¿Puede la AI detectar acciones humanas? Explorando el reconocimiento de actividades

La vida cotidiana está llena de pequeños movimientos en los que rara vez nos paramos a pensar. Caminar por una habitación, sentarse en un escritorio o saludar a un amigo puede resultarnos sencillo, pero detectarlos con IA es mucho más complicado. Lo que a los humanos nos sale de forma natural se convierte en algo mucho más complejo cuando una máquina intenta comprenderlo.

Esta capacidad se conoce como reconocimiento de actividades humanas (HAR) y permite a los ordenadores detectar e interpretar patrones del comportamiento humano. Una aplicación de fitness es un ejemplo excelente de HAR en acción. Al registrar los pasos y las rutinas de ejercicio, muestra cómo la IA puede supervisar las actividades diarias.

Al ver el potencial de HAR, muchos sectores han empezado a adoptar esta tecnología. De hecho, se espera que el mercado del reconocimiento de acciones humanas supere los 12,56 mil millones de dólares en 2033.

Una parte importante de este progreso está impulsada por la visión por ordenador, una rama de la IA que permite a las máquinas analizar datos visuales, como imágenes y vídeos. Con la visión por ordenador y el reconocimiento de imágenes, HAR ha pasado de ser un concepto de investigación a convertirse en una parte práctica y apasionante de las aplicaciones de IA más avanzadas.

En este artículo, exploraremos qué es HAR, los distintos métodos utilizados para reconocer acciones humanas y cómo la visión por ordenador ayuda a responder a la pregunta: ¿puede la IA detectar acciones humanas en aplicaciones del mundo real? ¡Empecemos!

¿Qué es el reconocimiento de acciones humanas?#

El reconocimiento de acciones humanas permite a los sistemas informáticos comprender actividades o acciones humanas mediante el análisis de los movimientos corporales. A diferencia de simplemente detectar a una persona en una imagen, HAR puede ayudar a identificar qué está haciendo. Por ejemplo, distinguir entre caminar y correr, reconocer un saludo con la mano o detectar cuándo alguien se cae.

La base de HAR reside en los patrones de movimiento y postura. Un ligero cambio en la posición de los brazos o las piernas de una persona puede indicar distintas acciones. Al capturar e interpretar estos detalles sutiles, los sistemas HAR pueden obtener información relevante de los movimientos corporales.

Para conseguirlo, el reconocimiento de acciones humanas combina varias tecnologías, como el aprendizaje automático, los modelos de aprendizaje profundo, la visión por ordenador y el procesamiento de imágenes, que trabajan conjuntamente para analizar los movimientos corporales e interpretar las acciones humanas con mayor precisión.

Fig. 1. El reconocimiento de actividades humanas abarca distintas ramas de la informática (fuente: cell.com)

​​Los primeros sistemas HAR eran mucho más limitados. Solo podían procesar unas pocas acciones sencillas y repetitivas en entornos controlados, y a menudo tenían dificultades en situaciones del mundo real.

Hoy, gracias a la IA y a las grandes cantidades de datos de vídeo, HAR ha avanzado considerablemente tanto en precisión como en robustez. Los sistemas modernos pueden reconocer una amplia variedad de actividades con mucha más precisión, lo que hace que esta tecnología resulte práctica en ámbitos como la sanidad, la seguridad y los dispositivos interactivos.

Distintos métodos para detectar acciones humanas#

Ahora que entendemos mejor qué es el reconocimiento de acciones humanas, veamos las distintas formas en que las máquinas pueden detectar acciones humanas.

Estos son algunos de los métodos habituales:

• Métodos basados en sensores: Los dispositivos inteligentes, como los acelerómetros, los dispositivos ponibles y los smartphones, pueden capturar señales directamente del cuerpo humano. Pueden mostrar patrones de movimiento como caminar, correr o incluso permanecer quieto. Un contador de pasos en un smartwatch es un buen ejemplo de este método.
• Métodos basados en la visión: Las cámaras combinadas con la visión por ordenador analizan imágenes y vídeos para seguir el aspecto y el movimiento del cuerpo fotograma a fotograma. Esto permite reconocer actividades más complejas. Los televisores o sistemas de videojuegos controlados por gestos se basan en este método.
• Métodos multimodales: La combinación de sensores y cámaras crea un sistema más fiable, ya que una fuente puede confirmar lo que detecta la otra. Por ejemplo, un dispositivo ponible puede registrar el movimiento mientras una cámara verifica la postura, una configuración que suele utilizarse para detectar caídas en la atención a personas mayores.

El papel de los conjuntos de datos en el reconocimiento de actividades humanas#

Para cualquier modelo o sistema HAR, los conjuntos de datos son el punto de partida. Un conjunto de datos HAR es una colección de ejemplos, como clips de vídeo, imágenes o datos de sensores, que capturan acciones como caminar, sentarse o saludar. Estos ejemplos se utilizan para entrenar modelos de IA capaces de reconocer patrones del movimiento humano, que después pueden aplicarse en situaciones reales.

La calidad de los datos de entrenamiento afecta directamente al rendimiento de un modelo. Los datos limpios y coherentes facilitan que el sistema reconozca las acciones con precisión.

Por eso, los conjuntos de datos suelen preprocesarse antes del entrenamiento. Un paso habitual es la normalización, que escala los valores de forma coherente para reducir errores y evitar el sobreajuste (cuando un modelo funciona bien con los datos de entrenamiento, pero tiene dificultades con datos nuevos).

Para medir el rendimiento de los modelos más allá del entrenamiento, los investigadores se basan en métricas de evaluación y conjuntos de datos de referencia que permiten realizar pruebas y comparaciones justas. Colecciones populares como UCF101, HMDB51 y Kinetics incluyen miles de clips de vídeo etiquetados para la detección de acciones humanas. En el ámbito de los sensores, los conjuntos de datos recopilados de smartphones y dispositivos ponibles proporcionan valiosas señales de movimiento que hacen que los modelos de reconocimiento sean más robustos en distintos entornos.

Fig. 2. Un vistazo a un conjunto de datos de reconocimiento de actividades humanas. (Fuente)

Cómo contribuye la visión por ordenador al reconocimiento de actividades humanas#

De las distintas formas de detectar acciones humanas, la visión por ordenador se ha convertido rápidamente en una de las más populares y estudiadas. Su principal ventaja es que puede extraer información detallada directamente de las imágenes y los vídeos. Al observar los píxeles fotograma a fotograma y analizar los patrones de movimiento, puede reconocer actividades en tiempo real sin que las personas tengan que llevar dispositivos adicionales.

Los avances recientes en el aprendizaje profundo, especialmente en las redes neuronales convolucionales (CNNs), diseñadas para analizar imágenes, han hecho que la visión por ordenador sea más rápida, precisa y fiable.

Por ejemplo, modelos de visión por ordenador de última generación y ampliamente utilizados, como Ultralytics YOLO11, se basan en estos avances. YOLO11 admite tareas como la detección de objetos, la segmentación de instancias, el seguimiento de personas entre fotogramas de vídeo y la estimación de poses humanas, por lo que es una herramienta excelente para el reconocimiento de actividades humanas.

Descripción general de Ultralytics YOLO11#

Ultralytics YOLO11 es un modelo de IA visual diseñado para ofrecer velocidad y precisión. Admite tareas fundamentales de visión por ordenador, como la detección de objetos, el seguimiento de objetos y la estimación de poses. Estas capacidades resultan especialmente útiles para el reconocimiento de actividades humanas.

La detección de objetos identifica y localiza a las personas en una escena, el seguimiento sigue sus movimientos entre los fotogramas de vídeo para reconocer secuencias de acciones y la estimación de poses representa las articulaciones clave del cuerpo humano para distinguir entre actividades similares o detectar cambios repentinos, como una caída.

Por ejemplo, la información obtenida del modelo puede utilizarse para distinguir entre alguien que está sentado tranquilamente, después se levanta y finalmente alza los brazos para celebrar. Estas sencillas acciones cotidianas pueden parecer similares a primera vista, pero tienen significados muy distintos cuando se analizan en una secuencia.

Fig. 3. Uso de Ultralytics YOLO11 para la estimación de poses. (Fuente)

Aplicaciones reales de la visión por ordenador y HAR#

A continuación, veremos más de cerca cómo se aplica el reconocimiento de actividades humanas basado en visión por ordenador en casos de uso reales que afectan a nuestra vida cotidiana.

Sanidad y bienestar#

En la sanidad, los pequeños cambios en el movimiento pueden proporcionar información útil sobre el estado de una persona. Por ejemplo, un tropiezo de un paciente de edad avanzada o el ángulo de una extremidad durante la rehabilitación pueden revelar riesgos o progresos. Estos signos suelen ser fáciles de pasar por alto mediante métodos tradicionales, como las revisiones médicas.

Ultralytics YOLO11 puede ayudar mediante el uso de la estimación de poses y el análisis de imágenes para supervisar a los pacientes en tiempo real. Puede utilizarse para detectar caídas, seguir ejercicios de recuperación y observar actividades cotidianas como caminar o estirarse. Como funciona mediante análisis visual sin necesidad de sensores ni dispositivos ponibles, ofrece una forma sencilla de recopilar información precisa que contribuye a la atención de los pacientes.

Fig. 4. Seguimiento de los movimientos corporales mediante la compatibilidad de Ultralytics YOLO11 con la estimación de poses. (Fuente)

Seguridad y vigilancia#

Los sistemas de seguridad dependen de la detección rápida de actividades humanas inusuales, como que alguien merodee, corra en una zona restringida o muestre una agresividad repentina. Estas señales suelen pasar desapercibidas en entornos concurridos donde los guardias de seguridad no pueden vigilarlo todo manualmente. Ahí es donde entran en juego la visión por ordenador y Ultralytics YOLO11.

YOLO11 facilita la supervisión de la seguridad al impulsar la videovigilancia en tiempo real, capaz de detectar movimientos sospechosos y enviar alertas instantáneas. Permite mejorar la seguridad de las multitudes en espacios públicos y reforzar la detección de intrusiones en zonas privadas.

Con este enfoque, los guardias de seguridad pueden trabajar junto a sistemas de visión por ordenador, creando una interacción y colaboración entre humanos y ordenadores que permite responder de forma más rápida y oportuna a las actividades sospechosas.

Ventajas y desventajas del uso de la visión por ordenador para HAR#

Estas son algunas de las ventajas de utilizar la visión por ordenador para el reconocimiento de actividades humanas:

• Escalabilidad: Una vez configurado, el mismo sistema de reconocimiento puede supervisar automáticamente a varias personas a la vez, lo que lo hace útil para la automatización en centros sanitarios, fábricas y espacios públicos.
• Procesamiento en tiempo real: Las soluciones de IA visual pueden utilizarse para analizar secuencias de vídeo a medida que se producen, lo que permite responder más rápido.
• Seguimiento no invasivo: A diferencia de los dispositivos ponibles o los sensores, no requiere que las personas lleven dispositivos, lo que permite analizar su comportamiento de forma natural y sencilla.

Aunque utilizar la visión por ordenador para HAR ofrece muchas ventajas, también hay limitaciones que deben tenerse en cuenta. Estos son algunos factores importantes:

• Problemas de privacidad: La supervisión basada en vídeo puede plantear problemas relacionados con la protección de datos y el consentimiento, especialmente en entornos sensibles como hogares o lugares de trabajo.
• Posible sesgo: Si los conjuntos de datos de entrenamiento no son diversos, los algoritmos pueden interpretar incorrectamente las acciones de determinados grupos de personas, lo que daría lugar a resultados injustos o imprecisos.
• Sensibilidad al entorno: La precisión puede disminuir debido a una iluminación deficiente, un fondo recargado o personas parcialmente ocultas, por lo que los sistemas deben diseñarse cuidadosamente.

Conclusiones clave#

La inteligencia artificial y la visión por ordenador están haciendo posible que las máquinas reconozcan acciones humanas con mayor precisión y en tiempo real. Al analizar fotogramas de vídeo y patrones de movimiento, estos sistemas pueden identificar tanto gestos cotidianos como cambios repentinos. A medida que la tecnología sigue mejorando, el reconocimiento de actividades humanas deja atrás los laboratorios de investigación y se convierte en una herramienta práctica para la sanidad, la seguridad y las aplicaciones cotidianas.

Descubre más sobre la IA visitando nuestro repositorio de GitHub y uniéndote a nuestra comunidad. Consulta nuestras páginas de soluciones para obtener más información sobre la IA en robótica y la visión por ordenador en la fabricación. Descubre nuestras opciones de licencia para empezar a utilizar la IA visual.