拳神AI视觉算法研究（三）：解决方案——四个算法，把拳击视频算成一份靠谱的数据

第一篇讲了六个难点，第二篇讲了数据底座和 AI 的边界。这篇回答最关键的问题：在零穿戴、单目、野外、不拍脸这四条限制下，我们到底用了哪几个方法把六个难点拆开，最后落到一份"用得上"的数据。

这篇的讲法先理一下：先把四个算法的名字列出来，再把名字解释清楚，然后讲每个算法是怎么实现的，最后讲它们分别解决了什么具体问题。

0. 这篇文章讲的四个算法

先把名字摆出来，心里有个谱：

1. 方法一：约束驱动的问题降级（问题重构）——一套把"难任务"换成"可解子任务"的方法论，落地的具体算法是局部 Z-score 突变检测（方法二）与 2D 相对运动学量化 2. 方法二：无参时序突变出拳检测（局部 Z-score 突变检测 / Local Z-score Spike Detection）——属于变点检测（Change Point Detection）家族，用统计突变数拳，不认拳种 3. 方法三：BoxLock 频率解耦的检测-追踪（Tracking-by-Detection 拳击变体）——贵的少跑、便宜的多跑，没把握就重来 4. 方法四：ReID 指纹 + 开局锚定的身份闭环（Re-identification）——人是特征，不是红蓝衣服，也不是站左边还是右边

1. 名词解释（先把名字弄懂）

这篇只用到四个关键名词，先列出来：Z-score、BoxLock、yolo11n、ReID。

下面逐个解释：

Z-score（标准分）：衡量一个数值偏离平均水平多少。比如平时出手速度有个均值，某一下的速度比均值高出好几倍"标准差"，就认为这是一次出拳的突变。

BoxLock：是我们给"检测—追踪频率解耦"这套方案起的名字。Box 指目标框（检测出来的手套框），Lock 指锁定追踪。它本身不是某个新模型，而是一种架构思路：把"检测"和"追踪"两种操作按频率分开跑——检测贵就少跑，追踪便宜就多跑，追踪没把握就退回检测重来。

yolo11n / glove_detector_v3：我们用的目标检测模型，负责在画面里框出手套的位置。

ReID（重识别）：给同一个人提取稳定的外观特征，让他转身、换位也能被认出来，而不是靠衣服颜色。

• * *

2. 四个算法的实现原理

名字懂了，下面讲每个算法到底是怎么做出来的。

2.1 方法一：约束驱动的问题降级（更接近"问题重构"）

先说清它到底是什么算法：方法一不是一个神经网络，也不是某个现成模型，而是一套"把难任务换成可解子任务"的方法论，更接近"问题重构"（problem restructuring）——不是数学上严格的约束松弛。它自己不产出任何数字，而是决定后面用哪个算法、把哪个问题先放下。它落地成两个具体算法：把"认这一拳是什么"重写成"检测速度突变"（也就是方法二），把"单目 3D 重建"重写成"2D 相对运动学量化"。正是这套思路，决定了后面三个方法长什么样。

拳击场景里很多事，不是"做不出来"，是"在这几条限制下做不出来"：比如认"这一拳是刺拳还是勾拳"，需要大量逐拳标注，业余视频里根本凑不齐；单目 3D 重建，误差大、算得慢，还违规。硬上更大的模型，只会撞在"没数据"和"不合规"两堵墙上。

方法一的做法是主动把问题改简单，改成限制内能做的版本：

• 认"这一拳是什么"改不成，就先改成"有没有出拳"：只检测手套速度是不是突然变快，不再问拳种。拳种认不了，但出拳数得清、节奏算得准——先把能可靠量化的拿到手。
• 3D 重建做不了，就退一步，只看画面里能看到的相对运动：关节相对位移、手套相对速度。不重建绝对的三维坐标，只量化看得见的相对变化。

这套思路是我们"不做评分、做数据快照"的底子：靠重新定义问题，把做不了变成做得了，并且老老实实标出哪些还做不到。改简单不是为了偷懒，是为了可靠。

2.2 方法二：无参时序突变出拳检测（局部 Z-score 突变检测）

先说清它到底是什么算法：方法二的核心算法是局部 Z-score 突变检测（local Z-score spike detection），属于变点检测（change point detection）家族——不训练任何分类器，只检测手套 / 手腕速度序列里的局部统计突变。方法一把"认拳种"降级成了"检测速度突变"，方法二就是用这个具体算法把降级后的事做出来，而且一个标注都不用——因为长尾场景最缺的就是标注。

具体做法：盯着手套或者手腕关键点的速度，用滑动窗口算局部均值和标准差，连续几帧速度超出局部均值 2~3 倍标准差，就记一次候选出拳；再用最小间隔（比如 150 毫秒内只留一个峰）把一次出拳的"加速 + 减速"合并成"一次"，避免一拳算两下。一个标注都不用。

打个比方：不要求你认出每只鸟是什么品种，只要求你发现鸟群突然起飞的那一下。起飞瞬间速度曲线一定有个尖峰，谁都能数。方法二干的就是"发现起飞"，不是"识别品种"。

但得诚实：速度突变不是出拳的充分条件。快速收拳、摇闪、防守移动，速度同样会突然变快，纯速度阈值会把它们误计成出拳——这是现在计数假阳性的主要来源，也是为什么我们反复说"数拳可靠，但拳种认不了"。这部分得靠后面的学习模型去分，而不是再加阈值。

它守住我们一个原则：大模型不数拳，定量永远交给计算机视觉加规则。方法二是纯规则，不沾大模型；"这一下是刺拳还是交叉拳"那是语义层的事，留给多模态大模型去解读，绝不让它来数数。

2.3 方法三：贵的少跑、便宜的多跑，没把握就重来

拳击的动作对算法很不友好：手套尖速度 8 到 15 米每秒（职业选手峰值，业余者通常更低），单帧之间位移大、运动模糊普遍；一次出拳真正加速的那段只有 200 到 400 毫秒，边界很难切；两拳互相遮挡、贴身纠缠，检测器很容易漏。这几样叠在一起，"每帧都检测"在业余视频上既慢又容易累积误差——逐帧全检测的 baseline 只有 4.4 帧每秒。

方法三的核心，是把检测和追踪按频率分开跑：

• 检测（用的 yolo11n、glove_detector_v3）隔一阵才跑一次：只做初始化和定期校准，把最贵的操作压到最低频；
• 追踪（CSRT 精度高、MOSSE 极快、KCF 折中）每帧都跑：按目标大小动态选一个，用便宜的填满检测的空档；
• 多级判断：追踪一旦没把握了，就退回检测重新初始化，避免误差越积越多、一漏就断。

这里有一个容易被忽视的真相：模型快，不等于系统快。yolo11n 纯推理能压到 26.6 毫秒一帧（约 37 帧每秒），但那只是检测、不含追踪和后处理。我们拿同批素材对比：逐帧全检测 baseline 仅 4.4 帧每秒，换成 BoxLock 间歇检测后 12.3 帧每秒——提速来自架构，不是单个模型。另一批真实对练素材实测约 12.8 帧每秒（已含 BoxLock + 后处理），瓶颈确实在追踪和后处理。很多"我们模型很快"的说法，把这一点藏起来了。

2.4 方法四：人是特征，不是红蓝衣服，也不是站左边还是右边

对练里两人会换位、转身。两个直觉上的笨方法会翻车：按位置认人——开局红方在左、蓝方在右，换位之后左边站的是蓝方，按"左边就是红方"去数就数错；按衣服颜色——多数时候拳套红蓝固定、颜色是稳特征，但当两人戴同色训练拳套、或贴身转身外观模糊时，颜色也会失效。贴身纠缠时外观短暂失效。

方法四把"认人"从单一代理（位置或颜色）换成"外观特征 + 运动轨迹"的融合，并且用开局锚定加人工兜底形成一个闭环：

• 开局红蓝只是第一帧的参考，不是全程依赖；
• 之后按特征追人，人盯人，不是盯"当前左边那个人"；
• 换位不换人，和我们人工记的口径天然一致；
• 展示时因此把"红方 / 蓝方"改成了没有歧义的"选手A / 选手B"。

这一条的价值不在于多准，在于口径对得上：算法数出来的选手A，和教练盯的那个穿黑裤子的是同一个人。贴身看不清时，靠架构上留好的人工兜底，而不是指望一个模型硬扛。

• * *

3. 它们分别解决了什么问题

四个算法的原理讲完了，回过头看：它们各自对应文章开头说的六个难点里的哪一个，又为什么难。

多说一句难点本身为什么难：

• 标注贵 / 假阳性：精确区分刺拳勾拳需要逐拳标注，业余视频凑不齐；更要命的是收拳、摇闪、防守移动的速度也会突变，纯速度阈值容易把它们误计成出拳——这恰是计数假阳性的根因，不只是"没数据"。任何"识别率百分之多少"都是在编。
• 极端时序 / 实时性：手套尖速度 8–15 米每秒（职业选手峰值，业余者通常更低），加速相只有 200–400 毫秒，漏检和漂移随时发生，逐帧全检测又太贵。
• 身份一致性：换位、转身、贴身让位置和外观都不可靠，朴素策略必然数错人。

四个方法串起来看：方法一决定"什么问题值得做"，方法二在没数据的情况下把数数做可靠，方法三在速度上把追踪做稳，方法四在一致性上把口径对齐。它们单独都是成熟技术，合在一起只为一个目标——一份可信、能复现、并且诚实标出边界的数据。

• * *

4. 下一步算法研究方向

前面四个方法是 1.0 阶段：用现成技术凑在一起，在四条限制下把系统从做不了拉到"能用"。下面 4.1–4.6 是往后想做的方向，顺带交代。先说清口径：出拳计数（数"有没有出拳"）是可靠的、可复现的，前面说的节奏、连击都基于它；而精确动作分类（区分刺拳 / 直拳 / 勾拳）F1 只有 0.053，稀有拳种召回还是 0，真实素材实时性 12.8 帧每秒。0.053 是"这一拳到底是什么类型"的分类 F1，不是计数。分类近乎失败，不是部署问题，是规则方法本身的天花板——用规则、用阈值、用统计突变，能绕开没数据把数数做稳，但绕不开"这一拳到底是什么动作"这种需要理解的判断。要变好，得从规则换成学习，而且还是在数据依旧很少的前提下学。

4.1 从规则到学习：把数不清的交给模型

• 出拳检测：从速度突变规则，换成骨骼序列的时序模型（ST-GCN、LSTM 加注意力、轻量 Transformer）做"出拳 / 非出拳"的二分类。把"速度阈值"换成"学动作的动力学时序模式"，对不同人风格更稳，能显著压住收拳 / 摇闪带来的假阳性。
• 拳种识别：从普通分类器（稀有类召回 0），换成度量学习（对比、三元组）加骨骼数据增强（加噪声、镜像、时间扭曲）加主动学习补标。不要求每类大量样本，学"拳种之间能分开的距离"，用难例去补稀有类。
• 追踪：从相关滤波（快速运动、遮挡会退化，换位会串号），换成检测跟踪一体（ByteTrack、BoT-SORT）加骨骼外观特征。检测保底、外观关联，遮挡时靠骨骼特征重认，换位不丢人、不串号。

4.2 升维：从单帧平面到带时间的立体动作

现在的姿态底座是 YOLOv11-pose 的单帧平面，转身、下潜会有前后深度的歧义，动作理解停留在投影上。往后想引入带时间的姿态（MotionBERT）和三维姿态（4D-Humans、图到 SMPL），把单帧平面升到"三维运动"，解决单人遮挡和尺度歧义——转身、闪避也能评，动作语义更准。更重要的是，三维运动能让我们"看不清就沉默"这条原则更聪明：系统能判断哪一段轨迹可信、哪一段该跳过，而不是只靠简单阈值。

4.3 让大模型做"翻译"（对应我们的原则）

这是最贴合我们定位的一块。计算机视觉加规则负责定量（数拳、算速度、连击、节奏），多模态大模型负责把数据翻译成人话——"你第三回合节奏塌了，因为连击占比从 40% 掉到 22%"。大模型只做语义，绝不数拳，正好落实"大模型不数拳"。这一层把冰冷的数据变成训练者听得懂的反馈，是"训练助手"真正的入口。

4.4 根据数据缺口给建议（对应我们的原则）

数据本身不是目的。我们想做的建议引擎遵循"建议必须有数据依据"：规则从数据缺口触发——比如"连击占比低加节奏塌"就建议"练 1-2-3 组合衔接"；"出拳频率逐周下滑"就建议"检查训练量或疲劳"。每条建议都能回链到具体指标，不空谈。

4.5 让数据自己滚起来

现在稀有类靠人工标注，长尾没解。想引入主动学习（自动挑最不确定的难例）加自监督预训练（用海量无标注视频先学通用表征）。要说明：2.0 的标注不是凭空来的——来自 1.0 系统产出 + 人工在环校准的逐年积累，主动学习只是加速这条路：模型自己标难例给人复核，形成闭环，长尾慢慢收窄、数据自我增殖。

4.6 边缘实时与量化（谨慎边界）

• 边缘实时：把模型从 fp32 量化到 INT8 或 FP16，推理和展示分离，目标把实时性从 12.8 帧每秒提到 30 以上，现场拍完立刻出数据。纯软件路线，不引入任何外部硬件，契合我们"零穿戴、单目"的定位。

老实说投入产出：马上能做（不依赖硬件）的是出拳的时序模型二分类、追踪换 ByteTrack、把速度突变升级成学习，直接打在 F1=0.053 和召回=0 两个最痛的点上；中期是三维姿态、自监督预训练；谨慎或暂时不碰的是视频大模型（成本和延迟都不匹配业余场景，而且解释性差，违背"AI 点评必须挂靠真实数字"）、不碰人脸（合规）、不盲目上单目 3D 重建（不在约束场景里误差太大）。

1.0 用规则把数据跑起来，2.0 用学习把数据做细，而学习的燃料是数据自己滚起来的飞轮。

• * *

5. 小结 + 下篇预告

这篇按"名字 → 解释 → 原理 → 解决问题"的顺序，把四个方法讲了一遍：

• 方法一 把问题改简单：做不了就先做能做的版本，认拳种改成测速度突变、单目 3D 改成看相对运动；
• 方法二 测速度突变数拳：零标注把数拳做成可复现基线，也守住"大模型不数拳"；
• 方法三 检测和追踪分开跑：贵的少跑、便宜的多跑、没把握就重来，速度从 4.4 提到 12.3 帧每秒，也落实"看不清就不出数"；
• 方法四 按特征认人：人是特征不是颜色，开局锚定加人工兜底，换位不换人，落实"身份一模糊就不算"。

难点一到六的答案，一半在数据（第二篇），一半在算法（本篇）。但一份数据到底可靠到什么程度？哪些场景能给、哪些场景宁可沉默？和学术、和商业系统比，拳神在数据这条路上处在哪一格？

下一篇：达到的水平——用工程实测指标、与学术和商业系统的对比、一张行业差异矩阵，以及最关键的"诚实边界"，把我们现在能提供的数据的真实可靠性钉死。

_数据不骗人。拳神也不该。_