点击上方“小白学视觉”，选择加"星标"或“置顶”

重磅干货，第一时间送达

介绍

人体姿态估计是一个非常有趣的领域，如果我们能够将诸如棒球摆动或投球等运动的人体姿势量化为数据，那么我们或许能够将数据转化为有用的见解，例如伤害预防或高级训练。

有一些开源人体姿态估计，例如PoseNet和OpenPose，OpenPose 由 CMU 团队开发并得到广泛应用。

OpenPose

OpenPose 团队使用两个不同的数据集提供了两个预训练模型：多人数据集 (MPII) 和 COCO 数据集。COCO 模型产生 18 个点，MPII 模型产生 15 个点，我们将在这项工作中使用 MPII。

设置模型

首先，我们需要下载模型并将其保存到项目文件夹中。

protoFile = "openpose/mpi/pose_deploy_linevec_faster_4_stages.prototxt"
weightsFile = "openpose/mpi/pose_iter_160000.caffemodel"

然后我们使用OpenCV的dnn模块来加载模型；

net = cv2.dnn.readNetFromCaffe(protoFile, weightsFile)

阅读视频

然后我们使用OpenCV逐帧读取视频：

# capture video
cap = cv2.VideoCapture(video_path)
# Check if video file is opened successfully
if (cap.isOpened() == False):print("Error opening video stream or file")
# Read until video is completed
while(cap.isOpened()):
# Capture frame-by-frameret, frame = cap.read()if ret == True:frame = cv2.resize(frame, (width_out, int(width_out*height/width)), cv2.INTER_AREA)# process the frame here
# Break the loopelse:break

分析框架

在循环内部，我们需要将框架输入模型中，并使用以下方法处理结果：

inpBlob =  cv2.dnn.blobFromImage(frame, 1.0 / 255, (inWidth, inHeight), (0, 0, 0), swapRB = False,crop = False) net.setInput(inpBlob) output = net.forward()

这会产生结果，然后我们需要处理它。使用Vikas Gupta的本教程中的代码，我们可以获得关键点并将其绘制在框架上。

H = out.shape[2]
W = out.shape[3]
# Empty list to store the detected keypoints
points = []
for i in range(len()):# confidence map of corresponding body's part.probMap = output[0, i, :, :]# Find global maxima of the probMap.minVal, prob, minLoc, point = cv2.minMaxLoc(probMap)# Scale the point to fit on the original imagex = (frameWidth * point[0]) / Wy = (frameHeight * point[1]) / Hif prob > threshold :cv2.circle(frame, (int(x), int(y)), 15, (0, 255, 255), thickness=-1, lineType=cv.FILLED)cv2.putText(frame, "{}".format(i), (int(x), int(y)), cv2.FONT_HERSHEY_SIMPLEX, 1.4, (0, 0, 255), 3, lineType=cv2.LINE_AA)# Add the point to the list if the probability is greater than the thresholdpoints.append((int(x), int(y)))else :points.append(None)

然后我们可以连接关键点并在它们之间画线。但首先，我们需要定义如何连接这些点。基于 MPII 的关键点描述：

Head – 0
Neck – 1
Right Shoulder – 2
Right Elbow – 3
Right Wrist – 4
Left Shoulder – 5
Left Elbow – 6
Left Wrist – 7
Right Hip – 8
Right Knee – 9
Right Ankle – 10
Left Hip – 11
Left Knee – 12
Left Ankle – 13
Chest – 14
Background – 15

我们可以定义这一对：

POSE_PAIRS = [[0,1], [1,2], [2,3], [3,4], [1,5], [5,6], [6,7], [1,14] , [14,8], [8,9], [9,10], [14,11], [11,12], [12,13] ]

然后，我们可以简单地使用 OpenCV 绘制线：

for pair in POSE_PAIRS:partA = pair[0]partB = pair[1]if points[partA] and points[partB]:cv2.line(frameCopy, points[partA], points[partB], (0, 255, 0), 3)

视频输出

我们也可以使用 OpenCV 输出视频，只需创建一个视频编写器。

out = cv2.VideoWriter(out_path + '/' + out_name + '.webm', cv2.VideoWriter_fourcc(*'VP90'), FPS, size_out)

并在循环中调用 out.write(frame) ，最后调用 out.release()。

也就是说，现在这个程序能够读取视频并使用 OpenPose 在帧上绘制骨架，并将结果输出为视频。

Streamlit

如果我们为用户提供一个简单的用户界面会更方便。Streamlit 是一个强大的工具，可以在没有 Web 开发技能的情况下创建 Web 应用程序。

下载模型

这个应用程序的第一件事是下载模型。因为模型太大（>200MB），不方便推送到 Github 或者直接推送到 Heroku 。因此，我们需要应用程序从外部 url 下载文件，以确保模型已准备就绪。

我们可以将模型存储在我们的保管箱帐户中，并创建一个可下载的链接。

EXTERNAL_DEPENDENCIES = {
“openpose/coco/pose_iter_440000.caffemodel”：{
"url": "https://dl.dropboxusercontent.com/s/xxxxx/pose_iter_440000.caffemodel?dl=0",
“大小”：209274056}
}

然后我们使用 Streamlit 演示（https://github.com/streamlit/streamlit）中的代码来创建带有进度条的下载功能。

我们可以调用函数并下载模型

for filename in EXTERNAL_DEPENDENCIES.keys():download_file(filename)

为用户创建上传工具

我们想有一个允许用户上传他们的视频进行分析的工具，Streamlit 提供了一个制作工具：st.file_uploader

uploaded_file = st.file_uploader("upload a video", type=['mp4'])

然后我们将它保存到一个临时位置

if uploaded_file is not None:g = io.BytesIO(uploaded_file.read())  # BytesIO Objecttemporary_location = "image/temp.mp4"with open(temporary_location, 'wb') as out:  # Open temporary file as bytesout.write(g.read())  # Read bytes into file# close fileout.close()

视频上传工具

分析

然后我们可以修改上面提到的 OpenPose 过程，让它成为一个函数，并在按下 “分析” 按钮时调用该函数来分析上传的视频。它生成姿势估计的结果和带有人体姿势的视频，然后我们就可以使用 Streamlit 的视频功能将其展示在页面上。

st.video(str(path_video_out/filename/'output'/(filename+'_out'))+'.webm')

就是这样，现在我们有了一个简单的 web 应用程序，允许用户上传视频和分析人体姿势。

部署

下一步是部署应用程序，我们将尝试两个选项。

Streamlit share

Streamlit 最近推出了Streamlit share，这使得部署 Streamlit 应用程序变得非常容易。我们只需要将我们的应用程序推送到 Github，并将其连接到 Streamlit share，然后它就会负责部署。

在 Streamlit share 上运行我们的应用程序的一个缺点是它不提供 GPU 计算。然而，姿势检测的计算量非常大，需要 GPU 来加速推理时间，因此仅使用 CPU 处理视频需要相当长的时间。

Google Colab

另一个选项是 Google Colab，它提供 GPU 服务，因此推理时间要快得多。但是，部署只是暂时的，当 Colab notebook 关闭（或运行超过 12 小时）时，部署会关闭。此外，它还需要更多的设置步骤。

结论

通过获取身体运动的量化数据，可以从数据中找到见解。例如，可以计算手的速度，也可以计算摆动过程中关节之间的角度，还可以比较球员的挥杆。这些数据可能有助于高级训练和预防损伤。

下载1：OpenCV-Contrib扩展模块中文版教程

在「小白学视觉」公众号后台回复：扩展模块中文教程，即可下载全网第一份OpenCV扩展模块教程中文版，涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。

下载2：Python视觉实战项目52讲

在「小白学视觉」公众号后台回复：Python视觉实战项目，即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目，助力快速学校计算机视觉。

下载3：OpenCV实战项目20讲

在「小白学视觉」公众号后台回复：OpenCV实战项目20讲，即可下载含有20个基于OpenCV实现20个实战项目，实现OpenCV学习进阶。

交流群

欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~