# AI 网球特征库与训练数据集调研笔记

## 一、公开数据集

### 1. Tennis Player Actions Dataset（网球选手动作数据集）
- **来源**：Mendeley Data / Kaggle
- **链接**：https://data.mendeley.com/datasets/nv3rpsxhhk / https://www.kaggle.com/datasets/orvile/tennis-player-actions-dataset
- **内容**：4种网球动作（正手、反手、准备姿势、发球），每种500张图片
- **格式**：COCO格式JSON文件
- **大小**：508 MB
- **用途**：人体姿态估计训练和验证
- **论文**：Wang et al., Data in Brief, 2024（被引12次）

### 2. THETIS Dataset（多模态网球分析数据集）
- **内容**：高质量RGB和3D骨骼记录的网球击球动作
- **用途**：深度学习和生物力学分析
- **特点**：支持多模态分析

### 3. Tennis Action Recognition Dataset
- **来源**：chow-vincent/tennis_action_recognition (GitHub)
- **内容**：1980个RGB视频（640×480），12种网球击球动作
- **用途**：动作识别分类

### 4. Roboflow Tennis 数据集
- **Tennis Player Detection**：1320张图片，2个模型
- **Tennis Pose Estimation**：1997张图片，姿态关键点检测
- **Tennis Model**：1493张网球物体检测图片
- **链接**：https://universe.roboflow.com/tennis-ai

### 5. Tennis Analysis Dataset (Kaggle)
- **链接**：https://www.kaggle.com/datasets/salmahazemm/tennis-analysis
- **用途**：网球比赛分析

## 二、关键 AI 技术与模型

### 1. TrackNet（网球追踪）
- **论文**：Huang et al., 2019（被引179次）
- **功能**：从广播视频中追踪高速微小的网球
- **技术**：基于热力图的深度学习网络
- **版本演进**：TrackNet → TrackNetV2 → TrackNetV3 → TrackNetV4
- **应用**：鹰眼系统替代方案

### 2. 姿态估计模型
| 模型 | 特点 | 适用场景 |
|------|------|----------|
| OpenPose | 实时多人2D姿态估计 | 网球运动视频分析 |
| MoveNet Lightning | 轻量快速 | 移动端实时分析 |
| MoveNet Thunder | 高精度 | 详细动作分析 |
| PoseNet | 浏览器端运行 | Web应用 |
| Detectron2 | Meta开源，功能全面 | 活动姿态分析 |
| MediaPipe | Google开源 | 移动端/Web |

### 3. 目标检测模型
| 模型 | 用途 |
|------|------|
| YOLOv8 | 球员/球/场地检测 |
| YOLO系列 | 实时目标检测 |
| Mask R-CNN | 网球检测 |

### 4. 动作识别模型
| 方法 | 描述 |
|------|------|
| CNN + LSTM | 时序动作分类 |
| TAR-YOLO | 姿态驱动的动作识别（2025新论文） |
| 3D CNN | 视频动作识别 |

## 三、AI 网球应用产品

### 1. SwingVision
- **类型**：iOS/Android 应用
- **功能**：自动计分、统计、精彩回放、线判
- **技术**：AI实时分析击球速度、比赛统计
- **链接**：https://swing.vision/

### 2. TennisViz
- **类型**：数据分析平台
- **功能**：实时球和球员追踪，击球类型/质量/阶段分析
- **链接**：https://tennisviz.com/

### 3. Baseline Tennis AI
- **类型**：Android 应用
- **功能**：AI教练、比赛追踪、社区
- **链接**：Google Play

### 4. 拍动（PaiDong）
- **类型**：iOS 应用（中文）
- **功能**：视频录制、AI分析、智能剪辑、社区
- **特点**：移动端实时计算

### 5. SevenSix Tennis
- **类型**：AI分析平台
- **功能**：自动检测身体运动、挥拍曲线、击球时机、击球点
- **链接**：https://sevensixtennis.com/

### 6. OnCourtAI
- **类型**：Web应用
- **功能**：30秒内分析网球技术（正手/反手/发球/截击）
- **链接**：https://www.oncourtai.co.uk/

### 7. Zenniz
- **类型**：AI网球平台
- **功能**：为球员、教练和俱乐部提供AI分析
- **链接**：https://zenniz.com/

## 四、关键学术论文

| 论文 | 年份 | 引用 | 主题 |
|------|------|------|------|
| TrackNet (Huang et al.) | 2019 | 179 | 高速小物体追踪 |
| Tennis Player Actions Dataset (Wang et al.) | 2024 | 12 | 姿态估计数据集 |
| TAR-YOLO | 2025 | - | 姿态驱动动作识别 |
| Deep Learning for Tennis Action Recognition (Mora) | 2017 | 95 | 深度学习动作识别 |
| Temporal Pattern Attention (Skublewska) | 2023 | 31 | 时序模式网球分类 |
| CNN-LSTM Tennis Serve (Mehta) | 2024 | 1 | 发球动作分析 |
| Stanford Tennis Swing Analysis | 2025 | - | 挥拍轨迹分析 |

## 五、特征提取技术方向

1. **骨骼关键点特征**：17-33个人体关键点坐标
2. **运动轨迹特征**：球拍挥动轨迹、球飞行轨迹
3. **时序特征**：击球动作的时间序列分析
4. **空间特征**：球员位置、场地区域
5. **生物力学特征**：关节角度、速度、加速度
6. **光流特征**：视频帧间运动信息