Kann KI menschliche Handlungen erkennen? Aktivitätserkennung im Überblick

Der Alltag ist voller kleiner Bewegungen, über die wir nur selten bewusst nachdenken. Durch einen Raum zu gehen, an einem Schreibtisch zu sitzen oder einem Freund zuzuwinken, mag für uns mühelos sein, doch ihre Erkennung durch KI ist weitaus komplizierter. Was für Menschen ganz natürlich ist, wird deutlich komplexer, wenn eine Maschine versucht, es zu verstehen.

Diese Fähigkeit wird als Erkennung menschlicher Aktivitäten (HAR) bezeichnet und ermöglicht es Computern, Muster im menschlichen Verhalten zu erkennen und zu interpretieren. Eine Fitness-App ist ein gutes Beispiel für den praktischen Einsatz von HAR. Durch die Erfassung von Schritten und Trainingsabläufen zeigt sie, wie KI alltägliche Aktivitäten überwachen kann.

Angesichts des Potenzials von HAR haben viele Branchen begonnen, diese Technologie einzusetzen. Tatsächlich wird erwartet, dass der Markt für Handlungserkennung bis 2033 ein Volumen von mehr als 12,56 Milliarden US-Dollar erreicht.

Ein wesentlicher Teil dieser Entwicklung wird durch Computer Vision vorangetrieben, einen Bereich der KI, der Maschinen die Analyse visueller Daten wie Bildern und Videos ermöglicht. Durch Computer Vision und Bilderkennung hat sich HAR von einem Forschungskonzept zu einem praktischen und spannenden Bestandteil moderner KI-Anwendungen entwickelt.

In diesem Artikel untersuchen wir, was HAR ist, welche verschiedenen Methoden zur Erkennung menschlicher Handlungen eingesetzt werden und wie Computer Vision dabei hilft, die Frage zu beantworten: Kann KI menschliche Handlungen in realen Anwendungen erkennen? Legen wir los!

Was ist Handlungserkennung beim Menschen?#

Die Erkennung menschlicher Handlungen ermöglicht es Computersystemen, menschliche Aktivitäten oder Handlungen durch die Analyse von Körperbewegungen zu verstehen. Anders als beim bloßen Erkennen einer Person in einem Bild kann HAR dabei helfen, festzustellen, was die Person tut. Zum Beispiel kann das System zwischen Gehen und Laufen unterscheiden, ein Winken erkennen oder feststellen, wenn jemand stürzt.

Die Grundlage von HAR bilden Bewegungs- und Haltungsmuster. Bereits eine kleine Veränderung der Position von Armen oder Beinen kann auf unterschiedliche Handlungen hindeuten. Durch die Erfassung und Interpretation dieser feinen Details können HAR-Systeme aussagekräftige Informationen aus Körperbewegungen gewinnen.

Dafür kombiniert die Erkennung menschlicher Handlungen mehrere Technologien wie maschinelles Lernen, Deep-Learning-Modelle, Computer Vision und Bildverarbeitung, die gemeinsam Körperbewegungen analysieren und menschliche Handlungen genauer interpretieren.

Abb. 1. Die Erkennung menschlicher Aktivitäten umfasst verschiedene Bereiche der Informatik (Quelle: cell.com)

​​Frühere HAR-Systeme waren deutlich eingeschränkter. Sie konnten nur wenige einfache, sich wiederholende Handlungen in kontrollierten Umgebungen verarbeiten und hatten in realen Situationen oft Schwierigkeiten.

Heute hat sich HAR dank KI und großer Mengen an Videodaten sowohl hinsichtlich der Genauigkeit als auch der Robustheit deutlich weiterentwickelt. Moderne Systeme können eine große Bandbreite an Aktivitäten wesentlich präziser erkennen, wodurch die Technologie für Bereiche wie Gesundheitswesen, Sicherheit und interaktive Geräte praxis­tauglich wird.

Verschiedene Methoden zur Erkennung menschlicher Handlungen#

Nachdem wir nun besser verstehen, was die Erkennung menschlicher Handlungen ist, sehen wir uns die verschiedenen Möglichkeiten an, mit denen Maschinen menschliche Handlungen erkennen können.

Hier sind einige gängige Methoden:

• Sensorbasierte Methoden: Intelligente Geräte wie Beschleunigungssensoren, Wearables und Smartphones können Signale direkt vom menschlichen Körper erfassen. Sie können Bewegungsmuster wie Gehen, Laufen oder sogar regungsloses Stehen anzeigen. Ein Schrittzähler auf einer Smartwatch ist ein gutes Beispiel für diese Methode.
• Bildbasierte Methoden: Kameras in Verbindung mit Computer Vision analysieren Bilder und Videos, um das Aussehen und die Bewegung des Körpers von Bild zu Bild zu verfolgen. Dadurch lassen sich komplexere Aktivitäten erkennen. Fernseher oder Spielsysteme mit Gestensteuerung nutzen diese Methode.
• Multimodale Methoden: Die Kombination aus Sensoren und Kameras schafft ein zuverlässigeres System, da eine Quelle die Erkennung der anderen bestätigen kann. So kann beispielsweise ein Wearable eine Bewegung registrieren, während eine Kamera die Körperhaltung überprüft – ein Aufbau, der häufig zur Sturzerkennung in der Betreuung älterer Menschen eingesetzt wird.

Die Rolle von Datensätzen bei der Erkennung menschlicher Aktivitäten#

Für jedes HAR-Modell und -System sind Datensätze der Ausgangspunkt. Ein HAR-Datensatz ist eine Sammlung von Beispielen wie Videoclips, Bildern oder Sensordaten, die Handlungen wie Gehen, Sitzen oder Winken erfassen. Diese Beispiele werden verwendet, um KI-Modelle auf die Erkennung von Mustern menschlicher Bewegungen zu trainieren, die anschließend in realen Anwendungen eingesetzt werden können.

Die Qualität der Trainingsdaten wirkt sich direkt darauf aus, wie gut ein Modell funktioniert. Saubere, konsistente Daten erleichtern es dem System, Handlungen präzise zu erkennen.

Deshalb werden Datensätze vor dem Training häufig vorverarbeitet. Ein gängiger Schritt ist die Normalisierung, bei der Werte einheitlich skaliert werden, um Fehler zu reduzieren und eine Überanpassung zu verhindern (wenn ein Modell bei Trainingsdaten gut funktioniert, aber Schwierigkeiten mit neuen Daten hat).

Um die Leistung von Modellen über die Trainingsdaten hinaus zu messen, verwenden Forschende Evaluierungsmetriken und Benchmark-Datensätze, die faire Tests und Vergleiche ermöglichen. Beliebte Sammlungen wie UCF101, HMDB51 und Kinetics enthalten Tausende gekennzeichneter Videoclips zur Erkennung menschlicher Handlungen. Auf der Sensorseite liefern Datensätze, die mit Smartphones und Wearables erfasst wurden, wertvolle Bewegungssignale, durch die Erkennungsmodelle in unterschiedlichen Umgebungen robuster werden.

Abb. 2. Ein Einblick in einen Datensatz zur Erkennung menschlicher Aktivitäten. (Quelle)

Wie Computer Vision die Erkennung menschlicher Aktivitäten unterstützt#

Von den verschiedenen Möglichkeiten zur Erkennung menschlicher Handlungen hat sich Computer Vision schnell zu einer der beliebtesten und am intensivsten erforschten Methoden entwickelt. Der entscheidende Vorteil besteht darin, dass umfangreiche Details direkt aus Bildern und Videos gewonnen werden können. Durch die Betrachtung von Pixeln Bild für Bild und die Analyse von Bewegungsmustern lassen sich Aktivitäten in Echtzeit erkennen, ohne dass Menschen zusätzliche Geräte tragen müssen.

Die jüngsten Fortschritte im Deep Learning, insbesondere bei Faltungsneuronalen Netzen (CNNs), die für die Analyse von Bildern entwickelt wurden, haben Computer Vision schneller, genauer und zuverlässiger gemacht.

Weit verbreitete Computer-Vision-Modelle auf dem neuesten Stand der Technik wie Ultralytics YOLO11 bauen beispielsweise auf diesen Fortschritten auf. YOLO11 unterstützt Aufgaben wie Objekterkennung, Instanzsegmentierung, die Verfolgung von Personen über Videobilder hinweg und die Schätzung menschlicher Posen und ist damit ein leistungsfähiges Werkzeug für die Erkennung menschlicher Aktivitäten.

Ein Überblick über Ultralytics YOLO11#

Ultralytics YOLO11 ist ein Vision-KI-Modell, das für Geschwindigkeit und Präzision entwickelt wurde. Es unterstützt zentrale Computer-Vision-Aufgaben wie Objekterkennung, Objektverfolgung und Posenschätzung. Diese Fähigkeiten sind besonders für die Erkennung menschlicher Aktivitäten nützlich.

Die Objekterkennung identifiziert und lokalisiert Personen in einer Szene, die Verfolgung verfolgt ihre Bewegungen über Videobilder hinweg, um Handlungsabläufe zu erkennen, und die Posenschätzung bildet wichtige Gelenke des menschlichen Körpers ab, um ähnliche Aktivitäten zu unterscheiden oder plötzliche Veränderungen wie einen Sturz zu erkennen.

Die Erkenntnisse des Modells können beispielsweise dazu verwendet werden, den Unterschied zwischen jemandem zu erkennen, der ruhig sitzt, dann aufsteht und schließlich zum Jubeln die Arme hebt. Auf den ersten Blick mögen diese einfachen alltäglichen Handlungen ähnlich erscheinen, doch in einer Abfolge analysiert haben sie sehr unterschiedliche Bedeutungen.

Abb. 3. Verwendung von Ultralytics YOLO11 zur Posenschätzung. (Quelle)

Praxisanwendungen von Computer Vision und HAR#

Als Nächstes sehen wir uns genauer an, wie die durch Computer Vision unterstützte Erkennung menschlicher Aktivitäten in realen Anwendungsfällen eingesetzt wird, die unseren Alltag beeinflussen.

Gesundheitswesen und Wohlbefinden#

Im Gesundheitswesen können kleine Veränderungen in der Bewegung wertvolle Erkenntnisse über den Zustand einer Person liefern. So können beispielsweise das Stolpern eines älteren Patienten oder der Winkel eines Körperteils während der Rehabilitation auf Risiken oder Fortschritte hinweisen. Solche Anzeichen werden mit herkömmlichen Methoden wie Untersuchungen oft leicht übersehen.

Ultralytics YOLO11 kann dabei helfen, Patienten mithilfe von Posenschätzung und Bildanalyse in Echtzeit zu überwachen. Es kann zur Erkennung von Stürzen, zur Verfolgung von Rehabilitationsübungen und zur Beobachtung alltäglicher Aktivitäten wie Gehen oder Dehnen eingesetzt werden. Da es durch visuelle Analyse ohne Sensoren oder tragbare Geräte arbeitet, bietet es eine einfache Möglichkeit, genaue Informationen für die Unterstützung der Patientenversorgung zu sammeln.

Abb. 4. Verfolgung von Körperbewegungen mithilfe der Unterstützung von Ultralytics YOLO11 für die Posenschätzung. (Quelle)

Sicherheit und Überwachung#

Sicherheitssysteme müssen ungewöhnliche menschliche Aktivitäten schnell erkennen, etwa wenn jemand sich herumtreibt, in einem gesperrten Bereich läuft oder plötzlich aggressiv wird. In belebten Umgebungen werden solche Anzeichen oft übersehen, weil Sicherheitskräfte nicht alles manuell beobachten können. Hier kommen Computer Vision und Ultralytics YOLO11 ins Spiel.

YOLO11 erleichtert die Sicherheitsüberwachung, indem es eine Videoüberwachung in Echtzeit ermöglicht, die verdächtige Bewegungen erkennt und sofortige Warnungen sendet. Es unterstützt die Sicherheit von Menschenmengen im öffentlichen Raum und verbessert die Einbruchserkennung in privaten Bereichen.

Mit diesem Ansatz können Sicherheitskräfte gemeinsam mit Computer-Vision-Systemen arbeiten und so eine Zusammenarbeit zwischen Mensch und Computer schaffen, die schnellere und zeitnahere Reaktionen auf verdächtige Aktivitäten ermöglicht.

Vor- und Nachteile von Computer Vision für HAR#

Hier sind einige Vorteile der Verwendung von Computer Vision zur Erkennung menschlicher Aktivitäten:

• Skalierbarkeit: Nach der Einrichtung kann dasselbe Erkennungssystem automatisch mehrere Personen gleichzeitig überwachen und eignet sich dadurch für die Automatisierung in Gesundheitseinrichtungen, Fabriken und öffentlichen Bereichen.
• Verarbeitung in Echtzeit: Vision-KI-Lösungen können Videostreams während ihrer Entstehung analysieren und dadurch schnellere Reaktionen ermöglichen.
• Nichtinvasive Verfolgung: Anders als Wearables oder Sensoren erfordert diese Methode nicht, dass Menschen Geräte mit sich führen, und ermöglicht so eine natürliche und mühelose Verhaltensanalyse.

Die Verwendung von Computer Vision für HAR bietet zwar viele Vorteile, bringt aber auch Einschränkungen mit sich, die berücksichtigt werden müssen. Hier sind einige wichtige Faktoren:

• Datenschutzbedenken: Videobasierte Überwachung kann insbesondere in sensiblen Umgebungen wie Wohnungen oder Arbeitsplätzen Fragen zum Datenschutz und zur Einwilligung aufwerfen.
• Mögliche Verzerrungen: Wenn Trainingsdatensätze nicht vielfältig genug sind, interpretieren Algorithmen Handlungen bestimmter Personengruppen möglicherweise falsch, was zu unfairen oder ungenauen Ergebnissen führt.
• Umgebungsempfindlichkeit: Schlechte Lichtverhältnisse, ein unruhiger Hintergrund oder teilweise verdeckte Personen können die Genauigkeit beeinträchtigen. Daher müssen Systeme sorgfältig entwickelt werden.

Wichtige Erkenntnisse#

Künstliche Intelligenz und Computer Vision ermöglichen es Maschinen, menschliche Handlungen genauer und in Echtzeit zu erkennen. Durch die Analyse von Videobildern und Bewegungsmustern können diese Systeme sowohl alltägliche Gesten als auch plötzliche Veränderungen identifizieren. Mit der weiteren Verbesserung dieser Technologie entwickelt sich die Erkennung menschlicher Aktivitäten über Forschungslabore hinaus zu einem praktischen Werkzeug für das Gesundheitswesen, die Sicherheit und alltägliche Anwendungen.

Erfahre mehr über KI, indem du unser GitHub-Repository besuchst und unserer Community beitrittst. Sieh dir unsere Lösungsseiten an, um mehr über KI in der Robotik und Computer Vision in der Fertigung zu erfahren. Entdecke unsere Lizenzoptionen, um mit Vision-KI zu beginnen.