如今，當我們看板球或是網球的比賽的時候很容易發現，機器視覺技術（machine-vision techniques）早已革命性地開始輔助裁判進行現場的即時分析和判罰。例如，當比賽過程中球落在了邊線附近的時候，系統就會通過當時在三維空間中記錄的球體的運動軌跡，來生成一個虛擬的3D回放，對球體落地一瞬間的位置進行精準顯示。機器視覺技術甚至還能夠通過現場的情況即時測算出球體在受力之后的前行軌跡。

雖然這個技術已經在板球和網球比賽中應用許久了。但這種球體運動軌跡跟蹤算法在其他的球類運動中——如籃球、排球、足球等卻遲遲未能出現。那么這是為什么呢？

原因就在于，在這些運動中，在攝像頭的視角下，球體經常會被球員所遮擋。攝像頭無法拍攝到球體的話，球體運動軌跡跟蹤算法就無從談起了，所以此時的球體運動變化是無法進行預測的。更何況，和在空中的受力分析相比，處于球員控制下的球體所受的力還要復雜得多，速度也要快得多。

除了這些因素外，像是足球這類的比賽中還會有一個問題——比賽場地非常寬闊，如果想要把全場都拍攝下來的話，就需要把攝像頭放得足夠遠才可以。而這就會導致視頻中球體的成像質量低得多，使得測算系統更難對球體的運動軌跡進行跟蹤。

在瑞士的洛桑聯邦理工學院，Andrii Maksai和他的好朋友共同設計出了一種全新的球體運動軌跡跟蹤系統，據稱能夠應用于除板球、網球外的其他球類運動。

大多數球體運動軌跡跟蹤系統依賴于兩種不同的方法來進行測算。第一種就是通過跟蹤球體在三維空間中的運動，然后預測出球體在受力之后的各種可能的軌跡。隨著球體的追蹤數據越來越多，球體能夠被逐漸精確到惟一的一條運動軌跡上。

這種方法的優點是，軌跡的測算中內置了物理定律，可以有效避免出現不科學的測算結果。然而，這種方式對球體路徑追蹤的成像質量要求是非常高的，必須要相當精確才可以正確測算，更不用說被遮擋了。

另一種方法就是跟蹤球員，當球員控球時進行受力分析。當球從一個人傳到另一個人后再對另一個球員進行跟蹤測算。這樣做的優點是，該系統不會因遮擋而無法對傳球路徑進行測算。事實上，這種方法應用在籃球比賽時效果的確非常好。然而，如果沒有對球體的運動軌跡加以受力分析的約束的話，這個系統有時就會生成出不科學的測算結果。

Maksai和伙伴們一起想出了一個非常淺顯易懂的解決方案——同時對球體和球員進行追蹤。從兩方面得到數據后進行合并測算。

“我們精確地模擬球體和球員的運動軌跡，并在球體沒有被遮擋的情況下對球體加以受力分析的約束，最終得出測算結果。”——Maksai

該小組已在多場排球、籃球和足球比賽的視頻中測試了它的算法——通過多臺不同角度同時進行拍攝的攝像頭得到影像數據，合成出3D模型。但是，在多次遮擋球體的情況下， 即使通過這種合成算法進行測算，實際結果仍然還是不夠完美。結果表明目前的技術還是有改善空間的。

雖然這個系統并不完美，但這不妨礙其被稱為球體運動軌跡測算領域的一塊里程碑——因為這個系統已經極大地提高了演算處理時間，已經足以能夠在電視轉播中為其他球類比賽提供即時的虛擬3D回放了。

但是，處理時間的壓縮勢必會導致演算的正確率降低，而這同樣嚴重限制了該系統的實用性。畢竟，你也不能把不科學的演算路徑播放給電視前的觀眾啊。

而像籃球這種比賽中，由于球體運動軌跡的不可預測性較小，所以這種測算系統的優化也還是有所幫助的。

有像Maksai 團隊這樣為之努力著的人，相信我們距離能夠在足球、籃球和排球比賽中看到即時3D回放已經不遠了。不過我們還是要清醒的意識到，目前還沒有能夠在商業上可行的解決方案。

這可能還需要研究人員進一步優化處理即時演算的方式。目前來看，有一種可能性是采用深度人工智能學習技術，通過人工智能來預測球體的運動軌跡。而這可能會是一個完美地解決方案。

無論研究人員最終會選擇哪種方式，目前在這一領域仍然還有很多問題需要解決。