Computer vision giúp theo dõi chuyển động đáng tin cậy hơn

Khi xem một vở kịch trên sân khấu và diễn viên yêu thích của bạn di chuyển trên sân khấu, mắt bạn có thể theo dõi họ mà hầu như không cần nỗ lực có ý thức. Đối với con người, kiểu theo dõi chuyển động này diễn ra rất tự nhiên. Não bộ tự động kết nối những gì bạn nhìn thấy từ thời điểm này sang thời điểm tiếp theo, lấp đầy các khoảng trống và duy trì cảm giác liên tục khi bối cảnh thay đổi.

Đối với máy móc, nhiệm vụ tương tự phức tạp hơn nhiều. Camera ghi lại video dưới dạng một chuỗi các frame riêng lẻ, và hệ thống phải liên tục xác định cùng một đối tượng qua từng bước để ước tính đối tượng đã di chuyển đến đâu, đồng thời quyết định liệu đó có còn là đối tượng cần tiếp tục theo dõi hay không.

Thách thức này nằm ở cốt lõi của theo dõi chuyển động. Theo dõi chuyển động bao gồm việc truy vết một đối tượng xuyên suốt video theo thời gian và đóng vai trò quan trọng trong các lĩnh vực như phân tích thể thao, robotics và ứng dụng di động.

Theo dõi chuyển động và camera truyền thống thường phụ thuộc vào thiết lập thủ công, các điểm theo dõi và keyframe. Phương pháp này có thể hiệu quả trong các cảnh đơn giản, nhưng nhanh chóng trở nên chậm và kém tin cậy khi chuyển động nhanh hoặc bị che khuất một phần.

Hình 1. Tổng quan về một hệ thống theo dõi chuyển động (Nguồn)

Những tiến bộ gần đây trong thị giác máy tính giúp việc này trở nên dễ dàng hơn nhiều. Thị giác máy tính là một nhánh của AI, giúp máy móc hiểu hình ảnh và video, từ đó làm cho việc theo dõi chuyển động chính xác hơn và ít phụ thuộc vào thao tác thủ công hơn. Bằng cách phát hiện các đối tượng trong từng frame và duy trì nhất quán danh tính của chúng theo thời gian, các hệ thống này theo dõi chuyển động đáng tin cậy hơn trong điều kiện thực tế.

Trong bài viết này, chúng ta sẽ khám phá cách thị giác máy tính có thể giúp tinh gọn quy trình theo dõi chuyển động. Hãy bắt đầu!

Các phương pháp thu thập và theo dõi chuyển động truyền thống cùng những hạn chế#

Theo dõi chuyển động truyền thống thường đòi hỏi thiết lập thủ công cẩn thận, đặc biệt trong các workflow dựng video và VFX, nơi mục tiêu là gắn đồ họa, hiệu ứng hoặc lớp phủ vào các thành phần đang chuyển động trong footage.

Nhiều workflow bắt đầu bằng việc đặt các điểm theo dõi lên những phần cụ thể của một shot, sau đó phần mềm theo dõi chúng qua các frame để lập bản đồ đường đi của chuyển động. Đây là cách làm phổ biến trong các công cụ như After Effects, và những workflow tương tự cũng xuất hiện trong Premiere Pro thông qua các tính năng như theo dõi mask, trong đó editor theo dõi một mask hoặc một vùng theo thời gian.

Match moving là một phương pháp phổ biến khác. Phương pháp này giúp căn chỉnh các thành phần kỹ thuật số với chuyển động thực của camera để hiệu ứng hoặc đồ họa cố định đúng vị trí trong một shot thực. Những phương pháp này có thể hiệu quả với các cảnh đơn giản, nhưng thường gặp khó khăn khi footage trở nên dày đặc hoặc khi các đối tượng di chuyển nhanh.

Việc theo dõi cũng có thể bị sai lệch khi ánh sáng thay đổi hoặc khi đối tượng bị che khuất một phần, gây ra hiện tượng trôi hoặc nhảy đột ngột của track. Điều này làm chậm workflow và buộc editor phải làm lại các phần của shot. Khi đối tượng đổi hướng nhanh, các motion tracker cũ có thể khó theo kịp, khiến kết quả không nhất quán và khó tin cậy hơn.

Thị giác máy tính biến đổi việc theo dõi chuyển động như thế nào#

Các hệ thống thị giác máy tính tiên tiến sử dụng model AI để theo dõi các đối tượng chuyển động trong video. Thay vì phụ thuộc vào việc tinh chỉnh thủ công liên tục hoặc theo dõi mong manh qua từng frame, model học cách một đối tượng trông như thế nào và có xu hướng di chuyển ra sao. Điều này giúp việc theo dõi chuyển động duy trì ổn định ngay cả khi cảnh trở nên phức tạp, ánh sáng thay đổi hoặc đối tượng tạm thời biến mất.

Chẳng hạn, các model thị giác máy tính như Ultralytics YOLO11 và Ultralytics YOLO26 sắp ra mắt hỗ trợ theo dõi đối tượng bằng cách phát hiện đối tượng trong mọi frame. Nói đơn giản, chúng xác định những gì xuất hiện trong frame và vị trí của chúng bằng cách xuất ra các bounding box cùng confidence score cho từng đối tượng được phát hiện.

Hình 2. Theo dõi phương tiện bằng Ultralytics YOLO11 trong một vùng (Nguồn)

Điều thú vị là bản thân các model YOLO không thực sự theo dõi đối tượng theo thời gian. Thay vào đó, tính năng theo dõi được kích hoạt thông qua package Python Ultralytics, kết nối các kết quả phát hiện của YOLO với các thuật toán theo dõi đa đối tượng như ByteTrack và BoT-SORT. Trong thiết lập này, YOLO phát hiện đối tượng qua từng frame, còn tracker liên kết các kết quả phát hiện đó giữa các frame để duy trì ID nhất quán cho mỗi đối tượng khi đối tượng di chuyển.

Các ứng dụng thực tế của theo dõi chuyển động bằng AI#

Tiếp theo, hãy cùng xem xét kỹ hơn một số ứng dụng thực tế mà theo dõi chuyển động bằng AI đang tạo ra tác động.

Phân tích thể thao và theo dõi cầu thủ chính xác#

Trong một trận bóng đá, các cầu thủ liên tục tăng tốc, dừng lại và đổi hướng, khiến việc đo lường chuyển động chính xác trên toàn sân trở nên khó khăn. Việc theo dõi thủ công thường không hiệu quả trong những tình huống này, đặc biệt khi các cầu thủ chồng lấn, tụ lại hoặc di chuyển qua những khu vực đông người.

Theo dõi chuyển động bằng AI hỗ trợ bằng cách theo dõi từng cầu thủ trong suốt diễn biến và duy trì đường đi của họ rõ ràng, nhất quán. Ví dụ, trong một nghiên cứu gần đây, các nhà nghiên cứu đã sử dụng YOLO11 để phát hiện cầu thủ và quả bóng từ nhiều góc camera. YOLO11 xác định từng cầu thủ trong mỗi frame, trong khi một hệ thống theo dõi liên kết các kết quả phát hiện đó theo thời gian để duy trì nhất quán danh tính của từng cầu thủ khi họ di chuyển.

Hình 3. Phát hiện và theo dõi nhiều cầu thủ bóng đá (Nguồn)

Theo dõi chuyển động trong thực tế tăng cường và thực tế ảo#

Thực tế tăng cường (AR) cho phép ứng dụng đặt các đối tượng kỹ thuật số vào thế giới thực, chẳng hạn như nhãn trên sản phẩm, nhân vật trên sàn nhà hoặc lớp phủ trên bàn chân khi bạn di chuyển. Để những trải nghiệm này tạo cảm giác chân thực, nội dung ảo phải luôn được neo đúng vị trí khi bạn đi lại, nghiêng điện thoại hoặc tự di chuyển đối tượng.

Thị giác máy tính đóng vai trò then chốt ở đây vì giúp thiết bị di động hiểu mình đang nhìn vào gì và camera đang di chuyển qua bối cảnh như thế nào. Nói cách khác, công nghệ này cho phép theo dõi 3D bằng cách ước tính vị trí của một đối tượng trong không gian và hướng của đối tượng, sau đó cập nhật vị trí đó khi người dùng di chuyển.

Hình 4. Ví dụ về theo dõi 3D trong một ứng dụng AR (Nguồn)

Thực tế ảo (VR) dựa trên các ý tưởng theo dõi tương tự, nhưng mục tiêu lại khác. Thay vì neo nội dung kỹ thuật số vào thế giới thực, VR tập trung vào việc theo dõi đầu và tay của bạn để thế giới ảo phản hồi tự nhiên khi bạn di chuyển.

Theo dõi thiết bị chuyển động và tự động hóa quy trình#

Môi trường công nghiệp thường có thiết bị và sản phẩm di chuyển qua nhiều giai đoạn của một workflow. Mỗi giai đoạn phụ thuộc vào timing và sự phối hợp chính xác. Việc theo dõi thủ công có thể bị chậm vì các vật thể di chuyển với tốc độ khác nhau, chồng lấn lên nhau hoặc nhanh chóng thay đổi vị trí.

Theo dõi chuyển động bằng AI hỗ trợ bằng cách cung cấp cho các hệ thống sản xuất góc nhìn rõ ràng hơn về từng đối tượng khi chúng di chuyển trên dây chuyền. Trong một nghiên cứu đáng chú ý, một mạng lưới camera được kết nối đã theo dõi sản phẩm xuyên suốt chu kỳ sản xuất và cập nhật digital twin, tức bản sao ảo của quy trình thực, theo thời gian thực.

Hệ thống xác định từng sản phẩm, theo dõi chuyển động của sản phẩm và duy trì model kỹ thuật số đồng bộ với những gì đang diễn ra trên sàn sản xuất. Phương pháp này cải thiện khả năng giám sát và hỗ trợ vận hành an toàn hơn bằng cách cung cấp cho operator góc nhìn đáng tin cậy ở mọi giai đoạn. Phương pháp này cũng cho thấy theo dõi chuyển động có thể hỗ trợ tự động hóa có khả năng mở rộng và linh hoạt hơn như thế nào khi có dữ liệu theo dõi nhất quán.

Ưu và nhược điểm của theo dõi chuyển động bằng AI#

Dưới đây là một số ưu điểm của việc sử dụng theo dõi chuyển động bằng AI:

• Khả năng phục hồi tốt hơn sau khi bị che khuất: các hệ thống AI thị giác thường có thể duy trì hoặc khôi phục track khi các đối tượng chồng lấn hoặc tạm thời biến mất.
• Khả năng mở rộng: Sau khi triển khai, các AI tracker có thể xử lý các clip video dài và nhiều luồng camera mà không cần thiết lập lặp lại cho từng shot.
• Dữ liệu chuyển động phong phú hơn: Đầu ra theo dõi có thể được sử dụng để đo đường đi, số lượng, thời gian lưu lại và các ước tính tốc độ cơ bản cho hoạt động phân tích.

Theo dõi bằng AI hoạt động hiệu quả trong nhiều trường hợp, nhưng không phải thiết lập nào cũng có thể sử dụng ngay mà không cần tùy chỉnh. Dưới đây là một số hạn chế cần cân nhắc:

• Bảo trì liên tục: Hiệu suất có thể thay đổi theo thời gian khi góc camera, môi trường hoặc workload thay đổi, vì vậy thường cần cập nhật định kỳ.
• Độ phức tạp khi tích hợp: Việc kết nối tracker vào các trình dựng video, hệ thống phân tích hoặc hệ thống tự động hóa hiện có có thể yêu cầu adapter, hiệu chuẩn và kiểm thử bổ sung.
• Các trường hợp đặc biệt trong điều kiện khắc nghiệt: Ánh sáng yếu, motion blur, che khuất nghiêm trọng và các đối tượng rất nhỏ vẫn có thể gây ra lỗi theo dõi.

Những điểm chính#

Các tính năng theo dõi chuyển động dựa trên AI đang nhanh chóng trở thành lựa chọn thiết thực hơn cho video trong thế giới thực, nơi chuyển động nhanh, cảnh đông đúc và các thao tác chỉnh sửa thủ công không thể mở rộng. Thị giác máy tính đang được cải thiện nhanh chóng, giúp các hệ thống theo dõi dễ triển khai hơn và đáng tin cậy hơn trong những điều kiện khó khăn. Do đó, theo dõi chuyển động ngày càng hữu ích trong robotics, ứng dụng di động, phân tích và sáng tạo nội dung.

Tham gia cộng đồng của chúng tôi và khám phá những xu hướng mới nhất trong AI thị giác trên repository GitHub của chúng tôi. Truy cập các trang giải pháp để tìm hiểu cách những ứng dụng như AI trong sản xuất và thị giác máy tính trong chăm sóc sức khỏe đang thúc đẩy tiến bộ, đồng thời xem các tùy chọn cấp phép để hỗ trợ giải pháp AI tiếp theo của bạn.