AI 能检测人类动作吗？探索活动识别
从健身应用到患者监测，了解计算机视觉如何回答这一问题：AI 能否在真实环境中检测人类动作？
日常生活中充满了我们很少停下来思考的细微动作。我们走过房间、坐在桌前或向朋友挥手时可能觉得毫不费力，但要让 AI 检测这些动作却复杂得多。对人类来说自然而然的事情，当机器试图理解时，会变得复杂得多。
这种能力称为人类活动识别（HAR），可以让计算机检测并解读人类行为模式。健身应用就是 HAR 实际应用的一个典型例子。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，人类动作识别市场的规模将超过 125.6 亿美元。
这一进展很大程度上得益于计算机视觉，它是 AI 的一个分支，可以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尖端 AI 应用中实用且令人振奋的一部分。
本文将介绍 HAR 是什么、用于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 能在真实世界的应用中检测人类动作吗？让我们开始吧！
什么是人类动作识别？#
人类动作识别通过分析身体运动，使计算机系统能够理解人类活动或动作。与简单地在图像中检测一个人不同，HAR 还可以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 的基础在于运动和姿势模式。手臂或腿部位置的细微变化，都可能表示各种不同的动作。通过捕捉并解读这些细节，HAR 系统可以从身体运动中获取有意义的信息。
为实现这一点，人类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，共同分析身体运动并更准确地解读人类动作。
图 1. 人类活动识别涉及计算机科学的不同分支（来源：cell.com）
早期的 HAR 系统局限性要大得多。它们只能在受控环境中处理少量简单、重复的动作，在真实世界场景中往往表现不佳。
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。现代系统可以更准确地识别各种活动，使这项技术能够实际应用于医疗保健、安全防护和交互式设备等领域。
检测人类动作的不同方法#
现在我们已经更好地了解了什么是人类动作识别，下面来看看机器检测人类动作的不同方式。
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捕捉人体发出的信号。它们可以显示走路、跑步甚至静止站立等运动模式。智能手表上的计步器就是这种方法的一个典型例子。
- 基于视觉的方法： 摄像头结合计算机视觉，逐帧分析图像和视频，以跟踪身体的外观和运动。这使识别更复杂的活动成为可能。手势控制的电视或游戏系统就依赖这种方法。
- 多模态方法： 将传感器与摄像头结合起来可以构建更可靠的系统，因为一个来源可以确认另一个来源检测到的内容。例如，可穿戴设备可能记录运动，而摄像头验证姿势；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 数据集是视频片段、图像或传感器数据等示例的集合，用于记录走路、坐下或挥手等动作。这些示例用于训练 AI 模型识别人类运动模式，随后可应用于现实生活中的各种场景。
训练数据的质量会直接影响模型的表现。干净且一致的数据能让系统更准确地识别动作。
因此，数据集通常会在训练前进行预处理。归一化就是一种常见步骤，它可以对数值进行一致的缩放，以减少错误并防止过拟合（即模型在训练数据上表现良好，但面对新数据时表现不佳）。
为了衡量模型在训练数据之外的表现，研究人员依靠评估指标和基准数据集进行公平测试与比较。UCF101、HMDB51 和 Kinetics 等常用数据集包含数千个带标签的人类动作检测视频片段。在传感器方面，从智能手机和可穿戴设备收集的数据集提供了有价值的运动信号，使识别模型在不同环境中更加稳健。
图 2. 人类活动识别数据集一览。（来源）
计算机视觉如何支持人类活动识别#
在检测人类动作的不同方式中，计算机视觉迅速成为最受欢迎且研究最广泛的方法之一。它的主要优势在于可以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运动模式，它可以实时识别活动，而不需要人们佩戴额外设备。
深度学习，尤其是专门用于分析图像的卷积神经网络（CNNs）的最新进展，使计算机视觉变得更快、更准确、更可靠。
例如，Ultralytics YOLO11 等广泛使用的先进计算机视觉模型就建立在这些进展之上。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，是人类活动识别的出色工具。
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。这些能力对于人类活动识别尤其有用。
目标检测可以识别并定位场景中的人员，跟踪则会追踪他们在视频帧中的运动以识别动作序列，而姿态估计会映射人体的关键关节，从而区分相似活动，或检测跌倒等突发变化。
例如，模型提供的信息可以用来区分一个人安静地坐着、随后站起来，最后举起双臂欢呼。这些简单的日常动作乍看之下可能相似，但按序列分析时却具有截然不同的含义。
图 3. 使用 Ultralytics YOLO11 进行姿态估计。（来源）
计算机视觉和 HAR 的现实应用#
接下来，让我们进一步了解计算机视觉驱动的人类活动识别如何应用于影响我们日常生活的真实场景。
医疗保健与福祉#
在医疗保健领域，运动上的细微变化可以为了解一个人的状况提供有用信息。例如，老年患者绊倒，或康复过程中肢体的角度，都可能揭示风险或进展。这些迹象通过体检等传统方式往往很容易被忽略。
Ultralytics YOLO11 可以利用姿态估计和图像分析实时监测患者。例如，它可以用于检测跌倒、跟踪康复训练，以及观察走路或伸展等日常活动。由于它通过视觉分析工作，不需要传感器或可穿戴设备，因此提供了一种简单的方式来收集准确的信息，支持患者护理。
图 4. 使用 Ultralytics YOLO11 的姿态估计功能跟踪身体运动。（来源）
安全与监控#
安全系统依靠快速检测异常的人类活动，例如有人逗留、在限制区域内奔跑或突然表现出攻击性。在繁忙环境中，安保人员无法人工监控一切，这些迹象往往容易被遗漏。这正是计算机视觉和 Ultralytics YOLO11 发挥作用的地方。
YOLO11 通过支持实时视频监控，让安全监控更加轻松，可以检测可疑运动并发送即时警报。它支持公共场所的人员安全，并加强私人区域的入侵检测。
采用这种方式后，安保人员可以与计算机视觉系统协同工作，形成一种人机交互与合作机制，从而更快速、更及时地响应可疑活动。
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类活动识别的一些优势：
- 可扩展性： 系统设置完成后，同一个识别系统可以自动同时监控多个人，因此适合用于医疗机构、工厂和公共场所的自动化。
- 实时处理： 视觉 AI 解决方案可以用于实时分析视频流，从而实现更快的响应。
- 非侵入式跟踪： 与可穿戴设备或传感器不同，它不要求人们携带设备，因此可以自然、轻松地分析行为。
虽然使用计算机视觉进行 HAR 有许多好处，但也存在需要考虑的局限性。以下是需要注意的一些因素：
- 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。
- 潜在偏见： 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，导致不公平或不准确的结果。
- 对环境的敏感性： 光线不足、背景杂乱或人员部分被遮挡，都可能导致准确率下降，这意味着系统需要经过谨慎设计。
要点总结#
人工智能和计算机视觉正在让机器能够更准确地实时识别人类动作。通过分析视频帧和运动模式，这些系统可以识别日常手势和突发变化。随着技术不断进步，人类活动识别正走出研究实验室，成为医疗保健、安全防护和日常应用中的实用工具。
访问我们的 GitHub 代码仓库并加入我们的社区，进一步探索 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。探索我们的许可选项，开始使用视觉 AI。
