基于复杂运动场景的篮球持球人身份重识别算法产品系统Vibe Coding

在真实的篮球“球秀”业务场景中，传统行人重识别（ReID）技术面临着严峻的“三重挑战”：
（1）极高相似度干扰：队友穿着完全一致的球衣，仅靠颜色特征无法区分个体，必须依赖细粒度特征（如号码、护具、鞋履）。
（2）严重遮挡与姿态形变：持球人常处于多人包夹（严重遮挡）状态，且运球、投篮等动作导致身体姿态剧烈变化，导致局部特征丢失。
（3）恶劣成像环境：快速移动带来的运动模糊、室内外光照反差以及背景杂乱，使得图像纹理细节极易丢失。

（1）全局特征增强（抗模糊）：创新性地引入Soft Token Pool与Global Quality Head。前者通过软加权池化聚合清晰区域信息，后者赋予模型“自知之明”，自动降低模糊/反光图像的全局权重，解决了运动模糊导致的特征不稳定问题。
（2）局部特征解耦（抗同队干扰）：采用Half Body Fusion（半身融合）与Part Token Pool（局部软池化）策略。通过显式划分上下半身上下文，并对局部条带进行软池化，精准提取球鞋Logo、护膝、号码边缘等细粒度身份线索，有效区分同队队友。
（3）显著性分支（抗遮挡）：设计Salient Branch（显著分支），强制模型显式关注最具判别力的区域（如未被遮挡的号码或球鞋），从而在多人包夹导致部分身体遮挡时仍能保持高识别率。

本模型在目标测试集上取得了优异的综合性能，各项关键技术指标均达到实际应用标准。在核心识别精度方面，模型实现 mAP 91.6% 与 Rank-1 准确率 94.6%，在遮挡、模糊、姿态变化等复杂场景下仍保持高判别性与高检索可靠性，能够满足高精度身份识别的实际需求。