Aktualisiert Juli 2026
Markerlose Bewegungserfassung erklärt: Wie sie funktioniert
Markerlose Bewegungserfassung (Markerless Motion Capture) nutzt KI und Computer Vision, um aus gewöhnlichen Videos 3D-Animationsdaten zu generieren – ohne Anzüge, Marker oder Sensoren. Dieser Leitfaden erklärt die gesamte Pipeline, die wichtigsten KI-Modelle, Genauigkeitsbenchmarks, die besten Tools und reale Anwendungen im Jahr 2026.
Markerlose Bewegungserfassung ist eine Technologie, die menschliche Bewegungen aus normalem Videomaterial aufzeichnet und in 3D-Animationsdaten umwandelt – ohne reflektierende Marker, Sensoranzüge oder spezielle Kameras. Sie basiert auf Computer Vision und Deep-Learning-Modellen, um Körpergelenke zu erkennen, die 3D-Pose abzuleiten und Skelettanimationsdaten zu erzeugen, die digitale Charaktere in Spielen, Filmen, VR und Robotik antreiben können.
Im Jahr 2026 hat sich die markerlose Bewegungserfassung von der experimentellen Forschung zur praktischen Produktion entwickelt. Tools wie QuickMagic, Move.ai, Plask und DeepMotion ermöglichen es Kreativen, ein mit dem Smartphone aufgenommenes Video hochzuladen und innerhalb von Minuten saubere FBX- oder BVH-Animationsdateien zu erhalten. Dieser Leitfaden erklärt genau, wie die Technologie funktioniert, welche KI-Modelle dahinterstecken, wo sie hervorragende Ergebnisse liefert und wo sie noch an ihre Grenzen stößt.
Was ist markerlose Bewegungserfassung?
Der Begriff „markerlos“ bezieht sich auf das Fehlen physischer Marker auf dem Körper des Darstellers. Anstatt reflektierende Punkte zu verfolgen, identifiziert das KI-Modell anatomische Schlüsselpunkte – Schultern, Ellbogen, Handgelenke, Hüften, Knie, Knöchel und mehr – direkt aus den Pixeldaten. Diese Schlüsselpunkte bilden ein digitales Skelett, das die Bewegungen des Darstellers Bild für Bild widerspiegelt.
Markerloses Mocap wird je nach Kamerasetup in drei Kategorien eingeteilt:
| Typ | Erforderliche Kameras | Genauigkeit | Typischer Anwendungsfall |
|---|---|---|---|
| Einzelkamera-markerloses Mocap | 1 RGB-Kamera (Telefon, Webcam) | Mäßig | Indie-Spiele, Social-Media-Inhalte, Prototyping |
| Multikamera-markerloses Mocap | 2–8 synchronisierte RGB-Kameras | Hoch | Film-VFX, Sportanalyse, Forschung |
| Tiefenkamera-markerloses Mocap | 1+ RGB-D-Kamera (Kinect, RealSense) | Mäßig bis hoch | VR/AR, interaktive Installationen, klinische Bewertung |
Wie markerlose Bewegungserfassung funktioniert: Die 5-stufige Pipeline
1 Videoeingabe und Bildextraktion
Der Prozess beginnt mit einer normalen Videodatei. Das System dekomprimiert das Video in einzelne Frames – typischerweise 24, 30 oder 60 Bilder pro Sekunde. Jeder Frame ist ein Standbild, das die KI zunächst unabhängig analysiert, bevor eine zeitliche Glättung die Bilder zu einer kontinuierlichen Bewegung verbindet.
Wichtige Überlegungen in dieser Phase:
- Auflösung: Eine höhere Auflösung (1080p oder mehr) liefert dem Posenschätzer mehr Pixeldaten und verbessert die Genauigkeit der Schlüsselpunkte
- Bildrate: Höhere Bildraten erfassen schnelle Bewegungen mit weniger Bewegungsunschärfe. QuickMagic unterstützt 24/30/60/120 FPS Eingabe für verschiedene Produktionsanforderungen
- Beleuchtung: Gleichmäßiges, diffuses Licht liefert die zuverlässigsten Ergebnisse. Harte Schatten und Gegenlicht können die Erkennung von Schlüsselpunkten beeinträchtigen
- Kamerastabilität: Statische Kameras liefern sauberere Daten als bewegte Kameras, obwohl fortschrittliche Systeme wie QuickMagic Aufnahmen mit bewegter Kamera und globalen Tracking-Modi unterstützen
2 2D-Posenschätzung
Dies ist der zentrale KI-Schritt. Ein Deep-Learning-Modell analysiert jedes Videobild und sagt die 2D-Pixelkoordinaten anatomischer Schlüsselpunkte auf dem menschlichen Körper voraus. Das Modell wurde mit Millionen von beschrifteten Bildern trainiert, die Menschen in verschiedenen Posen, Kleidungen und Umgebungen zeigen.
Das Modell verarbeitet das Bild durch ein Convolutional Neural Network (CNN), das gelernt hat, visuelle Muster zu erkennen, die Körperteilen entsprechen. Für jeden Schlüsselpunkt (z. B. „linker Ellbogen“) gibt das Modell eine Wahrscheinlichkeitswärmekarte aus, die anzeigt, wo sich dieses Gelenk im Bild am wahrscheinlichsten befindet. Der Höhepunkt jeder Wärmekarte wird zur endgültigen 2D-Koordinate.
Häufige Anzahl von Schlüsselpunkten nach Modell:
- MoveNet (Google): 17 Schlüsselpunkte – nur die wichtigsten Gelenke
- OpenPose (CMU): 25 Körper-Schlüsselpunkte + 70 Gesicht + 21 pro Hand
- MediaPipe BlazePose (Google): 33 Ganzkörper-Schlüsselpunkte einschließlich Hände und Füße
- HRNet (Microsoft): 17 Schlüsselpunkte mit der höchsten veröffentlichten Genauigkeit im COCO-Benchmark
Zwei Architekturen bewältigen die Erkennung mehrerer Personen: Top-Down (zuerst jede Person erkennen, dann die Pose einzeln schätzen – genauer, aber langsamer) und Bottom-Up (alle Körperteile auf einmal erkennen, dann zu Skeletten gruppieren – schneller, aber in überfüllten Szenen weniger genau).
3 2D-zu-3D-Hebung
Nachdem die 2D-Schlüsselpunkte erkannt wurden, muss das System die Tiefe ableiten – die Z-Achsen-Information, die 2D-Bildern fehlt. Dies ist der technisch anspruchsvollste Schritt beim markerlosen Mocap.
Ein einzelnes 2D-Bild ist in Bezug auf die Tiefe grundsätzlich mehrdeutig: Ein Arm, der zur Kamera hin ausgestreckt ist, sieht ähnlich aus wie ein Arm, der zur Seite ausgestreckt ist. Um dies aufzulösen, verwenden 3D-Posenschätzungsmodelle eine von zwei Strategien:
Hebungsbasierte Methoden: Ein neuronales Netz, das mit gepaarten 2D-3D-Bewegungsdaten trainiert wurde, nimmt die 2D-Schlüsselpunktsequenz und „hebt“ sie in den 3D-Raum. Modelle wie VideoPose3D und PoseFormer nutzen zeitliche Informationen (mehrere aufeinanderfolgende Frames), um die Tiefe zu disambiguieren. Typische Genauigkeit: 35–45 mm mittlerer Positionsfehler pro Gelenk.
Parametrische Körpermodellanpassung: Anstatt rohe 3D-Koordinaten vorherzusagen, passt das System ein parametrisches menschliches Körpermodell (am häufigsten SMPL oder SMPL-X) an die 2D-Beobachtungen an. SMPL definiert einen Körper durch Formparameter und Posenparameter. Durch Optimierung dieser Parameter, um sie an die erkannten 2D-Schlüsselpunkte anzupassen, erzeugt das System ein konsistentes 3D-Körpernetz mit anatomisch korrekten Gelenkrotationen. Genauigkeit: 30–40 mm für zeitliche Modelle wie MHFormer und MixSTE.
Multikamerasysteme können die Hebung vollständig umgehen, indem sie Triangulation verwenden: Wenn derselbe Schlüsselpunkt von zwei oder mehr kalibrierten Kamerawinkeln sichtbar ist, kann seine 3D-Position geometrisch berechnet werden. Auf diese Weise erreichen markerlose Systeme in Forschungsumgebungen (Theia3D, Anipose) eine Genauigkeit, die an das markerbasierte Mocap heranreicht.
4 Skelettanpassung und Retargeting
Die 3D-Posendaten – sei es aus der Hebung oder der Modellanpassung – repräsentieren ein generisches Skelett. Um einen bestimmten 3D-Charakter anzutreiben, müssen diese Daten retargetiert werden: von den Proportionen des Quellskeletts auf das Rig des Zielcharakters abgebildet werden.
Retargeting umfasst:
- Knochenlängenskalierung: Anpassung des Abstands zwischen den Gelenken an die Proportionen des Charakters
- Rotationsextraktion: Umwandlung von 3D-Gelenkpositionen in Gelenkrotationen mittels inverser Kinematik (IK)
- Koordinatensystemausrichtung: Abgleich des Referenzrahmens des Quellskeletts mit der erwarteten Bind-Pose des Charakter-Rigs
- Fußkontakthandhabung: Erkennung, wenn die Füße den Boden berühren, und Fixieren, um ein Durchrutschen der Füße zu verhindern
Tools wie QuickMagic automatisieren diesen Schritt, indem sie einen direkten Export in Charakter-Rig-Formate anbieten, darunter Mixamo, UE MetaHuman, Character Creator & iClone und Roblox – jeweils mit vorkonfigurierten Retargeting-Profilen.
5 Bereinigung und Export
In der letzten Phase wird eine zeitliche Glättung angewendet, um Ruckeln zu reduzieren, häufige Artefakte (Fußrutschen, Gelenksprünge, gegenseitige Durchdringung) behoben und die Animationsdaten in branchenüblichen Formaten exportiert.
Häufige Bereinigungsoperationen:
- Zeitliche Glättung: Kalman-Filter oder gelernte zeitliche Modelle reduzieren Bild-zu-Bild-Ruckeln
- Fußkontaktkorrektur: Automatische Erkennung und Fixierung von Fuß-Boden-Kontaktframes
- Anti-Penetration: Anpassung der Gelenkpositionen, um zu verhindern, dass Gliedmaßen durcheinander hindurchgehen
- Loopen und Trimmen: Zuschneiden der Animation auf die gewünschten Start-/Endframes und optional Erstellen nahtloser Loops
Exportformate und ihre typischen Anwendungsfälle:
- FBX – Universelles Austauschformat für Maya, Blender, 3ds Max, Unity, Unreal Engine
- BVH – Motion-Capture-natives Format, weit verbreitet in Animationswerkzeugen
- BIP – 3ds Max Biped-Format für Character-Studio-Workflows
- VMD – MikuMikuDance-Format für VTuber- und MMD-Inhalte
- UE MetaHuman – Unreal Engine 5 Charakterformat
- USD – Aufkommender, von Pixar entwickelter Standard für 3D-Szenen
Die KI-Modelle hinter markerlosem Mocap
2D-Posenschätzungsmodelle
OpenPose (Carnegie Mellon University)
Das erste Open-Source-Framework, das eine Echtzeit-2D-Posenschätzung für mehrere Personen erreichte. Es wurde 2017 veröffentlicht und verwendet einen Bottom-Up-Ansatz mit Part Affinity Fields (PAFs), um Körperteile einzelnen Personen zuzuordnen. Erkennt 25 Körper-Schlüsselpunkte, 70 Gesichtsmerkmale und 21 Schlüsselpunkte pro Hand. Weit verbreitet in der Forschung und als Komponente in kommerziellen Pipelines.
MediaPipe BlazePose (Google)
Für Echtzeitleistung auf mobilen Geräten konzipiert. Verfolgt 33 Ganzkörper-Schlüsselpunkte mit 30+ FPS auf Mittelklasse-Telefonen. Seine leichte Architektur macht es zum Rückgrat vieler Fitness-, AR- und Avatar-Apps für Endverbraucher.
HRNet (Microsoft Research)
High-Resolution Network behält während des gesamten Netzwerks hochauflösende Darstellungen bei, anstatt sie aus niedrigauflösenden Merkmalen wiederherzustellen. Dieses Design verleiht HRNet die höchste veröffentlichte Genauigkeit im COCO Keypoints-Benchmark. Wird häufig als 2D-Erkennungs-Backbone in forschungsorientierten 3D-Pipelines verwendet.
ViTPose
Ein auf Vision Transformer basierender Posenschätzer, der HRNet in mehreren Benchmarks übertroffen hat. Verwendet Selbstaufmerksamkeitsmechanismen, um den globalen Kontext über den gesamten Körper hinweg zu erfassen, und verbessert so die Genauigkeit bei komplexen Posen mit starker Selbstverdeckung.
3D-Posen- und Körpermodelle
SMPL (Skinned Multi-Person Linear)
Ein parametrisches Körpermodell, das vom Max-Planck-Institut für Intelligente Systeme entwickelt wurde. SMPL repräsentiert den menschlichen Körper mit 10 Formparametern (Steuerung der Körperproportionen) und 72 Posenparametern (3 Rotationen pro 24 Gelenke). Aus diesen Parametern erzeugt SMPL ein vollständiges 3D-Netz mit realistischer Hautverformung. SMPL wurde kürzlich von Epic Games (über Meshcapade) übernommen, was auf eine tiefere Integration mit Unreal Engine hindeutet.
SMPL-X
Eine Erweiterung von SMPL, die Handartikulation (15 Gelenke pro Hand) und Gesichtsausdrücke hinzufügt. Wird in Anwendungen verwendet, die eine Erfassung des gesamten Körpers + Hände + Gesicht erfordern, wie z. B. VTuber-Avatare und digitale Menschen.
VideoPose3D
Ein zeitliches 3D-Posenschätzungsmodell, das eine Sequenz von 2D-Schlüsselpunkten als Eingabe nimmt und 3D-Schlüsselpunkt-Trajektorien ausgibt. Durch die Verwendung zeitlicher Faltungen nutzt es Bewegungskontext, um die Tiefenschätzgenauigkeit zu verbessern – es arbeitet allein auf Basis von 2D-Erkennungen, ohne dass ein Multikamera-Setup erforderlich ist.
Wie kommerzielle Tools diese Modelle kombinieren
Moderne markerlose Mocap-Plattformen wie QuickMagic verlassen sich nicht auf ein einzelnes Modell. Stattdessen verketten sie mehrere spezialisierte Modelle zu einer durchgängigen Pipeline:
- Personenerkennung (YOLO oder ähnlich) – identifiziert den Darsteller in jedem Frame und schneidet ihn aus
- 2D-Posenschätzung (benutzerdefinierte HRNet- oder ViTPose-Variante) – erkennt Schlüsselpunkte mit hoher Genauigkeit
- Zeitliche 3D-Hebung (proprietäres zeitliches Netzwerk) – wandelt 2D-Sequenz in 3D um
- Körpermodellanpassung (SMPL oder benutzerdefiniertes Skelett) – erzeugt konsistente Gelenkrotationen
- Nachbearbeitung (gelernte Filter + regelbasierte Korrekturen) – glättet Ruckeln, behebt Fußrutschen
- Retargeting und Export – Abbildung auf das Ziel-Rig-Format
Dieser mehrstufige Ansatz ermöglicht es kommerziellen Tools, eine höhere Qualität zu erreichen als jedes einzelne Open-Source-Modell allein, da jede Stufe für ihre spezifische Aufgabe optimiert und mit hochwertigen Bewegungsdaten aus der Produktion trainiert wurde.
Markerloses vs. markerbasiertes Mocap: Hauptunterschiede
| Vergleichsfaktor | Markerbasiert (optisch) | Markerloses (KI/Vision) |
|---|---|---|
| Erforderliche Hardware | Infrarotkameras, reflektierende Marker, Anzug | Standard-RGB-Kamera (Telefon, Webcam, DSLR) |
| Einrichtungszeit | 1–4 Stunden (Kalibrierung, Markerplatzierung) | 1–5 Minuten (Kamera ausrichten, aufnehmen) |
| Genauigkeit | Submillimeter-Position, <1 Grad Gelenkwinkel | 10–50 mm Position, 2–5 Grad Gelenkwinkel |
| Kosten | 50.000–250.000 $+ | 0–50 $/Monat |
| Tragbarkeit | Feste Studioinstallation | Überall mit einer Kamera |
| Darstellervorbereitung | Anzug anpassen, Markerkalibrierung | Keine – normale Kleidung tragen |
| Umgang mit Verdeckungen | Durch den Körper verdeckte Marker gehen verloren | KI-Modelle können verdeckte Gelenke ableiten |
| Mehrere Personen | Ja (mit genügend Kameras) | Ja (1–2 Personen mit einer Kamera) |
| Hand-/Fingerverfolgung | Ja (mit Handmarker-Sets) | Ja (weniger präzise als Körper) |
| Echtzeitvorschau | Ja (niedrige Latenzsysteme) | Ja (Echtzeitmodelle) |
| Am besten geeignet für | AAA-Filme, Biomechanik, Medizin | Indie-Spiele, Content-Erstellung, Prototyping |
Für einen detaillierteren Vergleich einschließlich inertialer (anzugbasierter) Systeme siehe unseren Leitfaden:
