90分钟比赛录像里真正重要的可能只有8分钟：半岛体育视频AI怎样找到关键事件

录像很长，值得回看的很短

教练拿到一场比赛的完整录像，通常不会从头看到尾。他要找的是几类东西：丢球是怎么来的，边路突破为什么屡屡得手，某个替补上场之后节奏哪里变了。这些问题指向的其实只是全场里零散的一小部分画面。

以下为模拟场景：一场90分钟的业余足球比赛，去掉伤停、死球和场地外的镜头，真正发生进攻、防守转换和射门的时间合计大约八分钟。让人一段一段拖进度条，二十分钟会过去；让系统把这八分钟标出来，才谈得上第二步分析。半岛体育视频AI要解决的第一个问题，就是这个“标出来”，术语叫时间定位，也就是回答某件事从视频的第几秒开始、到第几秒结束。

为什么逐帧识别不够用

很多人对视频AI的第一印象是识别：这里有一个人，那里有一个球。这一步当然需要，但它只回答“画面里有什么”。一张截图里，一名球员脚下有球、身前有防守人，你无法判断他是刚接到传球，还是正准备起脚射门，还是已经射完球在庆祝。

体育事件是时间序列，不是一张图片。传球有发出和到达，抢断有接触的瞬间，也有随后的控球权转换；射门之后球是进了、被扑了、还是打偏了，要看后面几秒。模型如果只看单帧，就像只看一部电影的某一张剧照来猜情节。所以事件检测的输入必须是一段连续的画面，最好还带上声音和比分牌信息，输出则是“类型加起止时间”的一条记录。

近期公开的研究里，长视频理解被反复强调的一点正是这个：动作识别可以在几秒的短片段上做得很好，但一旦要在几十分钟的视频里定位事件，模型必须同时处理很长的上下文和很细的时间精度，这两件事天然冲突。

三段式流程：粗筛、候选、精定位

把两个冲突的要求拆开，是最实际的办法。系统不对整场录像做昂贵的精细分析，而是分三段逐步收窄范围。

粗筛的原则是宽松。它的任务不是判断，而是把明显没有事情发生的部分，比如球在场外、球员列队、长时间的回放和广告，先剔除掉。这一步如果误杀了真实事件，后面无论多精细都补不回来，所以阈值宁可设得低，多放一些窗口进入下一段。

候选事件阶段才开始认真“看”。系统在窗口里跟踪球和球员的位置变化，结合动作识别模型给出类别。精定位则是最费力的一段：事件的起点不是“球被踢出的那一帧”，而是整个动作意图开始形成的位置，终点也不一定是球入网的一帧，还包括庆祝或重新开球的必要停顿。

足球：一个进球之前的十五秒

还是以模拟场景为例。下面是某场足球比赛录像中一次进球的处理过程，时间是录像时间，数字均为帮助理解的模拟值。

• 第 61:12–61:15：防守方在中场被对方前锋压迫，出现一次抢断。粗筛因画面运动量陡增，将其放入候选窗口。
• 第 61:15–61:19：抢断后球权转换，持球球员向前推进。系统识别到攻防转换，事件类型暂标为“反击”。
• 第 61:19–61:22：一次向边路的直塞传球，球的轨迹被标记为穿透防线。这一步是后来判断“关键传球”的依据。
• 第 61:22–61:25：边路球员下底传中，禁区内多人跑位。
• 第 61:25–61:26：射门，球入网。比分牌变化被OCR识别，哨声和观众声音同时升高。
• 第 61:26–61:32：庆祝与重新开球前的停顿，作为收尾部分保留。

如果只检测“球进网”这一件事，系统得到的是 61:25 这一秒。可对一个想学习这次反击的教练来说，有价值的是 61:12 起的整条链。精定位阶段的工作，就是把这五六个小事件串成一个完整的“进球回合”，并把起点回溯到抢断。这个回溯长度并不固定，有些进球来自一脚长传，回溯只需要三四秒；有些来自持续的阵地进攻，回溯要到半分钟以前。更细的起点选择可以参考进球前到底应该从哪里开始剪。

篮球：一个回合里的多个动作

篮球比足球更密。24秒的一次进攻里，可能依次出现持球推进、无球掩护、挡拆、突破分球、防守协防、外线出手，最后才是投篮和篮板。这几个动作各占一到三秒，动作幅度小，球员之间经常重叠。

模拟示例：一次进攻回合从 12:40 开始，到 13:04 结束。系统在候选事件阶段把它切成若干个子事件，每个子事件有自己的置信度。挡拆在 12:47 前后被识别，因为两名进攻球员的位置在半秒内急速靠近再分开；突破发生在 12:52，协防在 12:54，最后一次分球和三分出手在 12:58。如果检测只保留最后的出手，这个回合最有战术价值的部分，也就是挡拆造成的错位，就丢了。

因此篮球事件的定位单位更接近“回合”，而不是“投篮”。回合的起止通常由控球权变化决定：对方投篮未中后的抢到篮板，或对方得分后的发球，是新回合的开始。这也解释了为什么篮球视频需要额外关注比赛时钟和24秒计时器，它们提供了很硬的时间锚点。

声音和比分牌，是视觉之外的时间锚点

画面并不总是可靠。远景机位里球只有几个像素，球员被遮挡时轨迹会断，转播切镜头时人物瞬间换了位置。这时候其他信号能帮上忙。

哨声是最干净的一种：裁判吹哨的时刻，比赛状态一定改变，无论画面上球在哪里。观众声音的突增可以指示某个事件的“发生点”，往往比视觉上判断得更快。比分牌和比赛时钟通过OCR读取，提供了独立于画面内容的时间坐标：比分变化的那一帧，是进球事件的硬性终点。

这些信号不用来单独下结论，而是用来互相印证。视觉认为这里有射门，音频也在同一秒有明显起伏，OCR读到比分同时变化，三个信号一致，事件的置信度就高；如果只有一个信号说有事，系统会把它放入“待复核”，而不是直接输出。多信号如何进一步融合，可参考为什么既要看比赛又要听比赛。

一个典型的误判案例

再说一个失败情形，仍是模拟示例。一场足球比赛里，某次角球开出之前，双方球员在禁区内互相拉扯抢位，人群聚集，运动量很高，观众也在起哄。粗筛把这段判为高活跃度窗口，候选阶段的动作识别模型看到大量人员快速移动，倾向于把它归类为“射门前的混战”。

实际上球还没有开出，这段时间更像一次“事件前的准备”。如果不加处理，系统会把这一段当作一个事件的开始，并把边界提前几秒，导致最终片段里出现一段对观看者毫无意义的拉扯。

比较稳妥的修正办法有两条。第一，引入死球状态：在裁判允许开球之前，球处于静止或在边线外，事件的起点不应早于开球时刻。第二，检查事件链的完整性：一个“射门前混战”如果之后没有射门，就应降级为普通背景事件。这样的规则简单，却挡掉了不少低级误判。

模型的限制与目前的处理方式

必须承认，事件检测目前仍有明显短板，而且不同场景差异很大。转播画面的镜头切换和回放会打断连续性，系统必须分辨回放与直播；业余比赛常常只有一台固定机位，球在远端时几乎看不清；夜间灯光、雨天和逆光同样会削弱识别。手机拍摄的竖屏、抖动画面更难，这一点在手机视频关键片段识别里有专门说明。

另一个限制是标注口径。什么算一次“关键传球”，什么算“一次有威胁的进攻”，本身就有争议，不同教练对“关键”的要求不同。因此系统输出的是带置信度的候选，而不是不可更改的结论；边界模糊的事件会保留调整空间，让使用者自己拖动起止点。

我们目前的设计思路是：宁可多标几个候选、让人快速确认，也不要为了显得干净而漏掉真正的事件。事件检测只是入口，之后才是战术理解与推理，这部分在让视频模型理解这一球为什么出现中继续展开。对于一个想从九十分钟录像里节省二十分钟拖进度条时间的人来说，能稳定给出“大致在这里，请你确认”的入口，已经是相当有用的东西。