Human Pose Estimation (İnsan Poz Tahmini)

#BilgisayarlıGörü #PozTahmini #DerinOgrenme #Transformer

Görüntüler veya videodaki insan vücudundaki eklem noktalarını tespit ederek iskelet yapısı oluşturan bilgisayarlı görü tekniği.

Human Pose Estimation (İnsan Poz Tahmini), görüntüler veya video karelerindeki insan vücudunu oluşturan eklem noktalarını (omuzlar, dirsekler, bilekler, kalça, dizler, ayak bilekleri ve baş) tespit ederek bütüncül bir iskelet temsili ortaya koyan bilgisayarlı görü görevidir. Her iskelet, anatomik bağlantılarla birleştirilmiş anahtar nokta koordinatlarından (x, y ve güven skoru) oluşur. Temel mimariler iki kategoride incelenir. Yukarıdan aşağıya (top-down) yaklaşımda önce görüntüdeki her birey bir nesne dedektörüyle belirlenir, ardından her kişi için bağımsız poz tahmini çalıştırılır; bu yöntem yüksek doğruluk sağlar ancak hesaplama maliyeti kişi sayısıyla orantılı biçimde artar. Aşağıdan yukarıya (bottom-up) yaklaşımda ise tüm anahtar noktalar tek geçişte tespit edilip ardından bireylere eşleştirilir; OpenPose (CMU, 2017) bu kategorinin öncüsüdür ve Parça Yakınlık Alanları (Part Affinity Fields) adlı yenilikçi teknikle eklem noktalarını doğru kişilere bağlar. Teknik açıdan modeller, her keypoint için olasılık ısı haritaları (heatmap) üretir; haritadaki yüksek değerler eklemin o konumda bulunma olasılığını gösterir. DeepPose (Google, 2014) bu göreve derin öğrenmeyi taşıyan ilk çalışmaydı. 2022'de yayımlanan ViTPose, CNN omurgaları yerine Vision Transformer (ViT) mimarisini kullanarak MS COCO karşılaştırma setinde AP 80,9 ile yeni bir başarı çıtası oluşturdu ve alanın CNN baskınlığından Transformer çağına geçişini simgeledi. Uygulama alanları oldukça geniştir: spor analitiğinde futbol, basketbol ve yüzme dallarında oyuncu hareket analizi; fitness ve sağlıkta yoga/gym antrenmanlarında doğru form denetimi ve fizyoterapi takibi; artırılmış/sanal gerçeklikte gerçek zamanlı avatar kontrolü ve mocap alternatifi; işaret dili tanıma ve jest tabanlı insan-bilgisayar etkileşimi; güvenlik sistemlerinde davranış izleme ve anomali tespiti. Temel zorluklar arasında vücut parçalarının örtülmesi (occlusion), kalabalık sahnelerde çok kişili tahmin ve mobil/uç cihazlarda gerçek zamanlı işlem gereksinimleri sayılabilir.

Human Pose Estimation Nedir?

İnsan poz tahmini, görüntü veya video karelerindeki insan vücudunun anatomik eklem noktalarını (omuz, dirsek, bilek, kalça, diz, ayak bileği, baş) koordinatlarıyla belirleyip iskelet temsilini oluşturan bilgisayarlı görü görevidir. Her eklem noktası x/y koordinatı ve güven skoru üçlisiyle ifade edilir. Tek kişilik (single-person) ve çok kişilik (multi-person) varyantlar mevcuttur; 2D iskelet modern donanım ve halka açık veri kümelerinin ivmesiyle yüksek doğruluğa ulaşmıştır, 3D poz tahmini ise derinlik sensörleri veya çok kamera kurulumlarıyla mümkün olmaktadır.

Temel Yaklaşımlar

  • check_circle Top-Down (Yukarıdan Aşağıya): Önce nesne dedektörü (YOLO, Faster R-CNN vb.) her bireyi tespit eder; ardından her kırpılmış kişi kutusu için bağımsız poz tahmini çalışır. Yüksek doğruluk; yoğun sahnelerde yavaştır ve insan tespitinin başarısına bağımlıdır.
  • check_circle Bottom-Up (Aşağıdan Yukarıya): Önce tüm görüntüdeki eklem noktaları tespit edilir, ardından gruplama ile her bireye atanır. OpenPose bu kategorinin öncü çalışmasıdır; kalabalık sahnelerde hızlıdır, ancak küçük veya kısmen örtülü kişilerde hassasiyet düşebilir.
  • check_circle 3D Poz Tahmini: Derinlik bilgisi (LiDAR, stereo kamera) veya tek monoküler görüntüden 3D iskelet çıkarımı yapar. MeTRAbs ve HybrIK gibi modeller iki boyutlu ısı haritasını üç boyutlu insan kafes modeliyle (SMPL) birleştirir.
  • check_circle Video Tabanlı Poz Tahmini: Ardışık kareler arası zamansal tutarlılık kısıtlamalarıyla eklem noktalarının titremesini azaltır. PoseFormer ve MixSTE gibi Transformer tabanlı modeller temporal bağlam modellemede öncü olmuştur.

Öne Çıkan Modeller

  • check_circle OpenPose: CMU Perceptual Computing Lab tarafından geliştirilen ilk gerçek zamanlı çok kişilik poz tahmini; Part Affinity Fields yöntemiyle eklemleri birleştirir. Hâlâ araştırma ve prodüksiyonda referans model.
  • check_circle HRNet (High-Resolution Net): Tüm ağ boyunca yüksek çözünürlüklü temsil korunur; COCO anahtar nokta kıyaslama testinde üst düzey sonuçlar elde etmiştir. Top-down boru hattının standart omurgası.
  • check_circle ViTPose: Saf Vision Transformer omurgasına dayanan poz tahmincisi; COCO kıyaslamasında CNN tabanlı yöntemleri geçmiştir. Ön eğitim gücünden büyük ölçüde yararlanır.
  • check_circle MediaPipe Pose: Google'ın mobil ve tarayıcı için optimize ettiği hafif çözüm; 33 eklem noktasını gerçek zamanlı olarak tarayıcıda çalıştırabilir. Web uygulamalarında erişilebilir poz tahmini için standart.

Uygulama Alanları

  • check_circle Spor Analizi: Hareket biyomekaniğini sayısal olarak analiz eder; tenis vuruşu, yüzme tekniği veya koşu kadansını koç geri bildirimi için otomatik ölçer.
  • check_circle Sağlık ve Fizik Tedavi: Rehabilitasyon egzersizlerinin doğruluğunu kamera aracılığıyla değerlendirir; postür bozukluklarını ve düşme riskini erken tespit eder.
  • check_circle İşaret Dili Tanıma: El ve parmak eklentilerinin yörüngesini analiz ederek işaret dilini metne çevirir; işitme engelli iletişimini destekler.
  • check_circle Animasyon ve Oyun: Markerless motion capture olarak kullanılır; oyuncu hareketleri gerçek zamanlı avatar animasyonuna aktarılır. Geleneksel kıyafet bazlı mocap maliyetini dramatik biçimde azaltır.
  • check_circle İnsan-Robot Etkileşimi: Robot, insan eklem durumunu algılayarak güvenli mesafe, kol hareketi tahmini ve ortak iş görevleri için poz bilgisini kullanır.

Kıyaslama Veri Kümeleri ve Metrikler

  • check_circle COCO Keypoints: 17 eklem noktasıyla 250K+ insan örneği içerir; AP (Average Precision) OKS (Object Keypoint Similarity) eşiği üzerinden hesaplanır. Endüstri standardı kıyaslama.
  • check_circle MPII Human Pose: PCKh (Percentage of Correct Keypoints) metriği; baş boyutuna normalize edilmiş eşik mesafesi içindeki doğru tahminlerin oranını ölçer.
  • check_circle Human3.6M: 3D poz tahmininin standart kıyaslama veri kümesi; MPJPE (Mean Per Joint Position Error, mm cinsinden) ana metrik olarak kullanılır.

Sık Sorulan Sorular

  • check_circle Poz tahmini gerçek zamanlı çalışabilir mi? Evet. MediaPipe Pose tarayıcıda 30 fps üzerinde, OpenPose GPU'da gerçek zamanlı çalışır. Mobil için MobileNet omurgalı hafif modeller de mevcuttur.
  • check_circle Örtülü eklemler (occluded joints) nasıl tahmin edilir? Modern modeller bağlamsal bilgiyi (diğer eklem konumları, bedenin beklenen oranları) kullanarak gizlenmiş eklemleri hallüsine etmez; güven skoru düşük bırakır. Çok kamera kurulumları bu sorunu önemli ölçüde azaltır.
  • check_circle Poz tahmini ile hareket tanıma (action recognition) nasıl farklılaşır? Poz tahmini tek karede iskelet koordinatlarını çıkarır; hareket tanıma bu koordinatların zaman içindeki dinamiklerini sınıflandırır ("yürüyor", "zıplıyor" gibi). İkisi genellikle ardışık boru hattında birleştirilir.
  • check_circle Markerless motion capture profesyonel mocap'ın yerini alabilir mi? Çoğu tüketici ve araştırma uygulaması için evet. Film üretiminin üst düzey kesinlik ve parmak izleme gerektirdiği senaryolarda geleneksel sistemler hâlâ üstündür; ancak fiyat/performans dengesi her yıl kamera tabanlı yöntemler lehine değişmektedir.
  • check_circle Gizlilik endişeleri var mı? Evet. Poz tahmini bireyleri biyometrik yöntemlerle tanımlayabilir ve gözetim sistemlerini güçlendirebilir. Kalabalık ortamlarda anonim poz analizi için yüz ve kimlik bilgilerini kasıtlı olarak bulanıklaştıran gizlilik koruyucu mimariler araştırılmaktadır.