羽毛球飞得太快，普通手机视频还能分析吗？od体育AI面对的帧率难题

讨论“手机视频能不能分析羽毛球”，很容易陷入两种极端：一种说手机现在有240帧每秒慢动作，什么都能看；另一种说球太快了，手机根本不行。两种说法都缺一个东西——具体的数字。好在这个问题可以用两个乘除法算出来：速度除以帧率，得到球在相邻两帧之间飞了多远；速度乘以曝光时间，得到球在一帧之内被拖成多长。

先确认速度：哪些数字可以拿来算

公开资料中，吉尼斯世界纪录记录的男子最快羽毛球击球是565公里每小时（2023年，日本埼玉），女子是438公里每小时；这两个数字都是用每秒4万次曝光的超高速相机测量击球后瞬间的球速。比赛里也有过约426公里每小时的记录（2017年一场联赛）。这些是极端值，日常训练不会经常出现，下面用100、200、300和426公里每小时四档来算，前三档更接近训练场景。

还有一件事必须一起考虑：羽毛球减速极快。2026年初一篇基于精英选手高速视频的论文报告，初速超过500公里每小时的羽毛球，飞行中大约每3.35米速度减半。这意味着球最难追的其实只是出手后的最初一小段，越往后越慢，越容易被普通帧率抓住。

第一笔账：相邻两帧，球飞了多远

怎么读这张表？羽毛球只有几厘米到十厘米量级，而场地半场长6.70米。一颗300公里每小时的球，在30帧每秒的视频里，相邻两帧之间飞过2.78米，连续三帧就要横跨半个场地——球在画面里其实是“瞬移”的，模型看到的是几个孤立的点，中间发生了什么只能靠推断。即使到了240帧每秒，相邻两帧之间仍有约0.35米，是球长的三四倍，仍谈不上“连续”。

这解释了为什么公开的TrackNet系列研究不只依赖单帧识别，而是输入连续多帧、用网络推断球的运动。TrackNetV3加入估计背景和轨迹修正，用预测的轨迹补上被遮挡的位置；TrackNetV4则指出既有方法缺少显式的运动信息，引入帧差得到的运动注意力图。它们本质上是在帧率不足的前提下，尽量利用前后帧的连续性去补足信息。

第二笔账：一帧之内，球被拖成多长

位移对应的是帧与帧之间的间隔，拖影则取决于曝光时间。手机拍慢动作时，每帧的曝光时间不能长于帧间隔：30帧每秒最长约1/30秒，240帧每秒最长约1/240秒。用球速乘以曝光时间：

这里有一个容易被忽略的结论：提高帧率并不等于缩短曝光。光线充足时，曝光时间可能比这个上限更短（具体取决于机型和相机App）；光线不足时，为了保证亮度，曝光时间会被拉到接近上限，1/240秒里一颗300公里每小时的球也会拖出约35厘米，是球本身长度的好几倍。要把拖影压到一个球长以内（约0.1米），300公里每小时需要大约1/1000秒的曝光，压到半个球长则要1/2000秒。从1/240秒缩短到1/2000秒，大约要多补三档光，室内球馆常常做不到。

此外，公开的拍摄经验也提醒：240帧每秒下每帧的曝光只有1/30秒的约八分之一，画面会变暗、噪点增多；同时，荧光灯和LED在高帧率下容易出现闪烁，帧率越高越明显。球馆的灯恰好常是这类灯光。

手机现在能做什么，不能做什么

根据苹果官方的支持文档，iPhone后置摄像头的慢动作默认是1080p、240帧每秒，可在设置中改为120帧每秒，部分机型还有4K、120帧每秒的选项。部分安卓手机也提供更高帧率的慢动作模式，例如公开评测提到过一些机型可以在720p分辨率下录到960帧每秒，但这类高帧率模式往往有分辨率降低、可拍时长短、对光线要求苛刻的限制，并不适合整场训练录制。

把这些放进羽毛球场景，可以得到一个比较实际的判断：

• 能做的：60到120帧每秒，光线足够、机位固定的情况下，足以定位击球时间、观察球员的起跳、着地和回位，估计球的大致落点和飞行方向。脚步与击球准备的分析，主要落在这一档，可以参考《羽毛球真正难分析的不是挥拍，而是击球前的三步：od体育AI开始识别步法和击球准备》。
• 勉强的：估算出手后的球速。240帧每秒在光线好时能让相邻两帧的球位移降到三四十厘米，但只能得到粗略的区间，而且误差大部分来自球在击球瞬间被拍面遮挡、拖影严重。
• 做不到的：接近专业雷达或超高速相机的精确球速。仅以吉尼斯纪录使用的相机为例，每秒4万次曝光时，一颗565公里每小时的球每格只移动约4毫米，这是手机无法比拟的。旋转、拍面角度这类量，手机视频同样测不出来。

关于杀球时球速与落点该关注什么，在《杀球速度很快为什么没有威胁？od体育AI如何同时分析击球点和落点》里已有说明：手机视频更适合输出相对变化，而不是一个绝对的球速数字。

一份实用的拍摄选择表

几个最容易出错的地方：在昏暗球馆强行用240帧每秒，得到的往往是噪点大、拖影重的画面，反而不如光线足够的120帧每秒；用较低的分辨率换取帧率，可能让球在画面里只剩几个像素，同样追不到；用了高帧率，视频文件和分析耗时会同步增加，这方面可以参考《od体育App分析视频很慢怎么办？分辨率、帧率和手机性能怎么影响AI》。

模型自己怎么应对：不确定就说不确定

面对这些限制，od体育羽毛球AI的处理取向大致有三点。第一，先判断这一段视频的可用性：帧率、曝光、场景亮度与球被追踪到的比例，如果球在大部分帧里都找不到，就不输出落点和球速，只保留人体动作和步法的结论。第二，追踪结果附带置信度，插值补出的位置与真正检测到的位置分开标注。第三，不用不够帧率的视频去回答需要高帧率才能回答的问题。这几点看似保守，却是避免误导训练的底线。

羽毛球是体育计算机视觉里典型的高速小物体难题，网球、乒乓球也面临类似问题，更多的观察可以阅读《高速小球为什么仍然难追踪？od体育观察体育计算机视觉的新难题》。