OpenPose là gì? Khám phá cột mốc trong lĩnh vực ước tính tư thế

Ngày nay, hình ảnh và camera hiện diện khắp nơi — được tích hợp vào điện thoại, nhà ở và cả không gian công cộng. Chúng ta dựa vào chúng không chỉ để ghi lại khoảnh khắc, mà còn để hiểu và tương tác với thế giới xung quanh.

Đằng sau những ứng dụng đó là thị giác máy tính, một nhánh của trí tuệ nhân tạo (AI), giúp máy móc diễn giải dữ liệu hình ảnh. Công nghệ này cho phép hệ thống phát hiện đối tượng, nhận diện khuôn mặt và theo dõi chuyển động, đóng vai trò quan trọng trong nhiều công nghệ chúng ta sử dụng hằng ngày.

Nhờ những tiến bộ gần đây trong AI, các model thị giác máy tính giờ đây có thể phân tích và trích xuất dữ liệu cũng như thông tin chuyên sâu phức tạp hơn. Một ví dụ là ước lượng tư thế, một tác vụ thị giác máy tính tập trung vào việc tìm hiểu chuyển động của con người.

Phương pháp này hoạt động bằng cách xác định các điểm mấu chốt trên cơ thể, chẳng hạn như vai, khuỷu tay và đầu gối, trong ảnh hoặc video. Nhờ đó, có thể phân tích cách con người di chuyển, mở ra ứng dụng trong theo dõi thể chất, hoạt họa, chăm sóc sức khỏe và nhiều lĩnh vực khác.

Trong số nhiều công cụ được phát triển cho tác vụ ước lượng tư thế, OpenPose nổi bật như một bước đột phá lớn. Được các nhà nghiên cứu tại Phòng thí nghiệm Perceptual Computing thuộc Đại học Carnegie Mellon tạo ra, đây là một trong những hệ thống mã nguồn mở đầu tiên có khả năng phát hiện tư thế toàn thân của nhiều người theo thời gian thực chỉ bằng camera, bao gồm cả bàn tay, bàn chân và keypoint trên khuôn mặt (tối đa 135 keypoint mỗi người).

Trong bài viết này, chúng ta sẽ tìm hiểu OpenPose, cách hệ thống hoạt động và ý nghĩa của OpenPose như một cột mốc trong lĩnh vực thị giác máy tính.

Hình 1. Ước lượng tư thế nhiều người bằng OpenPose.

Tìm hiểu lịch sử của ước lượng tư thế#

Trước khi AI được ứng dụng rộng rãi, việc theo dõi chuyển động của con người trong video đòi hỏi thiết bị chuyên dụng. Trong các ngành như điện ảnh và hoạt họa, diễn viên thường mặc trang phục gắn các điểm đánh dấu phản quang để camera ghi lại chuyển động trong môi trường studio được kiểm soát.

Dù các kỹ thuật ghi nhận chuyển động dựa trên điểm đánh dấu này có độ chính xác cao, chúng cũng tốn kém và chỉ giới hạn ở những thiết lập cụ thể. Khi thị giác máy tính phát triển, các nhà nghiên cứu tìm cách theo dõi chuyển động cơ thể mà không cần điểm đánh dấu. Họ sử dụng cạnh, đường bao và mẫu để xác định hình dáng con người trong ảnh.

Các hệ thống ban đầu này hoạt động tốt trong những tình huống đơn giản, nhưng gặp khó khăn với các tình huống thực tế. Chúng thường cho kết quả kém khi mọi người di chuyển theo những cách bất ngờ hoặc khi có nhiều người xuất hiện trong cùng một khung hình.

Vào cuối thập niên 2010, học sâu đã tạo ra bước chuyển lớn trong lĩnh vực ước lượng tư thế. Các model AI thị giác có thể được huấn luyện trên những bộ dữ liệu lớn về tư thế con người. Thay vì dựa vào cạnh và mẫu, model học cách nhận diện khớp và cấu trúc cơ thể bằng cách phân tích hàng nghìn ảnh được gắn nhãn. Nhờ đó, ước lượng tư thế trở nên chính xác, linh hoạt và hữu ích hơn trong nhiều bối cảnh.

Hình 2. Sự phát triển của các model ước lượng tư thế người từ năm 2017 đến 2023.

OpenPose: Bước ngoặt của ước lượng tư thế hiện đại#

OpenPose được phát hành lần đầu vào năm 2017 và có khả năng ước lượng tư thế của nhiều người đồng thời trong một ảnh. Không giống các hệ thống cũ, OpenPose không yêu cầu trang phục hoặc điểm đánh dấu chuyên dụng. Hệ thống hoạt động với camera thông thường và có thể xử lý ảnh, video theo thời gian thực. Những tính năng này giúp các nhà phát triển và nghiên cứu dễ dàng tiếp cận công nghệ ước lượng tư thế hơn.

Nền tảng mà OpenPose đặt ra cho thị giác máy tính đã giúp những người khác xây dựng các kiến trúc mới hơn cho nhiều ứng dụng khác nhau. Ngày nay, các model AI thị giác như Ultralytics YOLOv8 và Ultralytics YOLO11, và gần đây hơn là Ultralytics YOLO26, hỗ trợ các tác vụ ước tính tư thế, mang lại kết quả nhanh hơn và độ trễ thấp hơn.

Hình 3. Sử dụng YOLO11 để ước lượng tư thế.

Tuy nhiên, nếu muốn tìm hiểu sự phát triển của công nghệ ước lượng tư thế, OpenPose là một điểm khởi đầu tuyệt vời. OpenPose đã giới thiệu những ý tưởng cốt lõi mà nhiều hệ thống mới hơn vẫn dựa vào ngày nay.

Các khả năng chính của OpenPose#

Giờ đây, khi đã hiểu rõ hơn tầm quan trọng của OpenPose, hãy cùng tìm hiểu kỹ hơn những gì hệ thống thực sự có thể làm.

Nền tảng cho các khả năng của OpenPose là một công nghệ gọi là phát hiện keypoint. Keypoint là những mốc cụ thể trên cơ thể người, chẳng hạn như chóp mũi, tâm hai vai, khuỷu tay, cổ tay, hông, đầu gối và mắt cá chân. OpenPose có thể phát hiện tối đa 135 điểm trên mỗi người, bao gồm các khu vực chi tiết như ngón tay và đặc điểm khuôn mặt.

Khi được kết nối với nhau, các điểm này tạo thành biểu diễn đơn giản hóa của cơ thể người — có thể hình dung như một bộ xương kỹ thuật số. Đường viền bộ xương này không chỉ cho biết vị trí của một người mà còn thể hiện tư thế của họ: đang ngồi, đứng, vẫy tay, cười hay đi bộ. Máy tính có thể diễn giải trực quan chuyển động của con người thông qua những bộ xương này, tương tự cách chúng ta tự nhiên hiểu ngôn ngữ cơ thể của người khác.

Theo dõi bộ xương đặc biệt hữu ích vì loại bỏ nhiễu nền và các yếu tố gây xao nhãng, giúp hệ thống tập trung hoàn toàn vào tư thế và chuyển động của con người. Thay vì phân tích mọi pixel, OpenPose tập trung vào những điểm có ý nghĩa, cho biết một người đang di chuyển hoặc tương tác như thế nào.

Bằng cách trích xuất thông tin có cấu trúc từ ảnh hoặc video thông thường, OpenPose giúp xây dựng các ứng dụng phản hồi theo cử chỉ, theo dõi hoạt động thể chất, đánh giá tín hiệu cảm xúc hoặc thậm chí tạo hoạt họa cho nhân vật kỹ thuật số.

OpenPose hoạt động như thế nào?#

Sau đây là tổng quan về cách OpenPose phát hiện và kết nối các keypoint trên cơ thể người từ dữ liệu hình ảnh:

• Bắt đầu từ một hình ảnh: OpenPose lấy một ảnh từ ảnh chụp, video hoặc luồng trực tiếp từ camera.
• Xác định các bộ phận cơ thể quan trọng: Hệ thống tìm các keypoint trên cơ thể, chẳng hạn như mũi, khuỷu tay, cổ tay, đầu gối và mắt cá chân. Các điểm được đánh dấu tại vị trí mà hệ thống tin chắc có bộ phận cơ thể.
• Xác định các bộ phận thuộc về nhau: Tiếp theo, OpenPose kiểm tra cách các keypoint kết nối với nhau. Hệ thống dùng phép tính toán học để xác định khớp nào thuộc về cùng một người — ví dụ, nối cổ tay với khuỷu tay và vai tương ứng.
• Vẽ bộ xương cho từng người: Sau khi nhóm các keypoint, OpenPose nối chúng thành hình người dạng "que" thể hiện tư thế của từng người. Cách này vẫn hoạt động ngay cả khi có nhiều người trong cùng một khung hình.
• Trả về dữ liệu tư thế: Cuối cùng, hệ thống cung cấp vị trí chính xác của tất cả keypoint được phát hiện. Dữ liệu này có thể được dùng để theo dõi chuyển động, nhận diện cử chỉ hoặc xây dựng công cụ tương tác — tất cả theo thời gian thực.

Hình 4. Phát hiện và theo dõi keypoint của người bằng OpenPose.

Ứng dụng ước lượng tư thế trong các ngành bằng OpenPose#

OpenPose là một trong những công cụ tiên tiến đầu tiên giúp ứng dụng ước lượng tư thế vào nhiều tình huống thực tế. Dù ngày nay công cụ này không còn được dùng phổ biến trong các giải pháp thị giác máy tính theo thời gian thực, OpenPose đã đóng vai trò quan trọng trong việc định hình những nghiên cứu ban đầu ở các lĩnh vực như thể thao, giải trí, giáo dục và an toàn.

Hãy cùng tìm hiểu kỹ hơn cách OpenPose mở đường cho những lĩnh vực này.

Ước lượng tư thế trong thể hình và thể thao với OpenPose#

Khi xem bóng chày, chúng ta dễ dàng hiểu điều gì đang diễn ra — có thể nhận ra ngay một cú ném, cú đánh bóng hay pha đánh cắp chốt. Là con người, chúng ta trực giác đọc được chuyển động cơ thể và hiểu chúng mà không cần cố gắng nhiều. Nhưng với máy móc, việc nhận diện những hành động này phức tạp hơn nhiều. Máy cần thông tin chính xác về cách từng bộ phận cơ thể di chuyển trong không gian.

OpenPose là một bước tiến đáng kể trong lĩnh vực thị giác máy tính này. Đây là công cụ thực tiễn để phân tích kỹ thuật vận động thể thao trong nhiều bối cảnh khác nhau.

Nhiều dự án nghiên cứu đã dùng OpenPose để phân tích các chuyển động như đánh bóng và nhảy, thậm chí phân loại các động tác bóng chày cụ thể dựa trên cách cầu thủ di chuyển. Vì hoạt động trong môi trường mở với video thông thường, OpenPose cho phép các nhà nghiên cứu kiểm tra cách những hệ thống này có thể vận hành trong các tình huống huấn luyện hoặc huấn luyện viên thực tế.

Những nghiên cứu ban đầu này đã góp phần đặt nền móng cho các công cụ theo dõi hiệu suất hiện được sử dụng trong công nghệ thể thao tiên tiến.

Hình 5. Tổng quan quy trình phân loại hành động bóng chày bằng OpenPose.

Ứng dụng OpenPose trong hệ thống an ninh và an toàn#

Tương tự, các nhà nghiên cứu cũng sử dụng OpenPose để tìm hiểu cách theo dõi tư thế qua video có thể hỗ trợ giám sát an toàn. Công nghệ này đã được thử nghiệm trong việc phát hiện hành vi như té ngã, cử chỉ bất thường hoặc kiểu chuyển động ở nơi công cộng.

Vì hoạt động với các camera tiêu chuẩn, OpenPose giúp việc thử nghiệm ban đầu trở nên dễ tiếp cận hơn trong những môi trường như bệnh viện và đầu mối giao thông. Các nghiên cứu này góp phần thúc đẩy sự phát triển của các model mới hơn, hiện được sử dụng trong hệ thống giám sát, phát hiện té ngã và ứng phó khẩn cấp.

Hình 6. Phát hiện té ngã bằng OpenPose.

Ưu và nhược điểm của OpenPose#

Dưới đây là một số ưu điểm của OpenPose:

• Hữu ích cho nghiên cứu và tạo mẫu: OpenPose được sử dụng rộng rãi trong nghiên cứu học thuật, đặc biệt là các lĩnh vực như tương tác người-máy tính, cơ sinh học và phân tích hành vi.
• Hỗ trợ đa nền tảng: OpenPose có thể chạy trên Windows, Linux và macOS, đồng thời hỗ trợ cả bộ xử lý trung tâm (CPUs) lẫn bộ xử lý đồ họa (GPUs).
• Khả năng xử lý ngoại tuyến: OpenPose có thể chạy trong môi trường không có kết nối Internet, nên phù hợp với những môi trường nhạy cảm về quyền riêng tư như y tế hoặc giáo dục.

Dù OpenPose là một bước tiến lớn, công nghệ này cũng có những hạn chế kỹ thuật cần lưu ý. Dưới đây là một số thách thức chính liên quan đến OpenPose:

• Yêu cầu xử lý cao: Để chạy OpenPose theo thời gian thực cần có GPU mạnh và tài nguyên tính toán đáng kể.
• Nhạy cảm với môi trường: Hiệu suất có thể giảm trong điều kiện thiếu sáng, không gian đông đúc hoặc khi góc camera không tối ưu.
• Nặng hơn các model mới: So với các model ước lượng tư thế mới hơn, OpenPose tương đối lớn và chậm hơn. Công nghệ này không phù hợp để triển khai trên các thiết bị có tài nguyên hạn chế như điện thoại thông minh, máy tính bảng hoặc hệ thống nhúng.

Điểm chính cần ghi nhớ#

OpenPose đóng vai trò quan trọng trong việc giúp công nghệ ước lượng tư thế dễ tiếp cận hơn. Công nghệ này cho thấy có thể theo dõi chuyển động cơ thể chỉ bằng một camera thông thường, không cần dùng bộ đồ hay thiết bị chuyên dụng.

Công nghệ này đã đặt nền móng cho nhiều ứng dụng thực tiễn trong các lĩnh vực chăm sóc sức khỏe, giáo dục, giải trí và nghiên cứu. Dù các model mới hơn hiện có tốc độ nhanh hơn và kích thước gọn nhẹ hơn, OpenPose vẫn là một cột mốc tham chiếu quan trọng để hiểu quá trình phát triển của công nghệ ước tính tư thế.

Tham gia cộng đồng và truy cập kho GitHub của chúng tôi để tìm hiểu thêm về AI. Nếu bạn muốn xây dựng giải pháp thị giác máy tính của riêng mình, hãy xem các tùy chọn cấp phép. Ngoài ra, hãy khám phá cách thị giác máy tính trong y tế và AI trong logistics đang tạo ra tác động!