【G検定】姿勢推定とは？カメラ映像から人の骨格・関節を読み取るAI技術を解説

スポーツ選手のフォーム分析や、ゲームで身体の動きを読み取る技術を見たことはありませんか。その裏側で働いているのが「姿勢推定」です。この記事では、画像から人の骨格を読み取るこの技術を、初心者向けにやさしく解説します。

📖 ひと言でいうと

姿勢推定とは、画像や動画に写った人の「関節がどこにあるか」をAIが見つけ出し、骨格のかたちとして捉える技術です。頭・肩・肘・手首・膝といった体の要所(キーポイント)を点として検出し、それらを線でつなぐことで、棒人間のような骨格モデルを描き出すイメージです。人が写真を見て「この人は腕を上げている」「しゃがんでいる」と分かるのと同じことを、コンピュータにやらせる技術だと考えると分かりやすいでしょう。

🖼 1枚でわかる姿勢推定

📘 公式テキストの説明

姿勢推定は、画像や動画から人間の骨格や関節の位置を特定し、姿勢を解析する技術である。この技術には、ディープラーニングを活用し、カメラ映像から人の骨格情報をリアルタイムに検出する高精度な姿勢推定AIエンジン「VisionPose」などが存在する。また、スポーツや医療、セキュリティなどの分野で活用されており、例えば、スポーツ選手のパフォーマンス分析やリハビリテーションの進行状況の追跡、監視カメラの映像から不審な行動の検出などに利用されている。姿勢推定技術は、画像や動画に映った人の姿勢情報を取得するためのAI技術であり、従来は身体に付けるマーカーや特別なセンサーを使用する方法が一般的であったが、深層学習を使った姿勢推定AIでは、マーカーや特別なセンサーを使わず、一般的なビデオカメラ1台で撮影した映像から、人の骨格を手軽に認識することができる。

ポイントは2つあります。1つ目は「何を出力するか」＝関節の位置と骨格です。2つ目は「何が革新だったか」＝従来のモーションキャプチャのように体にマーカーを付けなくても、普通のカメラ映像だけで骨格を認識できるようになった点です。ディープラーニングが、この「マーカーレス化」を実現しました。

🔍 しっかり理解する

処理の流れ:「点を見つけて、つなぐ」

姿勢推定の基本的な流れは次のとおりです。

画像分類が「画像全体に1つのラベル」、物体検出が「物体ごとに1つの四角い枠」を出力するのに対し、姿勢推定は「1人につき十数個の関節点の座標」を出力します。出力の細かさが段違いに高いタスクだといえます。

なぜディープラーニングで実用化したのか

関節は服に隠れていたり、腕が体の後ろに回っていたりと、見た目のバリエーションが膨大です。人手で設計したルールで関節を見つけるのは困難でした。ディープラーニング、特に畳み込みニューラルネットワーク(CNN)は、大量の画像から「肘らしさ」「膝らしさ」といった特徴を自動で学習できるため、隠れや姿勢の多様さにも比較的頑健な検出が可能になりました。

代表的な手法に、G検定のシラバスにも登場するOpenPoseがあります。OpenPoseは画像内の全員の関節候補を一度に検出してから、どの関節がどの人物に属するかをつなぎ合わせる方式で、複数人が写った映像でもリアルタイムに近い速度で骨格を推定できることで広く知られました。

従来のモーションキャプチャとの違い

映画やゲームの制作現場では、体中にマーカーを付けて専用カメラで撮影するモーションキャプチャが使われてきました。精度は高い一方、専用スタジオと機材が必要で、日常の場面には持ち込めません。深層学習ベースの姿勢推定は、公式テキストにあるとおり「一般的なビデオカメラ1台」で骨格を取得できるため、体育館・リハビリ室・街頭の監視カメラなど、どこでも使えることが最大の強みです。

💡 具体例で考える

例1: スポーツのフォーム分析。 ゴルフのスイングや野球の投球フォームをスマートフォンで撮影し、姿勢推定AIが骨格の動きを数値化して、プロ選手との違いを可視化するサービスが実用化されています。公式テキストに登場する「VisionPose」も、こうしたスポーツ分析や医療分野で使われる国産の姿勢推定AIエンジンです。

例2: リハビリテーションの進行管理。 病院で患者の歩行や関節の可動域をカメラで記録し、関節角度の変化を定量的に追跡します。マーカーを付ける負担が患者にないため、日常的な計測が可能になります。同様の仕組みは、監視カメラ映像から転倒やうずくまりといった異常姿勢を検出する見守り・セキュリティ用途にも広がっています。

⚠️ よくある誤解・紛らわしい用語

📝 試験でのポイント

📚 まとめ