决点对应不足的问题，并使用合成字典和同态图对每帧进行最小匹配，并证明了此方法的有效性。

Mar, 2017

本文介绍了一种将足球比赛的单眼视频转化为可交互地呈现球员和球场的三维重建系统，通过使用卷积神经网络估算每个球员的深度图，我们将其与现有的身体姿态和深度估计技术进行比较，并展示了在合成和真实的 YouTube 足球片段的实验结果。

Jun, 2018

通过使用生成的有标签和结构化的图像，作者在本文中展示了一种能够克服真实世界数据限制的方法，它能够模拟各种视图和条件，加快训练并准备从真实的足球比赛源中提取特征（如空间位置、场地标记、球员位置、球位置和相机视野）以进行分析的方法。

Sep, 2022