行动认可

动作识别（亦称人类活动识别HAR）是计算机视觉（CV）领域中一个动态分支，致力于识别和分类视频数据中主体执行的特定行为或动作。传统物体检测回答的是"图像中存在什么"的问题，而动作识别则应对更为复杂的"随时间推移发生了什么"的挑战。 通过分析连续帧序列而非静态图像， 机器学习（ML）模型能够区分"行走"、"骑行"、"跌倒"或"握手"等复杂活动， 使其成为构建理解人类意图与情境的智能系统的重要组成部分。

核心概念与技术

识别动作需要一种模型来处理空间信息（物体或人的外观）和时间信息（它们随时间的移动方式）。为此，现代人工智能（AI）系统通常采用超越标准卷积神经网络（CNN）的专用架构。

• 姿势估计 ：一种强大的技术，模型通过追踪人体特定关键点（如肘部、膝盖和肩膀）来实现。这些关键点随时间发生的几何变化，为动作分类提供了强有力的信号，且不受背景干扰的影响。
• 时间建模：算法利用如 循环神经网络（RNNs）或 长短期记忆网络（LSTM）等结构来记忆过去帧并预测未来动作。近年来， 视频变换器因其处理视频流中长程依赖关系的能力而广受欢迎。
• 双流网络：该方法通过并行流处理空间特征（RGB帧）和时间特征（通常采用光流），融合数据以实现最终分类。

实际应用

自动解读人体动作的能力在各行各业都具有变革潜力， 能够提升安全性、效率及用户体验。

• 医疗领域的人工智能：动作识别对患者监护系统至关重要。例如，它能实现养老院的自动跌倒检测，当患者倒地时立即向工作人员发出警报。该技术还应用于远程物理康复领域，人工智能教练通过分析患者的运动姿势，确保其动作正确且安全。
• 智能监控与安防：超越简单的运动检测，先进的安防系统通过动作识别技术，能够精准识别斗殴、盗窃或擅自闯入等可疑行为，同时忽略无害活动。这有效降低了误报率，显著提升了实时安防监控的精准度。

使用Ultralytics实施行为分析

常见的工作流程包括：姿势估计 检测人物及其骨骼姿势估计 ，随后分析这些关节的运动轨迹。Ultralytics 模型在初始姿势估计 步骤中实现了顶尖的速度与精度，该步骤是众多动作识别管道的基础。

以下示例演示了如何使用Python 从视频帧中提取骨架关键点：

from ultralytics import YOLO

# Load the YOLO26 pose estimation model
model = YOLO("yolo26n-pose.pt")

# Run inference on an image to detect person keypoints
results = model("https://ultralytics.com/images/bus.jpg")

# Process results
for result in results:
    # Access the keypoints (x, y, visibility)
    if result.keypoints is not None:
        print(f"Detected keypoints shape: {result.keypoints.data.shape}")

区分相关术语

区分动作识别与其他计算机视觉任务至关重要，以确保采用正确的方法。

• 动作识别与 目标跟踪： 目标跟踪侧重于在帧与帧之间移动时保持特定目标或人物的身份（例如 "人物A位于坐标X处"）。动作识别则解读被跟踪对象的行为（例如 "人物A正在奔跑"）。
• 动作识别与视频理解： 动作识别旨在识别特定的物理动作，而视频理解则是更广泛的概念，涉及对视频场景中完整叙事、上下文及因果关系的理解。

挑战与未来趋势

开发稳健的动作识别模型面临诸多挑战，尤其需要像Kinetics-400或UCF101这样的大型标注视频数据集。标注视频数据比标注静态图像耗时得多。为解决这一问题，Ultralytics 等工具可帮助简化标注和训练工作流程。

此外，计算效率至关重要。实时处理高清视频需要大量硬件资源。行业正日益转向边缘人工智能，通过优化模型使其直接在摄像头和移动设备上运行，从而降低延迟并减少带宽消耗。未来的发展将致力于提升模型的泛化能力，使系统能够识别即使在未明确训练过的视角下执行的动作。