Saiba como a IA e a visão computacional tornam o rastreamento de movimentos mais inteligente, rápido e confiável em esportes, robótica, aplicativos móveis e outros fluxos de trabalho do mundo real.
Quando você está assistindo a uma peça de teatro e o seu ator favorito se move pelo palco, os seus olhos conseguem acompanhá-lo com muito pouco esforço consciente. Para os seres humanos, esse tipo de rastreamento de movimento parece natural. O seu cérebro conecta automaticamente o que você vê de um momento para o outro, preenchendo lacunas e mantendo uma sensação de continuidade à medida que a cena muda.
Quando se trata de máquinas, a mesma tarefa é muito mais complexa. Uma câmara captura um vídeo como uma sequência de fotogramas individuais, e um sistema deve identificar repetidamente o mesmo objeto passo a passo para estimar para onde ele se moveu e decidir se ainda é aquele que deve ser seguido.
Este desafio está no cerne do rastreamento de movimento. O rastreamento de movimento envolve rastrear um objeto através de um vídeo ao longo do tempo e desempenha um papel importante em áreas como análise desportiva, robótica e aplicações móveis.
O movimento tradicional e o rastreamento da câmara dependem frequentemente de configurações manuais, track e fotogramas-chave. Isso pode funcionar em cenas simples, mas rapidamente se torna lento e pouco fiável quando o movimento é rápido ou parcialmente bloqueado.
Os recentes avanços na visão computacional tornam isso muito mais fácil. A visão computacional é um ramo da IA que ajuda as máquinas a compreender imagens e vídeos, tornando o rastreamento de movimentos mais preciso e menos dependente do trabalho manual. Ao detetar objetos em cada quadro e manter a sua identidade consistente ao longo do tempo, esses sistemas track de forma mais confiável em condições reais.
Neste artigo, exploraremos como a visão computacional pode tornar o rastreamento de movimento mais simplificado. Vamos começar!
O rastreamento de movimento tradicional geralmente requer uma configuração manual cuidadosa, especialmente em fluxos de trabalho de edição de vídeo e efeitos visuais, onde o objetivo é anexar gráficos, efeitos ou sobreposições a elementos em movimento na filmagem.
Muitos fluxos de trabalho começam colocando track em partes específicas de uma filmagem e, em seguida, o software os segue através dos fotogramas para mapear o percurso do movimento. Isso é comum em ferramentas como o After Effects, e fluxos de trabalho semelhantes aparecem no Premiere Pro através de recursos como rastreamento de máscara, onde os editores track máscara ou região ao longo do tempo.
O match moving é outro método comum. Ele ajuda a alinhar elementos digitais com o movimento real da câmara, para que os efeitos ou gráficos permaneçam no lugar dentro de uma filmagem ao vivo. Essas abordagens podem funcionar bem para cenas mais simples, mas muitas vezes apresentam dificuldades quando a filmagem fica muito cheia ou quando os objetos se movem rapidamente.
O rastreamento também pode falhar quando a iluminação muda ou quando os objetos ficam parcialmente bloqueados, o que pode causar desvios ou saltos repentinos no track. Isso retarda o fluxo de trabalho e obriga os editores a refazerem partes da filmagem. Quando os objetos mudam de direção rapidamente, os rastreadores de movimento mais antigos podem ter dificuldade em acompanhar, tornando os resultados inconsistentes e menos confiáveis.
Os sistemas de visão computacional de ponta utilizam modelos de IA para acompanhar objetos em movimento através de um vídeo. Em vez de depender de ajustes manuais constantes ou de um rastreamento frágil quadro a quadro, o modelo aprende como é a aparência de um objeto e como ele tende a se mover. Isso ajuda o rastreamento de movimento a permanecer estável, mesmo quando as cenas ficam agitadas, a iluminação muda ou os objetos desaparecem brevemente.
Por exemplo, modelos de visão computacional, como Ultralytics YOLO11 e o futuro Ultralytics suportam o rastreamento de objetos através da detecção de objetos em cada quadro. Em termos simples, eles identificam o que está no quadro e onde está, gerando caixas delimitadoras e pontuações de confiança para cada objeto detectado.
Curiosamente, YOLO não track ao longo do tempo por conta própria. Em vez disso, o rastreamento é habilitado por meio do Python Ultralytics Python , que conecta YOLO com algoritmos de rastreamento de múltiplos objetos, como ByteTrack e BoT-SORT. Nessa configuração, YOLO objetos quadro a quadro, e o rastreador vincula essas detecções entre os quadros para manter uma identificação consistente para cada objeto à medida que ele se move.
A seguir, vamos dar uma olhada mais de perto em algumas aplicações reais em que o rastreamento de movimento com tecnologia de IA está causando impacto.
Num jogo de futebol, os jogadores estão constantemente a acelerar, parar e mudar de direção, o que torna difícil medir com precisão os movimentos em campo. O rastreamento manual muitas vezes falha nesses momentos, especialmente quando os jogadores se sobrepõem, se agrupam ou se movem em áreas congestionadas.
O rastreamento de movimento com tecnologia de IA ajuda a acompanhar cada jogador durante a ação e a manter os seus percursos de movimento claros e consistentes. Por exemplo, num estudo recente, os investigadores utilizaram YOLO11 detect e a bola a partir de vários ângulos de câmara. YOLO11 cada jogador em cada fotograma, enquanto um sistema de rastreamento ligou essas deteções ao longo do tempo para manter a identidade de cada jogador consistente à medida que se moviam.
A realidade aumentada (RA) é o que torna possível que as aplicações coloquem objetos digitais no mundo real, como uma etiqueta num produto, uma personagem no chão ou uma sobreposição no seu pé enquanto se move. Para que essas experiências pareçam reais, o conteúdo virtual precisa permanecer fixo no lugar certo enquanto você anda, inclina o telemóvel ou move o próprio objeto.
A visão computacional desempenha um papel fundamental aqui, pois ajuda um dispositivo móvel a compreender o que está a ver e como a câmara se move pela cena. Em outras palavras, ela permite o rastreamento 3D, estimando onde um objeto está no espaço e como está orientado, e atualizando essa posição conforme o utilizador se move.
A realidade virtual (RV) baseia-se em conceitos de rastreamento semelhantes, mas o objetivo é diferente. Em vez de ancorar o conteúdo digital ao mundo real, a RV concentra-se em rastrear a sua cabeça e as suas mãos para que o mundo virtual responda naturalmente aos seus movimentos.
Os ambientes industriais geralmente têm equipamentos e produtos que passam por várias etapas de um fluxo de trabalho. Cada etapa depende de um tempo e coordenação precisos. O rastreamento manual pode ficar para trás porque os itens se movem em velocidades diferentes, se sobrepõem uns aos outros ou mudam de posição rapidamente.
O rastreamento de movimento com tecnologia de IA ajuda, fornecendo aos sistemas de produção uma visão mais clara de cada objeto à medida que ele se move pela linha. Em um estudo interessante, uma rede de câmaras conectadas rastreou produtos ao longo de todo um ciclo de produção e atualizou um gémeo digital, uma cópia virtual do processo real, em tempo real.
O sistema identificava cada produto, acompanhava o seu movimento e mantinha o modelo digital alinhado com o que estava a acontecer no chão de fábrica. Essa abordagem melhorou o monitoramento e contribuiu para uma operação mais segura, proporcionando aos operadores uma visão confiável em todas as etapas. Também mostrou como o rastreamento de movimento pode permitir uma automação mais flexível e escalável quando há dados de rastreamento consistentes disponíveis.
Aqui estão algumas vantagens de usar o rastreamento de movimento com tecnologia de IA:
O rastreamento com inteligência artificial funciona bem em muitos casos, mas não é plug-and-play em todas as configurações. Aqui estão algumas limitações a serem consideradas:
Os recursos de rastreamento de movimento baseados em IA estão rapidamente se tornando a opção mais prática para vídeos do mundo real, onde o movimento é rápido, as cenas são movimentadas e as correções manuais não são escaláveis. A visão computacional está melhorando rapidamente, e isso está tornando os sistemas de rastreamento mais fáceis de implementar e mais confiáveis em condições desafiadoras. Como resultado, o rastreamento de movimento está se tornando mais útil em robótica, aplicações móveis, análises e criação de conteúdo.
Junte-se à nossa comunidade e explore as últimas novidades em IA de visão no nosso repositório GitHub. Visite as nossas páginas de soluções para saber como aplicações como a IA no fabrico e a visão computacional nos cuidados de saúde estão a impulsionar o progresso e consulte as nossas opções de licenciamento para potenciar a sua próxima solução de IA.
