Action Recognition

探索动作识别如何识别视频中的行为。学习使用 Ultralytics YOLO26 进行姿态估计，并为 HAR 任务构建智能 AI 系统。

动作识别，通常也称为人体活动识别（HAR），是计算机视觉 (CV)的一个动态子领域，专注于识别和分类视频数据中主体执行的具体行为或动作。传统的目标检测回答的是“图像里有什么？”这个问题，而动作识别则解决更复杂的问题：“随着时间推移正在发生什么？”通过分析帧序列而不是静态图像，机器学习 (ML)模型能够区分诸如“走路”、“骑车”、“跌倒”或“握手”等复杂的活动，这使其成为构建理解人类意图和上下文的智能系统的关键组件。

核心概念与技术#

识别动作要求模型同时处理空间信息（对象或人的外观）和时间信息（他们随时间推移的移动方式）。为了实现这一点，现代人工智能 (AI)系统通常采用超越标准卷积神经网络 (CNN)的专门架构。

**姿态估计：**这是一种强大的技术，模型可以通过它跟踪人体上的特定关键点，例如手肘、膝盖和肩膀。这些关键点随时间的几何变化为分类动作提供了强有力的信号，且不受背景杂乱的干扰。
**时间建模：**算法利用循环神经网络 (RNN)或长短期记忆 (LSTM) 网络等结构来记住过去的帧并预测未来的动作。最近，视频 Transformer因其能够处理视频流中的长距离依赖关系而大受欢迎。
**双流网络：**这种方法在并行流中处理空间特征（RGB 帧）和时间特征（通常使用光流），并融合数据以做出最终分类。

实际应用#

自动解释人类运动的能力在各个行业中具有变革性潜力，能够提升安全性、效率和用户体验。

**医疗健康领域的 AI：**动作识别对于患者监测系统至关重要。例如，它能够在疗养院中实现自动跌倒检测，如果患者倒地，会立即向工作人员发出警报。它还用于远程物理康复，由 AI 教练分析患者的锻炼姿势，以确保他们正确、安全地完成动作。
**智能监控与安全：**除了简单的运动检测之外，先进的安全系统还使用动作识别来识别可疑行为（例如打架、入店行窃或未经授权的进入），同时忽略良性活动。这减少了误报并改善了实时安全监控。

使用 Ultralytics 实现动作分析#

常见的工作流程包括先检测人员及其骨骼姿态，然后分析这些关节的运动。Ultralytics YOLO26模型为初始姿态估计步骤提供了业界领先的速度和准确性，这是许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#

区分动作识别与类似的计算机视觉任务非常重要，以确保采用正确的方法。

**动作识别 vs. 目标跟踪：**目标跟踪侧重于在特定对象或人在帧之间移动时保持其身份（例如，“A 人在坐标 X 处”）。动作识别则解释被跟踪主体的行为（例如，“A 人正在跑步”）。
**动作识别 vs. 视频理解：**动作识别侧重于识别特定的身体动作，而视频理解是一个更广泛的概念，涉及理解视频场景中的整个叙事、上下文和因果关系。