Python:OpenCV4人体姿态检测

OpenCV4:人体姿态检测

参考：Python+OpenCV+OpenPose实现人体姿态估计（人体关键点检测）
应用opencv的神经网络模块加载关键点检测网络进行人体的关键点检测。
值得注意的是openpose检测关键点速度很慢，无法做到实时检测，更不要说在移动设备上运行了。

实现原理

图片来自参考博客

两个分支最后得到的是关节置信度分布图和关节亲和度分布图(个人理解)

实现神经网络

图片来自参考博客

前十层为VGG19的前十层，进行特征提取。
后面分为两个分支：
第一个分支得到的是人体各个关节的置信度，用于标记关键点。值得注意的是，输出为2d，如果图片中人体有重叠预测结果往往不太好。
第二个分支得到的是第一个分支得到的各个关节间的亲和度。
两个分支输出都为t个纬度。

代码实现

值得注意的是，下面的代码只用到了第一个分支得到的各个关节的置信度，通过键值对的方式手动连接关键点。
处理速度比较慢

import cv2
import os
import glob

# 关键点名称
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}

# 关键点链接
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"]]

def detect_key_point(model_path, image_path, out_dir, inWidth= 368, inHight= 368, threshhold= 0.2):
    # 读取关键点检测网络
    net = cv2.dnn.readNetFromTensorflow(model_path)
    # frame = image_path
    # 读取图片
    frame = cv2.imread(image_path)
    # 打印图片的形状
    print('frame.shape:')
    print(frame.shape)
    frameWidth = frame.shape[1]
    frameHight = frame.shape[0]
    # 缩放大小
    scalefactor = 2.0
    # 进行图片预处理后输入网络
    net.setInput(cv2.dnn.blobFromImage(frame, scalefactor= scalefactor,
                                       size= (frameHight, frameWidth), mean= (127.5,127.5,127.5), swapRB= True, crop= False))
    # 获取输出
    out = net.forward()
    print('out.shape:')
    print(out.shape)
    out = out[:, :19, :, :]
    # 判断输出是否正常
    assert len(BODY_PARTS) == out.shape[1]
    # 定义关键点保存缓存
    points = []
    # 获取所有关键点的位置
    for i in range(len(BODY_PARTS)):
        # 应为图像的预处理操作将图像缩放过，所以这里就有100*100个点的置信度
        heatMap = out[0, i , :, :]
        print('heatMap.shape:')
        print(heatMap.shape)
        # 获取最大值和最大值索引
        # 通过这种方式去找到最大置信度的关节
        # 一个一个地找要查找的关节
        _, conf, _, point = cv2.minMaxLoc(heatMap)
        print('conf:')
        print(conf)
        print('point:')
        print(point)
        x = (frameWidth * point[0]) / out.shape[3]
        print(x)
        y = (frameHight * point[1]) / out.shape[2]
        print(y)
        # 置信度必须大于阈值则认为是所需关节
        points.append((int(x), int(y)) if conf > threshhold else None)
    # 找到了19个关键点
    print(len(points))
    # 根据各个关键点的连接关系来进行关键点的链接
    for pair in POSE_PAIRS:
        partFrom = pair[0]
        partTo = pair[1]

        # 检查是否在关键点范围内
        assert partFrom in BODY_PARTS
        assert partTo in BODY_PARTS

        # 通过键获取值
        idFrom = BODY_PARTS[partFrom]
        idTo = BODY_PARTS[partTo]

        # 画上线和点
        if points[idFrom] and points[idTo]:
            cv2.line(frame, points[idFrom], points[idTo], (0,255,0), thickness= 5)
            cv2.circle(frame, points[idFrom], 4, (255,0,0), thickness= 4)
            cv2.circle(frame, points[idTo], 4, (255, 0, 0), thickness=4)

    t, _ = net.getPerfProfile()
    # 获取时钟频率，函数运行的时间
    freq = cv2.getTickFrequency() / 100
    print('freq')
    print(freq)
    cv2.putText(frame, '%.2fms' % (t / freq), (10, 20), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 0, 255))
    #cv2.imwrite(os.path.join(out_dir, os.path.basename(image_path)), frame)
    cv2.imshow('OpenPose using OpenCV', frame)
    cv2.waitKey(0)

detect_key_point('./graph_opt.pb', image_path= './image.jpg', out_dir= 1)

最后结果，不咋准。。。
摄像头检测，更不准，不知道哪里出了问题了。

graph_opt.pb文件分享

链接：https://pan.baidu.com/s/1wfEBHA7sBgOstUyS7onHEg
提取码：w93b

其他人体姿态检测库

姿态估计各种方法对比结果

结语

如有错误，还请评论指出。