Par Mathis Renaudin, lauréat de la bourse de participation au congrès SB 2025..
L’analyse de mouvement sans marqueurs – à partir de vidéos de plusieurs points de vue - est une nouvelle approche de quantification du mouvement. Des algorithmes d’estimation de pose permettent d’identifier la position de points d’intérêts dans les images 2D. Les positions en 3D de ces points d’intérêt sont obtenues par triangulation des points 2D.
Cette approche est très prometteuse dans la mesure où elle facilite l’analyse des participants dans leur environnement et ne nécessite pas de les instrumenter. Cependant, son usage est encore limité notamment par la méconnaissance des incertitudes de mesure. C’est encore plus vrai dans le cadre clinique où ces incertitudes affectent directement la confiance que l’on peut avoir dans un diagnostic.
Plusieurs études ont comparé l’analyse de mouvement sans marqueurs à l’analyse optoélectronique (Wade et al. 2022), ce qui a permis de mettre en évidence des erreurs systématiques et aléatoires (Needham et al. 2021). Néanmoins, ces comparaisons sont spécifiques aux cas traités et ne sont pas forcément généralisables. En particulier les incertitudes provenant de l’estimation de point d’intérêt par des algorithmes d’estimation de pose sont spécifiques à chaque expérimentation car dépendantes de nombreux éléments non explicites (environnement, fond de l’image, luminosité etc.), mais aussi de l’algorithme utilisé.
L’objectif de cette étude est donc de proposer une méthode permettant d’estimer les erreurs aléatoires des algorithmes d’estimation de pose directement sur les données vidéos collectées (sans mesure optoélectronique en parallèle), et de propager ces erreurs au cours du processus de triangulation. L’intérêt de la méthode est démontré sur deux algorithmes d’estimation de pose.
Dans cette étude, nous avons utilisé un jeu de données public (Muller et al. 2025) afin d’étudier la marche d’un participant filmé par 9 caméras vidéo (Miqus Video, Qualisys, Sweden, 60Hz). Deux algorithmes d’estimation de pose ont été utilisés : OpenPose et RTMPose, afin d’obtenir des estimations des points d’intérêts sur toutes les vidéos. Ces points ont été triangulés puis reprojetés dans le plan de chaque caméra. La distance entre ces points 3D reprojetés et les points 2D estimés initialement, appelée erreur de reprojection a été calculée. En utilisant les propriétés des distributions de Rayleigh que nous ajustons sur nos distributions d’erreurs de reprojection cela nous permet de donner une estimation des incertitudes de nos algorithmes. Nous avons ensuite propagé ces incertitudes à l’aide d’une méthode de MonteCarlo pour obtenir les incertitudes sur les points 3D.
Cette étude a permis de mettre en évidence des disparités entre les incertitudes des points 3D de différents points d’intérêts et différents algorithmes sans avoir recours à une comparaison avec un système d’analyse de mouvement optoélectronique. Les valeurs d’incertitudes obtenues sont élevées en comparaison des incertitudes sur les points 3D obtenus par l’analyse de mouvement optoélectronique mais sont du même ordre de grandeur que les incertitudes les incertitudes liées au positionnement des marqueurs lors de l'expérimentation par rapport aux structures anatomiques (Della Croce et al. 2005). Ces résultats invitent à pousser ces propagations aux angles articulaires afin de donner une estimation des incertitudes sur ceux-ci.
Figure : Estimations des incertitudes pour le point RHip (Hanche droite) avec l’algorithme RTMPose en fonction des différentes caméras.
Publication
Renaudin, M., Muller, A., Robert, T., & Brizard, D. (2025). Uncertainty propagation through triangulation in markerless motion capture (Version 2, Vol. 1053, Issue 153). Multidisciplinary Biomechanics Journal. https://doi.org/10.46298/mbj.16217
Références
Wade, L., Needham, L., McGuigan, P., & Bilzon, J. (2022). Applications and limitations of current markerless motion capture methods for clinical gait biomechanics. PeerJ, 10, e12995. https://doi.org/10.7717/peerj.12995
Needham, L., Evans, M., Cosker, D. P., Wade, L., McGuigan, P. M., Bilzon, J. L., & Colyer, S. L. (2021). The accuracy of several pose estimation methods for 3D joint centre localisation. Scientific Reports, 11(1), 20673. https://doi.org/10.1038/s41598-021-00212-x
Muller, A., Naaim, A., Dumas, R., & Robert, T. (2025). Benchmarking dataset for markerless motion capture analysis (Version 1.0). Recherche Data Gouv. https://doi.org/10.57745/LQI2MJ
Della Croce, U., Leardini, A., Chiari, L., & Cappozzo, A. (2005). Human movement analysis using stereophotogrammetry: Part 4: Assessment of anatomical landmark misplacement and its effects on joint kinematics. Gait & Posture, 21(2), 226–237. https://doi.org/10.1016/j.gaitpost.2004.05.003
L'auteur
Mathis Renaudin,
Laboratoire de Biomécanqiue et Mécanique des chocs UMR_T 94006 (Eiffel-Univ Lyon 1)
Mathis est ingénieur diplômé de l’École nationale supérieure d’Arts & Métiers ainsi que d’un master de recherche en biomécanique humaine de l’université Paris Descartes. Il a travaillé pour OrthoClinical Diagnostics et entreprend désormais un doctorat au LBMC sur la quantification des incertitudes en analyse de mouvement sans marqueurs.
Copyright
© 2025 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.