Estimación de Pose

La estimación de pose es la tarea de visión por computador que localiza los puntos clave (keypoints) del cuerpo de una persona —articulaciones como hombros, codos, caderas o rodillas— en imágenes y vídeo, y reconstruye con ellos un esqueleto que describe su postura y su movimiento. El término abarca también la pose de objetos: estimar con qué rotación y traslación está situado un objeto rígido ante la cámara.

Conviene, por tanto, distinguir dos familias. La estimación de pose humana localiza articulaciones de personas y puede extenderse a pies, manos y cara, como hace OpenPose. La de objetos recupera los seis grados de libertad (6DoF) de un cuerpo rígido —tres de rotación y tres de traslación—, un problema central en robótica y realidad aumentada que evalúan benchmarks como BOP.

2D o 3D, de arriba abajo o de abajo arriba

La estimación 2D sitúa los keypoints en las coordenadas de la imagen; el estándar de facto son los 17 puntos del dataset COCO. La estimación 3D reconstruye sus posiciones en el espacio, y su banco de pruebas de referencia es Human3.6M, con 3,6 millones de poses registradas mediante captura de movimiento. Con varias personas en escena caben dos estrategias: los métodos top-down detectan primero a cada persona y luego estiman sus keypoints, mientras que los bottom-up, como OpenPose con sus campos de afinidad de partes (PAFs), detectan todos los puntos de la imagen y después los agrupan por individuo.

Cómo se mide

En 2D, la métrica PCK (porcentaje de keypoints correctos) da por bueno un punto si cae a menos de una fracción de un tamaño de referencia, como la cabeza en su variante PCKh. COCO emplea la OKS (Object Keypoint Similarity), que compara predicción y anotación mediante una gaussiana sobre la distancia entre ambas, normalizada por la escala de la persona y una constante propia de cada keypoint, y sobre ella calcula la precisión media (AP). En 3D domina el MPJPE: la distancia euclídea media, en milímetros, entre las articulaciones predichas y las reales; los sistemas punteros publican en Human3.6M errores por debajo de 45 milímetros.

Modelos y herramientas actuales

OpenPose (Cao et al., Universidad Carnegie Mellon) fue el primer sistema multipersona 2D en tiempo real de código abierto. HRNet (CVPR 2019) elevó la precisión manteniendo representaciones de alta resolución en paralelo durante toda la red. MediaPipe Pose, de Google, lleva la tarea al móvil: su modelo BlazePose estima 33 puntos con coordenadas de imagen y de mundo directamente en el dispositivo. RTMPose, del ecosistema MMPose de OpenMMLab, es un método top-down orientado a la industria que alcanza un 75,8% de AP en COCO a más de 90 imágenes por segundo en una CPU de consumo, y la familia YOLO de Ultralytics ofrece variantes de pose que detectan los 17 keypoints de COCO en tiempo real.

Usos y riesgos

La estimación de pose sustenta el análisis biomecánico en el deporte, la fisioterapia y la telerrehabilitación, la captura de movimiento sin marcadores para animación, y la manipulación robótica y la realidad aumentada, que dependen de la pose 6DoF de los objetos. Sus límites técnicos persisten: las oclusiones, la ropa holgada y las escenas con multitudes siguen degradando los resultados.

Los riesgos también están documentados. La pose alimenta el reconocimiento de la marcha: la empresa china Watrix aseguraba en 2018 identificar a una persona a 50 metros incluso de espaldas o con el rostro cubierto, y Associated Press y el South China Morning Post informaron de sus pruebas con la policía de Pekín y Shanghái. Investigadores señalan además que los datasets de entrenamiento representan de forma desigual tipos de cuerpo, edades y contextos, un sesgo cuyo alcance real aún carece de medición sistemática. En Europa, el Reglamento de IA prohíbe, salvo excepciones tasadas, la identificación biométrica remota en tiempo real en espacios públicos con fines policiales.