TrackID3x3

TrackID3x3数据集是由名古屋大学等机构创建的，针对3x3篮球全场比赛视频的多玩家追踪、球员识别和姿态估计的全面标注数据集。包含室内固定摄像头、室外固定摄像头和无人机摄像头三种不同场景的子集，共155,797帧视频，涵盖了室内外多样的摄像头视角和环境。该数据集是首个公开的专门针对3x3篮球场景的全面数据集，为多玩家追踪、球员识别和姿态估计提供了丰富的标注数据，可应用于自动化篮球分析等领域。

The TrackID3x3 Dataset was developed by Nagoya University and other institutions. It is a comprehensively annotated dataset for multi-player tracking, player identification and pose estimation of full-court 3x3 basketball game videos. The dataset includes three subsets under different scenarios: indoor fixed cameras, outdoor fixed cameras and drone cameras, with a total of 155,797 video frames, covering diverse camera perspectives and environments both indoors and outdoors. As the first publicly available comprehensive dataset specifically targeting 3x3 basketball scenarios, it provides rich annotated data for multi-player tracking, player identification and pose estimation, and can be applied in fields such as automated basketball analysis.

搜集汇总

数据集介绍

构建方式

TrackID3x3数据集的构建采用了多源视频采集策略，涵盖室内固定摄像头、室外固定摄像头及无人机航拍三种场景，全面捕捉3x3篮球比赛中的球员动态。室内数据集通过索尼HDR-CX680摄像机记录大学体育馆内的半场比赛，室外数据集使用iPhone 13智能手机拍摄大学户外球场，而无人机数据集则通过DJI Air 2S采集高空视角。所有视频均经过人工标注，包括球员边界框、唯一ID及10个人体关键点，并通过同形变换将球员位置映射至标准化球场坐标系。数据集特别设计了进攻防守角色固定的迷你比赛模式，以增强球员身份识别的可操作性。

使用方法

使用该数据集时，研究者可通过基准算法流程系统评估多目标追踪性能：首先采用BoT-SORT-ReID结合YOLOX检测器进行初始追踪，随后利用人工标注的球场关键点进行同形变换，将边界框坐标映射至标准化球场空间。针对球员身份识别，室内场景依赖颜色直方图相似性匹配，室外场景则结合球衣号码识别模型。评估指标采用专为3x3篮球设计的TI-HOTA（Track-ID HOTA），综合考量定位精度（如0.5米距离容差）与身份匹配准确率。姿态估计任务支持HRNet、RTMPose等主流模型验证，通过PDJ指标（检测关节百分比）量化关键点预测效果。数据集开源代码库提供完整的基线实现与评估框架。

背景与挑战

背景概述

TrackID3x3数据集由名古屋大学等机构的研究团队于2025年提出，是首个专注于3x3篮球场景的多目标追踪、球员识别与姿态估计的公开数据集。该数据集填补了业余体育赛事分析中固定摄像头场景的数据空白，包含室内固定摄像头、室外固定摄像头和无人机拍摄三个子集，共计155,797帧视频数据。作为计算机视觉与体育分析交叉领域的重要资源，TrackID3x3通过提供丰富的球员边界框标注、10个关键点姿态标注及球场坐标信息，为战术分析、运动表现评估等研究提供了新的基准平台。其创新性地提出的Track-ID任务简化了传统比赛状态重建流程，特别适用于固定视角下的自动化分析需求。

当前挑战

该数据集主要面临三重挑战：在领域问题层面，3x3篮球中球员频繁遮挡导致的ID切换问题严重影响了追踪连续性，而球员视觉特征的相似性（如统一队服）加剧了重识别难度；在姿态估计方面，快速运动造成的运动模糊和低分辨率影像（如1280×720的室内视频）导致关节点定位精度下降，特别是上肢肘腕关节的识别误差显著；在数据构建过程中，多场景（室内/室外/航拍）光照差异要求标注系统具备强适应性，而无人机拍摄时的风力干扰导致球场标注困难，最终迫使无人机子集放弃球场坐标标注。这些挑战共同构成了当前3x3篮球视频分析的技术瓶颈。

常用场景

经典使用场景

TrackID3x3数据集专为3x3篮球场景设计，涵盖了室内固定摄像头、室外固定摄像头和无人机拍摄的全场视频。其经典使用场景包括多目标跟踪、球员身份识别和姿态估计。这些场景在体育分析中至关重要，能够帮助研究人员分析球员的移动轨迹、战术策略和表现评估。数据集通过提供多样化的拍摄视角和环境条件，为算法开发提供了丰富的测试平台。

解决学术问题

TrackID3x3数据集解决了体育计算机视觉领域的多个关键学术问题。首先，它填补了3x3篮球领域缺乏公开标注数据集的空白，为多目标跟踪和姿态估计研究提供了基础数据。其次，数据集通过简化游戏状态重建任务（GSR），专注于固定摄像头场景，降低了算法开发的复杂度。此外，数据集还支持研究球员身份识别中的遮挡问题和视觉特征相似性挑战，推动了相关算法的进步。

实际应用

在实际应用中，TrackID3x3数据集可广泛应用于体育分析和训练优化。例如，教练团队可以利用数据集生成的球员轨迹和姿态数据，评估战术执行效果或球员技术动作。体育科技公司可以基于数据集开发自动化分析工具，为业余和职业球队提供实时数据支持。此外，数据集还可用于虚拟现实和增强现实应用，为球迷提供沉浸式的观赛体验。

数据集最近研究

最新研究方向

随着计算机视觉技术在体育分析领域的深入应用，TrackID3x3数据集作为首个专注于3x3篮球场景的多目标追踪、球员识别与姿态估计的公开数据集，为相关研究提供了重要支撑。该数据集通过融合室内固定摄像头、户外固定摄像头及无人机视角的三类子集，有效覆盖了不同环境下的比赛场景，显著提升了算法在复杂光照和遮挡条件下的鲁棒性。当前研究热点集中于基于Transformer架构的多模态特征融合方法，特别是如何利用姿态关键点信息优化追踪过程中的身份保持机制。在体育科技向业余赛事普及的背景下，该数据集通过简化传统比赛状态重构任务，为固定摄像头场景下的实时分析算法开发奠定了基准，其创新性的TI-HOTA评估指标更为跨场景算法比较提供了标准化框架。

相关研究论文

• TrackID3x3: A Dataset and Algorithm for Multi-Player Tracking with Identification and Pose Estimation in 3x3 Basketball Full-court Videos

  名古屋大学 · 2025年