Article par D. Pagnon.
L’analyse du mouvement humain et animal est née d’observations empiriques, les premières théories à notre connaissance datant du 4ème siècle av. JC avec Aristote. Cette analyse est devenue objectivable lors du 19ème siècle, grâce à l’utilisation de la chronophotographie par Marey en France, et Muybridge aux États-Unis. Entre autres découvertes, ces deux auteurs ont pu démontrer l’existence d’un temps de suspension lors du galop du cheval. Toutefois, il était encore difficile d’observer précisément un mouvement rapide : les corps avaient tendance à se recouvrir d’une image à l’autre. Marey proposa alors de placer des marqueurs sur les points anatomiques les plus importants, qui seraient moins sujets aux occlusions. Ces études, cependant, se limitaient encore à deux dimensions. Pourtant, les articulations sont des objets tridimensionnels complexes, qui méritent d’être examinés plus en détails : le premier à avoir étudié la marche en 3 dimensions fut Fischer, à la fin du 19ème siècle [Baker 2007].
Figure 1 : Marey, soldat marchant à Joinville, 1883. Collège de France.
Ces méthodes avec marqueurs sont relativement précises, mais elles présentent des inconvénients notables : elles gênent le mouvement de la personne étudiée, et restent hors de portée des non experts et des organisations au budget modeste. Diverses alternatives sont actuellement proposées, dont certaines qui prônent un retour à l’analyse sans marqueurs. Les approches basées sur l’apprentissage machine permettent de repérer automatiquement des points d’intérêt à l’image, sans contrainte d’habillement ni d’environnement de capture. Ces méthodes connaissent un spectaculaire essor, techniquement motivé par l’avènement de cartes graphiques performantes et bon marché.
Récemment, une solution commerciale sans marqueurs a prouvé sa pertinence dans l’étude précise du mouvement humain en 3 dimensions [Kanko 2021]. En revanche, l’entreprise ne dévoile pas le détail de ses algorithmes, et le logiciel, s’il a le mérite d’être simple et robuste, fonctionne comme une boite noire.
En parallèle de ces opportunités techniques, l’open-source se popularise. De plus en plus de logiciels publient gratuitement leur code et permettent aux utilisateurs de s’impliquer dans leur développement. OpenPose, par exemple, est une solution open-source d’estimation de pose 2D [Cao 2019], tandis qu’OpenSim, également open-source, permet de calculer la cinématique inverse à partir de positions 3D de marqueurs. Pose2Sim, toujours open-source, fait le lien entre ces deux logiciels : il triangule les résultats OpenPose obtenus depuis plusieurs caméras synchronisées et calibrées, et les contraint à un modèle biomécanique OpenSim. Les paramètres de son analyse sont entièrement configurables, et l’exactitude et la robustesse de ses résultats ont été éprouvées par la communauté scientifique. L’erreur angulaire quadratique moyenne, toutes articulations et tous plans de rotation confondus, est de 4.9°. Cette méthode s’affranchit des marqueurs, et est donc plus facilement applicable à l’analyse du sport in-situ [Pagnon 2022].
Fig.2. Flux de travail de Pose2Sim, depuis les positions 2D d’OpenPose jusqu’aux angles 3D d’OpenSim [Pagnon 2022]
Depuis, d’autres approches libres, sans marqueurs, et en 3 dimensions, ont vu le jour, notamment développées par les laboratoires de Bath et de Stanford [Needham 2022, Uhlrich 2022]. Ces nouvelles méthodes, bien qu’elles soient encore aux prémices de leurs développements, offrent une flexibilité, une robustesse, et une facilité d’utilisation qui promettent des applications futures intéressantes dans les domaines du sport, de la médecine, ou encore de l’animation 3D.
Références
- Baker, R. (2007). The history of gait analysis before the advent of modern computers. Gait & posture, 26(3), 331-342.
- Kanko, R. M., Laende, E. K., Davis, E. M., Selbie, W. S., & Deluzio, K. J. (2021). Concurrent assessment of gait kinematics using marker-based and markerless motion capture. Journal of biomechanics, 127, 110665.
- Cao, Z., Simon, T., Wei, S. E., & Sheikh, Y. (2017). Realtime multi-person 2d pose estimation using part affinity fields. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 7291-7299).
- Needham, L., Evans, M., Wade, L., Cosker, D. P., McGuigan, M. P., Bilzon, J. L., & Colyer, S. L. (2022). The development and evaluation of a fully automated markerless motion capture workflow. Journal of Biomechanics, 144, 111338.
- Uhlrich, S. D., Falisse, A., Kidziński, Ł., Muccini, J., Ko, M., Chaudhari, A. S., ... & Delp, S. L. (2022). OpenCap: 3D human movement dynamics from smartphone videos. bioRxiv, 2022-07.
Publications
- Pagnon, D., Domalain, M., & Reveret, L. (2022). Pose2Sim: an end-to-end workflow for 3D markerless sports kinematics—part 2: accuracy. Sensors, 22(7), 2712.
- Dépôt GitHub: https://github.com/perfanalytics/pose2sim
L'auteur
David Pagnon, CAMERA, University of Bath, Angleterre.
David Pagnon est post-doctorant en informatique et en biomécanique. Il s’intéresse particulièrement à l’analyse du geste sportif ou artistique avec des méthodes sans marqueurs. Il est également artiste de parkour professionnel sur son temps libre.
Copyright
© 2023 par l’auteur. Sauf mention contraire, le contenu du blog de la Société de Biomécanique (texte et figures) est distribué sous licence Creative Commons Attribution - Partage dans les mêmes conditions 4.0.