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

Cuộc sống hằng ngày chứa đầy những chuyển động nhỏ mà chúng ta hiếm khi dừng lại để suy nghĩ. Bước qua một căn phòng, ngồi tại bàn làm việc hoặc vẫy tay chào bạn bè có thể là những việc không cần nỗ lực đối với chúng ta, nhưng việc phát hiện chúng bằng AI lại phức tạp hơn nhiều. Những điều đến với con người một cách tự nhiên trở nên phức tạp hơn rất 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 chất là một ví dụ điển hình về HAR trong thực tế. Bằng cách theo dõi số bước chân và các bài tập, 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 đáng kể của tiến bộ này được thúc đẩy bởi thị giác máy tính, một nhánh của AI cho phép máy móc phân tích dữ liệu trực quan như hình ảnh và video. Với thị giác máy tính và nhận dạng hình ảnh, HAR đã phát triển từ một khái niệm nghiên cứu thành một lĩnh vực thiết thực và đầy hứa hẹn trong các ứng dụng AI tiên tiến.

Trong bài viết này, chúng ta sẽ tìm hiểu HAR là gì, các phương pháp khác nhau được sử dụng 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? Hãy bắt đầu!

Nhận dạng hành động của con người là gì?#

Nhận dạng hành động của con người giúp các hệ thống máy tính hiểu được hoạt động hoặc hành động của con người bằng cách phân tích chuyển động cơ thể. Không chỉ phát hiện một người trong hình ảnh, HAR còn có thể hỗ trợ xác định người đó đang làm gì. Ví dụ: phân biệt giữa đi bộ và chạy, nhận dạng một cái 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 vị trí của cánh tay hoặc chân con 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 đạt được điều này, nhận dạng hành động của con người kết hợp nhiều công nghệ như machine learning, các model deep learning, thị giác máy tính và xử lý hình 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 khác nhau của khoa học máy tính (Nguồn: cell.com)

​​Các hệ thống HAR trước đây bị giới hạn hơn nhiều. Chúng chỉ có thể xử lý 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 ổn định. Các hệ thống hiện đại có thể nhận dạng nhiều loại hoạt động với độ chính xác cao hơn nhiều, khiến 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 xem xét những cách khác nhau mà máy móc có thể sử dụng để phát hiện hành động của con người.

Dưới đây là một số phương pháp phổ biến:

• Phương pháp dựa trên cảm biến: Các thiết bị thông minh như accelerometer, thiết bị đeo và smartphone có thể thu thập tín hiệu trực tiếp từ cơ thể con người. Chúng có thể thể hiện 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 cho phương pháp này.
• Phương pháp dựa trên thị giác: Camera kết hợp với thị giác máy tính sẽ phân tích hình ảnh và video để theo dõi hình dạng cũng như chuyển động của cơ thể qua từng frame. Điều này cho phép nhận dạng các hoạt động phức tạp hơn. TV điều khiển bằng cử chỉ hoặc hệ thống chơi game thường dựa vào phương pháp này.
• Phương pháp đa phương thức: Đây là sự kết hợp giữa cảm biến và camera để tạo ra một hệ thống đáng tin cậy hơn, vì một nguồn 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 sử dụng 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#

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

Chất lượng của 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 dễ dàng 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 đưa về cùng một thang đo để giảm lỗi và ngăn overfitting (khi model hoạt động tốt trên dữ liệu huấn luyện nhưng gặp khó khăn với dữ liệu mới).

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

Hình 2. Một góc nhìn về dataset nhận dạng hoạt động của con người. (Nguồn)

Cách thị giác máy tính hỗ trợ nhận dạng hoạt động của con người#

Trong số các cách 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 then chốt của phương pháp này là có thể trích xuất nhiều chi tiết phong phú trực tiếp từ hình ảnh và video. Bằng cách quan sát pixel qua từng frame và phân tích các mẫu chuyển động, phương pháp này có thể nhận dạng hoạt động theo thời gian thực mà không cần con 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 hiện đại phổ biến như Ultralytics YOLO11 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 frame video và ước tính tư thế, khiến đây trở thành một công cụ hiệu quả cho nhận dạng hoạt động của con người.

Tổng quan về Ultralytics YOLO11#

Ultralytics YOLO11 là một model AI thị giác được thiết kế để đạt cả tốc độ lẫn độ chính xác. Model hỗ trợ các tác vụ thị giác máy tính cốt lõi như phát hiện đối tượng, theo dõi đối tượng và ước tính tư thế. 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 một cảnh, tracking theo dõi chuyển động của họ qua các frame video để nhận dạng chuỗi hành động, còn ước tính tư thế ánh xạ các khớp chính trên cơ thể người nhằm phân biệt những hoạt động tương tự hoặc phát hiện các thay đổi đột ngột như té ngã.

Ví dụ, thông tin từ model có thể được sử dụng để phân biệt một người đang ngồi yên, sau đó đứng dậy và cuối cùng giơ tay lên cổ vũ. Những hành động đơn giản trong đời sống hằng ngày này có thể trông giống nhau khi nhìn thoáng qua, nhưng lại mang ý nghĩa rất khác khi được phân tích theo một chuỗi.

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

Các ứng dụng thực tế của thị giác máy tính và HAR#

Tiếp theo, hãy cùng xem xét kỹ hơn cách nhận dạng hoạt động của con người được hỗ trợ bởi thị giác máy tính đang được áp dụng trong các trường hợp sử dụng thực tế, tác động đến cuộc sống hằng ngày của chúng ta.

Chăm sóc sức khỏe và an sinh#

Trong 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. Ví dụ, việc một 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.

Ultralytics YOLO11 có thể hỗ trợ bằng cách sử dụng ước tính tư thế và phân tích hình ảnh để theo dõi bệnh nhân theo thời gian thực. Model có thể được dùng để phát hiện té ngã, theo dõi các bài tập phục hồi và quan sát các hoạt động hằng ngày như đi bộ hoặc duỗi người. 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 công tác chăm sóc bệnh nhân.

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

An ninh và giám sát#

Các hệ thống an ninh dựa vào việc nhanh chóng phát hiện những hoạt động bất thường của con người, chẳng hạn như ai đó lảng vảng, chạy trong khu vực hạn chế hoặc có biểu hiện hung hăng đột ngột. Những dấu hiệu này thường bị bỏ sót trong môi trường đông đúc, nơi nhân viên bảo vệ không thể tự mình quan sát mọi thứ. Đó là lúc thị giác máy tính và Ultralytics YOLO11 phát huy vai trò.

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

Với phương pháp này, nhân viên bảo vệ có thể phối hợp với các hệ thống thị giác máy tính, tạo nên sự tương tác và hợp tác giữa người với máy tính, qua đó cho phép phản hồi nhanh hơn và kịp thời hơn trước các hoạt động đáng ngờ.

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

Dưới đây là một số lợi ích 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 giám sát nhiều người cùng lúc, hữu ích cho việc tự động hóa tại các cơ sở chăm sóc sức khỏe, nhà máy và không gian công cộng.
• Xử lý theo thời gian thực: Các giải pháp AI thị giác có thể được sử dụng để phân tích các luồng video ngay khi chúng diễn ra, cho phép phản hồi nhanh hơn.
• Theo dõi không xâm lấn: Không giống thiết bị đeo hoặc cảm biến, phương pháp này không yêu cầu mọi người mang theo thiết bị, cho phép phân tích hành vi một cách tự nhiên và không cần nỗ lực.

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

• Mối lo ngại về quyền riêng tư: Giám sát dựa trên video có thể làm phát sinh các vấn đề liên quan đến bảo vệ dữ liệu và sự đồng thuận, đặc biệt trong những môi trường nhạy cảm như nhà ở hoặc nơi làm việc.
• Thiên kiến tiềm ẩn: Nếu dataset huấn luyện thiếu tính đa dạng, các thuật toán có thể diễn giải sai hành động của một số nhóm người, dẫn đến kết quả không công bằng hoặc không chính xác.
• Độ nhạy với môi trường: Độ chính xác có thể giảm do ánh sáng kém, hậu cảnh lộn xộn hoặc người bị che khuất một phần, nghĩa là hệ thống cần được thiết kế cẩn thận.

Những điểm chính#

Trí tuệ nhân tạo và thị giác máy tính đang giúp máy móc có thể nhận dạng hành động của con người chính xác hơn và theo thời gian thực. Bằng cách phân tích các frame video và mẫu chuyển động, những hệ thống này có thể xác định cả cử chỉ hằng ngày lẫn các thay đổi đột ngột. Khi công nghệ tiếp tục được cải thiện, nhận dạng hoạt động của con người đang vượt ra ngoài các phòng thí nghiệm nghiên cứu và trở thành một công cụ thiết thực cho 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 robotics 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.