الرؤية الحاسوبية تجعل تتبّع الحركة أكثر موثوقية

عندما تشاهد مسرحية ويتحرك ممثلك المفضل عبر خشبة المسرح، يمكن لعينيك متابعته بقدر ضئيل جدًا من الجهد الواعي. بالنسبة إلى البشر، يبدو هذا النوع من تتبّع الحركة طبيعيًا. يربط دماغك تلقائيًا ما تراه من لحظة إلى أخرى، ويسد الفجوات ويحافظ على الإحساس بالاستمرارية مع تغيّر المشهد.

أما بالنسبة إلى الآلات، فالمهمة نفسها أكثر تعقيدًا بكثير. تلتقط الكاميرا الفيديو على شكل سلسلة من الإطارات الفردية، ويجب على النظام تحديد الجسم نفسه مرارًا خطوةً بخطوة لتقدير المكان الذي تحرك إليه، وتحديد ما إذا كان لا يزال الجسم الذي ينبغي تتبّعه.

يكمن هذا التحدي في صميم تتبّع الحركة. ويتضمن تتبّع الحركة متابعة جسم عبر فيديو بمرور الوقت، ويؤدي دورًا مهمًا في مجالات مثل تحليل الرياضات والروبوتات وتطبيقات الأجهزة المحمولة.

يعتمد تتبّع الحركة والكاميرا التقليدي غالبًا على الإعداد اليدوي ونقاط التتبّع والإطارات الرئيسية. وقد ينجح ذلك في المشاهد البسيطة، لكنه يصبح سريعًا بطيئًا وغير موثوق عندما تكون الحركة سريعة أو محجوبة جزئيًا.

الشكل 1. نظرة على نظام لتتبّع الحركة (المصدر)

تجعل التطورات الحديثة في رؤية الحاسوب هذه المهمة أسهل بكثير. ورؤية الحاسوب فرع من فروع AI يساعد الآلات على فهم الصور والفيديو، مما يجعل تتبّع الحركة أكثر دقة وأقل اعتمادًا على العمل اليدوي. ومن خلال اكتشاف الأجسام في كل إطار والحفاظ على اتساق هويتها بمرور الوقت، تتتبّع هذه الأنظمة الحركة بموثوقية أكبر في ظروف العالم الحقيقي.

في هذه المقالة، سنستكشف كيف يمكن لرؤية الحاسوب أن تجعل تتبّع الحركة أكثر سلاسة. لنبدأ!

أساليب التقاط الحركة وتتبعها التقليدية وقيودها#

يتطلب تتبّع الحركة التقليدي غالبًا إعدادًا يدويًا دقيقًا، لا سيما في عمليات تحرير الفيديو وسير عمل المؤثرات البصرية (VFX)، حيث يتمثل الهدف في إرفاق الرسومات أو المؤثرات أو التراكبات بالعناصر المتحركة في اللقطات.

تبدأ عمليات سير العمل غالبًا بوضع نقاط تتبّع على أجزاء محددة من اللقطة، ثم يتابعها البرنامج عبر الإطارات لرسم مسار الحركة. وهذا شائع في أدوات مثل After Effects، كما تظهر عمليات مماثلة في Premiere Pro من خلال ميزات مثل تتبّع الأقنعة، حيث يتتبّع المحررون قناعًا أو منطقة بمرور الوقت.

تُعد المطابقة الحركية طريقة شائعة أخرى. فهي تساعد على مواءمة العناصر الرقمية مع حركة الكاميرا الحقيقية، بحيث تظل المؤثرات أو الرسومات ثابتة في موضعها ضمن لقطة حية. وقد تعمل هذه الأساليب جيدًا في المشاهد الأبسط، لكنها غالبًا ما تواجه صعوبة عندما تصبح اللقطات مزدحمة أو تتحرك الأجسام بسرعة.

قد ينهار التتبّع أيضًا عند تغيّر الإضاءة أو حجب الأهداف جزئيًا، مما قد يتسبب في انحراف التتبّع أو حدوث قفزات مفاجئة فيه. ويؤدي ذلك إلى إبطاء سير العمل وإجبار المحررين على إعادة تنفيذ أجزاء من اللقطة. وعندما تغيّر الأجسام اتجاهها بسرعة، قد تواجه متتبعات الحركة الأقدم صعوبة في مواكبتها، مما يجعل النتائج غير متسقة وأصعب في الاعتماد عليها.

كيف تُحوّل رؤية الحاسوب عملية تتبّع الحركة#

تستخدم أنظمة رؤية الحاسوب المتقدمة نماذج AI لمتابعة الأجسام المتحركة عبر الفيديو. وبدلًا من الاعتماد على التعديلات اليدوية المستمرة أو التتبّع الهش إطارًا بإطار، يتعلم النموذج شكل الجسم وكيف يميل إلى الحركة. ويساعد ذلك على استقرار تتبّع الحركة حتى عندما تصبح المشاهد مزدحمة أو تتغير الإضاءة أو تختفي الأجسام لفترة وجيزة.

فعلى سبيل المثال، تدعم نماذج رؤية الحاسوب مثل Ultralytics YOLO11 وUltralytics YOLO26 المرتقب تتبّع الأجسام من خلال اكتشاف الأجسام في كل إطار. وبعبارة بسيطة، تحدد هذه النماذج ما يوجد في الإطار ومكانه من خلال إخراج مربعات إحاطة ودرجات ثقة لكل جسم مكتشف.

الشكل 2. تتبّع المركبات باستخدام Ultralytics YOLO11 داخل منطقة (المصدر)

من المثير للاهتمام أن نماذج YOLO لا تتتبّع الأجسام فعليًا بمرور الوقت من تلقاء نفسها. بل يُفعّل التتبّع من خلال حزمة Ultralytics Python، التي تربط اكتشافات YOLO بخوارزميات تتبّع الأجسام المتعددة مثل ByteTrack وBoT-SORT. في هذا الإعداد، يكتشف YOLO الأجسام إطارًا بإطار، ويربط المتتبّع تلك الاكتشافات عبر الإطارات للحفاظ على معرّف متسق لكل جسم أثناء حركته.

تطبيقات واقعية لتتبّع الحركة المدعوم بـ AI#

بعد ذلك، سنلقي نظرة فاحصة على بعض التطبيقات الواقعية التي يُحدث فيها تتبّع الحركة المدعوم بـ AI أثرًا ملموسًا.

تحليلات الرياضات والتتبّع الدقيق للاعبين#

في مباراة كرة القدم، يتسارع اللاعبون ويتوقفون ويغيرون اتجاههم باستمرار، مما يجعل قياس الحركة بدقة عبر الملعب أمرًا صعبًا. وغالبًا ما يتعطل التتبّع اليدوي في هذه اللحظات، لا سيما عندما يتداخل اللاعبون أو يتجمعون أو يتحركون في مناطق مزدحمة.

يساعد تتبّع الحركة المدعوم بـ AI من خلال متابعة كل لاعب أثناء اللعب والحفاظ على وضوح مسارات حركته واتساقها. فعلى سبيل المثال، استخدم الباحثون في دراسة حديثة YOLO11 لاكتشاف اللاعبين والكرة من زوايا كاميرا متعددة. وحدد YOLO11 كل لاعب في كل إطار، بينما ربط نظام التتبّع تلك الاكتشافات بمرور الوقت للحفاظ على اتساق هوية كل لاعب أثناء حركته.

الشكل 3. اكتشاف عدة لاعبين في كرة القدم وتتبّعهم (المصدر)

تتبّع الحركة في الواقع المعزز والواقع الافتراضي#

الواقع المعزز (AR) هو ما يتيح للتطبيقات وضع أجسام رقمية في العالم الحقيقي، مثل ملصق على منتج أو شخصية على الأرض أو تراكب على قدمك أثناء حركتك. ولكي تبدو هذه التجارب مقنعة، يجب أن يظل المحتوى الافتراضي مثبتًا في الموضع الصحيح أثناء تجولك أو إمالة هاتفك أو تحريك الجسم نفسه.

تؤدي رؤية الحاسوب دورًا أساسيًا هنا لأنها تساعد الجهاز المحمول على فهم ما ينظر إليه وكيف تتحرك الكاميرا عبر المشهد. وبعبارة أخرى، تتيح التتبّع ثلاثي الأبعاد من خلال تقدير موضع الجسم في الفضاء واتجاهه، ثم تحديث ذلك الموضع أثناء حركة المستخدم.

الشكل 4. مثال على التتبّع ثلاثي الأبعاد داخل تطبيق للواقع المعزز (المصدر)

يعتمد الواقع الافتراضي (VR) على أفكار مماثلة للتتبّع، لكن الهدف مختلف. فبدلًا من تثبيت المحتوى الرقمي في العالم الحقيقي، يركز الواقع الافتراضي على تتبّع الرأس واليدين حتى يستجيب العالم الافتراضي طبيعيًا أثناء الحركة.

تتبّع المعدات المتحركة وأتمتة العمليات#

غالبًا ما تحتوي البيئات الصناعية على معدات ومنتجات تتحرك عبر مراحل متعددة من سير العمل. وتعتمد كل مرحلة على التوقيت والتنسيق الدقيقين. وقد يتأخر التتبّع اليدوي لأن العناصر تتحرك بسرعات مختلفة أو تتداخل مع بعضها أو تغيّر موضعها بسرعة.

يساعد تتبّع الحركة المدعوم بـ AI من خلال منح أنظمة الإنتاج رؤية أوضح لكل جسم أثناء تحركه على خط الإنتاج. وفي دراسة مثيرة للاهتمام، تتبعت شبكة من الكاميرات المتصلة المنتجات عبر دورة إنتاج كاملة وحدّثت توأمًا رقميًا، وهو نسخة افتراضية من العملية الحقيقية، في الوقت الفعلي.

حدد النظام كل منتج، وتتبع حركته، وحافظ على مواءمة النموذج الرقمي مع ما يحدث في أرضية المصنع. وحسّن هذا النهج المراقبة ودعم التشغيل الأكثر أمانًا من خلال تزويد المشغلين برؤية موثوقة في كل مرحلة. كما أظهر كيف يمكن لتتبّع الحركة أن يتيح أتمتة قابلة للتوسع ومرنة بدرجة أكبر عند توفر بيانات تتبّع متسقة.

إيجابيات وسلبيات تتبّع الحركة المدعوم بـ AI#

فيما يلي بعض مزايا استخدام تتبّع الحركة المدعوم بـ AI:

• تحسين الاستعادة بعد الحجب: غالبًا ما تستطيع أنظمة AI البصرية الحفاظ على مسارات التتبّع أو استعادتها عندما تتداخل الأجسام أو تختفي لفترة وجيزة.
• قابلية التوسع: بعد نشرها، تستطيع متتبعات AI معالجة مقاطع فيديو طويلة وتغذيات متعددة من الكاميرات من دون إعداد متكرر لكل لقطة.
• بيانات حركة أغنى: يمكن استخدام مخرجات التتبّع لقياس المسارات والأعداد ومدة المكوث والتقديرات الأساسية للسرعة لأغراض التحليل.

يعمل التتبّع المدعوم بـ AI جيدًا في حالات كثيرة، لكنه ليس جاهزًا للاستخدام الفوري في كل إعداد. فيما يلي بعض القيود التي ينبغي مراعاتها:

• الصيانة المستمرة: قد يتغير الأداء بمرور الوقت مع تغير زوايا الكاميرا أو البيئات أو أعباء العمل، ولذلك غالبًا ما تكون التحديثات الدورية ضرورية.
• تعقيد التكامل: قد يتطلب دمج المتتبّعات في محررات الفيديو أو أنظمة التحليلات أو الأتمتة الحالية محولات ومعايرة واختبارات إضافية.
• حالات طرفية في الظروف القاسية: قد تتسبب الإضاءة المنخفضة وضبابية الحركة والحجب الشديد والأجسام الصغيرة جدًا في أخطاء التتبّع.

أهم النقاط المستخلصة#

أصبحت ميزات تتبّع الحركة المعتمدة على AI بسرعة الخيار الأكثر عملية لمقاطع الفيديو الواقعية، حيث تكون الحركة سريعة والمشاهد مزدحمة والإصلاحات اليدوية غير قابلة للتوسع. وتتطور رؤية الحاسوب بسرعة، مما يجعل نشر أنظمة التتبّع أسهل وأكثر موثوقية في الظروف الصعبة. ونتيجة لذلك، أصبح تتبّع الحركة أكثر فائدة في مجالات الروبوتات وتطبيقات الأجهزة المحمولة والتحليلات وإنشاء المحتوى.

انضم إلى مجتمعنا واستكشف أحدث التطورات في الذكاء الاصطناعي للرؤية على مستودع GitHub الخاص بنا. تفضل بزيارة صفحات حلولنا للتعرّف على كيفية دفع تطبيقات مثل الذكاء الاصطناعي في التصنيع والرؤية الحاسوبية في الرعاية الصحية عجلة التقدم، واطّلع على خيارات الترخيص لتشغيل حل الذكاء الاصطناعي التالي الخاص بك.