基于动态视角广播视频的冰壶轨迹无标定检测与真实坐标映射框架CurlObserver研究

【编辑推荐】针对冰壶比赛轨迹检测依赖固定视角传感器且成本高、泛化性差的问题，本研究提出CurlObserver框架，首次通过动态视角广播视频实现无标定条件下的冰壶轨迹精准检测与真实坐标映射。创新性融合YOLO检测、CurlSort跟踪及特征点-线段匹配的Homography矩阵估计算法，构建冬奥会广播视频数据集验证，RMSE达3.62 cm，检测精度98.7%，为冰壶运动科学分析提供低成本高精度解决方案。

　　

冰壶运动作为冬奥会标志性项目，其轨迹分析对战术优化和运动员技术评估至关重要。然而，现有方法依赖固定视角传感器和复杂标定流程，成本高昂且难以推广。更棘手的是，比赛规则禁止在冰壶石上加装传感器，而广播视频虽记录海量比赛数据，却因动态视角、未知相机参数和缺乏空间参照物等问题，使传统检测技术束手无策。

为解决这一难题，研究人员提出CurlObserver框架，通过多模块协同实现动态视角下的轨迹重建。关键技术包括：1）采用YOLOv8结合改进的Fusion-YOLOobb模型检测冰壶位置与角度；2）设计集成NSA Kalman滤波（噪声自适应卡尔曼滤波）和多维匹配的CurlSort跟踪算法；3）创新特征点-线段匹配的Homography（单应性矩阵）估计算法实现动态视角坐标映射。实验基于冬奥会广播视频构建的多任务数据集（含检测、跟踪等任务）验证性能。

Yolo object detection
研究选用YOLOv8作为基础检测器，其改进的骨干网络和损失函数显著提升小目标检测能力。测试显示该模型能精准识别不同颜色、尺寸的冰壶，检测框与目标贴合度达98.2%。

Curling object detection
针对冰壶手柄方向检测难题，提出的Fusion-YOLOobb模型通过多尺度特征融合模块，将方向检测准确率提升12.6%，尤其改善边缘模糊目标的识别效果。

Robustness under varying lighting conditions
在冬奥会与冬残奥会混合数据集测试中，系统在明暗交替场景下仍保持93.4%的跟踪成功率，证明其对复杂光照的强适应性。

Conclusion
该研究首次实现无标定动态视角视频的冰壶轨迹全自动重建，RMSE精度达厘米级。创新提出的CurlSort算法解决相似目标跨帧关联难题，而特征点-线段匹配策略为动态视角坐标映射提供新思路。所构建的冬奥会数据集为后续研究提供基准，技术方案可扩展至其他运动轨迹分析领域。

讨论指出，框架虽在精度上超越现有技术，但对极端遮挡场景的适应性仍需提升。未来将通过引入时序注意力机制优化跟踪模块，并探索端到端的轨迹预测模型。这项研究不仅推动冰壶运动科学化发展，其动态视角处理技术更为无人机航拍、自动驾驶等领域的轨迹分析提供借鉴。