A visão computacional torna o acompanhamento de movimentos mais fiável

Quando estás a assistir a uma peça de teatro e o teu ator favorito atravessa o palco, os teus olhos conseguem acompanhá-lo com muito pouco esforço consciente. Para os seres humanos, este tipo de rastreamento de movimento parece natural. O teu cérebro liga automaticamente o que vês de um momento para o outro, preenchendo lacunas e mantendo uma sensação de continuidade à medida que a cena muda.

No caso das máquinas, a mesma tarefa é muito mais complexa. Uma câmara captura um vídeo como uma sequência de fotogramas individuais, e um sistema tem de identificar repetidamente o mesmo objeto, passo a passo, para estimar para onde se moveu e decidir se continua a ser o objeto a seguir.

Este desafio está no centro do rastreamento de movimento. O rastreamento de movimento consiste em acompanhar um objeto ao longo do tempo num vídeo e desempenha um papel importante em áreas como a análise desportiva, a robótica e as aplicações móveis.

O rastreamento tradicional de movimento e de câmara depende frequentemente de configuração manual, pontos de rastreamento e quadros-chave. Pode funcionar em cenas simples, mas torna-se rapidamente lento e pouco fiável quando o movimento é rápido ou parcialmente obstruído.

Fig. 1. Uma visão geral de um sistema de rastreamento de movimento (Fonte)

Os avanços recentes na visão computacional tornam este processo muito mais fácil. A visão computacional é um ramo da IA que ajuda as máquinas a compreender imagens e vídeos, tornando o rastreamento de movimento mais preciso e menos dependente de trabalho manual. Ao detetar objetos em cada fotograma e manter a sua identidade consistente ao longo do tempo, estes sistemas rastreiam o movimento de forma mais fiável em condições reais.

Neste artigo, vamos explorar como a visão computacional pode tornar o rastreamento de movimento mais simples. Vamos começar!

Métodos tradicionais de captura e rastreamento de movimento e as suas limitações#

O rastreamento tradicional de movimento requer frequentemente uma configuração manual cuidadosa, especialmente em fluxos de trabalho de edição de vídeo e efeitos visuais, nos quais o objetivo é associar gráficos, efeitos ou sobreposições a elementos em movimento nas filmagens.

Muitos fluxos de trabalho começam pela colocação de pontos de rastreamento em partes específicas de um plano, após o que o software os acompanha ao longo dos fotogramas para mapear o percurso do movimento. Isto é comum em ferramentas como o After Effects, e fluxos de trabalho semelhantes aparecem no Premiere Pro através de funcionalidades como o rastreamento de máscaras, em que os editores acompanham uma máscara ou região ao longo do tempo.

O match moving é outro método comum. Ajuda a alinhar elementos digitais com o movimento real da câmara para que os efeitos ou gráficos permaneçam no lugar numa filmagem real. Estas abordagens podem funcionar bem em cenas mais simples, mas têm frequentemente dificuldades quando as filmagens ficam congestionadas ou quando os objetos se movem rapidamente.

O rastreamento também pode falhar quando a iluminação muda ou quando os sujeitos ficam parcialmente obstruídos, o que pode causar desvios ou saltos repentinos no rastreamento. Isso abranda o fluxo de trabalho e obriga os editores a refazer secções do plano. Quando os objetos mudam de direção rapidamente, os rastreadores de movimento mais antigos podem ter dificuldade em acompanhar, tornando os resultados inconsistentes e menos fiáveis.

Como a visão computacional transforma o rastreamento de movimento#

Os sistemas de visão computacional de última geração utilizam modelos de IA para acompanhar objetos em movimento num vídeo. Em vez de dependerem de ajustes manuais constantes ou de um rastreamento frágil fotograma a fotograma, os modelos aprendem o aspeto de um objeto e a forma como este tende a mover-se. Isto ajuda a manter o rastreamento de movimento estável mesmo quando as cenas ficam mais movimentadas, a iluminação muda ou os objetos desaparecem momentaneamente.

Por exemplo, modelos de visão computacional como o Ultralytics YOLO11 e o futuro Ultralytics YOLO26 permitem o rastreamento de objetos ao detetá-los em cada fotograma. Em termos simples, identificam o que está no fotograma e onde se encontra, produzindo caixas delimitadoras e pontuações de confiança para cada objeto detetado.

Fig. 2. Rastreamento de veículos numa zona utilizando o Ultralytics YOLO11 (Fonte)

Curiosamente, os modelos YOLO não rastreiam objetos ao longo do tempo por si só. Em vez disso, o rastreamento é ativado através do pacote Python da Ultralytics, que liga as deteções do YOLO a algoritmos de rastreamento de múltiplos objetos, como ByteTrack e BoT-SORT. Nesta configuração, o YOLO deteta objetos fotograma a fotograma, e o rastreador associa essas deteções entre fotogramas para manter um ID consistente para cada objeto à medida que este se move.

Aplicações reais do rastreamento de movimento baseado em IA#

Em seguida, vamos analisar mais detalhadamente algumas aplicações reais em que o rastreamento de movimento baseado em IA está a causar impacto.

Análise desportiva e rastreamento preciso de jogadores#

Num jogo de futebol, os jogadores estão constantemente a acelerar, parar e mudar de direção, o que dificulta a medição precisa do movimento em todo o campo. O rastreamento manual falha frequentemente nestes momentos, sobretudo quando os jogadores se sobrepõem, se juntam ou passam por zonas congestionadas.

O rastreamento de movimento baseado em IA ajuda ao acompanhar cada jogador durante a ação e ao manter as suas trajetórias de movimento claras e consistentes. Por exemplo, num estudo recente, os investigadores utilizaram o YOLO11 para detetar jogadores e a bola a partir de vários ângulos de câmara. O YOLO11 identificou cada jogador em todos os fotogramas, enquanto um sistema de rastreamento associou essas deteções ao longo do tempo para manter consistente a identidade de cada jogador à medida que se movia.

Fig. 3. Deteção e rastreamento de vários jogadores de futebol (Fonte)

Rastreamento de movimento em realidade aumentada e realidade virtual#

A realidade aumentada (AR) permite que as aplicações coloquem objetos digitais no mundo real, como uma etiqueta num produto, uma personagem no chão ou uma sobreposição no teu pé enquanto te moves. Para que estas experiências pareçam credíveis, o conteúdo virtual tem de permanecer ancorado no local certo enquanto caminhas, inclinas o telemóvel ou moves o próprio objeto.

A visão computacional desempenha aqui um papel fundamental, porque ajuda um dispositivo móvel a compreender aquilo para que está a olhar e como a câmara se move pela cena. Por outras palavras, permite o rastreamento 3D ao estimar onde um objeto se encontra no espaço e como está orientado, atualizando depois essa posição à medida que o utilizador se move.

Fig. 4. Um exemplo de rastreamento 3D numa aplicação de AR (Fonte)

A realidade virtual (VR) baseia-se em ideias de rastreamento semelhantes, mas o objetivo é diferente. Em vez de ancorar conteúdo digital ao mundo real, a VR concentra-se no rastreamento da cabeça e das mãos para que o mundo virtual responda naturalmente à medida que te moves.

Rastreamento de equipamentos em movimento e automação de processos#

Os ambientes industriais têm frequentemente equipamentos e produtos a passar por várias etapas de um fluxo de trabalho. Cada etapa depende de uma temporização e coordenação precisas. O rastreamento manual pode ficar para trás porque os itens se movem a velocidades diferentes, se sobrepõem ou mudam rapidamente de posição.

O rastreamento de movimento baseado em IA ajuda ao proporcionar aos sistemas de produção uma visão mais clara de cada objeto à medida que este avança pela linha. Num estudo interessante, uma rede de câmaras interligadas 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 identificou cada produto, rastreou o seu movimento e manteve o modelo digital alinhado com o que estava a acontecer no local. Esta abordagem melhorou a monitorização e contribuiu para uma operação mais segura, proporcionando aos operadores uma visão fiável em cada etapa. Também demonstrou como o rastreamento de movimento pode permitir uma automação mais escalável e flexível quando estão disponíveis dados de rastreamento consistentes.

Vantagens e desvantagens do rastreamento de movimento baseado em IA#

Eis algumas vantagens da utilização do rastreamento de movimento baseado em IA:

• Melhor recuperação de oclusões: os sistemas de IA de visão conseguem frequentemente manter ou recuperar rastreamentos quando os objetos se sobrepõem ou desaparecem momentaneamente.
• Escalabilidade: Depois de implementados, os rastreadores de IA podem processar clipes de vídeo longos e vários feeds de câmara sem uma configuração repetida para cada plano.
• Dados de movimento mais completos: os resultados do rastreamento podem ser utilizados para medir trajetórias, contagens, tempo de permanência e estimativas básicas de velocidade para análise.

O rastreamento baseado em IA funciona bem em muitos casos, mas não é plug-and-play em todas as configurações. Eis algumas limitações a considerar:

• Manutenção contínua: o desempenho pode mudar ao longo do tempo à medida que os ângulos da câmara, os ambientes ou as cargas de trabalho se alteram, pelo que são frequentemente necessárias atualizações periódicas.
• Complexidade de integração: ligar rastreadores a editores de vídeo, sistemas de análise ou sistemas de automação existentes pode exigir adaptadores, calibração e testes adicionais.
• Casos extremos em condições adversas: pouca luz, desfoque de movimento, oclusão intensa e objetos muito pequenos ainda podem causar erros de rastreamento.

Principais conclusões#

As funcionalidades de rastreamento de movimento orientadas por IA estão rapidamente a tornar-se a opção mais prática para vídeos do mundo real, nos quais o movimento é rápido, as cenas estão congestionadas e as correções manuais não são escaláveis. A visão computacional está a evoluir rapidamente, tornando os sistemas de rastreamento mais fáceis de implementar e mais fiáveis em condições desafiantes. Como resultado, o rastreamento de movimento está a tornar-se mais útil na robótica, nas aplicações móveis, na análise e na criação de conteúdos.

Junta-te à nossa comunidade e explora as novidades em IA para visão no nosso repositório do GitHub. Visita as nossas páginas de soluções para saber como aplicações como a IA na indústria transformadora e a visão computacional na área da saúde estão a impulsionar o progresso, e consulta as nossas opções de licenciamento para impulsionar a tua próxima solução de IA.