İşaretsiz Hareket Yakalama
Markerless Motion Capture · Ayrıca şöyle bilinir: Marker-free tracking, Vision-based motion capture, Deep learning pose estimation
İşaretsiz hareket yakalama, bilgisayarlı görü ve makine öğrenmesi kullanarak bir hareketli öznenin 3B konumlarını ve eklem açılarını video dizilerinden çıkarır. OpenPose ve MediaPipe gibi derin öğrenme yaklaşımlarıyla öncülük edilen bu yöntem, hareket yakalamayı gerçek dünya uygulamaları için erişilebilir ve pratik hale getirerek yansıtıcı işaretlere veya atalet sensörlerine olan ihtiyacı ortadan kaldırır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
İşaretlerin pratik olmadığı (kalabalıklar, dış mekanlar, su altı) veya hızlı dağıtımın gerektiği durumlarda işaretsiz hareket yakalamayı kullanın. Fitness, spor analizi, klinik tarama ve eğlence alanlarında mükemmeldir. Varsayımlar arasında eklemleri çözmek için yeterli görüntü çözünürlüğü, yeterli aydınlatma ve çeşitli pozlarda ön eğitim yer alır. Ağır örtülme, hızlı hareket bulanıklığı veya eğitim dağılımının dışındaki aşırı pozlarda dikkatli olun.
Güçlü yönler & sınırlılıklar
- Özel donanım veya işaret gerektirmez; standart kameralar kullanır
- Gerçek zamanlı uygulamalar ve saha dağıtımları için pratiktir
- Tek bir görünümde birden fazla kişiyi işler
- Derin öğrenme modelleri olgunlaştıkça ve veri kümeleri genişledikçe doğruluk artıyor
- Doğruluk, örtülme, hareket bulanıklığı ve zayıf aydınlatma ile bozulur
- Klinik ortamlarda işaret tabanlı sistemlere göre daha düşük uzamsal çözünürlük
- İşlem sonrası veya yumuşatma olmadan zamansal gürültü ve titreme
- Aşırı pozlarda veya eğitim dağılımının dışındaki öznelerde zorlanır
SSS
İşaretsiz hareket yakalama, işaret tabanlı sistemlere kıyasla ne kadar doğrudur?
İyi aydınlatmalı kontrollü laboratuvar ortamlarında, en gelişmiş işaretsiz sistemler ana eklemlerde 2–5 cm 3B hata elde eder; işaret tabanlı sistemler santimetrenin altı doğruluğa ulaşır. İşaretsiz sistemler, kısıtlanmamış ortamlarda daha fazla bozulur.
Çok görünümlü işaretsiz yakalama ile doğruluğu artırabilir miyim?
Evet. Birden fazla senkronize kamera, 3B üçgenlemeye izin verir ve kendi kendine örtülmeden kaynaklanan belirsizliği azaltır. Doğruluk, özellikle farklı bakış açılarından gelen 2B tespitleri birleştirirken iyileşir.
İşaretsiz takibindeki zamansal titremeyi nasıl azaltabilirim?
Eklem yörüngelerine sonradan zamansal yumuşatma (Kalman filtreleme, butterworth filtreleme veya optik akış) uygulayın. Bazı çerçeveler, yerleşik bir seçenek olarak yumuşatmayı içerir.
Kaynaklar
- Cao, Z., Simon, T., Wei, S. E., & Sheikh, Y. (2017). Realtime multi-person 2D pose estimation using part affinity fields. IEEE Conference on Computer Vision and Pattern Recognition (CVPR). DOI: 10.1109/CVPR.2017.143 ↗
- Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Markerless Motion Capture. ScholarGate. https://scholargate.app/tr/biomechanics/markerless-motion-capture
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Dinamik Zaman Bükme (DTW) ile Yürüyüş AnaliziBiyomekanik↔ karşılaştır
- İleri KinematikBiyomekanik↔ karşılaştır
- Tersine Dinamik AnalizBiyomekanik↔ karşılaştır