在即将到来的2022年北京冬奥会,各种各样的冬季体育赛事如火如荼地展开,我国提出了“科技冬奥”的口号,运用科技手段来辅助运动员训练。论文面向冰壶运动员训练,通过重复以前比赛视频中的经典对局对运动员进行反复训练,以便有效固化运动员动作。为了自动从冰壶比赛视频中获取关键对阵,需要进行关键帧检测,其次为了复现关键对阵中的冰壶位置需要进行冰壶目标检测,因此论文围绕关键帧检测和目标检测两个任务开展研究,论文主要工作包括:首先,为了获取对阵双方的战局变化,本文提出一种镜头边界检测与图像分类相结合的冰壶视频关键帧检测算法,自动获取营垒区域冰壶位置变化。比赛视频通常展示冰壶从本垒区到营垒区的运动过程,因此包含营垒区的关键帧通常在镜头边界处,另外,营垒区包含大的圆环,有明显的视觉特征。基于上述观察提出了本文算法框架。首先通过镜头边界检测得到候选关键帧。进一步,通过构建分类神经网络,对候选关键帧进行分类,去除冗余关键帧,提取真正的关键帧。实验结果表明,本文提出的算法达到性能与效率综合最优。其次,针对无锚框目标检测算法中忽略全局信息导致目标框检测不准,和基于关键点目标检测算法中正负样本失衡的问题,本文提出一种基于目标框比率信息的目标检测算法。通过预测目标框的长宽和比率信息,较大限度地利用目标框的全局特征来回归更加准确的预测框;同时与基于关键点的目标检测算法仅将目标框的角点或中心点视作正样本相比,本文算法将目标框内的所有点都可视作正样本,一定程度上缓解了正负样本失衡的问题,从而使得网络更易收敛。实验结果表明,提出的算法在冰壶数据集和MS-COCO数据集上均取得了较好的性能。最后,现有目标检测算法中直接将目标框的中心区域视为置信度得分权重最高,当中心区域被遮挡时其几乎不包含物体特征导致生成高分但低质量的预测框,因此会降低算法性能。针对这一问题,本文提出一种基于自适应分配特征权重的目标检测算法。通过引入注意力机制,设计网络自动学习目标框内不同区域的置信度,使得最终预测得到的高置信度区域集中在具有更高分辨力的区域,而非固定的中心区域,从而提高了目标检测准确率。实验结果表明,提出算法在冰壶比赛数据集和MS-COCO数据集上均取得了性能的进一步提升。