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

La vie quotidienne est pleine de petits mouvements auxquels nous cessons rarement de prêter attention. Traverser une pièce, s’asseoir à un bureau ou faire signe à un ami peut nous sembler naturel, mais 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 essaie de le comprendre.

Cette capacité est connue sous le nom de reconnaissance de l’activité humaine (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.

Conscientes du potentiel de la HAR, de nombreuses industries 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’image, la HAR est passée du statut de concept de recherche à celui de composante pratique et passionnante des applications d’IA de pointe.

Dans cet article, nous allons découvrir 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 suivante : l’IA peut-elle détecter les actions humaines dans des applications concrètes ? Commençons !

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 identifier ce que cette personne est en train de faire. Par exemple, distinguer la marche de la course, reconnaître un geste de la main ou remarquer une chute.

La HAR repose sur des schémas de mouvement et de 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 pertinentes des mouvements du corps.

Pour y parvenir, la reconnaissance des actions humaines combine plusieurs technologies, comme l’apprentissage automatique, les modèles d’apprentissage profond, la vision par ordinateur et le traitement d’image, qui fonctionnent ensemble pour analyser les mouvements du corps et interpréter les actions humaines avec une plus grande précision.

Fig. 1. La reconnaissance de l’activité humaine 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 rencontraient souvent des difficultés dans les situations réelles.

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 une vaste gamme d’activités avec une bien plus grande précision, ce qui rend cette technologie pratique dans des domaines comme la 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-unes des méthodes courantes :

• Méthodes basées sur des capteurs : Les appareils intelligents, comme les accéléromètres, les objets connectés et les smartphones, peuvent capturer directement des signaux provenant du corps humain. Ils peuvent révéler des schémas de mouvement comme la marche, la course ou même l’immobilité. Le compteur de pas d’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 de reconnaître des activités plus complexes. Les téléviseurs ou systèmes de jeu contrôlés par des 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, une configuration souvent utilisée pour détecter les chutes dans le cadre des soins aux personnes âgées.

Le rôle des jeux de données dans la reconnaissance de l’activité humaine#

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 séquences vidéo, des images ou des données de capteurs, qui capturent des actions telles que marcher, s’asseoir ou faire signe. Ces exemples servent à entraîner des modèles d’IA à reconnaître des schémas dans les mouvements humains, qui peuvent ensuite être appliqués à des situations réelles.

La qualité des données d’entraînement a une incidence directe sur les performances d’un 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 est la normalisation, qui met les valeurs à l’échelle de manière cohérente afin de réduire les erreurs et d’éviter le surapprentissage (lorsqu’un modèle fonctionne bien sur les données d’entraînement, mais rencontre des difficultés avec de nouvelles données).

Pour mesurer les performances des modèles au-delà de l’entraînement, les chercheurs s’appuient sur des métriques d’évaluation et des jeux de données de référence qui permettent de réaliser des tests et des comparaisons équitables. Des collections populaires comme UCF101, HMDB51 et Kinetics comprennent des milliers de séquences vidéo annotées pour la détection des actions humaines. Du côté des 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 sur la reconnaissance de l’activité humaine. (Source)

Comment la vision par ordinateur contribue à la reconnaissance de l’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 principal avantage est qu’elle peut extraire directement des images et des vidéos des informations riches. En examinant les pixels image par image et en analysant les schémas de mouvement, elle peut reconnaître les activités en temps réel sans que les personnes aient besoin de porter des appareils supplémentaires.

Les progrès récents de l’apprentissage profond, notamment des réseaux neuronaux convolutifs (CNNs) conçus pour analyser les 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 des personnes entre les images vidéo et l’estimation des poses humaines, ce qui en fait un excellent outil pour la reconnaissance de l’activité humaine.

Présentation de Ultralytics YOLO11#

Ultralytics YOLO11 est un modèle d’IA de vision conçu pour offrir à la fois rapidité et précision. Il prend en charge des tâches essentielles de vision par ordinateur comme la détection d’objets, le suivi d’objets et l’estimation de pose. Ces fonctionnalités sont particulièrement utiles pour la reconnaissance de l’activité humaine.

La détection d’objets identifie et localise les personnes dans une scène, le suivi suit leurs mouvements entre les images vidéo pour reconnaître les séquences d’actions, et l’estimation de pose cartographie 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 fournies par le modèle peuvent servir à distinguer une personne assise calmement, qui se lève ensuite, puis lève les bras pour manifester sa joie. Ces actions simples du quotidien peuvent sembler similaires au premier coup d’œil, mais elles ont des significations très différentes lorsqu’elles sont analysées 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 de l’activité humaine basée sur la vision par ordinateur est appliquée à des cas d’usage concrets qui ont un impact sur notre quotidien.

Santé et bien-être#

Dans le domaine de la santé, de petites modifications des mouvements peuvent fournir des informations utiles sur l’état d’une personne. Par exemple, le trébuchement d’un patient âgé ou l’angle d’un membre pendant une rééducation peut révéler des risques ou des progrès. Ces signes sont souvent difficiles à repérer avec les méthodes traditionnelles, comme les examens médicaux.

Ultralytics YOLO11 peut aider en utilisant l’estimation de pose et l’analyse d’image pour surveiller les patients en temps réel. Il peut servir à détecter les chutes, à suivre les exercices de récupération et à observer les activités quotidiennes comme la marche ou les étirements. Comme il fonctionne grâce à l’analyse visuelle, sans capteurs ni appareils connectés, il offre un moyen simple de recueillir des informations précises qui contribuent aux soins des 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 vidéosurveillance#

Les systèmes de sécurité s’appuient sur la détection rapide d’activités humaines inhabituelles, comme une personne qui traîne sur place, 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 que la vision par ordinateur et Ultralytics YOLO11 interviennent.

YOLO11 facilite la surveillance de la sécurité en alimentant une vidéosurveillance en temps réel capable de détecter les mouvements suspects et d’envoyer des alertes instantanées. Il contribue à la sécurité des foules dans les espaces 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 plus efficacement aux activités suspectes.

Avantages et inconvénients de l’utilisation de la vision par ordinateur pour la HAR#

Voici quelques avantages de l’utilisation de la vision par ordinateur pour la reconnaissance de l’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 servir à analyser les flux vidéo au fur et à mesure de leur production, ce qui permet de réagir plus rapidement.
• Suivi non invasif : Contrairement aux objets connectés ou aux capteurs, cette approche n’oblige pas les personnes à porter des appareils, ce qui permet d’analyser leur comportement de manière naturelle et sans effort.

Bien que la vision par ordinateur présente de nombreux avantages pour la HAR, elle comporte également des limites à prendre en compte. Voici quelques facteurs à garder à l’esprit :

• Préoccupations en matière de vie privée : La surveillance basée sur la vidéo peut soulever des questions liées à la protection des données et au 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 peuvent mal interpréter les actions de certains groupes de personnes, ce qui peut entraîner des résultats injustes ou inexacts.
• Sensibilité à l’environnement : La précision peut diminuer en raison d’un mauvais éclairage, d’un arrière-plan encombré ou de personnes partiellement dissimulées, ce qui signifie que les systèmes doivent 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 davantage de précision et en temps réel. En analysant les images vidéo et les schémas de mouvement, ces systèmes peuvent identifier aussi bien les gestes du quotidien que les changements soudains. À mesure que la technologie continue de progresser, la reconnaissance de l’activité humaine sort des laboratoires de recherche et devient un outil pratique pour la 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 dans la robotique et la vision par ordinateur dans l’industrie manufacturière. Découvre nos options de licence pour te lancer dans l’IA de vision.