Evaluation et développement de méthodes d'analyse du mouvement sans marqueurs à partir de vidéos

Evaluation and development of video-based markerless motion capture methods

• Auteur / Autrice : Anaïs Chaumeil
• Direction : Thomas Robert, Raphaël Dumas, Antoine Muller
• Type : Thèse de doctorat
• Discipline(s) : Mécanique
• Date : Soutenance le 06/11/2024
• Etablissement(s) : Lyon 1
• Ecole(s) doctorale(s) : École doctorale Mécanique, Energétique, Génie Civil, Acoustique (Villeurbanne ; 2011-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire de Biomécanique et Mécanique des Chocs
• Jury : Président / Présidente : Laurence Chèze
• Jury : Examinateurs / Examinatrices : Thomas Robert, Raphaël Dumas, Antoine Muller, Carlos Vazquez, Georges Dumont, Laetitia Fradet, Laurent Gajny
• Jury : Rapporteur / Rapporteuse : Carlos Vazquez, Georges Dumont

Mots clés

Mots clés contrôlés

Apprentissage profond

Capteurs (technologie)

Acquisition automatique des données

Capture de mouvements

Analyse du mouvement

Mots clés libres

Analyse du mouvement

Biomécanique

Vidéo

Sans marqueurs

Réseaux de neurones

Motion analysis

Biomechanics

Video

Markerless

Neural networks

Résumé

L’analyse du mouvement sans marqueurs à partir de vidéos a bénéficié, au cours des dernières années, du développement des méthodes automatiques d’estimation de points, basées sur l’apprentissage profond. Pour l’analyse du mouvement en biomécanique, ces méthodes présentent de multiples avantages, comme la non-instrumentation du participant ou encore la possibilité de réaliser l’analyse du mouvement en dehors du laboratoire. L’objectif de cette thèse est alors de contribuer à l’évaluation et au développement de méthodes d’analyse du mouvement sans marqueurs à partir de vidéos pour différentes applications en biomécanique. Tout d’abord, une méthode existante d’analyse du mouvement sans marqueurs à partir de vidéos est évaluée pour des mouvements et des paramètres cinétiques, qui sont peu étudiés dans la littérature. Ensuite, la caractérisation des points d’intérêt 2D estimés par les méthodes automatiques d’estimation de points est réalisée, et l’influence de ces caractéristiques sur la reconstruction en 3D des points est étudiée. Enfin, une méthode utilisant l’entièreté des cartes de confiance obtenues en sortie des méthodes automatiques d’estimation de points et permettant de calculer la cinématique 3D est proposée et évaluée.

Video-based markerless motion capture has benefitted, in the last few years, from the development of automatic point estimation methods, which are based on deep learning techniques. For motion analysis in biomechanics, these methods have numerous advantages, such as the possibility to analyse the movement without participant-worn equipment or outside of the laboratory. The goal of this thesis is thus to contribute to the evaluation and development of video-based markerless motion capture methods for applications in biomechanics. First, an existing video-based markerless motion capture method is evaluated for movements and kinematic parameters, rarely studied in the literature. Then, 2D keypoints estimated by automatic point estimation methods are characterized, and the influence of these characteristics on 3D point reconstruction is studied. Finally, a method using whole confidence heatmaps – which are obtained using automatic point estimation methods – to compute 3D kinematics is proposed and evaluated.