L'estimation de pose regroupe des méthodes utilisant des techniques de vision par ordinateur pour analyser la structure spatiale d'objets cibles dans des images ou des vidéos. Son objectif est de localiser les points clés d'un humain, d'un animal ou d'un objet et d'en déduire les articulations ou la pose globale. Cette technologie fait appel à des domaines tels que la détection d'objets, l'apprentissage de représentations visuelles et la modélisation géométrique, et constitue une tâche fondamentale pour l'analyse du comportement humain, l'interaction intelligente et la compréhension visuelle 3D.

Le développement de l'estimation de pose repose sur des recherches de longue haleine menées dans de multiples domaines, notamment la vision par ordinateur, la modélisation humaine et l'analyse d'images. Les premières méthodes s'appuyaient principalement sur des caractéristiques définies manuellement, la correspondance de gabarits et des modèles géométriques pour détecter les points clés du corps humain, mais elles présentaient des limitations importantes en présence d'arrière-plans complexes, d'occlusions et de variations de pose. Avec l'avènement de l'apprentissage profond, les chercheurs ont commencé à utiliser des réseaux neuronaux pour apprendre directement les caractéristiques structurelles humaines à partir de données d'images. En 2014, les chercheurs de Google, Alexander Toshev et Christian Szegedy, ont publié un article… DeepPose : Estimation de la pose humaine via des réseaux neuronaux profonds Cet article propose une méthode d'estimation de la pose humaine par réseaux de neurones profonds, qui transforme l'estimation de la pose en un problème de régression des images vers les coordonnées de points clés. Cette approche a favorisé l'application de l'apprentissage profond à l'analyse de la pose humaine et constitue une étude représentative majeure dans le domaine de l'estimation de pose par apprentissage profond.

L'estimation de pose consiste principalement à localiser les points clés du corps humain (épaules, coudes, poignets, genoux, chevilles, etc.) à partir d'images ou de vidéos, puis à reconstruire la structure squelettique complète et la posture. Selon la dimension des coordonnées et la complexité de la scène, on distingue l'estimation de pose 2D, 3D et l'estimation de pose multi-personnes. Techniquement, elle intègre des réseaux de détection de points clés, des structures de type Transformer et des méthodes de vision 3D. Ces dernières années, elle est passée progressivement d'un processus en plusieurs étapes à des solutions de bout en bout, offrant des capacités de reconstruction morphologique humaine plus complètes, comme l'estimation des points clés du corps entier et la reconstruction de maillages 3D humains. Cette technologie est aujourd'hui largement utilisée dans l'analyse du mouvement, l'interaction homme-machine, la réalité virtuelle/augmentée, la surveillance intelligente et la perception robotique.