OpenPoseとは？姿勢推定の画期的な技術を紹介

今日では、スマートフォンや家庭内、さらには公共の場にまで、画像やカメラがあふれています。私たちは、瞬間を記録するだけでなく、周囲の世界を理解し、世界と関わるためにもカメラを活用しています。

その背景には、人工知能（AI）の一分野であるコンピュータービジョンがあり、機械が視覚データを解釈できるようにすることで、これを可能にしています。コンピュータービジョンによって、システムは物体の検出、顔の認識、動きの追跡を行えるため、日々利用する多くのテクノロジーで重要な役割を果たしています。

近年のAIの進歩により、コンピュータービジョンモデルは、より複雑なデータや知見を分析し、抽出できるようになりました。その一例が、人の動きの理解に焦点を当てたコンピュータービジョンタスクである姿勢推定です。

姿勢推定では、画像や動画から肩、肘、膝など、身体上のキーポイントを特定します。これにより、人の動きを分析できるようになり、フィットネストラッキング、アニメーション、医療などのアプリケーションが可能になります。

姿勢推定向けに開発された多くのツールの中でも、OpenPoseは大きなブレークスルーとして知られています。カーネギーメロン大学のPerceptual Computing Labの研究者によって作成されたOpenPoseは、カメラだけを使用して複数の人物の全身姿勢をリアルタイムに検出できる、初期のオープンソースシステムの一つです。手、足、顔のキーポイントも検出でき、1人あたり最大135個のキーポイントに対応しています。

この記事では、OpenPoseの仕組みと、コンピュータービジョンの歴史における重要な節目としての意義を解説します。

図1。OpenPoseによる複数人の姿勢推定。

姿勢推定の歴史を振り返る#

AIが広く普及する以前、動画内の人の動きを追跡するには、専用の機材が必要でした。映画やアニメーションなどの業界では、制御されたスタジオ環境でカメラが動きを捉えられるように、俳優が反射マーカー付きのスーツを着用することが一般的でした。

マーカーを使ったモーションキャプチャ技術は精度が高い一方で、高コストであり、特定の環境でしか利用できませんでした。コンピュータービジョンの進歩に伴い、研究者はマーカーを使わずに身体の動きを追跡する方法を模索しました。画像内の人物の形状を見つけるために、エッジ、輪郭、テンプレートが利用されました。

こうした初期のシステムは、単純で分かりやすい状況では機能しましたが、実世界のシナリオにはうまく対応できませんでした。人物が予想外の動きをしたり、1つのフレームに複数の人物が映ったりすると、結果の精度が低くなることがよくありました。

2010年代後半、ディープラーニングが姿勢推定に大きな変化をもたらしました。ビジョンAIモデルを、人の姿勢を含む大規模なデータセットでトレーニングできるようになりました。エッジやテンプレートに依存する代わりに、モデルはラベル付き画像を何千枚も学習することで、身体の関節や構造を認識するようになりました。その結果、より幅広い環境で姿勢推定の精度、柔軟性、有用性が向上しました。

図2。2017年から2023年までの人の姿勢推定モデルの進化。

OpenPose：最新の姿勢推定の始まり#

OpenPoseは2017年に初めて公開され、1枚の画像内にいる複数の人物の姿勢を同時に推定できます。従来のシステムとは異なり、専用スーツやマーカーは不要です。一般的なカメラを使って、画像や動画をリアルタイムに処理できます。これらの特長により、開発者や研究者が姿勢推定を利用しやすくなりました。

OpenPoseがコンピュータービジョンの基盤を築いたことで、さまざまな用途に向けた新しいアーキテクチャが生まれました。現在では、Ultralytics YOLOv8やUltralytics YOLO11、さらに最近ではUltralytics YOLO26など、姿勢推定タスクに対応するビジョンAIモデルが、より高速な結果と低いレイテンシを実現しています。

図3。姿勢推定にYOLO11を使用。

ただし、姿勢推定の進化に興味がある方にとって、OpenPoseは優れた出発点です。OpenPoseは、現在の多くの新しいシステムが今も活用している重要なアイデアを導入しました。

OpenPoseの主な機能#

OpenPoseが重要である理由を理解したところで、実際に何ができるのかを詳しく見ていきましょう。

OpenPoseの機能の中核となるのが、キーポイント検出です。キーポイントとは、鼻先、肩の中心、肘、手首、腰、膝、足首など、人体上の特定の目印です。OpenPoseは、指や顔の特徴などの細かな部分を含め、1人あたり最大135個のキーポイントを検出できます。

これらの点をつなぐと、人体を簡略化して表現した形ができます。デジタルの骨格のようなものと考えることができます。この骨格の輪郭からは、人の位置だけでなく、座っている、立っている、手を振っている、笑っている、歩いているといった姿勢も分かります。コンピューターは、人のボディランゲージを直感的に理解する私たちと同じように、こうした骨格を使って人の動きを視覚的に解釈できます。

骨格追跡は、背景のノイズや不要な情報を取り除き、システムが人の姿勢や動きだけに集中できるため、特に有用です。OpenPoseはすべてのピクセルを分析するのではなく、人がどのように動き、どのように関わっているかを示す重要な点に焦点を当てます。

日常の画像や動画からこうした構造化情報を抽出することで、OpenPoseはジェスチャーに応答するアプリケーション、身体活動のモニタリング、感情の手がかりの評価、さらにはデジタルキャラクターのアニメーションを実現します。

OpenPoseの仕組み#

視覚入力から人体のキーポイントを検出してつなぐOpenPoseの処理の概要を紹介します。

• 画像から開始: OpenPoseは、写真、動画、またはライブのcameraフィードから1枚の画像を取得します。
• 身体の重要な部位を検出: システムは、鼻、肘、手首、膝、足首など、身体上のキーポイントを探します。身体の部位があるとシステムが判断した位置に印が付けられます。
• 部位のつながりを推定: 次に、OpenPoseはキーポイント同士のつながりを確認します。数値計算を使って、どの関節が同じ人物に属するかを判断します。たとえば、手首を適切な肘や肩に対応付けます。
• 人物ごとに骨格を描画: キーポイントをグループ化した後、OpenPoseはそれらをつないで、各人物の姿勢を示す「棒人間」を描画します。同じフレームに複数の人物が映っていても処理できます。
• 姿勢データを出力: 最後に、検出したすべてのキーポイントの正確な位置を出力します。このデータは、動きの追跡、ジェスチャーの認識、インタラクティブなツールの構築などにリアルタイムで利用できます。

図4。OpenPoseによる人のキーポイント検出と追跡。

OpenPoseを使った、さまざまな業界における姿勢推定の活用例#

OpenPoseは、さまざまな実世界のユースケースで姿勢推定を実用化した、初期の高度なツールの一つです。現在、リアルタイムのコンピュータービジョンソリューションで広く使われているわけではありませんが、スポーツ、エンターテインメント、教育、安全などの分野における初期の取り組みを形作るうえで重要な役割を果たしました。

これらの分野でOpenPoseがどのように道を切り開いたのか、詳しく見ていきましょう。

フィットネスとスポーツにおけるOpenPoseを使った姿勢推定#

野球を見ていると、何が起きているのかを簡単に理解できます。投球、スイング、盗塁をすぐに見分けられます。人間は、身体の動きを直感的に読み取り、あまり苦労せずに状況を把握できます。しかし、機械にとってこうした動作の認識ははるかに複雑です。身体の各部位が空間内をどのように動くかについて、正確な情報が必要です。

OpenPoseは、このコンピュータービジョン分野を大きく前進させました。さまざまな環境で、アスリートのフォームを分析するための実用的なツールでした。

多くの研究プロジェクトで、OpenPoseを使ってスイングやジャンプなどの動きを分析し、選手の動きに基づいて特定の野球動作を分類しました。一般的な動画を使い、屋外環境でも動作したため、研究者はトレーニングやコーチングの実環境でこうしたシステムがどのように機能するかを検証できました。

これらの初期研究は、現在、高度なスポーツテクノロジーで使用されているパフォーマンス追跡ツールの基礎を築くのに役立ちました。

図5。OpenPoseを使用した野球動作分類パイプラインの例です。

セキュリティおよび安全システムでのOpenPoseの使用#

同様に、研究者たちは動画ベースの姿勢追跡が安全監視にどう役立つかを探るため、OpenPoseも使用しました。転倒、予期しないジェスチャー、公共エリアでの動作パターンなどの行動の検出が試されました。

一般的なカメラで動作するOpenPoseにより、病院や交通機関の拠点などの環境で初期実験をより手軽に行えるようになりました。これらの研究は、現在、監視、転倒検知、緊急対応システムで使用されている新しいモデルの開発を後押ししました。

図6。OpenPoseによる転倒検知です。

OpenPoseの長所と短所#

OpenPoseの主な利点をいくつかご紹介します。

• 研究やプロトタイピングに有用: 学術研究で広く利用されており、特にヒューマンコンピューターインタラクション、生体力学、行動分析などの分野で活用されています。
• クロスプラットフォーム対応: Windows、Linux、macOSで動作し、中央処理装置（CPUs）とグラフィックス処理装置（GPUs）の両方に対応しています。
• オフライン処理機能: インターネットに接続できない環境でも動作するため、医療や教育など、プライバシーへの配慮が必要な環境に適しています。

OpenPoseは大きな進歩でしたが、留意すべき技術的な制約もあります。OpenPoseに関する主な課題をいくつかご紹介します。

• 高い処理要件: OpenPoseをリアルタイムで実行するには、高性能なGPUと多くの計算リソースが必要です。
• 環境の影響を受けやすい: 暗い場所や混雑した空間、カメラアングルが適切でない場合には、性能が低下する可能性があります。
• 新しいモデルと比べて重い: 新しい姿勢推定モデルと比べると、OpenPoseは比較的大規模で、処理速度も遅くなります。スマートフォン、タブレット、組み込みシステムなど、リソースに制約のあるデバイスへのデプロイには適していません。

重要なポイント#

OpenPoseは、姿勢推定をより身近なものにするうえで重要な役割を果たしました。スーツや専用機器に頼らず、一般的なカメラで身体の動きを追跡できることを示しました。

OpenPoseは、医療、教育、エンターテインメント、研究など、幅広い分野の実用的なアプリケーションの基盤を築きました。新しいモデルはより高速で軽量になっていますが、姿勢推定の進化を理解するうえで、OpenPoseは今も重要な参考点です。

AIについて詳しく知るには、コミュニティに参加し、GitHubリポジトリをご覧ください。独自のコンピュータービジョンソリューションの構築をお考えの場合は、ライセンスオプションをご確認ください。また、医療分野のコンピュータービジョンや物流分野のAIがどのような成果を上げているかもご覧ください。