Может ли ИИ распознавать действия людей? Разбираемся в распознавании активности

Повседневная жизнь полна мелких движений, о которых мы редко задумываемся. Пройти через комнату, сесть за стол или помахать другу кажется нам простым делом, но обнаружить эти действия с помощью ИИ гораздо сложнее. То, что даётся людям естественно, становится намного сложнее, когда машина пытается это понять.

Эта способность называется распознаванием активности человека (HAR) и позволяет компьютерам обнаруживать закономерности в поведении людей и интерпретировать их. Хороший пример применения HAR — фитнес-приложение. Отслеживая шаги и тренировки, оно показывает, как AI может контролировать повседневную активность.

Оценив потенциал HAR, многие отрасли начали внедрять эту технологию. Ожидается, что объём рынка распознавания действий человека превысит 12,56 млрд долларов к 2033 году.

Значительная часть этого прогресса обусловлена компьютерным зрением — разделом AI, который позволяет машинам анализировать визуальные данные, например изображения и видео. Благодаря компьютерному зрению и распознаванию изображений HAR превратилось из исследовательской концепции в практическую составляющую современных AI-приложений.

В этой статье мы расскажем, что такое HAR, какие методы используют для распознавания действий человека и как компьютерное зрение помогает ответить на вопрос: может ли AI распознавать действия людей в реальных условиях?

Что такое распознавание действий человека?#

Распознавание действий человека позволяет компьютерным системам понимать действия и занятия людей, анализируя движения тела. В отличие от простого обнаружения человека на изображении, HAR помогает определить, что именно делает человек. Например, отличить ходьбу от бега, распознать взмах рукой или заметить, что кто-то упал.

В основе HAR лежат закономерности движений и поз. Небольшое изменение положения рук или ног человека может указывать на самые разные действия. Фиксируя и интерпретируя такие тонкие детали, системы HAR извлекают полезную информацию из движений тела.

Для этого распознавание действий человека объединяет несколько технологий, например машинное обучение, модели глубокого обучения, компьютерное зрение и обработку изображений, которые вместе анализируют движения тела и точнее интерпретируют действия человека.

Рис. 1. Распознавание действий человека охватывает разные области компьютерных наук (источник: cell.com)

Ранние системы HAR были гораздо более ограниченными. Они могли распознавать лишь несколько простых повторяющихся действий в контролируемых условиях и часто плохо справлялись с реальными ситуациями.

Сегодня благодаря ИИ и большим объёмам видеоданных HAR значительно продвинулось в точности и устойчивости. Современные системы распознают гораздо больше видов активности и делают это намного точнее, поэтому технология стала практичной для таких областей, как здравоохранение, безопасность и интерактивные устройства.

Различные методы распознавания действий человека#

Теперь, когда мы лучше понимаем, что такое распознавание действий человека, давай рассмотрим, как машины могут распознавать действия людей.

Вот несколько распространённых методов:

• Методы на основе сенсоров: Умные устройства, например акселерометры, носимые устройства и смартфоны, могут напрямую считывать сигналы с человеческого тела. Они позволяют отслеживать такие модели движений, как ходьба, бег и даже неподвижное стояние. Счётчик шагов в умных часах — наглядный пример такого метода.
• Методы на основе зрения: Камеры вместе с компьютерным зрением анализируют изображения и видео, отслеживая внешний вид и движения тела от кадра к кадру. Это позволяет распознавать более сложные действия. Такой метод используют телевизоры и игровые системы с управлением жестами.
• Мультимодальные методы: объединяют датчики и камеры, создавая более надежную систему, поскольку данные одного источника могут подтвердить обнаруженное другим. Например, носимое устройство может зафиксировать движение, а камера — проверить положение тела. Такой подход часто используют для обнаружения падений при уходе за пожилыми людьми.

Роль наборов данных в распознавании действий человека#

Для любой модели или системы HAR отправной точкой служат наборы данных. Набор данных для HAR — это коллекция примеров, например видеоклипов, изображений или данных сенсоров, в которых запечатлены такие действия, как ходьба, сидение или взмах рукой. Эти примеры используют для обучения моделей ИИ распознавать закономерности движений человека, а затем применяют модели в реальных задачах.

Качество обучающих данных напрямую влияет на эффективность модели. Чистые и согласованные данные помогают системе точнее распознавать действия.

Поэтому перед обучением наборы данных часто предварительно обрабатывают. Один из распространённых этапов — нормализация: значения приводят к единому масштабу, чтобы уменьшить количество ошибок и предотвратить переобучение (когда модель хорошо работает на обучающих данных, но испытывает трудности с новыми данными).

Чтобы оценить работу моделей на данных, не участвовавших в обучении, исследователи используют метрики оценки и эталонные наборы данных, обеспечивающие честное тестирование и сравнение. Популярные наборы, такие как UCF101, HMDB51 и Kinetics, содержат тысячи размеченных видеоклипов с действиями людей. Наборы данных, собранные с помощью смартфонов и носимых устройств, предоставляют ценные сигналы о движении, повышая устойчивость моделей распознавания в разных условиях.

Рис. 2. Фрагмент набора данных для распознавания действий человека. (Источник)

Как компьютерное зрение помогает распознавать действия человека#

Среди разных способов распознавания действий человека компьютерное зрение быстро стало одним из самых популярных и активно исследуемых. Его главное преимущество в том, что оно извлекает подробную информацию непосредственно из изображений и видео. Анализируя пиксели кадр за кадром и изучая закономерности движений, оно распознаёт действия в реальном времени без необходимости носить дополнительные устройства.

Последние достижения в глубоком обучении, особенно в области свёрточных нейронных сетей (CNNs), предназначенных для анализа изображений, сделали компьютерное зрение быстрее, точнее и надёжнее.

Например, популярные передовые модели компьютерного зрения, такие как Ultralytics YOLO11 (которую впоследствии сменила Ultralytics YOLO26), созданы благодаря этим достижениям. YOLO11 поддерживает такие задачи, как обнаружение объектов, сегментация экземпляров, отслеживание людей в видеокадрах и оценка позы, поэтому отлично подходит для распознавания активности человека.

Обзор Ultralytics YOLO11#

Ultralytics YOLO11 — модель ИИ для компьютерного зрения, разработанная с расчётом на скорость и точность. Она поддерживает основные задачи компьютерного зрения, такие как обнаружение объектов, отслеживание объектов и оценка позы. Эти возможности особенно полезны для распознавания действий человека.

Обнаружение объектов позволяет найти людей в сцене, отслеживание — проследить за их движениями в видеокадрах и распознать последовательности действий, а оценка позы определяет ключевые суставы человеческого тела, чтобы различать похожие действия или обнаруживать резкие изменения, например падение.

Например, результаты работы модели могут помочь отличить ситуацию, когда человек спокойно сидит, затем встаёт и наконец поднимает руки, чтобы выразить радость. На первый взгляд эти простые повседневные действия могут показаться похожими, но в последовательности они имеют совершенно разный смысл.

Рис. 3. Оценка позы с помощью Ultralytics YOLO11. (Источник)

Применение компьютерного зрения и HAR в реальном мире#

Теперь подробнее рассмотрим, как распознавание действий человека на основе компьютерного зрения применяют в реальных сценариях, влияющих на нашу повседневную жизнь.

Здравоохранение и благополучие#

В здравоохранении небольшие изменения в движениях могут дать полезную информацию о состоянии человека. Например, спотыкание пожилого пациента или угол конечности во время реабилитации могут указывать на риски или прогресс. Такие признаки часто трудно заметить традиционными способами, например во время осмотра.

Ultralytics YOLO11 может помогать отслеживать состояние пациентов в реальном времени с помощью оценки позы и анализа изображений. Модель можно использовать для обнаружения падений, отслеживания упражнений для восстановления и наблюдения за повседневной активностью, например ходьбой или растяжкой. Поскольку для анализа используются только визуальные данные, без датчиков и носимых устройств, это простой способ собирать точную информацию для ухода за пациентами.

Рис. 4. Отслеживание движений тела с помощью поддержки оценки позы в Ultralytics YOLO11. (Источник)

Безопасность и видеонаблюдение#

Системы безопасности должны быстро обнаруживать необычные действия людей, например длительное пребывание на одном месте, бег в закрытой зоне или внезапное проявление агрессии. В оживлённых местах такие признаки часто остаются незамеченными, поскольку охранники не могут вручную следить за всем происходящим. Здесь на помощь приходят компьютерное зрение и Ultralytics YOLO11.

YOLO11 упрощает мониторинг безопасности, обеспечивая видеонаблюдение в реальном времени, которое обнаруживает подозрительные движения и мгновенно отправляет оповещения. Модель помогает обеспечивать безопасность толпы в общественных местах и улучшает обнаружение вторжений на частных территориях.

При таком подходе охранники могут работать вместе с системами компьютерного зрения и быстрее реагировать на подозрительную активность.

Плюсы и минусы использования компьютерного зрения для HAR#

Вот некоторые преимущества использования компьютерного зрения для распознавания действий человека:

• Масштабируемость: После настройки одна и та же система распознавания может автоматически наблюдать за несколькими людьми одновременно, что делает её полезной для автоматизации в медицинских учреждениях, на заводах и в общественных местах.
• Обработка в реальном времени: Решения на основе компьютерного зрения и ИИ можно использовать для анализа видеопотоков по мере их поступления, чтобы быстрее реагировать на происходящее.
• Ненавязчивое отслеживание: В отличие от носимых устройств и сенсоров, такой подход не требует, чтобы люди носили устройства, и позволяет естественно и без усилий анализировать их поведение.

Несмотря на множество преимуществ использования компьютерного зрения для HAR, у этого подхода есть и ограничения. Вот о чём стоит помнить:

• Вопросы конфиденциальности: Видеонаблюдение может вызывать опасения по поводу защиты данных и согласия людей, особенно в чувствительных местах, например дома или на работе.
• Возможная предвзятость: Если обучающим наборам данных не хватает разнообразия, алгоритмы могут неверно интерпретировать действия представителей отдельных групп людей, что приводит к несправедливым или неточным результатам.
• Чувствительность к условиям окружающей среды: Точность может снижаться из-за плохого освещения, загромождённого фона или частично скрытых людей, поэтому системы нужно тщательно проектировать.

Главные выводы#

Искусственный интеллект и компьютерное зрение позволяют машинам точнее распознавать действия человека в реальном времени. Анализируя видеокадры и закономерности движений, эти системы могут выявлять как повседневные жесты, так и резкие изменения. По мере развития технологии распознавание действий человека выходит за пределы исследовательских лабораторий и становится практичным инструментом для здравоохранения, безопасности и повседневных задач.

Узнай больше об ИИ: загляни в наш репозиторий на GitHub и присоединяйся к нашему сообществу. Посети страницы наших решений, чтобы узнать об ИИ в робототехнике и компьютерном зрении в производстве. Ознакомься с вариантами лицензирования, чтобы начать работу с ИИ для компьютерного зрения.