L’IA peut-elle détecter les actions humaines ? Exploration de la reconnaissance d’activités

Le quotidien est rempli de petits mouvements auxquels nous prêtons rarement attention. Traverser une pièce, s’asseoir à un bureau ou saluer un ami nous semble naturel, mais les détecter avec l’IA est bien plus complexe. Ce qui vient naturellement aux humains devient beaucoup plus difficile à comprendre pour une machine.

Cette capacité est appelée reconnaissance des activités humaines (HAR) et permet aux ordinateurs de détecter et d’interpréter des schémas de comportement humain. Une application de fitness est un excellent exemple de HAR en action. En suivant les pas et les séances d’entraînement, elle montre comment l’IA peut surveiller les activités quotidiennes.

Conscients du potentiel de la HAR, de nombreux secteurs ont commencé à adopter cette technologie. En fait, le marché de la reconnaissance des actions humaines devrait dépasser 12,56 milliards de dollars d’ici 2033.

Une part importante de ces progrès est due à la vision par ordinateur, une branche de l’IA qui permet aux machines d’analyser des données visuelles, comme des images et des vidéos. Grâce à la vision par ordinateur et à la reconnaissance d’images, la HAR est passée du stade de concept de recherche à celui d’application pratique et prometteuse de l’IA de pointe.

Dans cet article, nous allons découvrir ce qu’est la HAR, les différentes méthodes de reconnaissance des actions humaines et la manière dont la vision par ordinateur aide à répondre à la question suivante : l’IA peut-elle détecter les actions humaines dans des applications réelles ? C’est parti !

Qu’est-ce que la reconnaissance des actions humaines ?#

La reconnaissance des actions humaines 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 déterminer ce que fait cette personne. Par exemple, elle peut distinguer la marche de la course, reconnaître un geste de la main ou remarquer qu’une personne tombe.

La HAR repose sur les schémas de mouvement et la posture. Un léger changement dans la position des bras ou des jambes d’une personne peut signaler différentes actions. En capturant et en interprétant ces détails subtils, les systèmes de HAR peuvent tirer des informations utiles des mouvements du corps.

Pour y parvenir, la reconnaissance des actions humaines combine plusieurs technologies, comme le machine learning, les modèles de deep learning, la vision par ordinateur et le traitement d’images, qui analysent ensemble les mouvements du corps et interprètent les actions humaines avec une meilleure précision.

Fig. 1. La reconnaissance des activités humaines fait appel à différentes branches de l’informatique (Source : cell.com)

​​Les premiers systèmes de HAR étaient beaucoup plus limités. Ils ne pouvaient gérer que quelques actions simples et répétitives dans des environnements contrôlés et avaient souvent des difficultés en situation réelle.

Aujourd’hui, grâce à l’IA et aux grandes quantités de données vidéo, la HAR a considérablement progressé en matière de précision et de robustesse. Les systèmes modernes peuvent reconnaître un large éventail d’activités avec une bien meilleure précision, ce qui rend cette technologie pratique dans des domaines comme les soins de santé, la sécurité et les appareils interactifs.

Différentes méthodes de détection des actions humaines#

Maintenant que nous comprenons mieux ce qu’est la reconnaissance des actions humaines, examinons les différentes façons dont les machines peuvent détecter les actions humaines.

Voici quelques méthodes courantes :

• Méthodes fondées sur des capteurs : Les appareils intelligents, comme les accéléromètres, les objets connectés et les smartphones, peuvent capturer directement des signaux du corps humain. Ils peuvent révéler des schémas de mouvement comme la marche, la course ou même l’immobilité. Le podomètre d’une montre connectée est un excellent exemple de cette méthode.
• Méthodes fondées sur la vision : Associées à la vision par ordinateur, les caméras analysent des images et des vidéos pour suivre l’apparence et les mouvements du corps, image après image. Cela permet de reconnaître des activités plus complexes. Les téléviseurs ou systèmes de jeu contrôlés par gestes reposent sur cette méthode.
• Méthodes multimodales : La combinaison de capteurs et de caméras crée un système plus fiable, car une source peut confirmer ce que l’autre détecte. Par exemple, un objet connecté peut enregistrer un mouvement tandis qu’une caméra vérifie la posture ; cette configuration est souvent utilisée pour détecter les chutes dans les établissements de soins pour personnes âgées.

Le rôle des jeux de données dans la reconnaissance des activités humaines#

Pour tout modèle ou système de HAR, les jeux de données constituent le point de départ. Un jeu de données de HAR est un ensemble d’exemples, comme des clips vidéo, des images ou des données de capteurs, qui capturent des actions telles que marcher, s’asseoir ou saluer. Ces exemples servent à entraîner des modèles d’IA à reconnaître les schémas de mouvement humain, qui peuvent ensuite être appliqués à des situations réelles.

La qualité des données d’entraînement influe directement sur les performances du modèle. Des données propres et cohérentes permettent au système de reconnaître plus facilement les actions avec précision.

C’est pourquoi les jeux de données sont souvent prétraités avant l’entraînement. Une étape courante consiste à normaliser les valeurs afin de les mettre à l’échelle de manière cohérente, de réduire les erreurs et d’éviter le surapprentissage (lorsqu’un modèle fonctionne bien sur les données d’entraînement, mais éprouve des difficultés avec de nouvelles données).

Pour mesurer les performances des modèles au-delà des données d’entraînement, les chercheurs s’appuient sur des métriques 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 comprennent des milliers de clips vidéo annotés pour la détection des actions humaines. Pour les capteurs, les jeux de données recueillis à partir de smartphones et d’objets connectés fournissent de précieux signaux de mouvement qui rendent les modèles de reconnaissance plus robustes dans différents environnements.

Fig. 2. Aperçu d’un jeu de données de reconnaissance des activités humaines. (Source)

Comment la vision par ordinateur contribue à la reconnaissance des activités humaines#

Parmi les différentes méthodes de détection des actions humaines, la vision par ordinateur est rapidement devenue l’une des plus populaires et des plus étudiées. Son principal avantage est qu’elle extrait des informations détaillées directement des images et des vidéos. En examinant les pixels image après image et en analysant les schémas de mouvement, elle peut reconnaître des activités en temps réel sans que les personnes aient besoin de porter des appareils supplémentaires.

Les progrès récents du deep learning, en particulier des réseaux de neurones convolutifs (CNN), 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, reposent sur ces avancées. YOLO11 prend en charge des tâches telles que la détection d’objets, la segmentation d’instances, le suivi de personnes d’une image vidéo à l’autre et l’estimation de pose, ce qui en fait un excellent outil pour la reconnaissance des activités humaines.

Présentation d’Ultralytics YOLO11#

Ultralytics YOLO11 est un modèle d’IA visuelle conçu pour allier vitesse et précision. Il prend en charge les principales tâches de vision par ordinateur, comme la détection et le suivi d’objets ainsi que l’estimation de pose. Ces capacités sont particulièrement utiles pour la reconnaissance des activités humaines.

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

Par exemple, les informations du modèle peuvent servir à différencier une personne assise calmement, qui se lève puis lève les bras pour acclamer. Ces gestes simples du quotidien peuvent sembler similaires au premier abord, mais prennent des sens très différents lorsqu’ils sont analysés dans une séquence.

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

Applications concrètes de la vision par ordinateur et de la HAR#

Examinons maintenant de plus près comment la reconnaissance des activités humaines reposant sur la vision par ordinateur s’applique à des cas d’usage réels qui ont un impact sur notre quotidien.

Soins de santé et bien-être#

Dans le domaine des soins de santé, de petits changements de mouvement peuvent fournir des informations utiles sur l’état d’une personne. Par exemple, un faux pas d’un patient âgé ou l’angle d’un membre pendant la rééducation peut révéler des risques ou des progrès. Les méthodes traditionnelles, comme les examens médicaux, passent souvent à côté de ces signes.

Ultralytics YOLO11 peut aider en utilisant l’estimation de pose et l’analyse d’images pour surveiller les patients en temps réel. Il peut servir à détecter les chutes, à suivre les exercices de rééducation et à observer les activités quotidiennes comme la marche ou les étirements. Comme il fonctionne par analyse visuelle sans nécessiter de capteurs ni d’objets connectés, il offre un moyen simple de recueillir des informations précises pour soutenir les soins aux patients.

Fig. 4. Suivi des mouvements du corps grâce à la prise en charge de l’estimation de pose par Ultralytics YOLO11. (Source)

Sécurité et surveillance#

Les systèmes de sécurité doivent détecter rapidement les activités humaines inhabituelles, comme une personne qui rôde, court dans une zone réglementée ou manifeste soudainement de l’agressivité. Ces signes passent souvent inaperçus dans les environnements très fréquentés où les agents de sécurité ne peuvent pas tout surveiller manuellement. C’est là qu’interviennent la vision par ordinateur et Ultralytics YOLO11.

YOLO11 facilite la surveillance de sécurité grâce à une vidéosurveillance en temps réel capable de détecter les mouvements suspects et d’envoyer des alertes immédiates. Il contribue à la sécurité des foules dans les lieux publics et renforce la détection des intrusions dans les espaces privés.

Avec cette approche, les agents de sécurité peuvent travailler aux côtés des systèmes de vision par ordinateur, créant une interaction et un partenariat entre humains et ordinateurs qui permettent de réagir plus rapidement et sans tarder aux activités suspectes.

Avantages et inconvénients de la vision par ordinateur pour la HAR#

Voici quelques avantages de la vision par ordinateur pour la reconnaissance des activités humaines :

• Évolutivité : Une fois configuré, le même système de reconnaissance peut surveiller automatiquement plusieurs personnes à la fois, ce qui le rend utile pour automatiser les processus dans les établissements de santé, les usines et les espaces publics.
• Traitement en temps réel : Les solutions d’IA visuelle peuvent analyser des flux vidéo au moment où ils sont diffusés, ce qui permet de réagir plus rapidement.
• Suivi non intrusif : Contrairement aux objets connectés ou aux capteurs, cette méthode n’oblige pas les personnes à porter des appareils, ce qui permet d’analyser leurs comportements de manière naturelle et sans effort.

La vision par ordinateur présente de nombreux avantages pour la HAR, mais elle comporte aussi des limites à prendre en compte. Voici quelques facteurs à ne pas oublier :

• Problèmes de confidentialité : La surveillance vidéo peut soulever des questions de protection des données et de consentement, en particulier dans des environnements sensibles comme les domiciles ou les lieux de travail.
• Biais potentiels : Si les jeux de données d’entraînement manquent de diversité, les algorithmes risquent de mal interpréter les actions de certains groupes, ce qui peut donner des résultats injustes ou inexacts.
• Sensibilité à l’environnement : La précision peut diminuer en cas de faible éclairage, d’arrière-plan encombré ou de personnes partiellement cachées ; les systèmes doivent donc être conçus avec soin.

Points clés à retenir#

L’intelligence artificielle et la vision par ordinateur permettent aux machines de reconnaître les actions humaines avec plus de précision et en temps réel. En analysant les images vidéo et les schémas de mouvement, ces systèmes peuvent identifier les gestes du quotidien comme les changements soudains. À mesure que la technologie progresse, la reconnaissance des activités humaines sort des laboratoires de recherche et devient un outil pratique pour les soins de santé, la sécurité et les applications du quotidien.

Pour en savoir plus sur l’IA, consulte notre dépôt GitHub et rejoins notre communauté. Consulte nos pages de solutions pour découvrir l’IA en robotique et la vision par ordinateur dans l’industrie manufacturière. Découvre nos options de licence pour te lancer dans l’IA visuelle.