Los dispositivos de seguimiento no invasivos se utilizan ampliamente para monitorear la postura en tiempo real. Sin embargo, existe un gran potencial para mejorar la cuantificación del control postural a través de videos de caminata. Este estudio avanza en la ciencia computacional al integrar OpenPose con una Máquina de Vectores de Soporte (SVM) para realizar un análisis postural altamente preciso y robusto, marcando una mejora sustancial sobre los métodos tradicionales que a menudo dependen de sensores invasivos. Utilizando el aprendizaje profundo basado en OpenPose, generamos Gráficos de Nodos Articulares Dinámicos (DJNP) e imágenes de identidad postural iso-bloque para 35 adultos jóvenes en experimentos controlados de caminata. A través de modelos de Regresión Temporal y Espacial (TSR), se extrajeron características clave para la clasificación de SVM, lo que permitió distinguir entre varios comportamientos de caminata. Este enfoque resultó en una precisión general del 0,990 y un índice Kappa de 0,985. Los puntos de corte para la proporción de ángulos superiores (TAR) y la proporción de ángulos inferiores (BAR) diferenciaron efectivamente entre desviaciones izquierda y derecha con valores de AUC de 0,772 y 0,775, respectivamente. Estos resultados demuestran la eficacia de integrar OpenPose con SVM, proporcionando un análisis más preciso y en tiempo real sin sensores invasivos. El trabajo futuro se centrará en expandir este método a una población más amplia, incluidas personas con anomalías de la marcha, para validar su efectividad en diversas condiciones clínicas. Además, planeamos explorar la integración de modelos alternativos de aprendizaje automático, como redes neuronales profundas, mejorando la robustez y adaptabilidad del sistema para entornos dinámicos complejos. Esta investigación abre nuevas vías para aplicaciones clínicas, especialmente en rehabilitación y ciencias del deporte, prometiendo revolucionar el análisis postural no invasivo.