الرؤية الحاسوبية تجعل تتبع الحركة أكثر موثوقية

عندما تشاهد مسرحية ويتحرك ممثلك المفضل عبر المسرح، تستطيع عيناك تتبعه بجهد واعٍ ضئيل للغاية. بالنسبة للبشر، يبدو هذا النوع من تتبع الحركة طبيعيًا. يربط دماغك تلقائيًا بين ما تراه من لحظة إلى أخرى، مما يملأ الفجوات ويحافظ على شعور بالاستمرارية مع تغير المشهد.

عندما يتعلق الأمر بالآلات، فإن المهمة نفسها أكثر تعقيدًا بكثير. تلتقط الكاميرا الفيديو كسلسلة من الإطارات الفردية، ويجب على النظام تحديد نفس الكائن مرارًا وتكرارًا خطوة بخطوة لتقدير المكان الذي انتقل إليه، واتخاذ قرار بشأن ما إذا كان هو الشخص الذي يجب الاستمرار في تتبعه.

هذا التحدي يقع في صميم تتبع الحركة. يتضمن تتبع الحركة تعقب كائن عبر مقطع فيديو بمرور الوقت، وهو يلعب دوراً مهمّاً في مجالات مثل تحليل الرياضات، والروبوتات، وتطبيقات الهواتف المحمولة.

غالبًا ما يعتمد تتبع الحركة وتتبع الكاميرا التقليدي على الإعداد اليدوي، ونقاط التتبع، والإطارات الرئيسية. يمكن أن يعمل هذا في المشاهد البسيطة، لكنه يصبح سريعًا بطيئًا وغير موثوق عندما تكون الحركة سريعة أو محجوبة جزئيًا.

الشكل 1. نظرة على نظام تتبع الحركة (المصدر)

التقدم الحديث في رؤية الكمبيوتر يجعل هذا الأمر أسهل بكثير. رؤية الكمبيوتر هي فرع من الذكاء الاصطناعي يساعد الآلات على فهم الصور ومقاطع الفيديو، مما يجعل تتبع الحركة أكثر دقة وأقل اعتماداً على العمل اليدوي. من خلال اكتشاف الكائنات في كل إطار والحفاظ على ثبات هويتها بمرور الوقت، تتعقب هذه الأنظمة الحركة بشكل أكثر موثوقية في ظروف العالم الحقيقي.

في هذه المقالة، سنستكشف كيف يمكن للرؤية الحاسوبية جعل تتبع الحركة أكثر انسيابية. لنبدأ!

طرق التقاط وتتبع الحركة التقليدية وقيودها#

غالبًا ما يتطلب تتبع الحركة التقليدي إعدادًا يدويًا دقيقًا، خاصة في سير عمل تحرير الفيديو والمؤثرات البصرية (VFX)، حيث يكون الهدف هو إرفاق رسومات أو مؤثرات أو تراكبات بالعناصر المتحركة في اللقطات.

تبدأ العديد من عمليات سير العمل بوضع نقاط تتبع على أجزاء محددة من اللقطة، ثم يتبعها البرنامج عبر الإطارات لرسم مسار الحركة. هذا شائع في أدوات مثل After Effects، وتظهر عمليات مماثلة في Premiere Pro من خلال ميزات مثل تتبع القناع، حيث يتتبع المحررون قناعًا أو منطقة بمرور الوقت.

تعد مطابقة الحركة (Match moving) طريقة شائعة أخرى. إنها تساعد في محاذاة العناصر الرقمية مع حركة الكاميرا الحقيقية بحيث تبقى المؤثرات أو الرسومات في مكانها داخل اللقطة الحية. يمكن أن تعمل هذه الأساليب بشكل جيد للمشاهد البسيطة، لكنها غالبًا ما تواجه صعوبات عندما تصبح اللقطات مزدحمة أو عندما تتحرك الكائنات بسرعة.

يمكن أن ينهار التتبع أيضًا عندما تتغير الإضاءة أو عندما يتم حجب الأهداف جزئيًا، مما قد يسبب انحرافًا أو قفزات مفاجئة في التتبع. وهذا يبطئ سير العمل ويجبر المحررين على إعادة تنفيذ أجزاء من اللقطة. عندما تغير الكائنات اتجاهها بسرعة، قد تجد أدوات تتبع الحركة القديمة صعوبة في مواكبتها، مما يجعل النتائج غير متسقة ويصعب الوثوق بها.

كيف تغير الرؤية الحاسوبية تتبع الحركة#

تستخدم أنظمة الرؤية الحاسوبية المتطورة نماذج الذكاء الاصطناعي لمتابعة الكائنات المتحركة عبر الفيديو. بدلاً من الاعتماد على التعديلات اليدوية المستمرة أو التتبع الهش إطارًا بإطار، يتعلم النموذج كيف يبدو الكائن وكيف يميل للتحرك. يساعد هذا تتبع الحركة على البقاء مستقرًا حتى عندما تصبح المشاهد مزدحمة، أو تتغير الإضاءة، أو تختفي الكائنات لفترة وجيزة.

على سبيل المثال، تدعم نماذج رؤية الكمبيوتر مثل Ultralytics YOLO11 ونموذج Ultralytics YOLO26 القادم تتبع الكائنات من خلال اكتشافها في كل إطار. وبعبارة أبسط، فهي تحدد ما يوجد في الإطار ومكانه من خلال إخراج مربعات الإحيطة ودرجات الثقة لكل كائن مكتشف.

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

من المثير للاهتمام أن نماذج YOLO لا تتتبع في الواقع الكائنات بمرور الوقت بمفردها. وبلاً من ذلك، يُُمكَّن التتبع من خلال حزمة Python من Ultralytics، والتي تربط اكتشافات YOLO بخوارزميات تتبع متعددة الكائنات مثل ByteTrack و BoT-SORT. في هذا الإعداد، تكتشف YOLO الكائنات إطاراً تلو إطار، ويربط المتتبع تلك الاكتشافات عبر الإطارات للحفاظ على معرف موحد لكل كائن أثناء تحركه.

تطبيقات العالم الحقيقي لتتبع الحركة المدعوم بالذكاء الاصطناعي#

بعد ذلك، لنلقِ نظرة فاحصة على بعض تطبيقات العالم الحقيقي حيث يُحدث تتبع الحركة المدعوم بالذكاء الاصطناعي تأثيرًا.

تحليلات الرياضة وتتبع اللاعبين بدقة#

في مباراة كرة قدم، يقوم اللاعبون باستمرار بالتسارع، والتوقف، وتغيير الاتجاه، مما يجعل من الصعب قياس الحركة بدقة عبر الملعب. وغالباً ما يتعثر التتبع اليدوي في هذه اللحظات، خاصة عندما تراكب اللاعبون، أو تجمعوا معاً، أو تحركوا عبر مناطق مزدحمة.

يساعد تتبع الحركة المدعوم بالذكاء الاصطناعي من خلال متابعة كل لاعب عبر الحركة والحفاظ على مسارات حركته واضحة وثابتة. على سبيل المثال، في إحدى الدراسات الحديثة، استخدم الباحثون YOLO11 لاكتشاف اللاعبين والكرة من زوايا كاميرا متعددة. حدد نموذج YOLO11 كل لاعب في كل إطار، بينما ربط نظام التتبع تلك الاكتشافات بمرور الوقت للحفاظ على ثبات هويّة كل لاعب أثناء تحركه.

الشكل 3. اكتشاف وتتبع لاعبي كرة قدم متعددين (المصدر)

تتبع الحركة في الواقع المعزز والواقع الافتراضي#

الواقع المعزز (AR) هو ما يجعل من الممكن للتطبيقات وضع كائنات رقمية في العالم الحقيقي، مثل تسمية على منتج، أو شخصية على الأرض، أو طبقة تراكب على قدمك أثناء تحركك. لكي تبدو هذه التجربة واقعية، يجب أن يظل المحتوى الافتراضي مثبتاً في المكان الصحيح أثناء تجولك، أو إمالة هاتفك، أو تحريك الكائن نفسه.

تلعب الرؤية الحاسوبية دورًا رئيسيًا هنا لأنها تساعد الجهاز المحمول على فهم ما ينظر إليه وكيف تتحرك الكاميرا عبر المشهد. بعبارة أخرى، إنها تتيح التتبع ثلاثي الأبعاد من خلال تقدير مكان وجود الكائن في الفضاء وكيفية توجيهه، ثم تحديث هذا الموقع أثناء تحرك المستخدم.

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

يعتمد الواقع الافتراضي (VR) على أفكار تتبع مماثلة، لكن الهدف مختلف. بدلاً من تثبيت المحتوى الرقمي في العالم الحقيقي، يركز الواقع الافتراضي على تتبع رأسك ويديك حتى يستجيب العالم الافتراضي بشكل طبيعي أثناء تحركك.

تتبع المعدات المتحركة وأتمتة العمليات#

غالبًا ما تحتوي البيئات الصناعية على معدات ومنتجات تتحرك عبر مراحل متعددة من سير العمل. تعتمد كل مرحلة على التوقيت والتنسيق الدقيقين. يمكن أن يتأخر التتبع اليدوي لأن العناصر تتحرك بسرعات مختلفة، أو تتداخل مع بعضها البعض، أو تغير موضعها بسرعة.

يساعد تتبع الحركة المدعوم بالذكاء الاصطناعي من خلال تزويد أنظمة الإنتاج برؤية أوسع وأوضح لكل كائن أثناء تحركه عبر الخط. في دراسة مثيرة للاهتمام، قامت شبكة من الكاميرات المتصلة بتتبع المنتجات عبر دورة إنتاج بأكملها وقامت بتحديث التوأم الرقمي، وهو نسخة افتراضية من العملية الحقيقية، في الوقت الفعلي.

قام النظام بتحديد كل منتج، وتتبع حركته، والحفاظ على مطابقة النموذج الرقمي مع ما كان يحدث على أرض الواقع. أدى هذا النهج إلى تحسين المراقبة ودعم التشغيل الأكثر أماناً من خلال منح المشغلين رؤية موثوقة في كل مرحلة. كما أظهر كيف يمكن لتتتبع الحركة تمكين أتمتة أكثر مرونة وقابلية للتوسع عندما تتوفر بيانات تتبع ثابتة.

إيجابيات وسلبيات تتبع الحركة المدعوم بالذكاء الاصطناعي#

إليك بعض مزايا استخدام تتبع الحركة المدعوم بالذكاء الاصطناعي:

• تحسين الاسترداد من الانسداد: غالبًا ما يمكن لأنظمة الذكاء الاصطناعي الرؤية الحفاظ على المسارات أو استعادتها عندما تتداخل الكائنات أو تختفي لفترة وجيزة.
• قابلية التوسع: بمجرد نشرها، يمكن لمتتبعات الذكاء الاصطناعي معالجة مقاطع الفيديو الطويلة وموجات الكاميرات المتعددة دون الحاجة إلى إعداد متكرر لكل لقطة.
• بيانات حركة أغنى: يمكن استخدام مخرجات التتبع لقياس المسارات، والعدد، ووقت التوقف، وتقديرات السرعة الأساسية للتحليلات.

يعمل التتبع المدعوم بالذكاء الاصطناعي بشكل جيد في العديد من الحالات، لكنه ليس جاهزًا للاستخدام الفوري في كل إعداد. إليك بعض القيود التي يجب مراعاتها:

• الصيانة المستمرة: يمكن أن يتغير الأداء بمرور الوقت مع تغير زوايا الكاميرا أو البيئات أو أعباء العمل، لذا غالبًا ما تكون التحديثات الدورية ضرورية.
• تعقيد التكامل: قد يتطلب توصيل أدوات التتبع بمحرري الفيديو أو التحليلات أو أنظمة الأتمتة الحالية محولات ومعايرة واختبارات إضافية.
• الحالات الاستثنائية في الظروف القاسية: يمكن أن لا تزال الإضاءة المنخفضة، وضبابية الحركة، والانسداد الشديد، والكائنات الصغيرة جدًا تسبب أخطاء في التتبع.

أبرز النقاط#

أصبحت ميزات تتبع الحركة المدفوعة بالذكاء الاصطناعي بسرعة الخيار الأكثر عملية لفيديو العالم الحقيقي، حيث تكون الحركة سريعة، والمشاهد مزدحمة، ولا يمكن توسيع نطاق الإصلاحات اليدوية. تتحسن الرؤية الحاسوبية بسرعة، وهذا يجعل أنظمة التتبع أسهل في النشر وأكثر موثوقية في الظروف الصعبة. ونتيجة لذلك، أصبح تتبع الحركة أكثر فائدة عبر الروبوتات وتطبيقات الهاتف المحمول والتحليلات وإنشاء المحتوى.

انضم إلى our community واستكشف أحدث ما في الذكاء الاصطناعي للرؤية على GitHub repository. تفضل بزيارة صفحات الحلول الخاصة بنا لمعرفة كيف تسهم تطبيقات مثل AI in manufacturing وcomputer vision in healthcare في دفع التقدم، واطلع على licensing options لتشغيل حل الذكاء الاصطناعي التالي الخاص بك.