La visión artificial hace más fiable el seguimiento del movimiento

Cuando ves una obra de teatro y tu actor favorito se desplaza por el escenario, tus ojos pueden seguirlo con muy poco esfuerzo consciente. Para las personas, este tipo de seguimiento del movimiento resulta natural. El cerebro conecta automáticamente lo que ves en un momento con lo que ves en el siguiente, rellena los huecos y mantiene la sensación de continuidad mientras cambia la escena.

En 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 en 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 la cámara suele depender de una configuración manual, puntos de seguimiento y fotogramas clave. Puede funcionar en escenas sencillas, pero enseguida se vuelve lento y poco fiable cuando el movimiento es rápido o queda parcialmente oculto.

Fig. 1. 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 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 agilizar el seguimiento del movimiento.

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 efectos visuales, donde el objetivo es vincular gráficos, efectos o superposiciones a elementos en movimiento de la grabación.

Muchos flujos de trabajo empiezan 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 también se encuentran flujos de trabajo similares en Premiere Pro mediante funciones como el seguimiento de máscaras, que permite seguir una máscara o una región a lo largo del tiempo.

El ajuste de movimiento es otro método habitual. Ayuda a alinear elementos digitales con el movimiento real de la cámara para que los efectos o gráficos permanezcan en su sitio dentro de una toma en directo. Estos enfoques pueden funcionar bien en escenas sencillas, pero suelen tener dificultades cuando la grabación está muy concurrida o los objetos se mueven rápidamente.

El seguimiento también puede fallar cuando cambia la iluminación o los sujetos quedan parcialmente ocultos, lo que puede provocar desviaciones o saltos repentinos en la trayectoria. 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 no seguirles el ritmo, lo que da lugar a resultados incoherentes y menos fiables.

Cómo transforma la visión artificial el seguimiento del movimiento#

Los sistemas modernos de visión artificial utilizan modelos de IA para seguir objetos en movimiento a lo largo 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 suele moverse. Esto ayuda a que el seguimiento del movimiento se mantenga estable aunque las escenas se llenen de elementos, cambie la iluminación o los objetos desaparezcan brevemente.

Por ejemplo, los modelos de visión artificial como Ultralytics YOLO11 y su sucesor Ultralytics YOLO26 admiten el seguimiento de objetos mediante su detección en cada fotograma. En pocas palabras, identifican qué hay en el fotograma y dónde está, y generan cuadros delimitadores y puntuaciones de confianza para cada objeto detectado.

Fig. 2. Seguimiento de vehículos dentro de una zona con Ultralytics YOLO11 (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 Ultralytics para Python, 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 tracker vincula esas detecciones entre fotogramas para mantener un ID constante para cada objeto mientras se mueve.

Aplicaciones reales del seguimiento del movimiento basado en IA#

A continuación, veamos más de cerca algunas aplicaciones reales en las que el seguimiento del movimiento basado en IA está teniendo un 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 sus movimientos con precisión por todo el campo. En esos momentos, el seguimiento manual suele fallar, sobre todo cuando los jugadores se solapan, se agrupan o se desplazan por zonas muy concurridas.

El seguimiento del movimiento basado en IA ayuda a seguir a cada jugador durante la acción y a mantener sus trayectorias claras y coherentes. Por ejemplo, en un estudio reciente, los investigadores utilizaron YOLO11 para detectar a los jugadores y el balón desde varios ángulos de cámara. YOLO11 identificó a cada jugador en todos los fotogramas, mientras que un sistema de seguimiento enlazó esas detecciones a lo largo del tiempo para mantener la identidad de cada jugador mientras se desplazaba.

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 a las aplicaciones colocar objetos digitales en el mundo real, como una etiqueta sobre un producto, un personaje en el suelo o un elemento superpuesto en el pie mientras te mueves. Para que estas experiencias resulten creíbles, el contenido virtual debe permanecer anclado en el lugar correcto cuando caminas, inclinas el teléfono o mueves el propio objeto.

La visión artificial desempeña un papel clave en este ámbito 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 te mueves.

Fig. 4. Ejemplo de seguimiento 3D en una aplicación de AR (Fuente)

La realidad virtual (VR) se basa en ideas de seguimiento similares, pero su objetivo es distinto. En lugar de anclar contenido digital al mundo real, la VR se centra en seguir la cabeza y las manos para que el mundo virtual responda de forma natural cuando te mueves.

Seguimiento de equipos en movimiento y automatización de procesos#

En los entornos industriales, los equipos y los productos suelen pasar por varias fases de un flujo de trabajo. Cada fase depende de una sincronización y coordinación precisas. El seguimiento manual puede quedarse atrás porque los elementos se desplazan a distintas velocidades, se solapan o cambian de posición rápidamente.

El seguimiento del movimiento basado en IA ayuda a los sistemas de producción a obtener una visión más clara de cada objeto mientras avanza por la línea. En un estudio interesante, una red de cámaras conectadas siguió los productos durante todo un ciclo de producción y actualizó en tiempo real un gemelo digital, una copia virtual del proceso 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 contribuyó a un funcionamiento más seguro al ofrecer a los operarios una visión fiable en cada fase. También mostró cómo el seguimiento del movimiento puede permitir una automatización escalable y más flexible 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:

• Recuperación mejorada tras una oclusión: Los sistemas de IA de visión a menudo pueden mantener o recuperar el seguimiento cuando los objetos se superponen o desaparecen brevemente.
• Escalabilidad: Una vez implementados, los trackers de IA pueden procesar vídeos largos y múltiples transmisiones de cámara sin tener que configurarlos de nuevo para cada toma.
• Datos de movimiento más completos: Los resultados del seguimiento se pueden utilizar para medir trayectorias, recuentos, tiempos de permanencia y estimaciones básicas de velocidad con fines analíticos.

El seguimiento basado en IA funciona bien en muchos casos, pero no está listo para usar en cualquier configuración. Estas son algunas limitaciones que debes tener en cuenta:

• Mantenimiento continuo: El rendimiento puede cambiar con el tiempo si varían los ángulos de cámara, los entornos o las cargas de trabajo, por lo que a menudo es necesario realizar actualizaciones periódicas.
• Complejidad de la integración: Para conectar los sistemas de seguimiento a editores de vídeo, sistemas de análisis o sistemas de automatización ya existentes, puede que hagan falta adaptadores, calibración y pruebas adicionales.
• Casos extremos en condiciones adversas: La poca luz, el desenfoque por movimiento, las oclusiones intensas y los objetos muy pequeños todavía pueden provocar errores de seguimiento.

Conclusiones clave#

Las funciones de seguimiento del movimiento basadas en IA se están convirtiendo rápidamente en la opción más práctica para vídeos del mundo real, donde el movimiento es rápido, las escenas están muy concurridas y las correcciones manuales no son escalables. La visión artificial está mejorando con rapidez, lo que facilita la implementación de los sistemas de seguimiento y aumenta su fiabilidad en condiciones difíciles. Como resultado, el seguimiento del movimiento es 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 atención sanitaria impulsan el progreso, y consulta nuestras opciones de licencia para impulsar tu próxima solución de IA.