A IA consegue detetar ações humanas? Explorando o reconhecimento de atividades

O dia a dia está cheio de pequenos movimentos nos quais raramente paramos para pensar. Andar por uma sala, sentar-se à mesa ou acenar para um amigo parece algo simples para nós, mas detectá-los com IA é muito mais complicado. O que é natural para os seres humanos se torna muito mais complexo quando uma máquina tenta compreender essas ações.

Essa capacidade é conhecida como reconhecimento de atividades humanas (HAR) e permite que os computadores detectem e interpretem padrões no comportamento humano. Um aplicativo de condicionamento físico é um ótimo exemplo de HAR em ação. Ao monitorar passos e rotinas de exercícios, ele mostra como a IA pode acompanhar as atividades diárias.

Ao perceber o potencial do HAR, muitos setores começaram a adotar essa tecnologia. De fato, espera-se que o mercado de reconhecimento de ações humanas ultrapasse US$ 12,56 bilhões até 2033.

Uma parte significativa desse progresso é impulsionada pela visão computacional, um ramo da IA que permite às máquinas analisar dados visuais, como imagens e vídeos. Com a visão computacional e o reconhecimento de imagens, o HAR evoluiu de um conceito de pesquisa para uma parte prática das aplicações modernas de IA.

Neste artigo, vamos explorar o que é HAR, os diferentes métodos usados para reconhecer ações humanas e como a visão computacional ajuda a responder à pergunta: a IA consegue detectar ações humanas em aplicações do mundo real?

O que é reconhecimento de ações humanas?#

O reconhecimento de ações humanas permite que sistemas computacionais compreendam atividades ou ações humanas por meio da análise dos movimentos do corpo. Diferentemente de simplesmente detectar uma pessoa em uma imagem, o HAR pode ajudar a identificar o que essa pessoa está fazendo. Por exemplo, distinguir entre andar e correr, reconhecer um aceno de mão ou perceber quando alguém cai.

O HAR se baseia em padrões de movimento e postura. Uma pequena mudança na posição dos braços ou das pernas de uma pessoa pode indicar diferentes ações. Ao capturar e interpretar esses detalhes sutis, os sistemas HAR podem extrair informações relevantes dos movimentos do corpo.

Para isso, o reconhecimento de ações humanas combina várias tecnologias, como aprendizado de máquina, modelos de deep learning, visão computacional e processamento de imagens, que trabalham em conjunto para analisar os movimentos do corpo e interpretar ações humanas com maior precisão.

Fig. 1. O reconhecimento de atividades humanas envolve diferentes áreas da ciência da computação (Fonte: cell.com)

Os primeiros sistemas de HAR eram muito mais limitados. Eles só conseguiam lidar com algumas ações simples e repetitivas em ambientes controlados e, muitas vezes, tinham dificuldades em situações do mundo real.

Hoje, graças à IA e à grande quantidade de dados de vídeo, o HAR avançou significativamente em precisão e robustez. Os sistemas modernos conseguem reconhecer uma ampla variedade de atividades com muito mais precisão, tornando essa tecnologia prática em áreas como saúde, segurança e dispositivos interativos.

Diferentes métodos de detecção de ações humanas#

Agora que entendemos melhor o que é o reconhecimento de ações humanas, vamos conhecer as diferentes maneiras pelas quais as máquinas podem detectar ações humanas.

Aqui estão alguns dos métodos mais comuns:

• Métodos baseados em sensores: Dispositivos inteligentes, como acelerômetros, wearables e smartphones, podem capturar sinais diretamente do corpo humano. Eles podem mostrar padrões de movimento, como andar, correr ou até ficar parado. Um contador de passos em um smartwatch é um ótimo exemplo desse método.
• Métodos baseados em visão: Câmeras combinadas com visão computacional analisam imagens e vídeos para acompanhar a aparência e os movimentos do corpo quadro a quadro. Isso permite reconhecer atividades mais complexas. TVs ou sistemas de jogos controlados por gestos dependem desse método.
• Métodos multimodais: Eles combinam sensores e câmeras para criar um sistema mais confiável, já que uma fonte pode confirmar o que a outra detecta. Por exemplo, um dispositivo vestível pode registrar o movimento enquanto uma câmera verifica a postura; essa configuração é frequentemente usada para detectar quedas no cuidado de idosos.

O papel dos conjuntos de dados no reconhecimento de atividades humanas#

Para qualquer modelo ou sistema HAR, os conjuntos de dados são o ponto de partida. Um conjunto de dados HAR é uma coleção de exemplos, como clipes de vídeo, imagens ou dados de sensores, que registram ações como andar, sentar ou acenar. Esses exemplos são usados para treinar modelos de IA a reconhecer padrões nos movimentos humanos, que podem então ser aplicados em situações reais.

A qualidade dos dados de treinamento afeta diretamente o desempenho de um modelo. Dados limpos e consistentes facilitam o reconhecimento preciso das ações pelo sistema.

Por isso, os conjuntos de dados costumam ser pré-processados antes do treinamento. Uma etapa comum é a normalização, que ajusta os valores de maneira consistente para reduzir erros e evitar o sobreajuste (quando um modelo tem bom desempenho nos dados de treinamento, mas dificuldades com dados novos).

Para medir o desempenho dos modelos além do treinamento, os pesquisadores usam métricas de avaliação e conjuntos de dados de benchmark que permitem testes e comparações justos. Coleções populares, como UCF101, HMDB51 e Kinetics, incluem milhares de clipes de vídeo rotulados para a detecção de ações humanas. No caso dos sensores, conjuntos de dados coletados de smartphones e wearables fornecem sinais de movimento valiosos, que tornam os modelos de reconhecimento mais robustos em diferentes ambientes.

Fig. 2. Uma visão geral de um conjunto de dados de reconhecimento de atividades humanas. (Fonte)

Como a visão computacional contribui para o reconhecimento de atividades humanas#

Entre as diferentes maneiras de detectar ações humanas, a visão computacional rapidamente se tornou uma das mais populares e pesquisadas. Sua principal vantagem é conseguir extrair informações detalhadas diretamente de imagens e vídeos. Ao analisar os pixels quadro a quadro e os padrões de movimento, ela consegue reconhecer atividades em tempo real sem que as pessoas precisem usar dispositivos adicionais.

Os avanços recentes em deep learning, especialmente nas redes neurais convolucionais (CNNs), projetadas para analisar imagens, tornaram a visão computacional mais rápida, precisa e confiável.

Por exemplo, modelos de visão computacional de última geração amplamente usados, como o Ultralytics YOLO11 (que foi sucedido pelo Ultralytics YOLO26), são construídos com base nesses avanços. O YOLO11 é compatível com tarefas como detecção de objetos, segmentação de instâncias, rastreamento de pessoas em quadros de vídeo e estimativa de poses humanas, tornando-o uma ótima ferramenta para o reconhecimento de atividades humanas.

Visão geral do Ultralytics YOLO11#

O Ultralytics YOLO11 é um modelo de IA visual desenvolvido para oferecer velocidade e precisão. Ele oferece suporte a tarefas essenciais de visão computacional, como detecção de objetos, rastreamento de objetos e estimativa de pose. Esses recursos são especialmente úteis para o reconhecimento de atividades humanas.

A detecção de objetos identifica e localiza pessoas em uma cena; o rastreamento acompanha seus movimentos entre quadros de vídeo para reconhecer sequências de ações; e a estimativa de pose mapeia as principais articulações do corpo humano para distinguir atividades semelhantes ou detectar mudanças repentinas, como uma queda.

Por exemplo, as informações do modelo podem ser usadas para distinguir alguém sentado tranquilamente, depois se levantando e, por fim, erguendo os braços para comemorar. Essas ações simples do cotidiano podem parecer semelhantes à primeira vista, mas têm significados bem diferentes quando analisadas em sequência.

Fig. 3. Uso do Ultralytics YOLO11 para estimar poses. (Fonte)

Aplicações reais de visão computacional e HAR#

Agora, vamos analisar mais de perto como o reconhecimento de atividades humanas com visão computacional é aplicado em casos de uso reais que impactam nosso dia a dia.

Saúde e bem-estar#

Na área da saúde, pequenas mudanças nos movimentos podem fornecer informações úteis sobre o estado de uma pessoa. Por exemplo, um tropeço de um paciente idoso ou o ângulo de um membro durante a reabilitação podem revelar riscos ou progressos. Esses sinais costumam passar despercebidos pelos métodos tradicionais, como consultas de rotina.

O Ultralytics YOLO11 pode ajudar usando estimativa de pose e análise de imagens para monitorar pacientes em tempo real. Ele pode ser usado para detectar quedas, acompanhar exercícios de recuperação e observar atividades diárias, como caminhar ou se alongar. Como funciona por meio de análise visual, sem precisar de sensores ou dispositivos vestíveis, oferece uma maneira simples de coletar informações precisas que ajudam no atendimento ao paciente.

Fig. 4. Rastreamento de movimentos do corpo com o suporte do Ultralytics YOLO11 à estimativa de pose. (Fonte)

Segurança e vigilância#

Os sistemas de segurança dependem da detecção rápida de atividades humanas incomuns, como alguém perambulando, correndo em uma área restrita ou demonstrando agressividade repentina. Esses sinais costumam passar despercebidos em ambientes movimentados, onde os agentes de segurança não conseguem observar tudo manualmente. É aí que entram a visão computacional e o Ultralytics YOLO11.

O YOLO11 facilita o monitoramento de segurança com vigilância por vídeo em tempo real, capaz de detectar movimentos suspeitos e enviar alertas instantâneos. Ele ajuda a proteger multidões em espaços públicos e reforça a detecção de invasões em áreas privadas.

Com essa abordagem, os guardas de segurança podem trabalhar em conjunto com sistemas de visão computacional e responder mais rapidamente a atividades suspeitas.

Vantagens e desvantagens do uso da visão computacional para HAR#

Aqui estão algumas vantagens do uso da visão computacional para o reconhecimento de atividades humanas:

• Escalabilidade: Depois de configurado, o mesmo sistema de reconhecimento pode monitorar automaticamente várias pessoas ao mesmo tempo, o que o torna útil para a automação em unidades de saúde, fábricas e espaços públicos.
• Processamento em tempo real: As soluções de IA visual podem analisar transmissões de vídeo enquanto elas acontecem, permitindo respostas mais rápidas.
• Rastreamento não invasivo: Diferentemente de wearables ou sensores, não exige que as pessoas carreguem dispositivos, permitindo analisar comportamentos de forma natural e sem esforço.

Embora haja muitas vantagens no uso da visão computacional para HAR, também é preciso considerar algumas limitações. Veja alguns fatores importantes:

• Questões de privacidade: O monitoramento por vídeo pode gerar preocupações relacionadas à proteção de dados e ao consentimento, especialmente em ambientes sensíveis, como casas ou locais de trabalho.
• Possíveis vieses: Se os conjuntos de dados de treinamento não forem diversos, os algoritmos poderão interpretar incorretamente as ações de determinados grupos de pessoas, levando a resultados injustos ou imprecisos.
• Sensibilidade ao ambiente: A precisão pode diminuir por causa da iluminação ruim, de fundos desordenados ou de pessoas parcialmente ocultas, por isso os sistemas precisam ser projetados com cuidado.

Principais conclusões#

A inteligência artificial e a visão computacional estão permitindo que as máquinas reconheçam ações humanas com mais precisão e em tempo real. Ao analisar quadros de vídeo e padrões de movimento, esses sistemas conseguem identificar tanto gestos cotidianos quanto mudanças repentinas. À medida que a tecnologia continua avançando, o reconhecimento de atividades humanas está saindo dos laboratórios de pesquisa e se tornando uma ferramenta prática para a saúde, a segurança e aplicações do dia a dia.

Saiba mais sobre IA acessando nosso repositório do GitHub e participando da nossa comunidade. Confira nossas páginas de soluções para conhecer a IA na robótica e a visão computacional na manufatura. Descubra nossas opções de licenciamento para começar a usar IA visual.