使用openpose做的运动检测[附代码]

本项目是在论文Real-time 2D Multi-Person Pose Estimation on CPU提供的代码基础上进行的功能实现。

上述论文是基于OpenPose算法进行了改进，引入了MobileNet作为轻量化网络加快推理速度。

由于实验环境受限，本项目没有再进一步训练，而是直接使用上述提供的预权重进行运动检测功能实现【预权重链接见文末】。

人体关键点检测

深蹲运动状态检测

windows 10
NVIDIA GTX 1650
CPU intel i5 9th
CUDA 10.2

torch>=0.4.1
torchvision>=0.2.1
pycocotools==2.0.0
opencv-python>=3.4.0.14
numpy>=1.14.0

克隆本repo至本地

将预权重放到weights文件下

python demo.py --checkpoint-path weights/checkpoint_iter_370000.pth --images [your image path]

python demo.py --checkpoint-path weights/checkpoint_iter_370000.pth --video [your video path]

目前仅支持深蹲运动视频检测，后期会逐渐增加其他运动检测，当然大家可以根据代码按需自己增加。

关于运动检测，采用关键点距离和角度两种方法同时检测(如果你只需要一种，在demo.py的131行[距离]和132行[角度]注释掉一行即可)。同时检测过程中增加了能量环进行状态的判断，如果动作到位并达标，那么能量环就会充满。

python demo.py --checkpoint-path weights/checkpoint_iter_370000.pth --video [video path] --Squat --dis_thres 160 --min_angle_thres 45. --max_angle_thres 130. --step 40

参数说明： Squat是进行深蹲运动检测；

dis_thres是关键点距离检测阈值，小于该阈值触发并充能，默认160；

min_angle_thres是膝盖弯曲角度最小阈值，默认45°，max_angle_thres是最大角度阈值，默认130°，当弯曲角度处于两者之间时触发能量环充能；

step是能量环充能速度，值越大，触发越快；

注意：上述阈值参数根据实际情况使用，有时候会受到不同视频分辨率的影响。

【视频来源于网络，如有侵权请与我联系】

关键点说明：

采用18关键点

 说明：在实际的测试中，发现会有抖动，加入平衡或者跟踪还是有这现象，大家可以尝试对模型进一步的训练，而且网络采用的是轻量化网络，精度上会有影响。

代码中增加了关键点热力图可视化工具，具体代码在tools/Net_Vision.py

代码链接：

GitHub - YINYIPENG-EN/Human-sport-pose-estimation-pytorch: Human sport pose estimation pytorch,support squat motion detection(支持深蹲运动检测)Human sport pose estimation pytorch,support squat motion detection(支持深蹲运动检测) - GitHub - YINYIPENG-EN/Human-sport-pose-estimation-pytorch: Human sport pose estimation pytorch,support squat motion detection(支持深蹲运动检测)https://github.com/YINYIPENG-EN/Human-sport-pose-estimation-pytorch.git

如本代码对您有帮助，还请帮忙点下stars 权重：

链接：百度网盘 请输入提取码 提取码：yypn

如果需要详细的训练过程，可以参考：GitHub - Daniil-Osokin/lightweight-human-pose-estimation.pytorch: Fast and accurate human pose estimation in PyTorch. Contains implementation of "Real-time 2D Multi-Person Pose Estimation on CPU: Lightweight OpenPose" paper.