Action Recognition

يُعرَف التعرّف على الأفعال، ويُسمّى أيضًا بشكل شائع التعرّف على الأنشطة البشرية (HAR)، بأنه مجال فرعي ديناميكي من الرؤية الحاسوبية (CV) يهتم بتحديد سلوكيات أو حركات محددة وتصنيفها، ينفذها الأشخاص في بيانات الفيديو. وبينما تجيب عملية اكتشاف الأجسام التقليدية عن سؤال «ماذا يوجد في الصورة؟»، يتناول التعرّف على الأفعال سؤالًا أكثر تعقيدًا: «ماذا يحدث بمرور الوقت؟». ومن خلال تحليل تسلسلات الإطارات بدلًا من الصور الثابتة، تستطيع نماذج التعلّم الآلي (ML) التمييز بين أنشطة معقدة مثل «المشي» أو «ركوب الدراجة» أو «السقوط» أو «المصافحة»، مما يجعلها مكوّنًا أساسيًا لبناء أنظمة ذكية تفهم النوايا والسياق البشريين.

المفاهيم والتقنيات الأساسية#

يتطلب التعرّف على الأفعال أن يعالج النموذج المعلومات المكانية (مظهر الأجسام أو الأشخاص) والمعلومات الزمنية (كيفية تحركهم عبر الزمن) على حد سواء. ولتحقيق ذلك، غالبًا ما تستخدم أنظمة الذكاء الاصطناعي (AI) الحديثة بنيات متخصصة تتجاوز الشبكات العصبية الالتفافية (CNNs) القياسية.

• تقدير الوضعية: تقنية قوية يتتبع فيها النموذج النقاط الرئيسية المحددة على جسم الإنسان، مثل المرفقين والركبتين والكتفين. وتوفر التغيرات الهندسية في هذه النقاط الرئيسية بمرور الوقت إشارة قوية لتصنيف الأفعال، بصرف النظر عن الفوضى الموجودة في الخلفية.
• النمذجة الزمنية: تستخدم الخوارزميات بنيات مثل الشبكات العصبية المتكررة (RNNs) أو شبكات الذاكرة طويلة وقصيرة الأمد (LSTM) لتذكّر الإطارات السابقة والتنبؤ بالأفعال المستقبلية. ومؤخرًا، اكتسبت المحوّلات الخاصة بالفيديو شعبية لقدرتها على التعامل مع الاعتماديات بعيدة المدى في تدفقات الفيديو.
• الشبكات ثنائية التدفق: تعالج هذه المنهجية السمات المكانية (إطارات RGB) والسمات الزمنية (غالبًا باستخدام التدفق البصري) في تدفقين متوازيين، ثم تدمج البيانات لإجراء التصنيف النهائي.

التطبيقات الواقعية#

تمتلك القدرة على تفسير حركة الإنسان تلقائيًا إمكانات تحويلية في مختلف الصناعات، إذ تعزز السلامة والكفاءة وتجربة المستخدم.

• الذكاء الاصطناعي في الرعاية الصحية: يُعدّ التعرّف على الأفعال أمرًا بالغ الأهمية لأنظمة مراقبة المرضى. فعلى سبيل المثال، يتيح اكتشاف السقوط تلقائيًا في دور رعاية المسنين، مع تنبيه العاملين فورًا إذا سقط أحد المرضى. ويُستخدم أيضًا في إعادة التأهيل البدني عن بُعد، حيث يحلل مدربون يعملون بالذكاء الاصطناعي أداء المريض للتمارين لضمان تنفيذه الحركات بطريقة صحيحة وآمنة.
• المراقبة الذكية والأمن: بعيدًا عن اكتشاف الحركة البسيط، تستخدم أنظمة الأمن المتقدمة التعرّف على الأفعال لتحديد السلوكيات المريبة، مثل الشجار أو السرقة من المتاجر أو الدخول غير المصرح به، مع تجاهل الأنشطة غير الضارة. ويقلل ذلك من الإنذارات الكاذبة ويحسّن المراقبة الأمنية في الوقت الفعلي.

تنفيذ تحليل الأفعال باستخدام Ultralytics#

تتضمن سيرورة العمل الشائعة اكتشاف الأشخاص ووضعياتهم الهيكلية أولًا، ثم تحليل حركة تلك المفاصل. ويوفر نموذج Ultralytics YOLO26 سرعة ودقة فائقتين للخطوة الأولية المتمثلة في تقدير الوضعية، وهي الأساس للعديد من مسارات التعرّف على الأفعال.

يوضح المثال التالي كيفية استخراج النقاط الرئيسية الهيكلية من إطار فيديو باستخدام Python:

from ultralytics import YOLO

# Load the YOLO26 pose estimation model
model = YOLO("yolo26n-pose.pt")

# Run inference on an image to detect person keypoints
results = model("https://ultralytics.com/images/bus.jpg")

# Process results
for result in results:
    # Access the keypoints (x, y, visibility)
    if result.keypoints is not None:
        print(f"Detected keypoints shape: {result.keypoints.data.shape}")

التمييز بين المصطلحات ذات الصلة#

من المهم التمييز بين التعرّف على الأفعال ومهام الرؤية الحاسوبية المماثلة لضمان تطبيق الأساليب الصحيحة.

• التعرّف على الأفعال مقابل تتبّع الأجسام: يركّز تتبّع الأجسام على الحفاظ على هوية جسم أو شخص محدد أثناء تحركه عبر الإطارات (مثلًا: «الشخص أ موجود عند الإحداثي X»). أما التعرّف على الأفعال فيفسّر سلوك ذلك الشخص الذي جرى تتبّعه (مثلًا: «الشخص أ يركض»).
• التعرّف على الأفعال مقابل فهم الفيديو: بينما يحدد التعرّف على الأفعال أفعالًا جسدية محددة، يُعدّ فهم الفيديو مفهومًا أوسع يتضمن استيعاب السرد الكامل والسياق والعلاقات السببية داخل مشهد الفيديو.

التحديات والاتجاهات المستقبلية#

يمثل تطوير نماذج متينة للتعرّف على الأفعال تحديات، لا سيما بسبب الحاجة إلى مجموعات بيانات فيديو كبيرة وموسومة، مثل Kinetics-400 أو UCF101. ويستغرق وسم بيانات الفيديو وقتًا أطول بكثير من وسم الصور الثابتة. ولمعالجة ذلك، تساعد أدوات مثل منصة Ultralytics على تبسيط سيرورة عمل التعليق التوضيحي والتدريب.

علاوة على ذلك، تُعدّ الكفاءة الحسابية أمرًا بالغ الأهمية. وتتطلب معالجة الفيديو عالي الدقة في الوقت الفعلي موارد عتادية كبيرة. وتتجه الصناعة بصورة متزايدة نحو الذكاء الاصطناعي الطرفي، مع تحسين النماذج لتعمل مباشرة على الكاميرات والأجهزة المحمولة من أجل تقليل زمن الاستجابة واستخدام النطاق الترددي. وتهدف التطورات المستقبلية إلى تحسين تعميم النموذج، بما يتيح للأنظمة التعرّف على الأفعال حتى من وجهات نظر لم تُدرَّب عليها صراحةً.