L'AI può rilevare le azioni umane? Alla scoperta del riconoscimento delle attività

La vita quotidiana è piena di piccoli movimenti a cui raramente ci fermiamo a pensare. Camminare attraverso una stanza, sedersi alla scrivania o salutare un amico possono sembrarci gesti semplici e naturali, ma rilevarli con l’IA è molto più complicato. Ciò che per gli esseri umani avviene spontaneamente diventa molto più complesso quando una macchina cerca di comprenderlo.

Questa capacità è nota come riconoscimento delle attività umane (HAR) e consente ai computer di rilevare e interpretare gli schemi del comportamento umano. Un’app per il fitness è un ottimo esempio di HAR in azione. Monitorando i passi e le routine di allenamento, mostra come l’IA possa tenere sotto controllo le attività quotidiane.

Riconoscendo il potenziale della HAR, molti settori hanno iniziato ad adottare questa tecnologia. Infatti, si prevede che il mercato del riconoscimento delle azioni umane supererà i 12,56 miliardi di dollari entro il 2033.

Una parte significativa di questo progresso è trainata dalla computer vision, un ramo dell’IA che consente alle macchine di analizzare dati visivi, come immagini e video. Grazie alla computer vision e al riconoscimento delle immagini, la HAR si è evoluta da concetto di ricerca a componente pratica e stimolante delle applicazioni di IA all’avanguardia.

In questo articolo esploreremo cos’è la HAR, i diversi metodi utilizzati per riconoscere le azioni umane e il modo in cui la computer vision contribuisce a rispondere alla domanda: l’IA è in grado di rilevare le azioni umane nelle applicazioni del mondo reale? Iniziamo!

Che cos’è il riconoscimento delle azioni umane?#

Il riconoscimento delle azioni umane consente ai sistemi informatici di comprendere le attività o le azioni umane analizzando i movimenti del corpo. A differenza del semplice rilevamento di una persona in un’immagine, la HAR può aiutare a identificare ciò che la persona sta facendo. Ad esempio, distinguere tra camminare e correre, riconoscere un gesto della mano o rilevare quando qualcuno cade.

Le basi della HAR risiedono negli schemi di movimento e nella postura. Un lieve cambiamento nella posizione delle braccia o delle gambe di una persona può segnalare una varietà di azioni. Catturando e interpretando questi dettagli sottili, i sistemi HAR possono ricavare informazioni significative dai movimenti del corpo.

Per raggiungere questo obiettivo, il riconoscimento delle azioni umane combina diverse tecnologie, come machine learning, modelli di deep learning, computer vision ed elaborazione delle immagini, che collaborano per analizzare i movimenti del corpo e interpretare le azioni umane con maggiore accuratezza.

Fig. 1. Il riconoscimento delle attività umane coinvolge diversi rami dell’informatica (Fonte: cell.com)

​​I primi sistemi HAR erano molto più limitati. Erano in grado di gestire solo poche azioni semplici e ripetitive in ambienti controllati e spesso incontravano difficoltà nelle situazioni del mondo reale.

Oggi, grazie all’IA e alla grande quantità di dati video, la HAR ha fatto notevoli progressi sia in termini di accuratezza sia di robustezza. I sistemi moderni sono in grado di riconoscere un’ampia gamma di attività con una precisione molto maggiore, rendendo questa tecnologia pratica in settori come l’assistenza sanitaria, la sicurezza e i dispositivi interattivi.

Diversi metodi per rilevare le azioni umane#

Ora che abbiamo una migliore comprensione del riconoscimento delle azioni umane, esaminiamo i diversi modi in cui le macchine possono rilevare le azioni umane.

Ecco alcuni dei metodi più comuni:

• Metodi basati su sensori: dispositivi intelligenti come accelerometri, dispositivi indossabili e smartphone possono acquisire segnali direttamente dal corpo umano. Possono mostrare schemi di movimento come camminare, correre o persino stare fermi. Un contapassi su uno smartwatch è un ottimo esempio di questo metodo.
• Metodi basati sulla visione: le telecamere abbinate alla computer vision analizzano immagini e video per monitorare l’aspetto e i movimenti del corpo fotogramma per fotogramma. Questo consente di riconoscere attività più complesse. I televisori o i sistemi di gioco controllati tramite gesti si basano su questo metodo.
• Metodi multimodali: la combinazione di sensori e telecamere crea un sistema più affidabile, poiché una fonte può confermare ciò che rileva l’altra. Ad esempio, un dispositivo indossabile può registrare un movimento mentre una telecamera verifica la postura: una configurazione spesso utilizzata per il rilevamento delle cadute nell’assistenza agli anziani.

Il ruolo dei dataset nel riconoscimento delle attività umane#

Per qualsiasi modello o sistema HAR, i dataset rappresentano il punto di partenza. Un dataset HAR è una raccolta di esempi, come clip video, immagini o dati provenienti da sensori, che catturano azioni come camminare, sedersi o salutare. Questi esempi vengono utilizzati per addestrare i modelli di IA a riconoscere gli schemi del movimento umano, che possono poi essere applicati in applicazioni reali.

La qualità dei dati di addestramento influisce direttamente sulle prestazioni di un modello. Dati puliti e coerenti rendono più facile per il sistema riconoscere le azioni con precisione.

Per questo motivo, i dataset vengono spesso preprocessati prima dell’addestramento. Un passaggio comune è la normalizzazione, che ridimensiona i valori in modo coerente per ridurre gli errori e prevenire l’overfitting (quando un modello funziona bene sui dati di addestramento, ma incontra difficoltà con dati nuovi).

Per misurare le prestazioni dei modelli al di là dell’addestramento, i ricercatori si affidano a metriche di valutazione e dataset di benchmark che consentono test e confronti equi. Raccolte popolari come UCF101, HMDB51 e Kinetics includono migliaia di clip video etichettate per il rilevamento delle azioni umane. Dal lato dei sensori, i dataset raccolti da smartphone e dispositivi indossabili forniscono preziosi segnali di movimento che rendono i modelli di riconoscimento più robusti in ambienti diversi.

Fig. 2. Uno sguardo a un dataset per il riconoscimento delle attività umane. (Fonte)

Come la computer vision supporta il riconoscimento delle attività umane#

Tra i diversi modi per rilevare le azioni umane, la computer vision è rapidamente diventata uno dei più popolari e studiati. Il suo principale vantaggio è la capacità di estrarre dettagli ricchi direttamente da immagini e video. Analizzando i pixel fotogramma per fotogramma e gli schemi di movimento, può riconoscere le attività in tempo reale senza che le persone debbano indossare dispositivi aggiuntivi.

I recenti progressi nel deep learning, in particolare nelle reti neurali convoluzionali (CNNs), progettate per analizzare le immagini, hanno reso la computer vision più veloce, accurata e affidabile.

Ad esempio, modelli di computer vision all’avanguardia e ampiamente utilizzati come Ultralytics YOLO11 si basano su questi progressi. YOLO11 supporta attività come il rilevamento degli oggetti, la segmentazione delle istanze, il tracking delle persone tra i fotogrammi video e la stima della posa, rendendolo uno strumento eccellente per il riconoscimento delle attività umane.

Panoramica di Ultralytics YOLO11#

Ultralytics YOLO11 è un modello di IA per la visione progettato per offrire velocità e precisione. Supporta attività fondamentali di computer vision come il rilevamento degli oggetti, il tracking degli oggetti e la stima della posa. Queste capacità sono particolarmente utili per il riconoscimento delle attività umane.

Il rilevamento degli oggetti identifica e localizza le persone in una scena, il tracking segue i loro movimenti tra i fotogrammi video per riconoscere sequenze di azioni e la stima della posa mappa le articolazioni chiave del corpo umano per distinguere tra attività simili o rilevare cambiamenti improvvisi, come una caduta.

Ad esempio, le informazioni ricavate dal modello possono essere utilizzate per distinguere tra qualcuno che rimane seduto in silenzio, poi si alza e infine solleva le braccia per esultare. Queste semplici azioni quotidiane possono sembrare simili a prima vista, ma assumono significati molto diversi quando vengono analizzate in sequenza.

Fig. 3. Utilizzo di Ultralytics YOLO11 per la stima della posa. (Fonte)

Applicazioni reali della computer vision e della HAR#

Ora esaminiamo più da vicino come il riconoscimento delle attività umane basato sulla computer vision viene applicato a casi d’uso reali che hanno un impatto sulla nostra vita quotidiana.

Assistenza sanitaria e benessere#

Nell’assistenza sanitaria, piccoli cambiamenti nei movimenti possono fornire informazioni utili sulle condizioni di una persona. Ad esempio, un inciampo di un paziente anziano o l’angolazione di un arto durante la riabilitazione possono rivelare rischi o progressi. Questi segnali sono spesso facili da non notare con i metodi tradizionali, come le visite di controllo.

Ultralytics YOLO11 può aiutare utilizzando la stima della posa e l’analisi delle immagini per monitorare i pazienti in tempo reale. Può essere utilizzato per rilevare cadute, monitorare gli esercizi di recupero e osservare attività quotidiane come camminare o fare stretching. Poiché funziona attraverso l’analisi visiva senza la necessità di sensori o dispositivi indossabili, offre un modo semplice per raccogliere informazioni accurate a supporto dell’assistenza ai pazienti.

Fig. 4. Monitoraggio dei movimenti del corpo utilizzando il supporto di Ultralytics YOLO11 per la stima della posa. (Fonte)

Sicurezza e videosorveglianza#

I sistemi di sicurezza si basano sul rilevamento rapido di attività umane insolite, come qualcuno che si aggira senza motivo, corre in un’area riservata o mostra un’aggressività improvvisa. Questi segnali spesso sfuggono in ambienti affollati, dove le guardie di sicurezza non possono controllare manualmente ogni cosa. È qui che entrano in gioco la computer vision e Ultralytics YOLO11.

YOLO11 semplifica il monitoraggio della sicurezza alimentando sistemi di videosorveglianza in tempo reale in grado di rilevare movimenti sospetti e inviare avvisi immediati. Supporta la sicurezza delle folle negli spazi pubblici e rafforza il rilevamento delle intrusioni nelle aree private.

Con questo approccio, le guardie di sicurezza possono lavorare insieme ai sistemi di computer vision, creando un’interazione e una collaborazione tra esseri umani e computer che consentono risposte più rapide e tempestive alle attività sospette.

Vantaggi e svantaggi dell’utilizzo della computer vision per la HAR#

Ecco alcuni vantaggi dell’utilizzo della computer vision per il riconoscimento delle attività umane:

• Scalabilità: una volta configurato, lo stesso sistema di riconoscimento può monitorare automaticamente più persone contemporaneamente, risultando utile per l’automazione nelle strutture sanitarie, nelle fabbriche e negli spazi pubblici.
• Elaborazione in tempo reale: le soluzioni di IA per la visione possono essere utilizzate per analizzare i flussi video mentre vengono acquisiti, consentendo risposte più rapide.
• Monitoraggio non invasivo: a differenza dei dispositivi indossabili o dei sensori, non richiede che le persone portino con sé dispositivi, consentendo un’analisi naturale e senza sforzo del comportamento.

Sebbene l’utilizzo della computer vision per la HAR offra molti vantaggi, presenta anche limitazioni da considerare. Ecco alcuni fattori da tenere a mente:

• Problemi di privacy: il monitoraggio basato sui video può sollevare questioni relative alla protezione dei dati e al consenso, soprattutto in ambienti sensibili come abitazioni o luoghi di lavoro.
• Possibili distorsioni: se i dataset di addestramento non sono sufficientemente diversificati, gli algoritmi possono interpretare erroneamente le azioni di determinati gruppi di persone, producendo risultati ingiusti o imprecisi.
• Sensibilità all’ambiente: la precisione può diminuire a causa di una scarsa illuminazione, di uno sfondo disordinato o di persone parzialmente nascoste, il che significa che i sistemi devono essere progettati con attenzione.

Punti chiave#

L’intelligenza artificiale e la computer vision stanno rendendo possibile per le macchine riconoscere le azioni umane con maggiore precisione e in tempo reale. Analizzando i fotogrammi video e gli schemi di movimento, questi sistemi possono identificare sia i gesti quotidiani sia i cambiamenti improvvisi. Con il continuo miglioramento della tecnologia, il riconoscimento delle attività umane sta uscendo dai laboratori di ricerca e sta diventando uno strumento pratico per l’assistenza sanitaria, la sicurezza e le applicazioni quotidiane.

Scopri di più sull’IA visitando il nostro repository GitHub e unendoti alla nostra community. Visita le nostre pagine sulle soluzioni per scoprire di più sull’IA nella robotica e sulla computer vision nella produzione. Scopri le nostre opzioni di licenza per iniziare a utilizzare l’IA per la visione.