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

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

Đằng sau đó, thị giác máy tính, một phân ngành của trí tuệ nhân tạo (AI), giúp điều này trở nên khả thi bằng cách cho phép máy móc diễn giải dữ liệu trực quan. Công nghệ này cho phép các 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 hiện có thể phân tích và trích xuất dữ liệu cũng như insight 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.

Công nghệ này hoạt động bằng cách xác định các điểm chính trên cơ thể, chẳng hạn như vai, khuỷu tay và đầu gối, trong hình ảnh hoặc video. Nhờ đó, có thể phân tích cách con người di chuyển, hỗ trợ các ứng dụng trong theo dõi thể chất, hoạt hình, chăm sóc sức khỏe và nhiều lĩnh vực khác.

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

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

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

Nhìn lại lịch sử của ước lượng tư thế#

Trước khi AI được áp 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 hình, diễn viên thường mặc trang phục có các marker phản quang để camera ghi lại chuyển động của họ trong môi trường studio được kiểm soát.

Mặc dù các kỹ thuật motion capture dựa trên marker này có độ chính xác cao, chúng cũng tốn kém và chỉ phù hợp với các 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 marker. Họ sử dụng cạnh, đường bao và template để tìm hình dạng con người trong hình ảnh.

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

Vào cuối thập niên 2010, deep learning đã tạo ra một bước chuyển lớn cho ước lượng tư thế. Các model AI thị giác có thể được huấn luyện trên những dataset lớn về tư thế con người. Thay vì dựa vào cạnh và template, các model học cách nhận diện khớp và cấu trúc cơ thể bằng cách phân tích hàng nghìn hình ảnh được gán nhãn. Điều này giúp ước lượng tư thế chính xác, linh hoạt và có tác động hơn trong nhiều bối cảnh.

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

OpenPose: Điểm khởi đầu 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 hình ảnh. Không giống các hệ thống cũ, OpenPose không yêu cầu trang phục hoặc marker đặc biệt. Công cụ này hoạt động với camera thông thường và có thể xử lý hình ảnh, video trong thời gian thực. Những tính năng này giúp ước lượng tư thế trở nên dễ tiếp cận hơn với developer và nhà nghiên cứu.

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 hỗ trợ các tác vụ ước lượng 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, OpenPose là một điểm khởi đầu tuyệt vời nếu bạn tò mò về quá trình phát triển của ước lượng tư thế. Công cụ này 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 về tầm quan trọng của OpenPose, hãy cùng xem xét kỹ hơn những gì công cụ này thực sự có thể làm.

Trọng tâm trong các khả năng của OpenPose là một kỹ thuật gọi là phát hiện keypoint. Keypoint là các mốc cụ thể trên cơ thể người, chẳng hạn như chóp mũi, trung 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 cả những vùng chi tiết như ngón tay và các đặc điểm trên khuôn mặt.

Khi các điểm này được nối lại, chúng tạo thành một biểu diễn đơn giản hóa của cơ thể người — có thể hình dung như một bộ xương kỹ thuật số. Đường viền xương này không chỉ cho biết một người đang ở đâu mà còn thể hiện tư thế của họ: đang ngồi, đứng, vẫy tay, mỉm cười hay đi bộ. Máy tính có thể diễn giải chuyển động của con người qua hình ảnh bằng những bộ xương này, tương tự cách chúng ta theo bản năng hiểu ngôn ngữ cơ thể của người khác.

Theo dõi khung xương đặc biệt hữu ích vì loại bỏ nhiễu và yếu tố gây xao nhãng từ môi trường, cho phép hệ thống tập trung hoàn toàn vào tư thế và chuyển động của con người. Thay vì phân tích từng pixel, OpenPose tập trung vào các 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 hình ảnh hoặc video hằng ngày, 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 ảnh cho nhân vật kỹ thuật số.

OpenPose hoạt động như thế nào?#

Dưới đây là tổng quan về cách OpenPose phát hiện và nối các keypoint trên cơ thể người từ đầu vào trực quan:

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

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

Các ứng dụng ước lượng tư thế trong nhiều ngành bằng OpenPose#

OpenPose là một trong những công cụ nâng cao đầu tiên giúp ước lượng tư thế trở nên thiết thực cho nhiều trường hợp sử dụng trong thực tế. Mặc dù ngày nay công cụ này không thường được dùng trong các giải pháp thị giác máy tính thời gian thực, nó vẫn 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 xem kỹ hơn cách công cụ này mở đường trong những lĩnh vực đó.

Ước lượng tư thế với OpenPose cho thể chất và thể thao#

Khi xem bóng chày, chúng ta dễ dàng hiểu điều gì đang diễn ra — có thể lập tức nhận ra một cú ném, cú đánh hoặc pha đánh cắp base. Là con người, chúng ta đọc chuyển động cơ thể theo trực giác và hiểu ý nghĩa của chúng mà không cần nhiều nỗ lực. Tuy nhiên, với máy móc, việc nhận diện những hành động này phức tạp hơn nhiều. Chúng 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 một công cụ thiết thực để phân tích kỹ thuật thi đấu trong nhiều bối cảnh khác nhau.

Nhiều dự án nghiên cứu đã sử dụng OpenPose để phân tích các chuyển động như cú đánh và cú nhảy, thậm chí phân loại các hành động trong bóng chày cụ thể dựa trên cách người chơi di chuyển. Vì hoạt động trong môi trường mở với video thông thường, công cụ này cho phép các nhà nghiên cứu thử nghiệm cách những hệ thống như vậy có thể vận hành trong các tình huống huấn luyện hoặc đào tạo 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 về pipeline phân loại hành động bóng chày bằng OpenPose.

Sử dụng OpenPose trong các 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 dựa trên video có thể hỗ trợ giám sát an toàn. Công cụ này đã được thử nghiệm trong việc phát hiện hành vi như ngã, cử chỉ bất thường hoặc các kiểu chuyển động trong khu vực công cộng.

Vì hoạt động với camera thông thường, 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 ngã và ứng phó khẩn cấp.

Hình 6. Phát hiện ngã bằng OpenPose.

Ưu và nhược điểm của OpenPose#

Dưới đây là một số ưu điểm mà OpenPose mang lại:

• Hữu ích cho nghiên cứu và prototyping: Công cụ này được sử dụng rộng rãi trong nghiên cứu học thuật, đặc biệt ở các lĩnh vực như tương tác người-máy, cơ sinh học và phân tích hành vi.
• Hỗ trợ đa nền tảng: Công cụ có thể chạy trên Windows, Linux và macOS, đồng thời hỗ trợ cả bộ xử lý trung tâm (CPUs) và bộ xử lý đồ họa (GPUs).
• Khả năng xử lý offline: Công cụ có thể chạy trong môi trường không có kết nối Internet, phù hợp với các bối cảnh nhạy cảm về quyền riêng tư như chăm sóc sức khỏe hoặc giáo dục.

Mặc dù OpenPose là một bước tiến lớn, công cụ 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: Chạy OpenPose trong thời gian thực đòi hỏi 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 người hoặc khi góc camera không lý tưởng.
• Nặng hơn so với các model mới: So với các model ước lượng tư thế mới hơn, OpenPose tương đối lớn và chậm hơn. Công cụ này không phù hợp để triển khai trên các thiết bị hạn chế tài nguyên như smartphone, tablet hoặc hệ thống nhúng.

Những điểm chính#

OpenPose đóng vai trò quan trọng trong việc giúp ước lượng tư thế trở nên dễ tiếp cận hơn. Công cụ này cho thấy có thể theo dõi chuyển động cơ thể chỉ bằng một camera đơn giản mà không cần trang phục hoặc thiết bị chuyên dụng.

Công cụ đã đặt nền móng cho nhiều ứng dụng thực tế trong chăm sóc sức khỏe, giáo dục, giải trí và nghiên cứu. Mặc dù các model mới hơn hiện mang lại tốc độ nhanh hơn và hiệu suất nhẹ hơn, OpenPose vẫn là một điểm tham chiếu quan trọng để hiểu quá trình phát triển của ước lượng tư thế.

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