深度学习+不良身体姿势检测+警报系统+代码+部署(姿态识别矫正系统)

在这里插入图片描述

正确的身体姿势是一个人整体健康的关键。然而，保持正确的身体姿势可能很困难，因为我们经常忘记这一点。这篇博文将引导您完成为此构建解决方案所需的步骤。最近，我们在使用 POSE 进行身体姿势检测方面玩得很开心。它就像一个魅力！
在这里插入图片描述

文章目录

使用 Pose 进行身体姿势检测
应用目的
身体姿势检测和分析应用工作流程
要求
身体姿势检测代码说明
使用 pose进行身体姿势检测

Pose 是一种高保真身体姿势跟踪解决方案，可从 RGB 帧（注意RGB图像帧）渲染全身上的33 个 3D 地标和背景分割掩模。它利用 BlazePose[1] 拓扑，这是 COCO[2]、BlazeFace[3] 和 BlazePalm[4] 拓扑的超集。

在这里插入图片描述

应用目标 – 身体追踪

我们的目标是从完美的侧视图检测一个人，并测量颈部和躯干相对于某个参考轴的倾斜度。通过监测人弯曲低于某个阈值角度时的倾斜角度。
其他功能包括测量特定姿势的时间和相机对准。我们必须确保相机看到正确的侧视图。因此我们需要对齐功能。
在这里插入图片描述

添加
代码环境安装

pip install -r requirements.txt

身体姿势检测代码说明

1. 导入库

import cv2
import numpy

…

2. 计算偏移距离的函数

该设置要求人处于正确的侧视图中。该函数findDistance 帮助我们确定两点之间的偏移距离。它可以是髋点、眼睛或肩膀。
选择这些点是因为它们总是或多或少关于人体的中心轴对称。这样，我们将在脚本中合并相机对齐功能。
在这里插入图片描述

def findDistance(x1, y1, x2, y2):
dist = m.sqrt((x2-x1)**2+(y2-y1)**2)
return dist

3. 计算身体姿势倾斜度的功能

角度是姿势的主要决定因素。我们使用颈线和躯干线与 y 轴所成的角度。领口连接肩膀和眼睛。这里我们以肩部为支点。
同样，躯干线连接臀部和肩膀，其中臀部被认为是枢轴点

在这里插入图片描述

以颈线为例，我们有以下几点。
P1 (x1,y1)：肩部
P2 (x2, y2)：眼睛
P3 (x3,y3)：穿过P1的垂直轴上的任意点
显然，P3的x 坐标与 P1 的 x 坐标相同。由于y3对所有y都有效，因此为了简单起见，我们取 y3 = 0。
我们采用向量方法来求三点的内角。两个向量P 12 和P 13之间的角度由下式给出：

def findAngle(x1, y1, x2, y2):theta = m.acos( (y2 -y1)*(-y1) / (m.sqrt((x2 - x1)**2 + (y2 - y1)**2 ) * y1) )degree = int(180/m.pi)*thetareturn degree

4. 发送不良身体姿势警报功能

使用此功能在检测到不良姿势时发送警报。我们将其留为空，供您使用。您可以在方便的时候随意发挥创意和定制。例如，您可以连接 Telegram Bot 来发出警报，这非常简单。链接见参考文献[6]。或者您可以通过创建 Android 应用程序将其提升一个档次。

def sendWarning(x):pass
在这里初始化常量和方法。这些内容应该通过内联注释是不言自明的。
# Initialize frame 
counters.good_frames = 0bad_frames  = 0 
# Font type.font = cv2.FONT_HERSHEY_SIMPLEX # 
Colors.blue = (255, 127, 0)red = (50, 50, 255)green = (127, 255, 0)dark_blue = (127, 20, 0)light_green = (127, 233, 100)yellow = (0, 255, 255)pink = (255, 0, 255) 
# Initialize mediapipe pose 
class.mp_pose = mp.solutions.posepose = mp_pose.Pose()

身体姿势检测主要功能

1. 创建视频捕获和视频写入器对象

为了进行演示，我们使用预先录制的视频样本。在实践中，您需要定位网络摄像头以捕获您的侧视图。在以下代码片段中，创建了视频捕获和视频编写器对象。
如您所见，我们正在获取视频元数据来创建视频捕获对象。如果要以mp4格式写入，请将编解码器更改为*‘mp4v’。有关视频编写器和处理编解码器的更直观指南，请查看有关OpenCV 视频编写器的文章。

# For webcam input replace file name with 0.    
file_name = 'input.mp4'    cap = cv2.VideoCapture(file_name)     
# Meta.    
fps = int(cap.get(cv2.CAP_PROP_FPS))    
width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))    
height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))    
frame_size = (width, height)    
fourcc = cv2.VideoWriter_fourcc(*'mp4v')     
# Video writer.    
video_output = cv2.VideoWriter('output.mp4', fourcc, fps, frame_size)

2.身体姿势检测主循环

fPose ()解决方案的可配置 API不需要太多调整。默认值足以检测姿势地标。但是，如果我们希望实用程序生成分段掩码，则
ENABLE_SEGMENTATION 标志必须设置为True。以下是姿势解决方案中的一些可配置 API 。
STATIC_IMAGE_MODE：这是一个布尔值。如果设置为True，则会针对每个输入图像运行人物检测。这对于视频来说不是必需的，视频中检测运行一次，然后进行地标跟踪。默认值为False。
MODEL_COMPLEXITY：默认值为 1。它可以是 0、1 或 2。如果选择更高的复杂度，推理时间会增加。
ENABLE_SEGMENTATION：如果设置为True，解决方案会生成分割掩模以及姿势地标。默认值为False。
MIN_DETECTION_CONFIDENCE：范围从 [0.0 – 1.0]。顾名思义，它是检测被认为有效的最小置信度值。默认值为
0.5。
MIN_TRACKING_CONFIDENCE：范围从 [0.0 – 1.0]。它是被视为已跟踪的地标的最小置信值。默认值为 0.5。

通常，默认值就可以很好地工作。因此，我们不会在mp_pose.Pose().以下部分中传递任何参数，该部分将讨论 RGB 帧的处理，稍后我们可以从中提取姿势地标。最后，我们将图像转换回 OpenCV 友好的 BGR颜色空间。

3. 获取身体姿势地标坐标

解决方案输出对象的pose_landmarks属性提供地标的标准化x和y坐标。因此，为了获得实际值，我们需要将输出分别乘以图像的宽度和高度。
地标“ LEFT_SHOULDER”、“RIGHT_SHOULDER”等是 PoseLandmark 类的属性。为了获取标准化坐标，我们使用以下语法。

使用如下所示的表示形式来简化这些方法。

4. 对齐相机

这是为了确保相机捕捉到人的正确侧视图。我们正在测量左肩点和右肩点之间的水平距离。正确对齐后，左右点应该几乎重合。
请注意，偏移距离阈值基于对具有与视频样本精确尺寸的数据集的观察。如果您尝试使用更高分辨率的样本，该值将会改变。它不必非常具体；您可以根据自己的直觉设置阈值。
实际上，距离法根本不是确定对齐的正确方法。它应该是基于角度的。
为简单起见，我们使用距离方法。

# Calculate distance between left shoulder and right shoulderpoints.offset = findDistance(l_shldr_x, l_shldr_y, r_shldr_x, r_shldr_y) 
# Assist to align the camera to point at the side view of the person.
# Offset threshold 30 is based on results obtained from analysis over 100 samples.if offset < 100:    cv2.putText(image, str(int(offset)) + ' Aligned', (w - 150, 30), font, 0.9, green, 2)else:    cv2.putText(image, str(int(offset)) + ' Not Aligned', (w - 150, 30), font, 0.9, red, 2