Opencv~+Openpose人体姿态检测

姿态检测"/>

Opencv~+Openpose人体姿态检测

搬来大佬的啊 勿怪

人体姿态估计的一个有趣应用是 CGI（computer graphic image，一种电影制造技术）应用。如果可以检测出人体姿态，那么图形、风格、特效增强、设备和艺术造型等就可以被加载在人体上。

通过追踪人体姿态的变化，渲染的图形可以在人动的时候“自然”地与人“融合”。姿态估计的一个有趣应用是在交互游戏中追踪人体对象的运动。

比较流行的 Kinect 使用 3D 姿态估计（采用 IR 传感器数据）来追踪人类玩家的运动，从而利用它来渲染虚拟人物的动作。

应用：

• 用于检测一个人是否摔倒或疾病

• 用于健身、体育和舞蹈等的自动教学

• 用于理解全身的肢体语言（如机场跑道信号、交警信号等）

• 用于增强安保和监控

一、环境配置

pycharm2021.2.2

pycharm是一个很好用的软件，刚开始我们必须要配置相应的环境，当然你使用我主页里那篇模型训练的环境也可以，在你运行的时候系统会提示你缺少了什么环境，并让你安装，你直接安装即可。这里我就不过多的赘述了。

1.导入文件

在pycharm上导入相应的文件后，你可以直接点击运行，系统会提示你缺少了什么环境，缺少什么就安装什么，通过终端使用pip安装即可。

2.具体代码

# To use Inference Engine backend, specify location of plugins:
# export LD_LIBRARY_PATH=/opt/intel/deeplearning_deploymenttoolkit/deployment_tools/external/mklml_lnx/lib:$LD_LIBRARY_PATH
import cv2 as cv
import numpy as np
import argparseparser = argparse.ArgumentParser()
parser.add_argument('--input', help='Path to image or video. Skip to capture frames from camera')
parser.add_argument('--thr', default=0.2, type=float, help='Threshold value for pose parts heat map')
parser.add_argument('--width', default=368, type=int, help='Resize input to specific width.')
parser.add_argument('--height', default=368, type=int, help='Resize input to specific height.')args = parser.parse_args()BODY_PARTS = { "Nose": 0, "Neck": 1, "RShoulder": 2, "RElbow": 3, "RWrist": 4,"LShoulder": 5, "LElbow": 6, "LWrist": 7, "RHip": 8, "RKnee": 9,"RAnkle": 10, "LHip": 11, "LKnee": 12, "LAnkle": 13, "REye": 14,"LEye": 15, "REar": 16, "LEar": 17, "Background": 18 }POSE_PAIRS = [ ["Neck", "RShoulder"], ["Neck", "LShoulder"], ["RShoulder", "RElbow"],["RElbow", "RWrist"], ["LShoulder", "LElbow"], ["LElbow", "LWrist"],["Neck", "RHip"], ["RHip", "RKnee"], ["RKnee", "RAnkle"], ["Neck", "LHip"],["LHip", "LKnee"], ["LKnee", "LAnkle"], ["Neck", "Nose"], ["Nose", "REye"],["REye", "REar"], ["Nose", "LEye"], ["LEye", "LEar"] ]inWidth = args.width
inHeight = args.heightnet = cv.dnn.readNetFromTensorflow("graph_opt.pb")cap = cv.VideoCapture(args.input if args.input else 0)while cv.waitKey(1) < 0:hasFrame, frame = cap.read()if not hasFrame:cv.waitKey()breakframeWidth = frame.shape[1]frameHeight = frame.shape[0]net.setInput(cv.dnn.blobFromImage(frame, 1.0, (inWidth, inHeight), (127.5, 127.5, 127.5), swapRB=True, crop=False))out = net.forward()out = out[:, :19, :, :]  # MobileNet output [1, 57, -1, -1], we only need the first 19 elementsassert(len(BODY_PARTS) == out.shape[1])points = []for i in range(len(BODY_PARTS)):# Slice heatmap of corresponging body's part.heatMap = out[0, i, :, :]# Originally, we try to find all the local maximums. To simplify a sample# we just find a global one. However only a single pose at the same time# could be detected this way._, conf, _, point = cv.minMaxLoc(heatMap)x = (frameWidth * point[0]) / out.shape[3]y = (frameHeight * point[1]) / out.shape[2]# Add a point if it's confidence is higher than threshold.points.append((int(x), int(y)) if conf > args.thr else None)for pair in POSE_PAIRS:partFrom = pair[0]partTo = pair[1]assert(partFrom in BODY_PARTS)assert(partTo in BODY_PARTS)idFrom = BODY_PARTS[partFrom]idTo = BODY_PARTS[partTo]if points[idFrom] and points[idTo]:cv.line(frame, points[idFrom], points[idTo], (0, 255, 0), 3)cv.ellipse(frame, points[idFrom], (3, 3), 0, 0, 360, (0, 0, 255), cv.FILLED)cv.ellipse(frame, points[idTo], (3, 3), 0, 0, 360, (0, 0, 255), cv.FILLED)t, _ = net.getPerfProfile()freq = cv.getTickFrequency() / 1000cv.putText(frame, '%.2fms' % (t / freq), (10, 20), cv.FONT_HERSHEY_SIMPLEX, 0.5, (0, 0, 0))cv.imshow('OpenPose using OpenCV', frame)

这里便是主函数的代码。

3.效果展示

这副图片便是识别的效果，帧率还是很不错的。 whaosoft aiot 

三、效果优化

这个帧率虽然可以，但是效果属实有点拉跨。K210进行优化改进，连接（=1001.2014.3001.5509）

1.具体代码

import cv2
import time
import mediapipe as mp
from tqdm import tqdm# 导入solution
mp_pose = mp.solutions.posemp_drawing = mp.solutions.drawing_utilspose = mp_pose.Pose(static_image_mode=False,#    model_complexity=1,smooth_landmarks=True,#        enable_segmentation=True,min_detection_confidence=0.5,min_tracking_confidence=0.5)def process_frame(img):# BGR转RGBimg_RGB = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)results = pose.process(img_RGB)# 可视化mp_drawing.draw_landmarks(img, results.pose_landmarks, mp_pose.POSE_CONNECTIONS)# look_img(img)# mp_drawing.plot_landmarks(results.pose_world_landmarks, mp_pose.POSE_CONNECTIONS)#     # BGR转RGB#     img_RGB = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)##     results = hands.process(img_RGB)#     if results.multi_hand_landmarks: # 如果有检测到手##         for hand_idx in range(len(results.multi_hand_landmarks)):#             hand_21 = results.multi_hand_landmarks[hand_idx]#             mpDraw.draw_landmarks(img, hand_21, mp_hands.HAND_CONNECTIONS)return imgcap = cv2.VideoCapture(1)# 打开cap
cap.open(0)# 无限循环，直到break被触发
while cap.isOpened():# 获取画面success, frame = cap.read()if not success:print('Error')break## !!!处理帧函数frame = process_frame(frame)# 展示处理后的三通道图像cv2.imshow('my_window', frame)if cv2.waitKey(1) in [ord('q'), 27]:breakcap.release()cv2.destroyAllWindows()

2.效果展示