Scopri come l'intelligenza artificiale e la visione artificiale rendono il tracciamento del movimento più intelligente, veloce e affidabile in ambito sportivo, robotico, nelle app mobili e in altri flussi di lavoro reali.
Quando guardi uno spettacolo teatrale e il tuo attore preferito si muove sul palco, i tuoi occhi riescono a seguirlo senza alcuno sforzo cosciente. Per gli esseri umani, questo tipo di tracciamento del movimento è naturale. Il cervello collega automaticamente ciò che vedi da un momento all'altro, colmando le lacune e mantenendo un senso di continuità mentre la scena cambia.
Quando si tratta di macchine, lo stesso compito è molto più complesso. Una telecamera cattura un video come una sequenza di singoli fotogrammi e un sistema deve identificare ripetutamente lo stesso oggetto passo dopo passo per stimare dove si è spostato e decidere se è ancora quello da seguire.
Questa sfida è al centro del motion tracking. Il motion tracking consiste nel tracciare un oggetto attraverso un video nel tempo e svolge un ruolo importante in settori quali l'analisi sportiva, la robotica e le applicazioni mobili.
Il motion tracking e il camera tracking tradizionali spesso dipendono dalla configurazione manuale, track e dai fotogrammi chiave. Possono funzionare in scene semplici, ma diventano rapidamente lenti e inaffidabili quando il movimento è veloce o parzialmente bloccato.
I recenti progressi nella visione artificiale rendono tutto questo molto più semplice. La visione artificiale è una branca dell'intelligenza artificiale che aiuta le macchine a comprendere immagini e video, rendendo il tracciamento del movimento più accurato e meno dipendente dal lavoro manuale. Rilevando gli oggetti in ogni fotogramma e mantenendo la loro identità coerente nel tempo, questi sistemi track in modo più affidabile in condizioni reali.
In questo articolo vedremo come la visione artificiale può semplificare il tracciamento del movimento. Cominciamo!
Il motion tracking tradizionale richiede spesso un'attenta configurazione manuale, specialmente nei flussi di lavoro di editing video e VFX, dove l'obiettivo è quello di aggiungere grafica, effetti o sovrapposizioni agli elementi in movimento nel filmato.
Molti flussi di lavoro iniziano posizionando track su parti specifiche di una ripresa, quindi il software li segue attraverso i fotogrammi per mappare il percorso del movimento. Questo è comune in strumenti come After Effects, e flussi di lavoro simili sono presenti in Premiere Pro attraverso funzioni come il tracciamento delle maschere, in cui gli editor track maschera o una regione nel tempo.
Il match moving è un altro metodo comune. Aiuta ad allineare gli elementi digitali con il movimento reale della telecamera, in modo che gli effetti o la grafica rimangano al loro posto all'interno di una ripresa dal vivo. Questi approcci possono funzionare bene per scene più semplici, ma spesso incontrano difficoltà quando le riprese sono affollate o quando gli oggetti si muovono rapidamente.
Il tracciamento può anche fallire quando l'illuminazione cambia o quando i soggetti vengono parzialmente oscurati, causando derive o salti improvvisi nella track. Ciò rallenta il flusso di lavoro e costringe gli editor a rifare alcune sezioni della ripresa. Quando gli oggetti cambiano rapidamente direzione, i motion tracker meno recenti possono avere difficoltà a stare al passo, rendendo i risultati incoerenti e meno affidabili.
I sistemi di visione artificiale all'avanguardia utilizzano modelli di intelligenza artificiale per seguire gli oggetti in movimento attraverso un video. Anziché affidarsi a continue regolazioni manuali o a un fragile tracciamento fotogramma per fotogramma, il modello apprende l'aspetto di un oggetto e il modo in cui tende a muoversi. Ciò contribuisce a mantenere stabile il tracciamento del movimento anche quando le scene sono movimentate, l'illuminazione cambia o gli oggetti scompaiono brevemente.
Ad esempio, modelli di visione artificiale come Ultralytics YOLO11 e il prossimo Ultralytics supportano il tracciamento degli oggetti rilevando gli oggetti in ogni fotogramma. In termini semplici, identificano ciò che si trova nel fotogramma e dove si trova, generando riquadri di delimitazione e punteggi di affidabilità per ogni oggetto rilevato.
È interessante notare che YOLO non track nel tempo in modo autonomo. Il tracciamento è invece abilitato tramite il Python Ultralytics , che collega YOLO con algoritmi di tracciamento multi-oggetto come ByteTrack e BoT-SORT. In questa configurazione, YOLO gli oggetti fotogramma per fotogramma e il tracker collega tali rilevamenti tra i fotogrammi per mantenere un ID coerente per ogni oggetto mentre si muove.
Di seguito, esamineremo più da vicino alcune applicazioni reali in cui il tracciamento del movimento basato sull'intelligenza artificiale sta avendo un impatto significativo.
In una partita di calcio, i giocatori accelerano, si fermano e cambiano direzione continuamente, il che rende difficile misurare con precisione i loro movimenti sul campo. Il tracciamento manuale spesso fallisce in questi momenti, specialmente quando i giocatori si sovrappongono, si raggruppano o si muovono in aree affollate.
Il tracciamento del movimento basato sull'intelligenza artificiale aiuta a seguire ogni giocatore durante l'azione e a mantenere i loro percorsi di movimento chiari e coerenti. Ad esempio, in uno studio recente, i ricercatori hanno utilizzato YOLO11 detect e la palla da più angolazioni della telecamera. YOLO11 ogni giocatore in ogni fotogramma, mentre un sistema di tracciamento ha collegato tali rilevamenti nel tempo per mantenere coerente l'identità di ogni giocatore mentre si muoveva.
La realtà aumentata (AR) consente alle app di inserire oggetti digitali nel mondo reale, come un'etichetta su un prodotto, un personaggio sul pavimento o una sovrapposizione sul piede mentre ci si muove. Affinché queste esperienze risultino credibili, il contenuto virtuale deve rimanere ancorato nel punto giusto mentre si cammina, si inclina il telefono o si sposta l'oggetto stesso.
La visione artificiale svolge un ruolo fondamentale in questo contesto, poiché aiuta i dispositivi mobili a comprendere ciò che stanno osservando e come la fotocamera si muove all'interno della scena. In altre parole, consente il tracciamento 3D stimando la posizione di un oggetto nello spazio e il suo orientamento, quindi aggiornando tale posizione man mano che l'utente si sposta.
La realtà virtuale (VR) si basa su concetti di tracciamento simili, ma l'obiettivo è diverso. Anziché ancorare i contenuti digitali al mondo reale, la VR si concentra sul tracciamento della testa e delle mani dell'utente, in modo che il mondo virtuale risponda in modo naturale ai suoi movimenti.
Gli ambienti industriali spesso prevedono che attrezzature e prodotti passino attraverso diverse fasi di un flusso di lavoro. Ogni fase dipende da una tempistica e un coordinamento accurati. Il monitoraggio manuale può risultare inadeguato perché gli articoli si muovono a velocità diverse, si sovrappongono tra loro o cambiano rapidamente posizione.
Il tracciamento del movimento basato sull'intelligenza artificiale aiuta fornendo ai sistemi di produzione una visione più chiara di ogni oggetto mentre si muove lungo la linea. In uno studio interessante, una rete di telecamere collegate ha tracciato i prodotti durante l'intero ciclo di produzione e ha aggiornato in tempo reale un gemello digitale, ovvero una copia virtuale del processo reale.
Il sistema identificava ogni prodotto, ne tracciava i movimenti e manteneva il modello digitale allineato con ciò che accadeva in fabbrica. Questo approccio ha migliorato il monitoraggio e ha contribuito a rendere più sicure le operazioni, fornendo agli operatori una visione affidabile in ogni fase. Ha inoltre dimostrato come il tracciamento dei movimenti possa consentire un'automazione più flessibile e scalabile quando sono disponibili dati di tracciamento coerenti.
Ecco alcuni vantaggi dell'utilizzo del tracciamento del movimento basato sull'intelligenza artificiale:
Il tracciamento basato sull'intelligenza artificiale funziona bene in molti casi, ma non è plug-and-play in tutte le configurazioni. Ecco alcune limitazioni da tenere in considerazione:
Le funzionalità di tracciamento del movimento basate sull'intelligenza artificiale stanno rapidamente diventando la scelta più pratica per i video reali, dove i movimenti sono rapidi, le scene affollate e le correzioni manuali non sono scalabili. La visione artificiale sta migliorando rapidamente e questo rende i sistemi di tracciamento più facili da implementare e più affidabili in condizioni difficili. Di conseguenza, il tracciamento del movimento sta diventando sempre più utile nella robotica, nelle app mobili, nell'analisi dei dati e nella creazione di contenuti.
Unitevi alla nostra comunità ed esplorate le ultime novità in materia di Vision AI sul nostro repository GitHub. Visitate le nostre pagine dedicate alle soluzioni per scoprire come applicazioni come l'IA nel settore manifatturiero e la visione computerizzata nel settore sanitario stanno portando avanti il progresso, e controllate le nostre opzioni di licenza per alimentare la vostra prossima soluzione di IA.
