Es wird ein neues bayesianisches Framework vorgeschlagen, das die Homographie eines Video-Bildes zum nächsten explizit durch eine affine Transformation verknüpft und dabei die Unsicherheit der Keypoints explizit modelliert. In der bisherigen Literatur wurde die differentielle Homographie zwischen aufeinanderfolgenden Bildern verwendet, jedoch nicht in einem bayesianischen Kontext. In Fällen, in denen bayesianische Methoden angewendet wurden, wurde die Kamerabewegung nicht ausreichend modelliert, und Keypoints wurden als deterministisch behandelt. Die vorgeschlagene Methode, Bayesian Homography Inference from Tracked Keypoints (BHITK), verwendet einen zweistufigen Kalman-Filter und verbessert bestehende Methoden erheblich. Bestehende Keypoint-Detektionsmethoden können leicht mit BHITK ergänzt werden. Sie ermöglicht es weniger anspruchsvollen und weniger rechenintensiven Methoden, in den meisten Homographie-Evaluationsmetriken den Stand der Technik zu übertreffen. Darüber hinaus wurden die Homographie-Annotierungen der WorldCup- und TS-WorldCup-Datensätze mit einem speziell entwickelten Annotierungstool verfeinert, das für öffentliche Nutzung freigegeben wurde. Die verfeinerten Datensätze wurden zusammengeführt und als konsolidierter und verfeinerter WorldCup (CARWC)-Datensatz veröffentlicht.