人体姿态估计——Python+OpenCV+OpenPose_人体姿态估计及动作识别
赞
踩
前言
人体姿态估计（Human Pose estimation），几十年来备受计算机视觉界关注，其实在计算机视觉中是一个是很基础的问题，其实通俗化理解就是对“人体”的姿态（部分关键点：头，手，脚等具有象征性的关键部位）的位置估计。姿态估计可以应用在很多领域，比如说可以实现类似于格灵深瞳的各种游戏应用，当然，我们可以利用人体姿态估计，去完成某些生活需要!
技术难点
基于关键点的人体姿态识别可分为两个方面，即静态的人体姿态识别与动态的人体姿态识别，总的来说，人体关键点姿态识别技术主要面临的几方面技术难点如下：
（1） 姿态位移尺度变换
不同相机角度下捕获到的姿态关键点的空间位置、视角方向各不相同
（2） 姿态大小尺度变换
不同行为个体的差异造成相同人体姿态的尺寸大小、表观形状不完全相同。
（3） 关键点噪声与关键点缺失
人体姿态检测的造成的人体骨骼关键点丢失，或者关键点漂移等。
（4） 人体姿态表达的视频区域分割
对运动人体姿态语义视频的有效分割。比如，喝水动作，需要分割出人体从拿起水杯喝水，到喝完水放下水杯的过程。
人体姿态估计方法类别
虽然人体姿态估计是计算机视觉中一个很基础的问题，但是这个问题目前还是可以再具体化地分为4个不同的方面：单人姿态估计（Single-Person Skeleton Estimation)、多人姿态估计 (Multi-person Pose Estimation)、人体姿态跟踪（Video Pose Tracking)、3D人体姿态估计（3D Skeleton Estimation)。接下来就是对这四个方面的问题进行简略的说明。
（人体姿态估计其实就是将各个关键点两两连接组成有效肢体）
单人姿态估计
单人姿态估计是最早的一种人体姿态估计方法，意思当然就是只是针对图像或场景中只有一个人的情景，只估计单个人的姿态，目前来说，单人姿态估计已经不适用了，因为在现实生活中，一个人的情景少之又少，往往一个图像中会存在很多个人，如果应用单人姿态估计的话，就会存在很多的误差。对于解决单人姿态估计和下面的多人姿态估计问题时，一般有两种做法，分别是top-down和bottom-up的方法：top-down的方法，就可以简单理解为“从大到小”，先找到图片中行人，然后对每个行人做姿态估计，寻找每个人的关键点。单人姿态估计一般是使用top-down的方法来进行估计；bottom-up的方法，运行思路恰恰与top-down相反，它先是找图片中所有关键点（parts），比如所有头部，手，脚，膝盖等。然后把这些关键点相连组装成一个个行人。
（top-down和down-top运行原理）
多人姿态估计
多人姿态估计其实就是在单人姿态估计算法的基础上，进一步优化，从而能够做到对一张图上的多个人体姿态进行估计，估计方法就不再多言了，在上面的单人姿态估计中已经简略地介绍了方法，主要就是运用down-top的方法来进行估计。
人体姿态跟踪
人体姿态跟踪主要是针对视频场景中的每一个行人（运动中的人物），进行人体以及每个关键点的跟踪。这个问题本身其实难度是很大的。相比行人跟踪来讲，人体关键点在视频中的temporal motion可能比较大，比如一个行走的行人，手跟脚会不停的摆动，所以跟踪难度会比跟踪人体框大。目前主要有的数据集是PoseTrack。
3D人体姿态估计
3D人体姿态估计，就是通过输入人体RGB图像，输出3D的人体关键点。从而使人体姿态估计更加完善，如下图：
技术原理
需要运用到OpenPose，OpenPose人体姿态识别项目是美国卡耐基梅隆大学（CMU）基于卷积神经网络和监督学习并以Caffe为框架开发的开源库。可以实现人体动作、面部表情、手指运动等姿态估计。适用于单人和多人，具有极好的鲁棒性。是世界上首个基于深度学习的实时多人二维姿态估计应用，基于它的实例如雨后春笋般涌现。
输入一幅图像，经过卷积网络提取特征，得到一组特征图，然后分成两个岔路，分别使用 CNN网络提取Part Confidence Maps 和 Part Affinity Fields；
得到这两个信息后，我们使用图论中的 Bipartite Matching（偶匹配） 求出Part Association，将同一个人的关节点连接起来，由于PAF自身的矢量性，使得生成的偶匹配很正确，最终合并为一个人的整体骨架；
最后基于PAFs求Multi-Person Parsing—>把Multi-person parsing问题转换成graphs问题—>Hungarian Algorithm(匈牙利算法)
（匈牙利算法是部图匹配最常见的算法，该算法的核心就是寻找增广路径，它是一种用增广路径求二分图最大匹配的算法。)
神经网络的实现
阶段一：VGGNet的前10层用于为输入图像创建特征映射。
阶段二：使用2分支多阶段CNN，其中第一分支预测身体部位位置（例如肘部，膝部等）的一组2D置信度图（S）。 如下图所示，给出关键点的置信度图和亲和力图 - 左肩。
第二分支预测一组部分亲和度的2D矢量场（L），其编码部分之间的关联度。 如下图所示，显示颈部和左肩之间的部分亲和力。
阶段三： 通过贪心推理解析置信度和亲和力图，对图像中的所有人生成2D关键点。
相关代码
import argparse import cv2 import numpy as np import torch from models.with_mobilenet import PoseEstimationWithMobileNet from modules.keypoints import extract_keypoints, group_keypoints from modules.load_state import load_state from modules.pose import Pose, track_poses from val import normalize, pad_width class ImageReader(object): def __init__(self, file_names): self.file_names = file_names self.max_idx = len(file_names) def __iter__(self): self.idx = 0 return self def __next__(self): if self.idx == self.max_idx: raise StopIteration img = cv2.imread(self.file_names[self.idx], cv2.IMREAD_COLOR) if img.size == 0: raise IOError('Image {} cannot be read'.format(self.file_names[self.idx])) self.idx = self.idx + 1 return img class VideoReader(object): def __init__(self, file_name): self.file_name = file_name try: # OpenCV needs int to read from webcam self.file_name = int(file_name) except ValueError: pass def __iter__(self): self.cap = cv2.VideoCapture(self.file_name) if not self.cap.isOpened(): raise IOError('Video {} cannot be opened'.format(self.file_name)) return self def __next__(self): was_read, img = self.cap.read() if not was_read: raise StopIteration return img def infer_fast(net, img, net_input_height_size, stride, upsample_ratio, cpu, pad_value=(0, 0, 0), img_mean=np.array([128, 128, 128], np.float32), img_scale=np.float32(1/256)): height, width, _ = img.shape scale = net_input_height_size / height scaled_img = cv2.resize(img, (0, 0), fx=scale, fy=scale, interpolation=cv2.INTER_LINEAR) scaled_img = normalize(scaled_img, img_mean, img_scale) min_dims = [net_input_height_size, max(scaled_img.shape[1], net_input_height_size)] padded_img, pad = pad_width(scaled_img, stride, pad_value, min_dims) tensor_img = torch.from_numpy(padded_img).permute(2, 0, 1).unsqueeze(0).float() if not cpu: tensor_img = tensor_img.cuda() stages_output = net(tensor_img) stage2_heatmaps = stages_output[-2] heatmaps = np.transpose(stage2_heatmaps.squeeze().cpu().data.numpy(), (1, 2, 0)) heatmaps = cv2.resize(heatmaps, (0, 0), fx=upsample_ratio, fy=upsample_ratio, interpolation=cv2.INTER_CUBIC) stage2_pafs = stages_output[-1] pafs = np.transpose(stage2_pafs.squeeze().cpu().data.numpy(), (1, 2, 0)) pafs = cv2.resize(pafs, (0, 0), fx=upsample_ratio, fy=upsample_ratio, interpolation=cv2.INTER_CUBIC) return heatmaps, pafs, scale, pad def run_demo(net, image_provider, height_size, cpu, track, smooth): net = net.eval() if not cpu: net = net.cuda() stride = 8 upsample_ratio = 4 num_keypoints = Pose.num_kpts previous_poses = [] delay = 1 for img in image_provider: orig_img = img.copy() heatmaps, pafs, scale, pad = infer_fast(net, img, height_size, stride, upsample_ratio, cpu) total_keypoints_num = 0 all_keypoints_by_type = [] for kpt_idx in range(num_keypoints): # 19th for bg total_keypoints_num += extract_keypoints(heatmaps[:, :, kpt_idx], all_keypoints_by_type, total_keypoints_num) pose_entries, all_keypoints = group_keypoints(all_keypoints_by_type, pafs) for kpt_id in range(all_keypoints.shape[0]): all_keypoints[kpt_id, 0] = (all_keypoints[kpt_id, 0] * stride / upsample_ratio - pad[1]) / scale all_keypoints[kpt_id, 1] = (all_keypoints[kpt_id, 1] * stride / upsample_ratio - pad[0]) / scale current_poses = [] for n in range(len(pose_entries)): if len(pose_entries[n]) == 0: continue pose_keypoints = np.ones((num_keypoints, 2), dtype=np.int32) * -1 for kpt_id in range(num_keypoints): if pose_entries[n][kpt_id] != -1.0: # keypoint was found pose_keypoints[kpt_id, 0] = int(all_keypoints[int(pose_entries[n][kpt_id]), 0]) pose_keypoints[kpt_id, 1] = int(all_keypoints[int(pose_entries[n][kpt_id]), 1]) pose = Pose(pose_keypoints, pose_entries[n][18]) current_poses.append(pose) if track: track_poses(previous_poses, current_poses, smooth=smooth) previous_poses = current_poses for pose in current_poses: pose.draw(img) img = cv2.addWeighted(orig_img, 0.6, img, 0.4, 0) for pose in current_poses: cv2.rectangle(img, (pose.bbox[0], pose.bbox[1]), (pose.bbox[0] + pose.bbox[2], pose.bbox[1] + pose.bbox[3]), (0, 255, 0)) if track: cv2.putText(img, 'id: {}'.format(pose.id), (pose.bbox[0], pose.bbox[1] - 16), cv2.FONT_HERSHEY_COMPLEX, 0.5, (0, 0, 255)) cv2.imshow('Lightweight Human Pose Estimation Python Demo', img) key = cv2.waitKey(delay) if key == 27: # esc return elif key == 112: # 'p' if delay == 1: delay = 0 else: delay = 1 if __name__ == '__main__': parser = argparse.ArgumentParser( description='''Lightweight human pose estimation python demo. This is just for quick results preview. Please, consider c++ demo for the best performance.''') parser.add_argument('--checkpoint-path', type=str, required=True, help='path to the checkpoint') parser.add_argument('--height-size', type=int, default=256, help='network input layer height size') parser.add_argument('--video', type=str, default='', help='path to video file or camera id') parser.add_argument('--images', nargs='+', default='', help='path to input image(s)') parser.add_argument('--cpu', action='store_true', help='run network inference on cpu') parser.add_argument('--track', type=int, default=1, help='track pose id in video') parser.add_argument('--smooth', type=int, default=1, help='smooth pose keypoints') args = parser.parse_args() if args.video == '' and args.images == '': raise ValueError('Either --video or --image has to be provided') net = PoseEstimationWithMobileNet() checkpoint = torch.load(args.checkpoint_path, map_location='cpu') load_state(net, checkpoint) frame_provider = ImageReader(args.images) if args.video != '': frame_provider = VideoReader(args.video) else: args.track = 0 run_demo(net, frame_provider, args.height_size, args.cpu, args.track, args.smooth)
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
- 31
- 32
- 33
- 34
- 35
- 36
- 37
- 38
- 39
- 40
- 41
- 42
- 43
- 44
- 45
- 46
- 47
- 48
- 49
- 50
- 51
- 52
- 53
- 54
- 55
- 56
- 57
- 58
- 59
- 60
- 61
- 62
- 63
- 64
- 65
- 66
- 67
- 68
- 69
- 70
- 71
- 72
- 73
- 74
- 75
- 76
- 77
- 78
- 79
- 80
- 81
- 82
- 83
- 84
- 85
- 86
- 87
- 88
- 89
- 90
- 91
- 92
- 93
- 94
- 95
- 96
- 97
- 98
- 99
- 100
- 101
- 102
- 103
- 104
- 105
- 106
- 107
- 108
- 109
- 110
- 111
- 112
- 113
- 114
- 115
- 116
- 117
- 118
- 119
- 120
- 121
- 122
- 123
- 124
- 125
- 126
- 127
- 128
- 129
- 130
- 131
- 132
- 133
- 134
- 135
- 136
- 137
- 138
- 139
- 140
- 141
- 142
- 143
- 144
- 145
- 146
- 147
- 148
- 149
- 150
- 151
- 152
- 153
- 154
- 155
- 156
- 157
- 158
- 159
- 160
- 161
- 162
- 163
- 164
- 165
- 166
- 167
参考文献
[1].Python+OpenCV+OpenPose实现人体姿态估计（人体关键点检测）_不脱发的程序猿-CSDN博客
运行过程
（gif较卡只能用jpg）
本项目实现代码及模型参见网址：https://github.com/Daniil-Osokin/lightweight-human-pose-estimation.pytorch
人体姿态估计代码运行
注意
首先需要阅读README.MD文件。里面有一个文件checkpoint_iter_370000.pth 要下载下来。这是训练好的模型文件。
运行demo.py时
例如，可能会提示No module named pycocotools，
在环境中pip install pycocotools 即可解决
依赖库安装成功后，会提示
The following arguments are required: --checkpoint-path
然后在菜单Run，edit configurations在parameters 一栏填–checkpoint-path=checkpoint_iter_370000.pth
如果提示要缺少 –video 或 –image
则在命令行参数里添加 --video=0，表示使用你的0号摄像头。
可能还会提示关于cuda的错误，增加一个命令行参数：–cpu，即可。（每个命令行参数都需要一个空格隔开）
（即形参）
类似代码：
https://github.com/edvardHua/PoseEstimationForMobile
https://github.com/tensorlayer/hyperpose
https://github.com/facebookresearch/VideoPose3D
