La vision par ordinateur rend le suivi des mouvements plus fiable

Lorsque tu assistes à une pièce de théâtre et que ton acteur préféré se déplace sur scène, tes yeux le suivent presque sans effort conscient. Pour les humains, ce type de suivi du mouvement semble naturel. Ton cerveau relie automatiquement ce que tu vois d’un instant à l’autre, comble les lacunes et maintient une impression de continuité au fil des changements de scène.

Pour les machines, la même tâche est bien plus complexe. Une caméra enregistre une vidéo sous forme d’une séquence d’images individuelles, et un système doit repérer le même objet à plusieurs reprises, étape par étape, afin d’estimer où il s’est déplacé et de déterminer s’il s’agit toujours de l’objet à suivre.

Ce défi est au cœur du suivi du mouvement. Il consiste à suivre un objet dans une vidéo au fil du temps et joue un rôle important dans des domaines comme l’analyse sportive, la robotique et les applications mobiles.

Les méthodes traditionnelles de suivi du mouvement et de la caméra reposent souvent sur une configuration manuelle, des points de suivi et des images clés. Elles peuvent fonctionner dans des scènes simples, mais deviennent rapidement lentes et peu fiables lorsque le mouvement est rapide ou partiellement obstrué.

Fig. 1. Aperçu d’un système de suivi du mouvement (Source)

Les avancées récentes en vision par ordinateur simplifient considérablement cette tâche. La vision par ordinateur est une branche de l’IA qui aide les machines à comprendre les images et les vidéos, rendant le suivi du mouvement plus précis et moins dépendant du travail manuel. En détectant les objets dans chaque image et en conservant leur identité au fil du temps, ces systèmes suivent les mouvements de façon plus fiable dans des conditions réelles.

Dans cet article, nous verrons comment la vision par ordinateur peut simplifier le suivi des mouvements.

Méthodes traditionnelles de capture et de suivi du mouvement et leurs limites#

Le suivi traditionnel du mouvement nécessite souvent une configuration manuelle minutieuse, notamment dans les flux de travail de montage vidéo et d’effets visuels (VFX), où il s’agit d’attacher des éléments graphiques, des effets ou des incrustations aux éléments en mouvement dans les séquences.

De nombreux flux de travail commencent par placer des points de suivi sur des parties précises d’un plan ; le logiciel les suit ensuite d’une image à l’autre pour cartographier la trajectoire du mouvement. Cette méthode est courante dans des outils comme After Effects, et on retrouve des flux de travail similaires dans Premiere Pro, notamment avec le suivi de masque, qui permet aux monteurs de suivre un masque ou une zone au fil du temps.

Le match moving est une autre méthode courante. Il permet d’aligner des éléments numériques sur les mouvements réels de la caméra, afin que les effets ou les éléments graphiques restent en place dans un plan filmé en direct. Ces approches peuvent bien fonctionner dans les scènes simples, mais rencontrent souvent des difficultés lorsque les séquences sont chargées ou que les objets se déplacent rapidement.

Le suivi peut aussi échouer lorsque l’éclairage change ou que les sujets sont partiellement masqués, ce qui peut provoquer une dérive ou des sauts brusques de la trajectoire. Le flux de travail ralentit alors et les monteurs doivent reprendre certaines parties du plan. Lorsque les objets changent rapidement de direction, les anciens systèmes de suivi du mouvement peuvent avoir du mal à suivre, ce qui rend les résultats irréguliers et moins fiables.

Comment la vision par ordinateur transforme le suivi du mouvement#

Les systèmes modernes de vision par ordinateur utilisent des modèles d’IA pour suivre des objets en mouvement dans une vidéo. Au lieu de s’appuyer sur des ajustements manuels constants ou sur un suivi fragile image par image, le modèle apprend à quoi ressemble un objet et comment il a tendance à se déplacer. Le suivi des mouvements reste ainsi stable, même lorsque les scènes deviennent chargées, que l’éclairage change ou que des objets disparaissent brièvement.

Par exemple, les modèles de vision par ordinateur comme Ultralytics YOLO11 et son successeur Ultralytics YOLO26 prennent en charge le suivi d’objets en détectant les objets dans chaque image. En termes simples, ils déterminent ce qui se trouve dans l’image et où, en produisant des boîtes englobantes et des scores de confiance pour chaque objet détecté.

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

Il est intéressant de noter que les modèles YOLO ne suivent pas eux-mêmes les objets au fil du temps. Le suivi est plutôt assuré par le package Python Ultralytics, qui associe les détections YOLO à des algorithmes de suivi multi-objets comme ByteTrack et BoT-SORT. Dans cette configuration, YOLO détecte les objets image par image, puis le suivi relie ces détections d’une image à l’autre afin de conserver un ID cohérent pour chaque objet en mouvement.

Applications concrètes du suivi du mouvement basé sur l’IA#

Examinons maintenant quelques applications concrètes où le suivi du mouvement basé sur l’IA a un impact.

Analyse sportive et suivi précis des joueurs#

Lors d’un match de football, les joueurs accélèrent, s’arrêtent et changent constamment de direction, ce qui complique la mesure précise de leurs déplacements sur le terrain. Le suivi manuel échoue souvent dans ces situations, surtout lorsque les joueurs se chevauchent, se regroupent ou se déplacent dans des zones encombrées.

Le suivi du mouvement basé sur l’IA permet de suivre chaque joueur pendant l’action et de conserver des trajectoires claires et cohérentes. Par exemple, dans une étude récente, des chercheurs ont utilisé YOLO11 pour détecter les joueurs et le ballon à partir de plusieurs angles de caméra. YOLO11 a identifié chaque joueur dans chaque image, tandis qu’un système de suivi a relié ces détections au fil du temps pour conserver l’identité de chaque joueur pendant ses déplacements.

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

Suivi du mouvement en réalité augmentée et en réalité virtuelle#

La réalité augmentée (AR) permet aux applications d’ajouter des objets numériques au monde réel, comme une étiquette sur un produit, un personnage au sol ou un élément superposé à ton pied pendant que tu bouges. Pour que ces expériences soient crédibles, le contenu virtuel doit rester ancré au bon endroit lorsque tu te déplaces, inclines ton téléphone ou bouges l’objet lui-même.

La vision par ordinateur joue ici un rôle essentiel, car elle aide un appareil mobile à comprendre ce qu’il regarde et comment la caméra se déplace dans la scène. Autrement dit, elle permet le suivi 3D en estimant la position et l’orientation d’un objet dans l’espace, puis en actualisant cette position lorsque l’utilisateur se déplace.

Fig. 4. Exemple de suivi 3D dans une application de réalité augmentée (Source)

La réalité virtuelle (VR) repose sur des principes de suivi similaires, mais son objectif est différent. Au lieu d’ancrer le contenu numérique au monde réel, la réalité virtuelle vise à suivre ta tête et tes mains afin que le monde virtuel réagisse naturellement à tes mouvements.

Suivi des équipements en mouvement et automatisation des processus#

Dans les environnements industriels, les équipements et les produits passent souvent par plusieurs étapes d’un flux de travail. Chaque étape nécessite un timing et 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 du mouvement basé sur l’IA permet aux systèmes de production de mieux visualiser chaque objet lorsqu’il avance sur la chaîne. Dans une étude intéressante, un réseau de caméras connectées a suivi des produits pendant tout un cycle de production et a actualisé un jumeau numérique, une copie virtuelle du processus réel, en temps réel.

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

Avantages et inconvénients du suivi du mouvement basé sur l’IA#

Voici quelques avantages du suivi du mouvement basé sur l’IA :

• Récupération améliorée après une occlusion : les systèmes d’IA visuelle peuvent souvent maintenir ou retrouver le suivi lorsque des objets se chevauchent ou disparaissent brièvement.
• Évolutivité : une fois déployés, les systèmes de suivi par IA peuvent traiter de longues vidéos et plusieurs flux de caméras sans nécessiter une configuration répétée pour chaque séquence.
• Des données de mouvement plus riches : les résultats du suivi peuvent servir à mesurer les trajectoires, les décomptes, le temps de présence et des estimations élémentaires de vitesse pour l’analyse.

Le suivi basé sur l’IA fonctionne bien dans de nombreux cas, mais il ne s’intègre pas sans effort à toutes les configurations. Voici quelques limites à prendre en compte :

• Maintenance continue : les performances peuvent évoluer avec le temps lorsque les angles des caméras, les environnements ou les charges de travail changent ; des mises à jour périodiques sont donc souvent nécessaires.
• Complexité de l’intégration : l’intégration des systèmes de suivi aux logiciels de montage vidéo, aux outils d’analyse ou aux systèmes d’automatisation existants peut nécessiter des adaptateurs, un étalonnage et des tests supplémentaires.
• Cas limites dans des conditions extrêmes : le faible éclairage, le flou de mouvement, les occultations importantes et les objets très petits peuvent encore provoquer des erreurs de suivi.

Points clés à retenir#

Les fonctionnalités de suivi du mouvement basées sur l’IA deviennent rapidement une solution plus pratique pour les vidéos réelles, où les mouvements sont rapides, les scènes chargées et les corrections manuelles difficiles à mettre à l’échelle. La vision par ordinateur progresse rapidement, ce qui facilite le déploiement des systèmes de suivi et améliore leur fiabilité dans des conditions difficiles. Le suivi du mouvement devient ainsi plus utile en robotique, dans les applications mobiles, l’analyse et la création de contenu.

Rejoins notre communauté et découvre les dernières avancées en IA visuelle sur notre dépôt GitHub. Consulte nos pages de solutions pour découvrir comment des applications comme l’IA dans l’industrie manufacturière et la vision par ordinateur dans le secteur de la santé font progresser ces domaines, puis découvre nos options de licence pour donner vie à ta prochaine solution d’IA.