La visión por ordenador hace más fiable el seguimiento del movimiento
Descubre cómo la IA y la visión por ordenador hacen que el seguimiento del movimiento sea más inteligente, rápido y fiable en deportes, robótica, aplicaciones móviles y otros flujos de trabajo del mundo real.
Cuando ves una obra de teatro y tu actor favorito se mueve por el escenario, tus ojos pueden seguirlo con muy poco esfuerzo consciente. Para los seres humanos, este tipo de seguimiento del movimiento resulta natural. Tu cerebro conecta automáticamente lo que ves de un momento al siguiente, rellena los huecos y mantiene una sensación de continuidad a medida que cambia la escena.
En el caso de las máquinas, la misma tarea es mucho más compleja. Una cámara captura un vídeo como una secuencia de fotogramas individuales, y un sistema debe identificar repetidamente el mismo objeto paso a paso para estimar cuánto se ha desplazado y decidir si sigue siendo el objeto que debe seguir.
Este desafío es fundamental para el seguimiento del movimiento. El seguimiento del movimiento consiste en seguir un objeto a lo largo del tiempo en un vídeo, y desempeña un papel importante en ámbitos como el análisis deportivo, la robótica y las aplicaciones móviles.
El seguimiento tradicional del movimiento y de cámaras suele depender de una configuración manual, puntos de seguimiento y fotogramas clave. Puede funcionar en escenas sencillas, pero se vuelve rápidamente lento y poco fiable cuando el movimiento es rápido o está parcialmente bloqueado.
Fig. 1. Una vista de un sistema de seguimiento del movimiento (Fuente)
Los avances recientes en visión artificial facilitan mucho esta tarea. La visión artificial es una rama de la IA que ayuda a las máquinas a comprender imágenes y vídeos, lo que hace que el seguimiento del movimiento sea más preciso y dependa menos del trabajo manual. Al detectar objetos en cada fotograma y mantener su identidad constante a lo largo del tiempo, estos sistemas siguen el movimiento de forma más fiable en condiciones reales.
En este artículo, veremos cómo la visión artificial puede hacer que el seguimiento del movimiento sea más ágil. ¡Empecemos!
Métodos tradicionales de captura y seguimiento del movimiento y sus limitaciones#
El seguimiento tradicional del movimiento suele requerir una configuración manual minuciosa, especialmente en los flujos de trabajo de edición de vídeo y VFX, cuyo objetivo es asociar gráficos, efectos o superposiciones a elementos en movimiento del metraje.
Muchos flujos de trabajo comienzan colocando puntos de seguimiento en partes concretas de una toma; después, el software los sigue a través de los fotogramas para trazar la trayectoria del movimiento. Esto es habitual en herramientas como After Effects, y en Premiere Pro aparecen flujos de trabajo similares mediante funciones como el seguimiento de máscaras, con el que los editores siguen una máscara o una región a lo largo del tiempo.
El match moving es otro método habitual. Ayuda a alinear los elementos digitales con el movimiento real de la cámara para que los efectos o gráficos permanezcan en su sitio dentro de una toma real. Estos enfoques pueden funcionar bien en escenas sencillas, pero suelen tener dificultades cuando el metraje está abarrotado o los objetos se mueven rápidamente.
El seguimiento también puede fallar cuando cambia la iluminación o los sujetos quedan parcialmente bloqueados, lo que puede provocar desviaciones o saltos repentinos en el seguimiento. Esto ralentiza el flujo de trabajo y obliga a los editores a rehacer partes de la toma. Cuando los objetos cambian de dirección rápidamente, los sistemas de seguimiento del movimiento más antiguos pueden tener dificultades para seguir el ritmo, lo que hace que los resultados sean inconsistentes y menos fiables.
Cómo transforma la visión artificial el seguimiento del movimiento#
Los sistemas de visión artificial más avanzados utilizan modelos de IA para seguir objetos en movimiento a través de un vídeo. En lugar de depender de ajustes manuales constantes o de un seguimiento frágil fotograma a fotograma, el modelo aprende qué aspecto tiene un objeto y cómo tiende a moverse. Esto ayuda a que el seguimiento del movimiento se mantenga estable incluso cuando las escenas se complican, cambia la iluminación o los objetos desaparecen brevemente.
Por ejemplo, los modelos de visión artificial como Ultralytics YOLO11 y el próximo Ultralytics YOLO26 permiten seguir objetos detectándolos en cada fotograma. En términos sencillos, identifican qué hay en el fotograma y dónde está mediante la salida de cuadros delimitadores y puntuaciones de confianza para cada objeto detectado.
Fig. 2. Seguimiento de vehículos mediante Ultralytics YOLO11 dentro de una zona (Fuente)
Curiosamente, los modelos YOLO no siguen objetos a lo largo del tiempo por sí solos. En su lugar, el seguimiento se habilita mediante el paquete de Python de Ultralytics, que conecta las detecciones de YOLO con algoritmos de seguimiento de múltiples objetos como ByteTrack y BoT-SORT. En esta configuración, YOLO detecta objetos fotograma a fotograma y el sistema de seguimiento vincula esas detecciones entre fotogramas para mantener un ID coherente para cada objeto a medida que se mueve.
Aplicaciones reales del seguimiento del movimiento basado en IA#
A continuación, analizaremos más detenidamente algunas aplicaciones reales en las que el seguimiento del movimiento basado en IA está teniendo impacto.
Análisis deportivo y seguimiento preciso de jugadores#
En un partido de fútbol, los jugadores aceleran, se detienen y cambian de dirección constantemente, lo que dificulta medir el movimiento con precisión por todo el campo. El seguimiento manual suele fallar en estos momentos, especialmente cuando los jugadores se solapan, se agrupan o se mueven por zonas concurridas.
El seguimiento del movimiento basado en IA ayuda siguiendo a cada jugador durante la acción y manteniendo sus trayectorias claras y coherentes. Por ejemplo, en un estudio reciente, unos investigadores utilizaron YOLO11 para detectar jugadores y el balón desde varios ángulos de cámara. YOLO11 identificó a cada jugador en cada fotograma, mientras que un sistema de seguimiento vinculó esas detecciones a lo largo del tiempo para mantener constante la identidad de cada jugador mientras se movía.
Fig. 3. Detección y seguimiento de varios jugadores de fútbol (Fuente)
Seguimiento del movimiento en realidad aumentada y realidad virtual#
La realidad aumentada (AR) permite que las aplicaciones coloquen objetos digitales en el mundo real, como una etiqueta sobre un producto, un personaje en el suelo o una superposición sobre tu pie mientras te mueves. Para que estas experiencias resulten creíbles, el contenido virtual debe permanecer anclado en el lugar correcto mientras caminas, inclinas el teléfono o mueves el propio objeto.
La visión artificial desempeña aquí un papel clave porque ayuda a un dispositivo móvil a comprender qué está viendo y cómo se mueve la cámara por la escena. En otras palabras, permite el seguimiento 3D al estimar dónde está un objeto en el espacio y cuál es su orientación, y actualizar después esa posición a medida que se mueve el usuario.
Fig. 4. Un ejemplo de seguimiento 3D en una aplicación de AR (Fuente)
La realidad virtual (VR) se basa en ideas de seguimiento similares, pero el objetivo es diferente. En lugar de anclar el contenido digital al mundo real, la VR se centra en seguir tu cabeza y tus manos para que el mundo virtual responda de forma natural a medida que te mueves.
Seguimiento de equipos en movimiento y automatización de procesos#
Los entornos industriales suelen tener equipos y productos que se desplazan por varias etapas de un flujo de trabajo. Cada etapa depende de una sincronización y una coordinación precisas. El seguimiento manual puede quedarse atrás porque los elementos se mueven a distintas velocidades, se solapan entre sí o cambian de posición rápidamente.
El seguimiento del movimiento basado en IA ayuda proporcionando a los sistemas de producción una visión más clara de cada objeto mientras avanza por la línea. En un estudio interesante, una red de cámaras conectadas siguió los productos a lo largo de todo un ciclo de producción y actualizó un gemelo digital, una copia virtual del proceso real, en tiempo real.
El sistema identificó cada producto, siguió su movimiento y mantuvo el modelo digital alineado con lo que ocurría en la planta. Este enfoque mejoró la supervisión y favoreció un funcionamiento más seguro al proporcionar a los operadores una visión fiable en cada etapa. También demostró cómo el seguimiento del movimiento puede permitir una automatización más flexible y escalable cuando se dispone de datos de seguimiento coherentes.
Ventajas e inconvenientes del seguimiento del movimiento basado en IA#
Estas son algunas ventajas de utilizar el seguimiento del movimiento basado en IA:
- Mejor recuperación tras oclusiones: los sistemas de IA para visión suelen poder mantener o recuperar el seguimiento cuando los objetos se solapan o desaparecen brevemente.
- Escalabilidad: Una vez implementados, los sistemas de seguimiento basados en IA pueden procesar vídeos largos y múltiples fuentes de cámara sin tener que configurarse repetidamente para cada toma.
- Datos de movimiento más completos: los resultados del seguimiento pueden utilizarse para medir trayectorias, recuentos, tiempo de permanencia y estimaciones básicas de velocidad para análisis.
El seguimiento basado en IA funciona bien en muchos casos, pero no es una solución lista para usar en todas las configuraciones. Estas son algunas limitaciones que debes tener en cuenta:
- Mantenimiento continuo: el rendimiento puede cambiar con el tiempo a medida que varían los ángulos de cámara, los entornos o las cargas de trabajo, por lo que a menudo se necesitan actualizaciones periódicas.
- Complejidad de integración: conectar los sistemas de seguimiento con editores de vídeo, plataformas de análisis o sistemas de automatización existentes puede requerir adaptadores, calibración y pruebas adicionales.
- Casos extremos en condiciones adversas: la poca luz, el desenfoque de movimiento, las oclusiones intensas y los objetos muy pequeños todavía pueden provocar errores de seguimiento.
Conclusiones clave#
Las funciones de seguimiento del movimiento basado en IA se están convirtiendo rápidamente en la opción más práctica para el vídeo del mundo real, donde el movimiento es rápido, las escenas están abarrotadas y las correcciones manuales no son escalables. La visión artificial está mejorando rápidamente, lo que hace que los sistemas de seguimiento sean más fáciles de implementar y más fiables en condiciones difíciles. Como resultado, el seguimiento del movimiento resulta cada vez más útil en robótica, aplicaciones móviles, análisis y creación de contenido.
Únete a nuestra comunidad y descubre las últimas novedades en IA visual en nuestro repositorio de GitHub. Visita nuestras páginas de soluciones para saber cómo aplicaciones como la IA en la fabricación y la visión artificial en la sanidad están impulsando el progreso, y consulta nuestras opciones de licencia para impulsar tu próxima solución de IA.
