Toepassing van het PoseConv3D-algoritme bij herkenning van trainingsbewegingen in cheerleading

Slimmer coachen voor een snel bewegende sport

Cheerleading is tegenwoordig veel meer dan enthousiasme langs de zijlijn; het is een veeleisende acrobatische teamsport waarbij kleine fouten in timing of houding het verschil kunnen betekenen tussen een nette stunt en een gevaarlijke val. Toch vertrouwen de meeste coaches nog steeds op het blote oog en langzame videoreplays. Dit artikel introduceert een kunstmatig-intelligentiesysteem dat cheerroutines frame voor frame kan bekijken, de lichaamshoudingen van de atleten kan begrijpen en automatisch kan herkennen welke beweging wordt uitgevoerd en hoe moeilijk die is, wat de deur opent naar veiliger, preciezer en persoonlijker trainen.

Waarom cheerleading een bijzondere uitdaging vormt

Veel sporten en dagelijkse activiteiten zijn al bestudeerd met computer vision, maar cheerleading zet bestaande methoden op scherp. Atleten draaien meerdere keren per seconde, maken salto’s in de lucht en bouwen piramides met meerdere personen waarbij lichamen elkaar overlappen en het zicht van de camera blokkeren. Bewegingen die ruimtelijk op elkaar lijken — zoals armgolven en hoge trappen — kunnen vooral in ritme van elkaar verschillen, iets wat standaardalgoritmen grotendeels negeren. Daardoor lezen gangbare actieherkenningssystemen belangrijke gewrichtsposities verkeerd, verliezen ze individuen uit het oog bij groepsstunts en verwarren ze bewegingen met vergelijkbare trajecten, wat leidt tot lage nauwkeurigheid en onbetrouwbare feedback in echte trainingszalen.

Video’s omzetten in schone digitale skeletmodellen

Het nieuwe systeem bouwt voort op een op poses gebaseerde 3D-convolutionele netwerk genaamd PoseConv3D, dat niet op ruwe pixels werkt maar op vereenvoudigde ‘stokfiguur’-skeletten die uit video worden geëxtraheerd. De eerste innovatie is een dynamische correctiefase die deze skeletten opschoont. Wanneer de onderliggende pose-detector onzeker is over een gewricht — bijvoorbeeld een pols die tijdens een draai onscherp wordt — voorspelt het systeem het meest waarschijnlijke pad in de tijd met behulp van vloeiende krommen die respect tonen voor de beweging in omliggende frames. Dit vermindert jitter en drift van gewichtsposities met meer dan 40%, en geeft het leeralgoritme een veel helderder beeld van hoe het lichaam van elke atleet zich werkelijk beweegt tijdens snelle rotaties en luchtovergangen.

Zowel kleine details als grote teampatronen zien

Zodra de skeletten zijn opgeschoond, analyseert het systeem beweging op meerdere schalen tegelijk. Een verwerkingsvertakking richt zich op fijne details zoals een snelle polswip of een afzet van de enkel, terwijl een andere vertakking kijkt naar bredere patronen zoals de boog van een been of het gecoördineerde opkomen van meerdere atleten in een lift. Door deze gezichtspunten te fuseren, begrijpt het model beter hoe kleine aanpassingen bijdragen aan grote, teamniveau-formaties. Tests op een speciale dataset van de University of Central Florida voor cheerleading — meer dan 500 hd-trainings- en wedstrijdclips met zorgvuldig gelabelde bewegingen en moeilijkheidsgraden — tonen aan dat deze multi-schaalbenadering de herkenning van complexe, sterk gecoördineerde stunts aanzienlijk verbetert.

Het systeem leren het ritme te ‘horen’

Een opvallende eigenschap van het werk is dat het algoritme niet alleen kijkt hoe atleten zich in de ruimte bewegen; het leert ook wanneer ze bewegen. De onderzoekers berekenen hoe snel elk gewricht van frame naar frame beweegt en transformeren deze veranderingen in ritmepatronen, vergelijkbaar met het omzetten van muziek in een spectrum van beats. Een speciale attention-module markeert vervolgens momenten in de bewegingsreeks die overeenkomen met belangrijke ritmische handtekeningen. Dit stelt het systeem in staat betrouwbaar onderscheid te maken tussen acties die vrijwel identieke paden volgen maar zich in verschillende tempi ontvouwen, waardoor de verwarring tussen golfachtige bewegingen en gesynchroniseerde trappen daalt van ongeveer één op zes gevallen naar slechts enkele op de honderd.

Van herkenning naar realtime trainingspartner

Aan het einde van de pijplijn genereert het systeem twee outputs tegelijk: het type cheerbeweging dat wordt uitgevoerd en een geschatte moeilijkheidsscore die overeenstemt met wedstrijdeisen. Met bijna 90 frames per seconde overtreft het ruimschoots de snelheid die nodig is voor realtime feedback. De algehele nauwkeurigheid bereikt ongeveer 93% en overtreft meerdere state-of-the-art methoden met ruime marges. Voor atleten en coaches betekent dit een geautomatiseerde assistent die on-time golven, onstabiele landingen of gaten in teamsynchronisatie kan signaleren terwijl ze gebeuren, en tegelijkertijd de voortgang bij steeds moeilijkere vaardigheden kan volgen — een krachtige stap richting meer datagedreven, veiliger en fijner afgestemd cheerleadingtraining.

Bronvermelding: Li, Q. Application of PoseConv3D algorithm in cheerleading training action recognition. Sci Rep 16, 12265 (2026). https://doi.org/10.1038/s41598-026-43019-4

Trefwoorden: cheerleading, actieherkenning, pose-schatting, sportanalytics, deep learning