L'IA peut-elle détecter les actions humaines ? Explorer la reconnaissance d'activité

La vie quotidienne est remplie de petits mouvements auxquels nous réfléchissons rarement. Traverser une pièce, s'asseoir à un bureau ou faire signe à un ami nous semble naturel, pourtant les détecter avec l'IA est bien plus complexe. Ce qui vient naturellement aux humains se traduit par quelque chose de beaucoup plus complexe lorsqu'une machine tente de le comprendre.

Cette capacité est connue sous le nom de reconnaissance d'activité humaine (HAR), et elle permet aux ordinateurs de détecter et d'interpréter des modèles dans le comportement humain. Une application de fitness est un excellent exemple de la HAR en action. En suivant les pas et les routines d'entraînement, elle montre comment l'IA peut surveiller les activités quotidiennes.

Voyant le potentiel de la HAR, de nombreuses industries ont commencé à adopter cette technologie. En fait, le marché de la reconnaissance d'action humaine devrait atteindre plus de 12,56 milliards de dollars d'ici 2033.

Une part importante de ces progrès est propulsée par la vision par ordinateur, une branche de l'IA qui permet aux machines d'analyser des données visuelles, telles que des images et des vidéos. Avec la vision par ordinateur et la reconnaissance d'image, la HAR a évolué d'un concept de recherche vers une partie pratique et passionnante des applications d'IA de pointe.

Dans cet article, nous explorerons ce qu'est la HAR, les différentes méthodes utilisées pour reconnaître les actions humaines et comment la vision par ordinateur aide à répondre à la question : l'IA peut-elle détecter les actions humaines dans des applications réelles ? Commençons !

Link to this sectionQu'est-ce que la reconnaissance d'action humaine ?#

La reconnaissance d'action humaine permet aux systèmes informatiques de comprendre les activités ou les actions humaines en analysant les mouvements du corps. Contrairement à la simple détection d'une personne dans une image, la HAR peut aider à identifier ce que la personne fait. Par exemple, distinguer la marche de la course, reconnaître un mouvement de main ou remarquer quand quelqu'un tombe.

La base de la HAR repose sur les modèles de mouvement et de posture. Un léger changement dans la position des bras ou des jambes d'un humain peut signaler une variété d'actions. En capturant et en interprétant ces détails subtils, les systèmes HAR peuvent obtenir des informations significatives à partir des mouvements corporels.

Pour y parvenir, la reconnaissance d'action humaine combine plusieurs technologies telles que l'apprentissage automatique, les modèles d'apprentissage profond, la vision par ordinateur et le traitement d'image, qui travaillent ensemble pour analyser les mouvements du corps et interpréter les actions humaines avec une plus grande précision.

Fig 1. La reconnaissance d'activité humaine implique différentes branches de l'informatique (Source : cell.com)

Les anciens systèmes HAR étaient beaucoup plus limités. Ils ne pouvaient gérer que quelques actions simples et répétitives dans des environnements contrôlés et avaient souvent du mal dans des situations réelles.

Aujourd'hui, grâce à l'IA et aux grandes quantités de données vidéo, la HAR a progressé de manière significative en précision et en robustesse. Les systèmes modernes peuvent reconnaître un large éventail d'activités avec une précision bien supérieure, rendant la technologie pratique pour des domaines comme la santé, la sécurité et les appareils interactifs.

Link to this sectionDifférentes méthodes de détection des actions humaines#

Maintenant que nous comprenons mieux ce qu'est la reconnaissance d'action humaine, jetons un œil aux différentes façons dont les machines peuvent détecter les actions humaines.

Voici quelques-unes des méthodes courantes :

• Méthodes basées sur les capteurs : Les appareils intelligents tels que les accéléromètres, les wearables et les smartphones peuvent capturer des signaux directement depuis le corps humain. Ils peuvent montrer des modèles de mouvement comme la marche, la course ou même l'immobilité. Un compteur de pas sur une montre connectée est un excellent exemple de cette méthode.
• Méthodes basées sur la vision : Les caméras associées à la vision par ordinateur analysent les images et les vidéos pour suivre l'apparence et les mouvements du corps image par image. Cela permet la reconnaissance d'activités plus complexes. Les téléviseurs ou les systèmes de jeu contrôlés par gestes reposent sur cette méthode.
• Méthodes multimodales : Il s'agit d'une combinaison de capteurs et de caméras qui crée un système plus fiable, puisqu'une source peut confirmer ce que l'autre détecte. Par exemple, un wearable peut enregistrer un mouvement tandis qu'une caméra vérifie la posture, une configuration souvent utilisée dans la détection de chutes pour les soins aux personnes âgées.

Link to this sectionLe rôle des jeux de données dans la reconnaissance d'activité humaine#

Pour tout modèle ou système HAR, les jeux de données sont le point de départ. Un jeu de données HAR est une collection d'exemples, tels que des clips vidéo, des images ou des données de capteurs, qui capturent des actions comme marcher, s'asseoir ou faire signe. Ces exemples sont utilisés pour entraîner des modèles d'IA à reconnaître des modèles dans le mouvement humain, qui peuvent ensuite être appliqués dans des situations réelles.

La qualité des données d'entraînement affecte directement les performances d'un modèle. Des données propres et cohérentes facilitent la reconnaissance précise des actions par le système.

C'est pourquoi les jeux de données sont souvent prétraités avant l'entraînement. Une étape courante est la normalisation, qui met les valeurs à l'échelle de manière cohérente pour réduire les erreurs et éviter le surapprentissage (lorsqu'un modèle fonctionne bien sur les données d'entraînement mais a des difficultés avec de nouvelles données).

Pour mesurer les performances des modèles au-delà de l'entraînement, les chercheurs s'appuient sur des mesures d'évaluation et des jeux de données de référence qui permettent des tests et des comparaisons équitables. Des collections populaires comme UCF101, HMDB51 et Kinetics incluent des milliers de clips vidéo étiquetés pour la détection d'action humaine. Du côté des capteurs, les jeux de données collectés à partir de smartphones et de wearables fournissent des signaux de mouvement précieux qui rendent les modèles de reconnaissance plus robustes dans différents environnements.

Fig 2. Un aperçu d'un jeu de données de reconnaissance d'activité humaine. (Source)

Link to this sectionComment la vision par ordinateur soutient la reconnaissance d'activité humaine#

Parmi les différentes façons de détecter les actions humaines, la vision par ordinateur est rapidement devenue l'une des plus populaires et des plus étudiées. Son avantage clé est qu'elle peut extraire des détails riches directement à partir d'images et de vidéos. En examinant les pixels image par image et en analysant les modèles de mouvement, elle peut reconnaître les activités en temps réel sans que les personnes aient besoin de porter des appareils supplémentaires.

Les progrès récents dans l'apprentissage profond, en particulier les réseaux de neurones convolutifs (CNN), qui sont conçus pour analyser des images, ont rendu la vision par ordinateur plus rapide, plus précise et plus fiable.

Par exemple, des modèles de vision par ordinateur de pointe largement utilisés comme Ultralytics YOLO11 sont construits sur ces avancées. YOLO11 prend en charge des tâches telles que la détection d'objets, la segmentation d'instances, le suivi des personnes à travers les images vidéo et l'estimation de poses humaines, ce qui en fait un excellent outil pour la reconnaissance d'activité humaine.

Link to this sectionUn aperçu de Ultralytics YOLO11#

Ultralytics YOLO11 est un modèle d'IA de vision conçu à la fois pour la vitesse et la précision. Il prend en charge des tâches de vision par ordinateur fondamentales telles que la détection d'objets, le suivi d'objets et l'estimation de pose. Ces capacités sont particulièrement utiles pour la reconnaissance d'activité humaine.

La détection d'objets identifie et localise les personnes dans une scène, le suivi suit leurs mouvements à travers les images vidéo pour reconnaître des séquences d'actions, et l'estimation de pose mappe les articulations clés du corps humain pour distinguer des activités similaires ou détecter des changements soudains comme une chute.

Par exemple, les informations issues du modèle peuvent être utilisées pour différencier quelqu'un qui est assis tranquillement, se lève, puis lève les bras pour applaudir. Ces actions quotidiennes simples peuvent sembler similaires au premier coup d'œil, mais portent des significations très différentes lorsqu'elles sont analysées en séquence.

Fig 3. Utilisation d'Ultralytics YOLO11 pour l'estimation de pose. (Source)

Link to this sectionApplications concrètes de la vision par ordinateur et de la HAR#

Ensuite, examinons de plus près comment la reconnaissance d'activité humaine propulsée par la vision par ordinateur est appliquée dans des cas d'utilisation concrets qui impactent notre vie quotidienne.

Link to this sectionSanté et bien-être#

Dans le domaine de la santé, de petits changements dans le mouvement peuvent fournir des informations utiles sur l'état d'une personne. Par exemple, un trébuchement d'un patient âgé ou l'angle d'un membre pendant la rééducation peut révéler des risques ou des progrès. Ces signes sont souvent faciles à manquer par des moyens traditionnels, comme les bilans de santé.

YOLO11 peut aider en utilisant l'estimation de pose et l'analyse d'image pour surveiller les patients en temps réel. Il peut être utilisé pour détecter les chutes, suivre les exercices de récupération et observer les activités quotidiennes telles que marcher ou s'étirer. Parce qu'il fonctionne par analyse visuelle sans avoir besoin de capteurs ou d'appareils portables, il offre un moyen simple de recueillir des informations précises qui soutiennent les soins aux patients.

Fig 4. Suivi des mouvements corporels à l'aide de la prise en charge de l'estimation de pose par YOLO11. (Source)

Link to this sectionSécurité et surveillance#

Les systèmes de sécurité reposent sur la détection rapide d'activités humaines inhabituelles, comme quelqu'un qui traîne, court dans une zone restreinte ou montre une agressivité soudaine. Ces signes sont souvent manqués dans les environnements très fréquentés où les agents de sécurité ne peuvent pas tout surveiller manuellement. C'est là que la vision par ordinateur et YOLO11 entrent en jeu.

YOLO11 facilite la surveillance de la sécurité en alimentant la vidéosurveillance en temps réel capable de détecter les mouvements suspects et d'envoyer des alertes instantanées. Il soutient la sécurité des foules dans les espaces publics et renforce la détection des intrusions dans les zones privées.

Avec cette approche, les agents de sécurité peuvent travailler aux côtés des systèmes de vision par ordinateur, créant une interaction et un partenariat homme-machine qui permettent des réponses plus rapides et plus opportunes aux activités suspectes.

Link to this sectionAvantages et inconvénients de l'utilisation de la vision par ordinateur pour la HAR#

Voici quelques-uns des avantages de l'utilisation de la vision par ordinateur pour la reconnaissance d'activité humaine :

• Évolutivité : Une fois configuré, le même système de reconnaissance peut surveiller automatiquement plusieurs personnes à la fois, ce qui le rend utile pour l'automatisation dans les établissements de santé, les usines et les espaces publics.
• Traitement en temps réel : Les solutions d'IA de vision peuvent être utilisées pour analyser les flux vidéo au fur et à mesure qu'ils se produisent, permettant des réponses plus rapides.
• Suivi non invasif : Contrairement aux wearables ou aux capteurs, il n'exige pas que les gens transportent des appareils, ce qui permet une analyse naturelle et sans effort du comportement.

Bien qu'il y ait de nombreux avantages à utiliser la vision par ordinateur pour la HAR, il existe également des limitations à prendre en compte. Voici quelques facteurs à garder à l'esprit :

• Problèmes de confidentialité : La surveillance basée sur la vidéo peut soulever des questions concernant la protection des données et le consentement, en particulier dans des environnements sensibles comme les maisons ou les lieux de travail.
• Biais potentiel : Si les jeux de données d'entraînement manquent de diversité, les algorithmes peuvent mal interpréter les actions pour certains groupes de personnes, conduisant à des résultats injustes ou inexacts.
• Sensibilité environnementale : La précision peut chuter en raison d'un mauvais éclairage, de l'encombrement de l'arrière-plan ou de personnes partiellement cachées, ce qui signifie que les systèmes doivent être soigneusement conçus.

Link to this sectionPoints clés#

L'intelligence artificielle et la vision par ordinateur permettent aux machines de reconnaître les actions humaines plus précisément et en temps réel. En analysant les images vidéo et les modèles de mouvement, ces systèmes peuvent identifier à la fois les gestes quotidiens et les changements soudains. À mesure que la technologie continue de s'améliorer, la reconnaissance d'activité humaine dépasse les laboratoires de recherche pour devenir un outil pratique pour la santé, la sécurité et les applications quotidiennes.

Apprends-en davantage sur l'IA en visitant notre dépôt GitHub et en rejoignant notre communauté. Consulte nos pages de solutions pour en savoir plus sur l'IA en robotique et la vision par ordinateur dans la fabrication. Découvre nos options de licence pour commencer avec l'IA de vision.