الرؤية الحاسوبية تجعل تتبّع الحركة أكثر موثوقية

عندما تشاهد مسرحية ويتحرك ممثلك المفضل على خشبة المسرح، تستطيع عيناك متابعته بجهد واعٍ ضئيل جدًا. وبالنسبة إلى البشر، يبدو هذا النوع من تتبع الحركة طبيعيًا. إذ يربط الدماغ تلقائيًا ما تراه من لحظة إلى أخرى، ويملأ الفجوات ويحافظ على الإحساس بالاستمرارية مع تغير المشهد.

أما بالنسبة إلى الآلات، فالمهمة نفسها أكثر تعقيدًا بكثير. إذ تلتقط الكاميرا الفيديو على هيئة سلسلة من الإطارات المنفردة، ويجب على النظام أن يحدد الجسم نفسه مرارًا خطوة بخطوة لتقدير موضع انتقاله، وتحديد ما إذا كان لا يزال الجسم المراد متابعته.

يكمن هذا التحدي في صميم تتبع الحركة. ويتضمن تتبع الحركة تعقب جسم عبر مقطع فيديو بمرور الوقت، وله دور مهم في مجالات مثل تحليل الرياضة والروبوتات وتطبيقات الأجهزة المحمولة.

غالبًا ما يعتمد تتبع الحركة والكاميرا التقليدي على الإعداد اليدوي ونقاط التتبع والإطارات المفتاحية. وقد ينجح في المشاهد البسيطة، لكنه يصبح سريعًا بطيئًا وغير موثوق عندما تكون الحركة سريعة أو محجوبة جزئيًا.

الشكل 1. نظرة على نظام لتتبع الحركة (المصدر)

تجعل التطورات الحديثة في الرؤية الحاسوبية هذه المهمة أسهل بكثير. والرؤية الحاسوبية فرع من الذكاء الاصطناعي يساعد الآلات على فهم الصور ومقاطع الفيديو، ما يجعل تتبع الحركة أدق وأقل اعتمادًا على العمل اليدوي. ومن خلال اكتشاف الأجسام في كل إطار والحفاظ على ثبات هويتها بمرور الوقت، تتعقب هذه الأنظمة الحركة بموثوقية أكبر في ظروف العالم الحقيقي.

سنستكشف في هذا المقال كيف يمكن للرؤية الحاسوبية جعل تتبع الحركة أكثر سلاسة.

أساليب التقاط الحركة وتتبعها التقليدية وقيودها#

غالبًا ما يتطلب تتبع الحركة التقليدي إعدادًا يدويًا دقيقًا، ولا سيما في سير عمل تحرير الفيديو والمؤثرات البصرية، حيث يتمثل الهدف في ربط الرسومات أو المؤثرات أو الطبقات التراكبية بعناصر متحركة في اللقطات.

تبدأ كثير من مسارات العمل بوضع نقاط تتبع على أجزاء محددة من اللقطة، ثم يتابعها البرنامج عبر الإطارات لرسم مسار الحركة. وهذا شائع في أدوات مثل After Effects، كما تظهر مسارات عمل مشابهة في Premiere Pro من خلال ميزات مثل تتبع الأقنعة، حيث يتتبع المحررون قناعًا أو منطقة بمرور الوقت.

تُعد مطابقة الحركة طريقة شائعة أخرى. فهي تساعد على محاذاة العناصر الرقمية مع حركة الكاميرا الفعلية، بحيث تظل المؤثرات أو الرسومات في موضعها ضمن اللقطة الحية. وقد تنجح هذه الأساليب في المشاهد الأبسط، لكنها غالبًا ما تواجه صعوبة عندما تصبح اللقطات مزدحمة أو تتحرك الأجسام بسرعة.

وقد يختل التتبع أيضًا عند تغير الإضاءة أو حجب الأجسام جزئيًا، ما قد يؤدي إلى انحراف المسار أو قفزات مفاجئة فيه. وهذا يبطئ سير العمل ويجبر المحررين على إعادة أجزاء من اللقطة. وعندما تغير الأجسام اتجاهها بسرعة، قد تعجز متتبعات الحركة القديمة عن مواكبتها، فتكون النتائج غير متسقة وأقل جدارة بالثقة.

كيف تُحدث الرؤية الحاسوبية تحولًا في تتبع الحركة#

تستخدم أنظمة الرؤية الحاسوبية الحديثة نماذج الذكاء الاصطناعي لمتابعة الأجسام المتحركة عبر مقطع فيديو. فبدلًا من الاعتماد على تعديلات يدوية مستمرة أو تتبع هش إطارًا تلو الآخر، يتعلم النموذج شكل الجسم وكيفية تحركه عادةً. ويساعد ذلك على استقرار تتبع الحركة حتى عندما تصبح المشاهد مزدحمة أو تتغير الإضاءة أو تختفي الأجسام لفترة وجيزة.

على سبيل المثال، تدعم نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 وخليفته Ultralytics YOLO26 تتبع الأجسام من خلال اكتشافها في كل إطار. وببساطة، تحدد هذه النماذج ماهية العناصر الموجودة في الإطار ومواقعها، من خلال إخراج مربعات إحاطة ودرجات ثقة لكل جسم مكتشف.

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

ومن المثير للاهتمام أن نماذج YOLO لا تتعقب الأجسام فعليًا بمرور الوقت بمفردها. بل يُتاح التتبع عبر حزمة Ultralytics لـPython، التي تربط اكتشافات YOLO بـخوارزميات تتبع الأجسام المتعددة مثل ByteTrack وBoT-SORT. وفي هذا الإعداد، يكتشف YOLO الأجسام إطارًا تلو الآخر، ويربط المتعقّب تلك الاكتشافات عبر الإطارات للحفاظ على معرّف ثابت لكل جسم أثناء تحركه.

تطبيقات واقعية لتتبع الحركة المدعوم بالذكاء الاصطناعي#

والآن، دعونا نلقِ نظرة أقرب على بعض التطبيقات الواقعية التي يُحدث فيها تتبع الحركة المدعوم بالذكاء الاصطناعي أثرًا ملموسًا.

تحليلات الرياضة وتتبع اللاعبين بدقة#

في مباراة كرة قدم، يتسارع اللاعبون باستمرار ويتوقفون ويغيرون اتجاهاتهم، ما يصعّب قياس الحركة بدقة عبر الملعب. وغالبًا ما يتعثر التتبع اليدوي في هذه اللحظات، ولا سيما عندما يتداخل اللاعبون أو يتجمعون أو يتحركون في مناطق مزدحمة.

يساعد تتبع الحركة المدعوم بالذكاء الاصطناعي على 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 التتبع تلك الاكتشافات بمرور الوقت للحفاظ على ثبات هوية كل لاعب أثناء تحركه.

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

تتبع الحركة في الواقع المعزز والواقع الافتراضي#

الواقع المعزز (AR) هو ما يتيح للتطبيقات وضع عناصر رقمية في العالم الحقيقي، مثل ملصق على منتج أو شخصية على الأرض أو طبقة تراكبية على قدمك أثناء حركتها. ولكي تبدو هذه التجارب مقنعة، يجب أن يظل المحتوى الافتراضي ثابتًا في موضعه الصحيح أثناء تجولك أو إمالة هاتفك أو تحريكك العنصر نفسه.

تؤدي الرؤية الحاسوبية دورًا أساسيًا هنا، لأنها تساعد الجهاز المحمول على فهم ما ينظر إليه وكيف تتحرك الكاميرا عبر المشهد. وبعبارة أخرى، تتيح هذه التقنية التتبع ثلاثي الأبعاد من خلال تقدير موضع الجسم في الفضاء واتجاهه، ثم تحديث ذلك الموضع مع حركة المستخدم.

الشكل 4. مثال على التتبع ثلاثي الأبعاد ضمن تطبيق واقع معزز (المصدر)

يعتمد الواقع الافتراضي (VR) على أفكار تتبع مشابهة، لكن هدفه مختلف. فبدلًا من تثبيت المحتوى الرقمي في العالم الحقيقي، يركز الواقع الافتراضي على تتبع الرأس واليدين كي يستجيب العالم الافتراضي لحركتك بصورة طبيعية.

تتبع المعدات المتحركة وأتمتة العمليات#

غالبًا ما تضم البيئات الصناعية معدات ومنتجات تنتقل عبر مراحل متعددة من سير العمل. وتعتمد كل مرحلة على التوقيت والتنسيق الدقيقين. وقد يتأخر التتبع اليدوي لأن العناصر تتحرك بسرعات مختلفة أو تتداخل فيما بينها أو تغير مواضعها بسرعة.

يساعد تتبع الحركة المدعوم بالذكاء الاصطناعي أنظمة الإنتاج على الحصول على رؤية أوضح لكل جسم أثناء انتقاله على خط الإنتاج. وفي دراسة مثيرة للاهتمام، تتبعت شبكة من الكاميرات المترابطة المنتجات عبر دورة إنتاج كاملة وحدّثت توأمًا رقميًا، أي نسخة افتراضية من العملية الحقيقية، في الوقت الفعلي.

حدد النظام كل منتج، وتتبع حركته، وحافظ على محاذاة النموذج الرقمي مع ما يحدث على أرضية المصنع. وحسّن هذا النهج المراقبة ودعم التشغيل الأكثر أمانًا من خلال تزويد المشغلين برؤية موثوقة في كل مرحلة. كما أظهر كيف يمكن لتتبع الحركة أن يتيح أتمتة أكثر مرونة وقابلية للتوسع عند توافر بيانات تتبع متسقة.

مزايا تتبع الحركة المدعوم بالذكاء الاصطناعي وعيوبه#

فيما يلي بعض مزايا استخدام تتبع الحركة المدعوم بالذكاء الاصطناعي:

• تحسين الاستعادة بعد الاحتجاب: غالبًا ما تستطيع أنظمة الذكاء الاصطناعي للرؤية الحفاظ على مسارات التتبع أو استعادتها عندما تتداخل الأجسام أو تختفي لفترة وجيزة.
• قابلية التوسع: بعد النشر، يمكن لأنظمة التتبع المعتمدة على الذكاء الاصطناعي معالجة مقاطع فيديو طويلة وتدفقات من كاميرات متعددة دون الحاجة إلى إعداد متكرر لكل لقطة.
• بيانات حركة أغنى: يمكن استخدام مخرجات التتبع لقياس المسارات والأعداد ومدة البقاء وتقديرات السرعة الأساسية لأغراض التحليلات.

يعمل التتبع المدعوم بالذكاء الاصطناعي جيدًا في حالات كثيرة، لكنه لا يصلح للاستخدام الفوري في كل إعداد. إليك بعض القيود التي ينبغي أخذها في الحسبان:

• الصيانة المستمرة: قد يتغير الأداء بمرور الوقت مع تغير زوايا الكاميرا أو البيئات أو أعباء العمل، لذا غالبًا ما تكون التحديثات الدورية ضرورية.
• تعقيد التكامل: قد يتطلب ربط المتتبعات بمحررات الفيديو أو أنظمة التحليلات أو الأتمتة الحالية محوّلات ومعايرة واختبارات إضافية.
• الحالات الطرفية في الظروف القاسية: لا تزال الإضاءة الخافتة وضبابية الحركة والحجب الشديد والأجسام الصغيرة جدًا تتسبب في أخطاء التتبع.

أبرز النقاط#

أصبحت ميزات تتبع الحركة المعتمدة على الذكاء الاصطناعي بسرعة الخيار الأكثر عملية للفيديو في العالم الحقيقي، حيث تكون الحركة سريعة والمشاهد مزدحمة ولا يمكن توسيع نطاق الإصلاحات اليدوية. وتتطور الرؤية الحاسوبية بوتيرة سريعة، ما يجعل نشر أنظمة التتبع أسهل وأكثر موثوقية في الظروف الصعبة. ونتيجة لذلك، أصبح تتبع الحركة أكثر فائدة في الروبوتات والتطبيقات المحمولة والتحليلات وإنشاء المحتوى.

انضم إلى مجتمعنا واستكشف أحدث ما في ذكاء الرؤية الاصطناعي عبر مستودع GitHub. تفضل بزيارة صفحات حلولنا لمعرفة كيف تسهم تطبيقات مثل الذكاء الاصطناعي في التصنيع والرؤية الحاسوبية في الرعاية الصحية في دفع عجلة التقدم، واطّلع على خيارات الترخيص لدعم حل الذكاء الاصطناعي التالي الذي تطوره.