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

La vita di tutti i giorni è piena di piccoli movimenti a cui raramente ci fermiamo a pensare. Camminare per una stanza, sedersi alla scrivania o salutare un amico ci sembra naturale, eppure rilevare questi gesti con l’AI è molto più complicato. Ciò che per gli esseri umani è spontaneo 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 schemi nel comportamento umano. Un'app per il fitness è un ottimo esempio pratico di HAR. Tracciando i passi e le routine di allenamento, mostra come l'IA possa monitorare le attività quotidiane.

Riconoscendone il potenziale, molti settori hanno iniziato ad adottare questa tecnologia. Il mercato del riconoscimento delle azioni umane, infatti, dovrebbe superare i 12,56 miliardi di dollari entro il 2033.

Una parte importante di questo progresso è dovuta alla visione artificiale, un ramo dell'IA che consente alle macchine di analizzare dati visivi, come immagini e video. Grazie alla visione artificiale e al riconoscimento delle immagini, il riconoscimento delle attività umane è passato da concetto di ricerca ad applicazione pratica dell'IA moderna.

In questo articolo vedremo cos'è il riconoscimento delle attività umane (HAR), quali metodi vengono usati per riconoscere le azioni umane e in che modo la visione artificiale aiuta a rispondere alla domanda: l'IA può rilevare le azioni umane nelle applicazioni del mondo reale?

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 della semplice rilevazione di una persona in un’immagine, l’HAR può aiutare a identificare che cosa sta facendo quella persona. Per esempio, può distinguere tra camminare e correre, riconoscere un saluto con la mano o notare quando qualcuno cade.

L’HAR si basa sui modelli di movimento e sulla postura. Una lieve variazione nella posizione delle braccia o delle gambe di una persona può indicare diverse azioni. Acquisendo e interpretando questi dettagli sottili, i sistemi HAR possono ricavare informazioni significative dai movimenti del corpo.

Per riuscirci, 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 precisione.

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

I primi sistemi di riconoscimento delle attività umane erano molto più limitati. Erano in grado di gestire solo poche azioni semplici e ripetitive in ambienti controllati e spesso incontravano difficoltà nelle situazioni reali.

Oggi, grazie all’AI e alla grande quantità di dati video disponibili, l’HAR ha compiuto notevoli progressi in termini di precisione e robustezza. I sistemi moderni possono riconoscere molte attività con una precisione decisamente maggiore, rendendo questa tecnologia pratica in ambiti come sanità, sicurezza e dispositivi interattivi.

Diversi metodi per rilevare le azioni umane#

Ora che abbiamo capito meglio cos’è il riconoscimento delle azioni umane, vediamo 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 anche restare 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 tracciare l’aspetto e i movimenti del corpo, fotogramma per fotogramma. Questo permette di riconoscere attività più complesse. I televisori o i sistemi di gioco controllati tramite gesti si basano su questo metodo.
• Metodi multimodali: combinano sensori e telecamere per creare un sistema più affidabile, perché una fonte può confermare ciò che rileva l'altra. Ad esempio, un dispositivo indossabile può registrare un movimento mentre una telecamera verifica la postura; questa configurazione viene spesso usata per rilevare le cadute nell'assistenza agli anziani.

Il ruolo dei dataset nel riconoscimento delle attività umane#

Per qualsiasi modello o sistema HAR, i dataset sono il punto di partenza. Un dataset HAR è una raccolta di esempi, come videoclip, immagini o dati dei sensori, che rappresentano azioni quali camminare, sedersi o salutare. Questi esempi vengono utilizzati per addestrare modelli AI a riconoscere schemi nei movimenti umani, che possono poi essere applicati in situazioni reali.

La qualità dei dati di addestramento influisce direttamente sulle prestazioni del modello. Dati puliti e coerenti facilitano il riconoscimento accurato delle azioni da parte del sistema.

Per questo i dataset vengono spesso preelaborati prima dell’addestramento. Un passaggio comune è la normalizzazione, che scala i valori in modo coerente per ridurre gli errori e prevenire l’overfitting (quando un modello ottiene buoni risultati sui dati di addestramento ma ha difficoltà con dati nuovi).

Per misurare le prestazioni dei modelli al di fuori dell’addestramento, i ricercatori si affidano a metriche di valutazione e dataset di benchmark che consentono test e confronti equi. Raccolte diffuse come UCF101, HMDB51 e Kinetics includono migliaia di videoclip annotati per il rilevamento delle azioni umane. Per quanto riguarda i sensori, i dataset raccolti con smartphone e dispositivi indossabili forniscono preziosi segnali di movimento che rendono i modelli di riconoscimento più robusti nei diversi ambienti.

Fig. 2. Uno scorcio di un dataset per il riconoscimento delle attività umane. (Fonte)

Come la computer vision supporta il riconoscimento delle attività umane#

Tra i diversi metodi per rilevare le azioni umane, la computer vision è diventata rapidamente uno dei più diffusi e studiati. Il suo vantaggio principale è la capacità di estrarre informazioni dettagliate direttamente da immagini e video. Esaminando i pixel fotogramma per fotogramma e analizzando 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 (CNN), progettate per analizzare le immagini, hanno reso la computer vision più veloce, precisa e affidabile.

Ad esempio, modelli di visione artificiale all'avanguardia e ampiamente utilizzati, come Ultralytics YOLO11 (a cui è succeduto Ultralytics YOLO26), si basano su questi progressi. YOLO11 supporta attività come il rilevamento degli oggetti, la segmentazione di istanze, il tracciamento delle persone nei fotogrammi video e la stima della posa, rivelandosi uno strumento eccellente per il riconoscimento delle attività umane.

Panoramica di Ultralytics YOLO11#

Ultralytics YOLO11 è un modello di vision AI progettato per garantire velocità e precisione. Supporta attività fondamentali di computer vision, come il rilevamento e il tracciamento degli oggetti e la stima della posa. Queste funzionalità sono particolarmente utili per il riconoscimento delle attività umane.

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

Per esempio, le informazioni ricavate dal modello possono essere utilizzate per distinguere tra una persona seduta tranquillamente, che poi si alza e infine solleva le braccia per esultare. A un primo sguardo queste semplici azioni quotidiane possono sembrare simili, ma assumono significati molto diversi se analizzate in sequenza.

Fig. 3. Stima della posa con Ultralytics YOLO11. (Fonte)

Applicazioni reali della computer vision e dell’HAR#

Ora vediamo più da vicino come il riconoscimento delle attività umane basato sulla computer vision viene applicato in situazioni reali che incidono sulla nostra vita quotidiana.

Sanità e benessere#

In ambito sanitario, piccoli cambiamenti nei movimenti possono fornire informazioni utili sulle condizioni di una persona. Per esempio, un passo falso di un paziente anziano o l’angolazione di un arto durante la riabilitazione possono rivelare rischi o progressi. Spesso questi segnali sono facili da trascurare con metodi tradizionali, come le visite di controllo.

Ultralytics YOLO11 può aiutare a monitorare i pazienti in tempo reale tramite la stima della posa e l'analisi delle immagini. Può essere usato per rilevare cadute, tracciare gli esercizi di riabilitazione e osservare le attività quotidiane, come camminare o fare stretching. Poiché opera tramite analisi visiva senza bisogno di sensori o dispositivi indossabili, offre un modo semplice per raccogliere informazioni accurate a supporto dell'assistenza ai pazienti.

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

Sicurezza e sorveglianza#

I sistemi di sicurezza devono rilevare rapidamente attività umane insolite, come qualcuno che si aggira senza motivo, corre in un’area riservata o manifesta improvvisamente aggressività. Questi segnali spesso sfuggono in ambienti affollati, dove gli addetti alla sicurezza non possono controllare tutto manualmente. È qui che entrano in gioco la computer vision e Ultralytics YOLO11.

YOLO11 semplifica il monitoraggio della sicurezza grazie alla videosorveglianza in tempo reale, in grado di rilevare movimenti sospetti e inviare avvisi immediati. Supporta la sicurezza della folla negli spazi pubblici e potenzia il rilevamento delle intrusioni nelle aree private.

Con questo approccio, le guardie giurate possono collaborare con i sistemi di visione artificiale e rispondere più rapidamente alle attività sospette.

Vantaggi e svantaggi della computer vision per l’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, rendendolo utile per l’automazione in strutture sanitarie, fabbriche e spazi pubblici.
• Elaborazione in tempo reale: Le soluzioni di vision AI possono essere utilizzate per analizzare i flussi video in tempo reale, consentendo risposte più rapide.
• Tracciamento non invasivo: A differenza dei dispositivi indossabili o dei sensori, non richiede che le persone portino con sé dispositivi, consentendo di analizzarne il comportamento in modo naturale e senza sforzo.

L’utilizzo della computer vision per l’HAR offre numerosi vantaggi, ma presenta anche limiti da considerare. Ecco alcuni aspetti da tenere presenti:

• Problemi di privacy: Il monitoraggio basato su 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 abbastanza diversificati, gli algoritmi possono interpretare in modo errato le azioni di alcuni gruppi di persone, producendo risultati iniqui o imprecisi.
• Sensibilità alle condizioni ambientali: La precisione può diminuire a causa della scarsa illuminazione, di uno sfondo disordinato o di persone parzialmente nascoste. Per questo i sistemi devono essere progettati con attenzione.

Punti chiave#

L’intelligenza artificiale e la computer vision consentono alle macchine di 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 si sta affermando come strumento pratico per la sanità, la sicurezza e le applicazioni quotidiane.

Scopri di più sull’AI visitando il nostro repository GitHub ed entrando a far parte della nostra community. Consulta le nostre pagine dedicate alle soluzioni per saperne di più sull’AI nella robotica e sulla computer vision nel settore manifatturiero. Scopri le nostre opzioni di licenza per iniziare a utilizzare la vision AI.