Computer Vision macht die Bewegungsverfolgung zuverlässiger.

Wenn Sie sich ein Theaterstück ansehen und Ihr Lieblingsschauspieler über die Bühne läuft, können Ihre Augen ihm ohne große Anstrengung folgen. Für Menschen fühlt sich diese Art der Bewegungsverfolgung ganz natürlich an. Ihr Gehirn verbindet automatisch das, was Sie von einem Moment zum nächsten sehen, füllt Lücken und sorgt für Kontinuität, während sich die Szene verändert.

Bei Maschinen ist dieselbe Aufgabe weitaus komplexer. Eine Kamera nimmt ein Video als Abfolge einzelner Bilder auf, und ein System muss dasselbe Objekt Schritt für Schritt wiederholt identifizieren, um zu schätzen, wohin es sich bewegt hat, und zu entscheiden, ob es immer noch das zu verfolgende Objekt ist. 

Diese Herausforderung steht im Mittelpunkt der Bewegungsverfolgung. Bei der Bewegungsverfolgung wird ein Objekt über einen bestimmten Zeitraum hinweg in einem Video verfolgt. Sie spielt eine wichtige Rolle in Bereichen wie der Sportanalyse, der Robotik und mobilen Anwendungen. 

Traditionelle Bewegungs- und Kameraverfolgung hängt oft von manuellen Einstellungen, track und Keyframes ab. Das kann in einfachen Szenen funktionieren, wird jedoch schnell langsam und unzuverlässig, wenn die Bewegung schnell oder teilweise blockiert ist.

‍

Die jüngsten Fortschritte im Bereich Computer Vision machen dies wesentlich einfacher. Computer Vision ist ein Teilgebiet der KI, das Maschinen dabei hilft, Bilder und Videos zu verstehen, wodurch die Bewegungsverfolgung genauer und weniger abhängig von manueller Arbeit wird. Durch die Erkennung von Objekten in jedem Bild und die Beibehaltung ihrer Identität über einen längeren Zeitraum hinweg track diese Systeme track unter realen Bedingungen zuverlässiger.

In diesem Artikel untersuchen wir, wie Computer Vision die Bewegungserfassung optimieren kann. Los geht's!

Traditionelle Methoden zur Bewegungserfassung und -verfolgung und ihre Grenzen

Herkömmliche Bewegungsverfolgung erfordert oft eine sorgfältige manuelle Einrichtung, insbesondere bei der Videobearbeitung und bei VFX-Workflows, bei denen das Ziel darin besteht, Grafiken, Effekte oder Überlagerungen an bewegten Elementen im Filmmaterial anzubringen. 

Viele Workflows beginnen damit, dass track auf bestimmte Teile einer Aufnahme gesetzt werden, und dann verfolgt die Software diese über mehrere Frames hinweg, um den Bewegungspfad abzubilden. Dies ist bei Tools wie After Effects üblich, und ähnliche Workflows finden sich auch in Premiere Pro durch Funktionen wie Mask Tracking, bei denen Editoren track Maske oder einen Bereich über einen bestimmten Zeitraum hinweg track .

Match Moving ist eine weitere gängige Methode. Sie hilft dabei, digitale Elemente an die tatsächlichen Kamerabewegungen anzupassen, sodass Effekte oder Grafiken innerhalb einer Live-Aufnahme an ihrem Platz bleiben. Diese Ansätze funktionieren gut bei einfacheren Szenen, haben jedoch oft Schwierigkeiten, wenn das Bildmaterial überladen ist oder sich Objekte schnell bewegen.

Die Verfolgung kann auch zusammenbrechen, wenn sich die Beleuchtung ändert oder wenn Objekte teilweise verdeckt werden, was zu Abweichungen oder plötzlichen Sprüngen in der track führen kann. Das verlangsamt den Arbeitsablauf und zwingt die Editoren dazu, Teile der Aufnahme zu wiederholen. Wenn Objekte schnell die Richtung ändern, können ältere Bewegungstracker Schwierigkeiten haben, Schritt zu halten, was zu inkonsistenten und weniger zuverlässigen Ergebnissen führt. 

Wie Computer Vision die Bewegungserfassung verändert

Modernste Computer-Vision-Systeme verwenden KI-Modelle, um bewegliche Objekte in einem Video zu verfolgen. Anstatt sich auf ständige manuelle Anpassungen oder eine unzuverlässige Einzelbildverfolgung zu verlassen, lernt das Modell, wie ein Objekt aussieht und wie es sich normalerweise bewegt. Dadurch bleibt die Bewegungsverfolgung auch dann stabil, wenn die Szenen unübersichtlich werden, sich die Beleuchtung ändert oder Objekte kurzzeitig verschwinden.

Beispielsweise Computer-Vision-Modelle wie Ultralytics YOLO11 und das in Kürze erscheinende Ultralytics unterstützen die Objektverfolgung, indem sie Objekte in jedem Bild erkennen. Einfach ausgedrückt identifizieren sie, was sich im Bild befindet und wo es sich befindet, indem sie Begrenzungsrahmen und Konfidenzwerte für jedes erkannte Objekt ausgeben.

‍

‍

Interessanterweise track YOLO track nicht selbstständig über einen längeren Zeitraum hinweg. Stattdessen wird die Verfolgung durch das Ultralytics Python ermöglicht, das YOLO mit Multi-Objekt-Verfolgungsalgorithmen wie ByteTrack und BoT-SORT verbindet. In dieser Konfiguration YOLO Objekte Frame für Frame, und der Tracker verknüpft diese Erkennungen über mehrere Frames hinweg, um eine konsistente ID für jedes Objekt während seiner Bewegung beizubehalten.

Praktische Anwendungen der KI-gestützten Bewegungsverfolgung

Als Nächstes wollen wir uns einige reale Anwendungen genauer ansehen, in denen KI-gestützte Bewegungsverfolgung eine wichtige Rolle spielt.

Sportanalytik und präzise Spielerortung

In einem Fußballspiel beschleunigen, stoppen und ändern die Spieler ständig ihre Richtung, was es schwierig macht, ihre Bewegungen auf dem Spielfeld genau zu messen. Manuelles Tracking versagt oft in solchen Momenten, insbesondere wenn sich Spieler überlappen, zusammenballen oder sich durch überfüllte Bereiche bewegen. 

Die KI-gestützte Bewegungsverfolgung hilft dabei, jeden Spieler während der Aktion zu verfolgen und seine Bewegungsbahnen klar und konsistent zu halten. In einer aktuellen Studie verwendeten Forscher beispielsweise YOLO11 detect und den Ball aus mehreren Kamerawinkeln detect . YOLO11 jeden Spieler in jedem Bild, während ein Tracking-System diese Erkennungen über die Zeit hinweg miteinander verknüpfte, um die Identität jedes Spielers während seiner Bewegungen konsistent zu halten.

Bewegungsverfolgung in Augmented Reality und Virtual Reality

Augmented Reality (AR) ermöglicht es Apps, digitale Objekte in die reale Welt zu platzieren, beispielsweise ein Etikett auf einem Produkt, eine Figur auf dem Boden oder eine Überlagerung auf Ihrem Fuß, während Sie sich bewegen. Damit diese Erlebnisse glaubwürdig wirken, müssen die virtuellen Inhalte an der richtigen Stelle verankert bleiben, wenn Sie herumlaufen, Ihr Smartphone neigen oder das Objekt selbst bewegen.

Computer Vision spielt hier eine wichtige Rolle, da sie einem mobilen Gerät hilft zu verstehen, was es sieht und wie sich die Kamera durch die Szene bewegt. Mit anderen Worten: Sie ermöglicht 3D-Tracking, indem sie schätzt, wo sich ein Objekt im Raum befindet und wie es ausgerichtet ist, und diese Position dann aktualisiert, wenn sich der Benutzer bewegt.

‍

Virtual Reality (VR) basiert auf ähnlichen Tracking-Konzepten, verfolgt jedoch ein anderes Ziel. Anstatt digitale Inhalte in der realen Welt zu verankern, konzentriert sich VR darauf, Ihre Kopf- und Handbewegungen zu verfolgen, damit die virtuelle Welt natürlich auf Ihre Bewegungen reagiert.

Verfolgung von beweglichen Geräten und Prozessautomatisierung

In industriellen Umgebungen durchlaufen Geräte und Produkte häufig mehrere Phasen eines Arbeitsablaufs. Jede Phase hängt von einer genauen Zeitplanung und Koordination ab. Die manuelle Nachverfolgung kann ins Hintertreffen geraten, da sich die Artikel mit unterschiedlichen Geschwindigkeiten bewegen, sich gegenseitig überlappen oder schnell ihre Position verändern.

KI-gestützte Bewegungserfassung hilft dabei, indem sie Produktionssystemen eine klarere Sicht auf jedes Objekt ermöglicht, während es sich durch die Fertigungslinie bewegt. In einer interessanten Studie verfolgte ein Netzwerk miteinander verbundener Kameras Produkte über einen gesamten Produktionszyklus hinweg und aktualisierte in Echtzeit einen digitalen Zwilling, also eine virtuelle Kopie des realen Prozesses. 

Das System identifizierte jedes Produkt, verfolgte dessen Bewegung und hielt das digitale Modell mit den Vorgängen in der Fertigung synchron. Dieser Ansatz verbesserte die Überwachung und unterstützte einen sichereren Betrieb, indem er den Bedienern in jeder Phase einen zuverlässigen Überblick verschaffte. Er zeigte auch, wie Motion Tracking eine flexiblere und skalierbarere Automatisierung ermöglichen kann, wenn konsistente Tracking-Daten verfügbar sind.

Vor- und Nachteile der KI-gestützten Bewegungsverfolgung

Hier sind einige Vorteile der Verwendung von KI-gestütztem Motion Tracking:

• Verbesserte Wiederherstellung nach Unterbrechung: Vision-KI-Systeme können oft die Verfolgung aufrechterhalten oder wiederherstellen, wenn Objekte sich überlappen oder kurzzeitig verschwinden.
• Skalierbarkeit: Einmal eingesetzt, können KI-Tracker lange Videoclips und mehrere Kamera-Feeds verarbeiten, ohne dass eine wiederholte Einrichtung pro Aufnahme erforderlich ist.
• Umfassendere Bewegungsdaten: Tracking-Ausgaben können zur Messung von Pfaden, Zählungen, Verweildauer und grundlegenden Geschwindigkeitsschätzungen für Analysen verwendet werden.

KI-gestütztes Tracking funktioniert in vielen Fällen gut, ist jedoch nicht in jeder Konfiguration sofort einsatzbereit. Hier sind einige Einschränkungen zu beachten:

• Laufende Wartung: Die Leistung kann sich im Laufe der Zeit ändern, wenn sich Kamerawinkel, Umgebungen oder Arbeitslasten ändern, sodass häufig regelmäßige Aktualisierungen erforderlich sind.
• Komplexität der Integration: Die Einbindung von Trackern in bestehende Videobearbeitungs-, Analyse- oder Automatisierungssysteme kann Adapter, Kalibrierung und zusätzliche Tests erfordern.
• Randfälle unter extremen Bedingungen: Schwaches Licht, Bewegungsunschärfe, starke Verdeckung und sehr kleine Objekte können weiterhin zu Tracking-Fehlern führen.

Wesentliche Erkenntnisse

KI-gesteuerte Bewegungserfassungsfunktionen werden schnell zur praktischeren Wahl für Videos aus der realen Welt, in denen Bewegungen schnell sind, Szenen überfüllt sind und manuelle Korrekturen nicht skalierbar sind. Die Bildverarbeitung verbessert sich rasch, wodurch Tracking-Systeme einfacher einzusetzen und unter schwierigen Bedingungen zuverlässiger sind. Infolgedessen wird die Bewegungserfassung in den Bereichen Robotik, mobile Apps, Analytik und Erstellung von Inhalten immer nützlicher.

Werden Sie Teil unserer Community und erkunden Sie die neuesten Entwicklungen im Bereich Vision AI in unserem GitHub-Repository. Besuchen Sie unsere Lösungsseiten, um zu erfahren, wie Anwendungen wie KI in der Fertigung und Computer Vision im Gesundheitswesen den Fortschritt vorantreiben, und informieren Sie sich über unsere Lizenzierungsoptionen für Ihre nächste KI-Lösung.