Wenn Sie auf "Alle Cookies akzeptieren" klicken, stimmen Sie der Speicherung von Cookies auf Ihrem Gerät zu, um die Navigation auf der Website zu verbessern, die Nutzung der Website zu analysieren und unsere Marketingaktivitäten zu unterstützen. Mehr Infos
Cookie-Einstellungen
Wenn Sie auf "Alle Cookies akzeptieren" klicken, stimmen Sie der Speicherung von Cookies auf Ihrem Gerät zu, um die Navigation auf der Website zu verbessern, die Nutzung der Website zu analysieren und unsere Marketingaktivitäten zu unterstützen. Mehr Infos
Entdecken Sie, wie OpenPose zur Posenabschätzung in Computer Vision-Anwendungen eingesetzt werden kann. Erfahren Sie mehr über seine Funktionen und seine Bedeutung in der Vision-KI.
Heutzutage sind Bilder und Kameras allgegenwärtig – in unseren Handys, Wohnungen und sogar in öffentlichen Räumen. Wir verlassen uns nicht nur darauf, um Momente festzuhalten, sondern auch, um die Welt um uns herum zu verstehen und mit ihr zu interagieren.
Hinter den Kulissen ermöglicht Computer Vision , ein Teilgebiet der künstlichen Intelligenz (KI), dies, indem es Maschinen die Interpretation visueller Daten ermöglicht. Dadurch können Systeme Objekte erkennen, Gesichter erkennen und Bewegungen verfolgen und spielen eine Schlüsselrolle in vielen Technologien, die wir täglich nutzen.
Dank der jüngsten Fortschritte in der KI können Computer-Vision-Modelle nun komplexere Daten und Erkenntnisse analysieren und extrahieren. Ein Beispiel hierfür ist die Posenschätzung , eine Computer-Vision-Aufgabe, die sich auf das Verständnis menschlicher Bewegungen konzentriert.
Es identifiziert wichtige Körperpunkte wie Schultern, Ellbogen und Knie in Bildern oder Videos. Dies ermöglicht die Analyse menschlicher Bewegungen und ermöglicht Anwendungen in den Bereichen Fitness-Tracking, Animation, Gesundheitswesen und mehr.
Unter den vielen Tools, die zur Posenbestimmung entwickelt wurden, stellt OpenPose einen wichtigen Durchbruch dar. Es wurde von Forschern des Perceptual Computing Lab der Carnegie Mellon University entwickelt und war eines der ersten Open-Source-Systeme, das Ganzkörperposen, einschließlich Hände, Füße und Gesichtspunkte, mehrerer Personen in Echtzeit mithilfe einer einzigen Kamera erkennen konnte (mit bis zu 135 Punkten pro Person).
In diesem Artikel untersuchen wir OpenPose, seine Funktionsweise und seine Bedeutung als Meilenstein in der Computervision.
Abb. 1. Posenschätzung für mehrere Personen mit OpenPose.
Ein Blick auf die Geschichte der Posenschätzung
Bevor KI flächendeckend eingesetzt wurde, war für die Verfolgung menschlicher Bewegungen in Videos spezielle Ausrüstung erforderlich. In Branchen wie Film und Animation trugen Schauspieler oft Anzüge mit reflektierenden Markierungen, damit Kameras ihre Bewegungen in einer kontrollierten Studioumgebung erfassen konnten.
Diese markerbasierten Motion-Capture-Techniken waren zwar präzise, aber auch teuer und auf bestimmte Setups beschränkt. Mit der Weiterentwicklung der Computervision suchten Forscher nach Möglichkeiten, Körperbewegungen ohne Marker zu verfolgen. Sie nutzten Kanten, Konturen und Vorlagen, um menschliche Formen in Bildern zu erkennen.
Diese frühen Systeme funktionierten in einfachen und unkomplizierten Situationen, hatten aber in der Praxis Probleme. Sie lieferten oft schlechte Ergebnisse, wenn sich Personen unerwartet bewegten oder mehr als eine Person im Bild erschien.
In den späten 2010er Jahren brachte Deep Learning einen entscheidenden Wandel in der Posenschätzung. Vision-KI-Modelle konnten anhand großer Datensätze menschlicher Posen trainiert werden. Anstatt sich auf Kanten und Vorlagen zu verlassen, lernten die Modelle, Körpergelenke und -strukturen durch die Untersuchung Tausender beschrifteter Bilder zu erkennen. Dies machte die Posenschätzung präziser, flexibler und in einem breiteren Anwendungsbereich wirkungsvoller.
Abb. 2. Die Entwicklung von Modellen zur Schätzung der menschlichen Körperhaltung von 2017 bis 2023.
OpenPose: Wo die moderne Posenschätzung ihren Anfang nahm
OpenPose wurde 2017 erstmals veröffentlicht und kann die Posen mehrerer Personen gleichzeitig in einem einzigen Bild einschätzen. Im Gegensatz zu älteren Systemen benötigt OpenPose keine Spezialanzüge oder Markierungen. Es funktioniert mit Standardkameras und kann Bilder und Videos in Echtzeit verarbeiten. Diese Funktionen machten die Posenschätzung für Entwickler und Forscher zugänglicher.
Die von OpenPose gelegten Grundlagen für Computer Vision halfen anderen beim Aufbau neuer Architekturen für eine Vielzahl weiterer Anwendungen. Heute bieten Vision-AI-Modelle wie Ultralytics YOLO8 und Ultralytics YOLO11, die Posenschätzungsaufgaben unterstützen, schnellere Ergebnisse und geringere Latenz.
OpenPose ist jedoch ein guter Ausgangspunkt, wenn Sie wissen möchten, wie sich die Posenschätzung entwickelt hat. Es führte wichtige Ideen ein, auf denen viele neuere Systeme noch heute basieren.
Die wichtigsten Funktionen von OpenPose
Nachdem wir nun besser verstehen, warum OpenPose wichtig ist, wollen wir uns genauer ansehen, was es tatsächlich kann.
Das Herzstück von OpenPose ist die sogenannte Keypoint-Erkennung . Keypoints sind bestimmte Punkte am menschlichen Körper, wie die Nasenspitze, die Mitte der Schultern, Ellbogen, Handgelenke, Hüften, Knie und Knöchel. OpenPose kann bis zu 135 dieser Punkte pro Person erkennen, darunter auch detaillierte Bereiche wie Finger und Gesichtszüge.
Werden diese Punkte verbunden, bilden sie eine vereinfachte Darstellung des menschlichen Körpers – man kann sie sich wie ein digitales Skelett vorstellen. Dieser Skelettumriss zeigt nicht nur, wo sich eine Person befindet, sondern auch, wie sie sich verhält: ob sie sitzt, steht, winkt, lächelt oder geht. Computer können menschliche Bewegungen anhand dieser Skelette visuell interpretieren, ähnlich wie wir instinktiv die Körpersprache eines Menschen verstehen.
Skelett-Tracking ist besonders nützlich, da es Hintergrundgeräusche und Ablenkungen ausblendet und das System sich ausschließlich auf die menschliche Haltung und Bewegung konzentrieren kann. Anstatt jedes Pixel zu analysieren, konzentriert sich OpenPose auf aussagekräftige Punkte, die Aufschluss über die Bewegung oder Interaktion einer Person geben.
Durch das Extrahieren dieser strukturierten Informationen aus alltäglichen Bildern oder Videos ermöglicht OpenPose die Erstellung von Anwendungen, die auf Gesten reagieren, körperliche Aktivitäten überwachen, emotionale Signale auswerten oder sogar digitale Charaktere animieren.
Wie funktioniert OpenPose?
Hier ist eine Übersicht darüber, wie OpenPose anhand visueller Eingaben Schlüsselpunkte am menschlichen Körper erkennt und verbindet:
Beginnt mit einem Bild: OpenPose nimmt ein einzelnes Bild aus einem Foto, Video oder Live- Kamera- Feed.
Erkennt wichtige Körperteile: Das System sucht nach wichtigen Körperstellen wie Nase, Ellbogen, Handgelenken, Knien und Knöcheln. Sie werden dort markiert, wo das System sicher ist, dass sich dort ein Körperteil befindet.
Findet heraus, welche Teile zusammengehören: Anschließend prüft OpenPose, wie die Schlüsselpunkte miteinander verbunden sind. Mithilfe mathematischer Berechnungen wird ermittelt, welche Gelenke zur selben Person gehören – zum Beispiel ein Handgelenk dem rechten Ellbogen und der rechten Schulter.
Zeichnet ein Skelett für jede Person: Nach der Gruppierung der Schlüsselpunkte verbindet OpenPose sie zu einem Strichmännchen, das die Pose jeder Person darstellt. Dies funktioniert auch, wenn mehrere Personen im selben Bild erscheinen.
Gibt die Pose-Daten zurück: Schließlich liefert es die genauen Positionen aller erkannten Schlüsselpunkte. Diese können zum Verfolgen von Bewegungen, Erkennen von Gesten oder Erstellen interaktiver Tools verwendet werden – alles in Echtzeit.
Abb. 4. Erkennung und Verfolgung menschlicher Schlüsselpunkte mit OpenPose.
Branchenübergreifende Anwendungen zur Posenschätzung mit OpenPose
OpenPose war eines der ersten fortschrittlichen Tools, das die Posenschätzung für eine Vielzahl realer Anwendungsfälle praktikabel machte. Obwohl es heute in Echtzeit -Computer-Vision-Lösungen nicht mehr häufig eingesetzt wird, spielte es eine wichtige Rolle bei der Gestaltung früherer Arbeiten in Bereichen wie Sport, Unterhaltung, Bildung und Sicherheit.
Sehen wir uns genauer an, wie es dazu beigetragen hat, in diesen Bereichen den Weg zu ebnen.
Posenschätzung mit OpenPose für Fitness und Sport
Beim Baseball ist es leicht zu verstehen, was passiert – man erkennt sofort einen Wurf, einen Schwung oder einen gestohlenen Base. Wir Menschen lesen Körperbewegungen intuitiv und verstehen sie ohne große Anstrengung. Für Maschinen ist das Erkennen dieser Aktionen jedoch weitaus komplexer. Sie benötigen präzise Informationen darüber, wie sich jedes Körperteil im Raum bewegt.
OpenPose stellte in diesem Bereich der Computervision einen wesentlichen Fortschritt dar. Es war ein praktisches Werkzeug zur Analyse der sportlichen Form in einer Vielzahl von Situationen.
Viele Forschungsprojekte nutzten OpenPose, um Bewegungen wie Schwünge und Sprünge zu analysieren und sogar bestimmte Baseball-Aktionen anhand der Bewegungen der Spieler zu klassifizieren. Da es in offenen Umgebungen mit Standardvideo funktionierte, konnten Forscher testen, wie solche Systeme in realen Trainings- oder Coaching-Szenarien funktionieren.
Diese frühen Studien trugen dazu bei, den Grundstein für die Leistungsverfolgungstools zu legen, die heute in der fortgeschrittenen Sporttechnologie verwendet werden.
Abb. 5. Ein Blick auf eine Klassifizierungspipeline für Baseball-Aktionen mit OpenPose.
Da OpenPose mit Standardkameras funktionierte, wurden frühe Experimente in Umgebungen wie Krankenhäusern und Verkehrsknotenpunkten leichter zugänglich. Diese Studien trugen zur Entwicklung neuerer Modelle bei, die heute in Überwachungs-, Sturzerkennungs- und Notfallsystemen eingesetzt werden.
Hier ist ein kleiner Einblick in einige der Vorteile, die OpenPose bietet:
Nützlich für Forschung und Prototyping: Es wird häufig in der akademischen Forschung verwendet, insbesondere in Bereichen wie Mensch-Computer-Interaktion, Biomechanik und Verhaltensanalyse.
Plattformübergreifende Unterstützung: Es kann unter Windows, Linux und macOS ausgeführt werden und unterstützt sowohl Zentralprozessoren (CPUs) als auch Grafikprozessoren (GPUs) .
Offline-Verarbeitungsfunktion : Es kann in Umgebungen ohne Internetzugang ausgeführt werden und ist daher ideal für datenschutzsensible Umgebungen wie das Gesundheitswesen oder das Bildungswesen.
Obwohl OpenPose einen großen Fortschritt darstellt, weist es auch technische Einschränkungen auf, die es zu beachten gilt. Hier sind einige der wichtigsten Herausforderungen im Zusammenhang mit OpenPose:
Hohe Verarbeitungsanforderungen: Das Ausführen von OpenPose in Echtzeit erfordert eine leistungsstarke GPU und erhebliche Rechenressourcen.
Umgebungsempfindlich: Die Leistung kann bei schwachem Licht, in überfüllten Räumen oder bei ungünstigen Kamerawinkeln nachlassen.
Schwerer Aufwand im Vergleich zu neueren Modellen: Im Vergleich zu neueren Pose-Estimation-Modellen ist OpenPose relativ groß und langsamer. Es eignet sich nicht gut für den Einsatz auf ressourcenbeschränkten Geräten wie Smartphones, Tablets oder eingebetteten Systemen.
Die wichtigsten Erkenntnisse
OpenPose hat maßgeblich dazu beigetragen, die Posenabschätzung zugänglicher zu machen. Es zeigte, dass die Verfolgung von Körperbewegungen mit einer einfachen Kamera möglich ist, ohne dass Anzüge oder Spezialausrüstung erforderlich sind.
Es legte den Grundstein für zahlreiche praktische Anwendungen im Gesundheitswesen, im Bildungswesen, in der Unterhaltungsbranche und in der Forschung. Neuere Modelle bieten zwar höhere Geschwindigkeiten und geringere Leistung, OpenPose bleibt jedoch ein wichtiger Bezugspunkt für das Verständnis der Entwicklung der Posenschätzung.
DE
EN
ZH
KO
JA
RU
FR
ES
PT
IT
TR
VI
AR
