AI có thể nhận diện hành động của con người không? Khám phá nhận dạng hoạt động

Cuộc sống hằng ngày tràn ngập những chuyển động nhỏ mà chúng ta hiếm khi dừng lại để nghĩ về chúng. Đi qua căn phòng, ngồi vào bàn làm việc hay vẫy tay chào bạn bè có thể rất dễ dàng với chúng ta, nhưng để AI phát hiện những hành động đó lại phức tạp hơn nhiều. Những gì con người thực hiện một cách tự nhiên trở nên phức tạp hơn nhiều khi máy móc cố gắng hiểu chúng.

Khả năng này được gọi là nhận dạng hoạt động của con người (HAR), cho phép máy tính phát hiện và diễn giải các mẫu hành vi của con người. Ứng dụng thể dục là một ví dụ điển hình về HAR trong thực tế. Bằng cách theo dõi số bước và lịch tập luyện, ứng dụng cho thấy AI có thể giám sát các hoạt động hằng ngày như thế nào.

Nhận thấy tiềm năng của HAR, nhiều ngành đã bắt đầu áp dụng công nghệ này. Trên thực tế, thị trường nhận dạng hành động của con người dự kiến sẽ đạt hơn 12,56 tỷ USD vào năm 2033.

Một phần quan trọng của tiến bộ này đến từ thị giác máy tính, một nhánh của AI cho phép máy phân tích dữ liệu hình ảnh, chẳng hạn như ảnh và video. Nhờ thị giác máy tính và nhận dạng hình ảnh, HAR đã phát triển từ một khái niệm nghiên cứu thành một phần thiết thực trong các ứng dụng AI hiện đại.

Trong bài viết này, chúng ta sẽ tìm hiểu HAR là gì, các phương pháp khác nhau được dùng để nhận dạng hành động của con người và cách thị giác máy tính giúp trả lời câu hỏi: AI có thể phát hiện hành động của con người trong các ứng dụng thực tế không?

Nhận dạng hành động của con người là gì?#

Nhận dạng hành động của con người cho phép các hệ thống máy tính hiểu hoạt động hoặc hành động của con người bằng cách phân tích chuyển động cơ thể. Khác với việc chỉ phát hiện một người trong ảnh, HAR có thể giúp xác định người đó đang làm gì. Chẳng hạn, phân biệt giữa đi bộ và chạy, nhận ra động tác vẫy tay hoặc phát hiện khi ai đó bị ngã.

Nền tảng của HAR nằm ở các mẫu chuyển động và tư thế. Một thay đổi nhỏ trong cách định vị cánh tay hoặc chân của một người có thể báo hiệu nhiều hành động khác nhau. Bằng cách thu thập và diễn giải những chi tiết tinh tế này, các hệ thống HAR có thể rút ra thông tin hữu ích từ chuyển động cơ thể.

Để thực hiện điều này, nhận dạng hành động của con người kết hợp nhiều công nghệ như machine learning, model deep learning, thị giác máy tính và xử lý ảnh, phối hợp với nhau để phân tích chuyển động cơ thể và diễn giải hành động của con người với độ chính xác cao hơn.

Hình 1. Nhận dạng hoạt động của con người liên quan đến nhiều nhánh khoa học máy tính (Nguồn: cell.com)

Các hệ thống HAR trước đây bị hạn chế hơn nhiều. Chúng chỉ xử lý được một vài hành động đơn giản, lặp đi lặp lại trong môi trường được kiểm soát và thường gặp khó khăn trong các tình huống thực tế.

Ngày nay, nhờ AI và lượng lớn dữ liệu video, HAR đã tiến bộ đáng kể cả về độ chính xác lẫn độ mạnh mẽ. Các hệ thống hiện đại có thể nhận dạng nhiều hoạt động với độ chính xác cao hơn đáng kể, giúp công nghệ này trở nên thiết thực trong các lĩnh vực như chăm sóc sức khỏe, an ninh và thiết bị tương tác.

Các phương pháp khác nhau để phát hiện hành động của con người#

Giờ đây khi đã hiểu rõ hơn về nhận dạng hành động của con người, hãy cùng tìm hiểu những cách khác nhau mà máy móc có thể phát hiện hành động của con người.

Sau đây là một số phương pháp phổ biến:

• Phương pháp dựa trên cảm biến: Các thiết bị thông minh như gia tốc kế, thiết bị đeo và smartphone có thể thu thập tín hiệu trực tiếp từ cơ thể người. Những tín hiệu này có thể cho thấy các mẫu chuyển động như đi bộ, chạy hoặc thậm chí đứng yên. Bộ đếm bước chân trên smartwatch là một ví dụ điển hình của phương pháp này.
• Phương pháp dựa trên thị giác: Camera kết hợp với thị giác máy tính phân tích hình ảnh và video để theo dõi hình dáng cũng như chuyển động của cơ thể qua từng frame. Cách này cho phép nhận dạng các hoạt động phức tạp hơn. TV hoặc hệ thống chơi game điều khiển bằng cử chỉ sử dụng phương pháp này.
• Phương pháp đa phương thức: Các phương pháp này kết hợp cảm biến và camera để tạo ra một hệ thống đáng tin cậy hơn, vì dữ liệu từ nguồn này có thể xác nhận những gì nguồn kia phát hiện. Ví dụ, thiết bị đeo có thể ghi nhận chuyển động trong khi camera xác minh tư thế; cấu hình này thường được dùng để phát hiện té ngã trong hoạt động chăm sóc người cao tuổi.

Vai trò của dataset trong nhận dạng hoạt động của con người#

Với mọi model hoặc hệ thống HAR, dataset là điểm khởi đầu. Dataset HAR là tập hợp các ví dụ như video clip, hình ảnh hoặc dữ liệu cảm biến ghi lại những hành động như đi bộ, ngồi hoặc vẫy tay. Các ví dụ này được dùng để huấn luyện model AI nhận dạng mẫu chuyển động của con người, sau đó có thể áp dụng vào các ứng dụng thực tế.

Chất lượng dữ liệu huấn luyện ảnh hưởng trực tiếp đến hiệu suất của model. Dữ liệu sạch và nhất quán giúp hệ thống nhận dạng hành động chính xác hơn.

Đó là lý do dataset thường được tiền xử lý trước khi huấn luyện. Một bước phổ biến là chuẩn hóa, trong đó các giá trị được điều chỉnh theo cùng một thang đo để giảm lỗi và ngăn overfitting (tình trạng model hoạt động tốt trên dữ liệu huấn luyện nhưng gặp khó khăn với dữ liệu mới).

Để đo lường hiệu suất của model ngoài dữ liệu huấn luyện, các nhà nghiên cứu dựa vào metric đánh giá và dataset benchmark cho phép kiểm thử, so sánh công bằng. Các bộ dữ liệu phổ biến như UCF101, HMDB51 và Kinetics bao gồm hàng nghìn video clip được gán nhãn để phát hiện hành động của con người. Đối với cảm biến, dataset thu thập từ smartphone và thiết bị đeo cung cấp tín hiệu chuyển động có giá trị, giúp model nhận dạng hoạt động mạnh mẽ hơn trong nhiều môi trường khác nhau.

Hình 2. Khái quát về một dataset nhận dạng hoạt động của con người. (Nguồn)

Thị giác máy tính hỗ trợ nhận dạng hoạt động của con người như thế nào#

Trong số các phương pháp phát hiện hành động của con người, thị giác máy tính nhanh chóng trở thành một trong những phương pháp phổ biến và được nghiên cứu rộng rãi nhất. Ưu điểm chính của phương pháp này là có thể trích xuất thông tin phong phú trực tiếp từ hình ảnh và video. Bằng cách xem xét pixel qua từng frame và phân tích mẫu chuyển động, phương pháp này có thể nhận dạng hoạt động theo thời gian thực mà không cần mọi người đeo thêm thiết bị.

Những tiến bộ gần đây trong deep learning, đặc biệt là mạng nơ-ron tích chập (CNNs) được thiết kế để phân tích hình ảnh, đã giúp thị giác máy tính nhanh hơn, chính xác hơn và đáng tin cậy hơn.

Ví dụ, các model thị giác máy tính tiên tiến, được sử dụng rộng rãi như Ultralytics YOLO11 (sau này được Ultralytics YOLO26 kế nhiệm), được xây dựng dựa trên những tiến bộ này. YOLO11 hỗ trợ các tác vụ như phát hiện đối tượng, phân đoạn instance, theo dõi người qua các khung hình video và ước tính tư thế người, nên là một công cụ hữu ích cho nhận dạng hoạt động của con người.

Tổng quan về Ultralytics YOLO11#

Ultralytics YOLO11 là model AI thị giác được thiết kế để vừa nhanh vừa chính xác. Model hỗ trợ các tác vụ cốt lõi của thị giác máy tính như phát hiện đối tượng, theo dõi đối tượng và ước tính pose. Những khả năng này đặc biệt hữu ích cho nhận dạng hoạt động của con người.

Phát hiện đối tượng xác định và định vị người trong khung cảnh, theo dõi chuyển động của họ qua các frame video để nhận dạng chuỗi hành động, còn ước tính pose ánh xạ các khớp chính trên cơ thể người để phân biệt những hoạt động tương tự hoặc phát hiện thay đổi đột ngột như té ngã.

Ví dụ, thông tin chi tiết từ model có thể được dùng để phân biệt một người đang ngồi yên, sau đó đứng dậy rồi giơ tay reo hò. Thoạt nhìn, những hành động thường ngày đơn giản này có vẻ giống nhau, nhưng khi được phân tích theo trình tự, chúng lại mang ý nghĩa rất khác nhau.

Hình 3. Sử dụng Ultralytics YOLO11 để ước tính pose. (Nguồn)

Ứng dụng thực tế của thị giác máy tính và HAR#

Tiếp theo, hãy cùng tìm hiểu kỹ hơn cách nhận dạng hoạt động của con người dựa trên thị giác máy tính được áp dụng trong các tình huống thực tế, có ảnh hưởng đến đời sống hằng ngày.

Chăm sóc sức khỏe và nâng cao thể trạng#

Trong lĩnh vực chăm sóc sức khỏe, những thay đổi nhỏ trong chuyển động có thể cung cấp thông tin hữu ích về tình trạng của một người. Chẳng hạn, việc bệnh nhân cao tuổi loạng choạng hoặc góc của một chi trong quá trình phục hồi chức năng có thể cho thấy rủi ro hoặc tiến triển. Những dấu hiệu này thường dễ bị bỏ sót bằng các phương pháp truyền thống như khám sức khỏe định kỳ.

Ultralytics YOLO11 có thể hỗ trợ giám sát bệnh nhân theo thời gian thực bằng cách sử dụng ước tính tư thế và phân tích hình ảnh. Model có thể được dùng để phát hiện té ngã, theo dõi bài tập phục hồi và quan sát các hoạt động hằng ngày như đi bộ hoặc giãn cơ. Vì hoạt động thông qua phân tích hình ảnh mà không cần cảm biến hay thiết bị đeo, model cung cấp một cách đơn giản để thu thập thông tin chính xác, hỗ trợ việc chăm sóc bệnh nhân.

Hình 4. Theo dõi chuyển động cơ thể bằng tính năng hỗ trợ ước tính pose của Ultralytics YOLO11. (Nguồn)

An ninh và giám sát#

Các hệ thống an ninh dựa vào khả năng nhanh chóng phát hiện hoạt động bất thường của con người, chẳng hạn như ai đó đi đi lại lại quanh khu vực, chạy trong khu vực hạn chế hoặc đột ngột có hành vi hung hăng. Những dấu hiệu này thường bị bỏ sót trong môi trường đông đúc, nơi nhân viên bảo vệ không thể theo dõi mọi thứ bằng mắt thường. Đây là lúc thị giác máy tính và Ultralytics YOLO11 phát huy tác dụng.

YOLO11 giúp giám sát an ninh dễ dàng hơn bằng cách hỗ trợ giám sát video theo thời gian thực, có thể phát hiện chuyển động đáng ngờ và gửi cảnh báo tức thì. Model hỗ trợ an toàn đám đông tại không gian công cộng và tăng cường khả năng phát hiện xâm nhập ở khu vực riêng tư.

Với phương pháp này, nhân viên bảo vệ có thể phối hợp với các hệ thống thị giác máy tính và phản ứng nhanh hơn trước những hoạt động đáng ngờ.

Ưu và nhược điểm của việc sử dụng thị giác máy tính cho HAR#

Sau đây là một số ưu điểm của việc sử dụng thị giác máy tính để nhận dạng hoạt động của con người:

• Khả năng mở rộng: Sau khi được thiết lập, cùng một hệ thống nhận dạng có thể tự động theo dõi nhiều người cùng lúc, hữu ích cho tự động hóa tại cơ sở chăm sóc sức khỏe, nhà máy và không gian công cộng.
• Xử lý theo thời gian thực: Giải pháp AI thị giác có thể phân tích luồng video ngay khi chúng diễn ra, giúp phản ứng nhanh hơn.
• Theo dõi không xâm lấn: Khác với thiết bị đeo hoặc cảm biến, phương pháp này không yêu cầu mọi người mang theo thiết bị, cho phép phân tích hành vi tự nhiên và dễ dàng.

Mặc dù có nhiều lợi ích khi sử dụng thị giác máy tính cho HAR, vẫn cần cân nhắc một số hạn chế. Sau đây là những yếu tố cần lưu ý:

• Quan ngại về quyền riêng tư: Giám sát dựa trên video có thể làm nảy sinh vấn đề về bảo vệ dữ liệu và sự đồng thuận, đặc biệt trong những môi trường nhạy cảm như nhà ở hoặc nơi làm việc.
• Khả năng thiên lệch: Nếu dataset huấn luyện thiếu tính đa dạng, thuật toán có thể diễn giải sai hành động của một số nhóm người, dẫn đến kết quả thiếu công bằng hoặc không chính xác.
• Độ nhạy với môi trường: Độ chính xác có thể giảm do ánh sáng kém, nền lộn xộn hoặc người bị che khuất một phần, vì vậy cần thiết kế hệ thống cẩn thận.

Điểm chính cần ghi nhớ#

Trí tuệ nhân tạo và thị giác máy tính đang giúp máy móc nhận dạng hành động của con người chính xác hơn và theo thời gian thực. Bằng cách phân tích frame video và mẫu chuyển động, các hệ thống này có thể nhận diện cả cử chỉ thường ngày lẫn những thay đổi đột ngột. Khi công nghệ tiếp tục cải thiện, nhận dạng hoạt động của con người đang vượt ra khỏi phòng thí nghiệm nghiên cứu để trở thành công cụ thiết thực trong chăm sóc sức khỏe, an ninh và các ứng dụng hằng ngày.

Tìm hiểu thêm về AI bằng cách truy cập repository GitHub và tham gia cộng đồng của chúng tôi. Xem các trang giải pháp để tìm hiểu về AI trong robot học và thị giác máy tính trong sản xuất. Khám phá các tùy chọn cấp phép của chúng tôi để bắt đầu với AI thị giác.