项目概述
目标
- 开发一个能够实时或近实时识别特定动作的系统，如运动姿势、表情变化或手势控制。
- 实现对人体关键点的精确追踪，以便于分析和理解人的动态行为。
技术栈
- Intel硬件：可能使用Intel的高性能计算平台，如Xeon处理器或Movidius神经计算棒（NCS），后者专为边缘设备上的深度学习推理设计。
- Chainer：这是一个灵活且强大的深度学习框架，可以无缝集成到项目中，用于模型训练和推理。
- 姿势检测模型：可能基于OpenPose或其他类似模型，这些模型被训练来识别并追踪多个关键点，如关节、面部特征或手指位置。
关键组件
- 数据收集：收集大量标记的数据集，用于训练模型识别不同的人体、面部和手部姿势。
- 模型训练：使用Chainer框架在Intel平台上训练深度学习模型，优化性能和准确性。
- 实时处理：实现模型在实时视频流中的应用，可能需要优化算法以适应不同的光照条件和背景。
- 关键点识别：算法应能准确地定位和追踪人体、面部和手部的关键点。
- 动作分类：基于关键点的轨迹和配置，识别和分类特定动作。
- 反馈机制：可能包括可视化输出或动作识别后的响应，如在健身应用中提供实时指导。
应用场景
- 健身与健康：在健身应用程序中提供实时姿势纠正，帮助用户提高锻炼效果和预防伤害。
- 虚拟现实/增强现实：用于交互式游戏或培训模拟，提高沉浸感和互动性。
- 人机界面：在无需接触的环境中控制设备，如智能家居或工业自动化场景。
- 医疗康复：监测患者的身体运动，评估康复进展或辅助治疗。
结论
此类项目结合了先进的硬件加速能力和现代深度学习技术，旨在创建高度准确和响应迅速的动作识别系统。随着技术的进步，这种系统可以在多个行业中找到广泛的应用，改善用户体验并增加安全性。
如果你正在考虑实施这样的项目，你需要准备大量的训练数据，选择合适的硬件平台，并熟练掌握Chainer框架的使用。此外，考虑到Intel和Chainer在开发过程中可能提供的优化工具和支持，你可能还需要与这两个组织的技术文档和社区资源保持同步。
环境要求
- Python 3.0+
- Intel Chainer
- NumPy
- Six
- Swig
- Matplotlib
- OpenCV
- COCO API
目录结构
-
ActionRecognition
- Actions
-
data
- KTH
- dpt
- jabbing
-
datasets
- coco
- KTH
- UCF101
-
img
-
PosturalRecognition
- models
- test
- train
-
result
安装 COCO API、
git clone https://github.com/cocodataset/cocoapi.git
cd cocoapi/PythonAPI/
make
python setup.py install
cd ../../如果在windows系统上安装，必须将VS中的VC++添加到系统PATH，否则会出现找不到相应文件。
获取COCO数据集
mkdir datasets
cd datasets
mkdir coco
cd coco
wget http://images.cocodataset.org/zips/train2017.zip
wget http://images.cocodataset.org/zips/val2017.zip
wget http://images.cocodataset.org/annotations/annotations_trainval2017.zip
unzip train2017.zip
unzip val2017.zip
unzip annotations_trainval2017.zip
rm -f train2017.zip
rm -f val2017.zip
rm -f annotations_trainval2017.zip在Intel devcloud 上应该检查解压完全完成后才可以删除压缩包
若需要训练，必须先做数据预处理，在预处理之后执行文件即可。
python3 train_coco_pose_estimation.py测试
python PosturalRecognition/test/get_person_pose_array.py动作识别
训练
python ActionRecognition/train_action_from_pose.py测试
通过get_person_pose_array获取信息，然后运行
python ActionRecognition/test_action_from_pose.py其中，person02_boxing_d2_uncomp 和 person05_walking_d1_uncomp 需要预先通过 PosturalRecognition/test/VideoCapture.py 进行预处理
最后输出动作发生的概率
