La vision par ordinateur rend le suivi de mouvement plus fiable

Lorsque tu regardes une pièce de théâtre et que ton acteur préféré se déplace sur scène, tes yeux peuvent le suivre avec très peu d'effort conscient. Pour les humains, ce type de suivi de mouvement semble naturel. Ton cerveau connecte automatiquement ce que tu vois d'un instant à l'autre, comblant les lacunes et maintenant un sentiment de continuité à mesure que la scène change.

Lorsqu'il s'agit de machines, la même tâche est beaucoup plus complexe. Une caméra capture une vidéo sous forme d'une séquence d'images individuelles, et un système doit identifier à plusieurs reprises le même objet étape par étape pour estimer où il s'est déplacé, et décider s'il s'agit toujours de celui qu'il faut suivre.

Ce défi est au cœur du suivi de mouvement. Le suivi de mouvement consiste à tracer un objet dans une vidéo au fil du temps, et il joue un rôle important dans des domaines tels que l'analyse sportive, la robotique et les applications mobiles.

Le suivi traditionnel de mouvement et de caméra dépend souvent d'une configuration manuelle, de points de suivi et d'images clés. Cela peut fonctionner dans des scènes simples, mais cela devient rapidement lent et peu fiable lorsque le mouvement est rapide ou partiellement bloqué.

Fig 1. Un aperçu d'un système de suivi de mouvement (Source)

Les avancées récentes en vision par ordinateur rendent cela beaucoup plus facile. La vision par ordinateur est une branche de l'IA qui aide les machines à comprendre les images et les vidéos, rendant le suivi de mouvement plus précis et moins dépendant du travail manuel. En détectant les objets dans chaque image et en gardant leur identité cohérente au fil du temps, ces systèmes suivent le mouvement de manière plus fiable dans des conditions réelles.

Dans cet article, nous allons explorer comment la vision par ordinateur peut rendre le suivi de mouvement plus rationalisé. Commençons !

Link to this sectionMéthodes traditionnelles de capture et de suivi de mouvement et leurs limites#

Le suivi de mouvement traditionnel nécessite souvent une configuration manuelle minutieuse, en particulier dans le montage vidéo et les flux de travail VFX, où l'objectif est d'attacher des graphiques, des effets ou des superpositions aux éléments en mouvement dans les séquences.

De nombreux flux de travail commencent par placer des points de suivi sur des parties spécifiques d'un plan, puis le logiciel les suit à travers les images pour cartographier le chemin du mouvement. C'est courant dans des outils comme After Effects, et des flux de travail similaires apparaissent dans Premiere Pro via des fonctionnalités comme le suivi de masque, où les monteurs suivent un masque ou une zone au fil du temps.

Le match moving est une autre méthode courante. Il aide à aligner les éléments numériques avec le mouvement réel de la caméra afin que les effets ou les graphiques restent en place dans un plan en direct. Ces approches peuvent bien fonctionner pour des scènes plus simples, mais elles ont souvent du mal lorsque les séquences sont encombrées ou lorsque les objets se déplacent rapidement.

Le suivi peut également échouer lorsque l'éclairage change ou que les sujets sont partiellement bloqués, ce qui peut provoquer une dérive ou des sauts soudains dans le suivi. Cela ralentit le flux de travail et oblige les monteurs à refaire des sections du plan. Lorsque les objets changent rapidement de direction, les anciens trackers de mouvement peuvent avoir du mal à suivre, rendant les résultats incohérents et plus difficiles à exploiter.

Link to this sectionComment la vision par ordinateur transforme le suivi de mouvement#

Les systèmes de vision par ordinateur de pointe utilisent des modèles d'IA pour suivre les objets en mouvement dans une vidéo. Au lieu de compter sur des ajustements manuels constants ou un suivi fragile image par image, le modèle apprend à quoi ressemble un objet et comment il a tendance à se déplacer. Cela aide le suivi de mouvement à rester stable même lorsque les scènes sont chargées, que l'éclairage change ou que les objets disparaissent brièvement.

Par exemple, les modèles de vision par ordinateur tels qu'Ultralytics YOLO11 et le prochain Ultralytics YOLO26 prennent en charge le suivi d'objets en détectant les objets dans chaque image. En termes simples, ils identifient ce qui se trouve dans l'image et où il se situe en sortant des boîtes englobantes (bbox) et des scores de confiance pour chaque objet détecté.

Fig 2. Suivi de véhicules à l'aide d'Ultralytics YOLO11 dans une zone (Source)

Fait intéressant, les modèles YOLO ne suivent pas réellement les objets au fil du temps par eux-mêmes. Au lieu de cela, le suivi est activé via le package Python Ultralytics, qui connecte les détections YOLO avec des algorithmes de suivi multi-objets tels que ByteTrack et BoT-SORT. Dans cette configuration, YOLO détecte les objets image par image, et le tracker lie ces détections à travers les images pour maintenir un ID cohérent pour chaque objet au fur et à mesure de son déplacement.

Link to this sectionApplications réelles du suivi de mouvement propulsé par l'IA#

Ensuite, examinons de plus près quelques applications réelles où le suivi de mouvement par IA a un impact.

Link to this sectionAnalyse sportive et suivi précis des joueurs#

Lors d'un match de football, les joueurs accélèrent, s'arrêtent et changent constamment de direction, ce qui rend difficile la mesure précise du mouvement sur le terrain. Le suivi manuel échoue souvent dans ces moments-là, surtout lorsque les joueurs se chevauchent, se regroupent ou traversent des zones bondées.

Le suivi de mouvement par IA aide en suivant chaque joueur à travers l'action et en gardant ses trajectoires de mouvement claires et cohérentes. Par exemple, dans une étude récente, des chercheurs ont utilisé YOLO11 pour détecter les joueurs et le ballon sous plusieurs angles de caméra. YOLO11 a identifié chaque joueur dans chaque image, tandis qu'un système de suivi a lié ces détections au fil du temps pour maintenir l'identité de chaque joueur cohérente pendant ses déplacements.

Fig 3. Détection et suivi de plusieurs joueurs de football (Source)

Link to this sectionSuivi de mouvement en réalité augmentée et réalité virtuelle#

La réalité augmentée (RA) est ce qui permet aux applications de placer des objets numériques dans le monde réel, comme une étiquette sur un produit, un personnage sur le sol ou une superposition sur ton pied lorsque tu bouges. Pour que ces expériences semblent crédibles, le contenu virtuel doit rester ancré au bon endroit pendant que tu te promènes, inclines ton téléphone ou déplaces l'objet lui-même.

La vision par ordinateur joue un rôle clé ici car elle aide un appareil mobile à comprendre ce qu'il regarde et comment la caméra se déplace dans la scène. En d'autres termes, elle permet le suivi 3D en estimant où se trouve un objet dans l'espace et comment il est orienté, puis en mettant à jour cette position au fur et à mesure que l'utilisateur se déplace.

Fig 4. Un exemple de suivi 3D dans une application RA (Source)

La réalité virtuelle (RV) repose sur des idées de suivi similaires, mais l'objectif est différent. Au lieu d'ancrer du contenu numérique au monde réel, la RV se concentre sur le suivi de ta tête et de tes mains afin que le monde virtuel réponde naturellement lorsque tu bouges.

Link to this sectionSuivi des équipements en mouvement et automatisation des processus#

Les environnements industriels ont souvent des équipements et des produits qui traversent plusieurs étapes d'un flux de travail. Chaque étape dépend d'un timing et d'une coordination précis. Le suivi manuel peut prendre du retard car les articles se déplacent à des vitesses différentes, se chevauchent ou changent rapidement de position.

Le suivi de mouvement par IA aide en donnant aux systèmes de production une vue plus claire de chaque objet à mesure qu'il se déplace le long de la ligne. Dans une étude intéressante, un réseau de caméras connectées a suivi les produits tout au long d'un cycle de production et a mis à jour un jumeau numérique, une copie virtuelle du processus réel, en temps réel.

Le système a identifié chaque produit, suivi son mouvement et maintenu le modèle numérique aligné avec ce qui se passait sur le terrain. Cette approche a amélioré la surveillance et soutenu une exploitation plus sûre en donnant aux opérateurs une vue fiable à chaque étape. Elle a également montré comment le suivi de mouvement peut permettre une automatisation plus flexible et évolutive lorsque des données de suivi cohérentes sont disponibles.

Link to this sectionAvantages et inconvénients du suivi de mouvement par IA#

Voici quelques avantages de l'utilisation du suivi de mouvement par IA :

• Récupération améliorée en cas d'occlusion : les systèmes de vision par IA peuvent souvent maintenir ou récupérer des suivis lorsque les objets se chevauchent ou disparaissent brièvement.
• Évolutivité** :** Une fois déployés, les trackers IA peuvent traiter de longs clips vidéo et plusieurs flux de caméra sans configuration répétée par plan.
• Données de mouvement plus riches : les sorties de suivi peuvent être utilisées pour mesurer les trajectoires, les comptages, le temps de présence et des estimations de vitesse de base pour l'analyse.

Le suivi par IA fonctionne bien dans de nombreux cas, mais ce n'est pas une solution prête à l'emploi dans toutes les configurations. Voici quelques limites à prendre en compte :

• Maintenance continue : les performances peuvent changer au fil du temps à mesure que les angles de caméra, les environnements ou les charges de travail changent, donc des mises à jour périodiques sont souvent nécessaires.
• Complexité de l'intégration : connecter des trackers aux éditeurs vidéo, analyses ou systèmes d'automatisation existants peut nécessiter des adaptateurs, un étalonnage et des tests supplémentaires.
• Cas limites dans des conditions extrêmes : la faible luminosité, le flou de mouvement, l'occlusion importante et les objets très petits peuvent encore provoquer des erreurs de suivi.

Link to this sectionPoints clés#

Les fonctionnalités de suivi de mouvement pilotées par l'IA deviennent rapidement le choix le plus pratique pour la vidéo réelle, où le mouvement est rapide, les scènes sont encombrées et les correctifs manuels ne sont pas évolutifs. La vision par ordinateur s'améliore rapidement, ce qui rend les systèmes de suivi plus faciles à déployer et plus fiables dans des conditions difficiles. En conséquence, le suivi de mouvement devient plus utile dans la robotique, les applications mobiles, l'analyse et la création de contenu.

Rejoins notre communauté et explore les dernières avancées en vision par IA sur notre dépôt GitHub. Visite nos pages de solutions pour apprendre comment des applications comme l'IA dans la fabrication et la vision par ordinateur dans la santé stimulent le progrès, et consulte nos options de licence pour propulser ta prochaine solution IA.