AI 能识别人的动作吗？探索动作识别

日常生活中充满了细微动作，我们很少停下来思考它们。穿过房间、坐在桌前或向朋友挥手，对我们来说都轻而易举，但用 AI 检测这些动作要复杂得多。对人类来说自然而然的事情，到了机器试图理解时就会变得复杂得多。

这种能力称为人体活动识别（HAR），它使计算机能够检测并解读人类行为模式。健身应用就是 HAR 的一个典型实例。通过跟踪步数和锻炼习惯，它展示了 AI 如何监测日常活动。

看到 HAR 的潜力后，许多行业开始采用这项技术。事实上，预计到 2033 年，人体动作识别市场规模将超过 125.6 亿美元。

这项进展很大程度上得益于计算机视觉，计算机视觉是 AI 的一个分支，能够让机器分析图像和视频等视觉数据。借助计算机视觉和图像识别，HAR 已从研究概念发展为现代 AI 应用中的实用技术。

在本文中，我们将探讨 HAR 的定义、识别人类动作的不同方法，以及计算机视觉如何帮助回答这个问题：AI 能否在现实应用中检测人类动作？

什么是人体动作识别？#

人体动作识别通过分析身体动作，让计算机系统能够理解人类活动或动作。与仅仅在图像中检测一个人不同，HAR 还能帮助识别这个人在做什么。例如，区分走路和跑步、识别挥手动作，或发现有人摔倒。

HAR 以动作和姿势模式为基础。人手臂或腿部位置的细微变化，就可能代表各种不同的动作。通过捕捉并解读这些细节，HAR 系统可以从身体动作中获取有意义的信息。

为实现这一点，人体动作识别结合了机器学习、深度学习模型、计算机视觉和图像处理等多种技术，共同分析身体动作并更准确地解读人类行为。

图 1. 人体活动识别涉及计算机科学的不同分支（来源：cell.com）

早期的 HAR 系统能力有限得多。它们只能在受控环境中处理少数简单、重复的动作，而且往往难以应对现实场景。

如今，得益于 AI 和海量视频数据，HAR 在准确性和鲁棒性方面都取得了显著进步。现代系统能够以高得多的准确度识别各种活动，使这项技术可以实际应用于医疗保健、安防和交互式设备等领域。

检测人体动作的不同方法#

现在我们对人体动作识别有了更深入的了解，接下来看看机器检测人体动作的不同方式。

以下是一些常见方法：

• 基于传感器的方法：加速度计、可穿戴设备和智能手机等智能设备可以直接采集人体信号。它们可以显示走路、跑步甚至静止站立等动作模式。智能手表上的计步器就是这种方法的典型例子。
• 基于视觉的方法：搭配计算机视觉的摄像头会分析图像和视频，逐帧跟踪身体外观和动作。这使系统能够识别更复杂的活动。手势控制电视或游戏系统就采用了这种方法。
• 多模态方法：这类方法结合传感器和摄像头来构建更可靠的系统，因为一个信息源可以验证另一个信息源检测到的内容。例如，可穿戴设备可能会检测到运动，而摄像头则会确认姿势；这种设置常用于老年人护理中的跌倒检测。

数据集在人类活动识别中的作用#

对于任何 HAR 模型或系统来说，数据集都是起点。HAR 数据集是一组示例，例如视频片段、图像或传感器数据，用于记录走路、坐下或挥手等动作。这些示例用于训练 AI 模型识别人类动作模式，然后应用于实际场景。

训练数据的质量会直接影响模型的表现。干净、一致的数据有助于系统准确识别动作。

因此，数据集通常会在训练前进行预处理。一个常见步骤是归一化，即以一致的方式缩放数值，以减少误差并防止过拟合（模型在训练数据上表现良好，却难以处理新数据）。

为了衡量模型在训练之外的表现，研究人员会使用评估指标和基准数据集，以便进行公平的测试和比较。UCF101、HMDB51 和 Kinetics 等热门数据集包含数千个带标签的人体动作检测视频片段。在传感器方面，来自智能手机和可穿戴设备的数据集提供了有价值的动作信号，使识别模型能够更好地适应不同环境。

图 2. 人体活动识别数据集一览。(来源)

计算机视觉如何支持人体活动识别#

在检测人体动作的各种方法中，计算机视觉迅速成为最热门、研究最广泛的方法之一。它的主要优势在于能直接从图像和视频中提取丰富的细节。通过逐帧查看像素并分析动作模式，它可以实时识别活动，无需人们佩戴额外设备。

深度学习的最新进展，尤其是专为图像分析设计的卷积神经网络 (CNNs)，让计算机视觉变得更快、更准确、更可靠。

例如，像 Ultralytics YOLO11（现已由 Ultralytics YOLO26 接替）这类广泛应用的先进计算机视觉模型，正是基于这些进展构建的。YOLO11 支持目标检测、实例分割、跨视频帧跟踪人员以及人体姿态估计等任务，是人体活动识别的实用工具。

Ultralytics YOLO11 概览#

Ultralytics YOLO11 是一款兼顾速度和精度的视觉 AI 模型。它支持目标检测、目标跟踪和姿态估计等核心计算机视觉任务。这些能力对人体活动识别尤其有用。

目标检测用于识别并定位场景中的人员，跟踪则跨视频帧追踪他们的动作以识别动作序列，而姿态估计会映射人体关键关节，从而区分相似活动或检测摔倒等突发变化。

例如，模型提供的洞察可以帮助区分一个人安静地坐着、随后站起来，最后举起双臂欢呼的动作。这些日常简单动作乍看可能相似，但按顺序分析时含义截然不同。

图 3. 使用 Ultralytics YOLO11 进行姿态估计。(来源)

计算机视觉和 HAR 的真实应用#

接下来，我们深入了解由计算机视觉驱动的人体活动识别如何应用于影响日常生活的实际场景。

医疗保健与福祉#

在医疗保健领域，动作上的细微变化可以为了解一个人的健康状况提供有用信息。例如，老年患者踉跄了一下，或康复训练时肢体的角度，都可能揭示风险或进展。这些迹象往往很容易被体检等传统方式忽略。

Ultralytics YOLO11 可以利用姿态估计和图像分析实时监测患者。它可用于检测跌倒、跟踪康复训练，以及观察步行或伸展等日常活动。由于它通过视觉分析运行，无需传感器或可穿戴设备，因此能以简单的方式收集准确的信息，支持患者护理。

图 4. 利用 Ultralytics YOLO11 的姿态估计功能跟踪身体动作。(来源)

安防与监控#

安防系统依赖于快速检测异常的人类活动，例如有人徘徊、在限制区域奔跑或突然表现出攻击性。在繁忙的环境中，安保人员无法手动监控所有情况，因此这些迹象往往会被漏掉。这正是计算机视觉和 Ultralytics YOLO11 可以发挥作用的地方。

YOLO11 通过支持实时视频监控，让安防监控更加轻松，能够检测可疑动作并立即发送警报。它能提升公共场所的人群安全，并加强私人区域的入侵检测。

采用这种方法，保安人员可以与计算机视觉系统协同工作，更快地应对可疑活动。

使用计算机视觉进行 HAR 的优缺点#

以下是使用计算机视觉进行人体活动识别的一些优势：

• 可扩展性：系统设置完成后，同一个识别系统就能自动同时监控多个人，因此适用于医疗机构、工厂和公共场所的自动化。
• 实时处理：视觉 AI 解决方案可用于实时分析视频流，从而更快地做出响应。
• 非侵入式跟踪：与可穿戴设备或传感器不同，这种方式无需人们携带设备，因此可以自然、轻松地分析行为。

尽管计算机视觉在 HAR 方面有诸多优势，但也有一些限制需要考虑。以下是需要注意的因素：

• 隐私问题：基于视频的监控可能引发数据保护和知情同意方面的问题，尤其是在家庭或工作场所等敏感环境中。
• 潜在偏差：如果训练数据集缺乏多样性，算法可能会误解某些人群的动作，导致结果不公平或不准确。
• 环境敏感性：光线不足、背景杂乱或人员被部分遮挡都可能降低准确率，因此系统需要经过谨慎设计。

要点#

人工智能和计算机视觉让机器能够更准确地实时识别人类动作。通过分析视频帧和动作模式，这些系统既能识别日常手势，也能发现突发变化。随着技术不断进步，人体活动识别正从研究实验室走向医疗保健、安防和日常应用，成为实用工具。

访问我们的 GitHub 代码仓库，并加入我们的社区，深入了解 AI。查看我们的解决方案页面，了解机器人领域的 AI和制造业中的计算机视觉。了解我们的许可选项，开始使用视觉 AI。