使用OpenVINO实现人体动作识别

Paula Ramos著张晶译

1.1 人体动作识别背景简介

1.2 OpenVINOTM Notebook简介

1.3 动作识别模型简介

1.4 实现实时动作识别

1.4.1 下载模型

1.4.2 初始化模型

1.4.3 辅助函数

1.4.4 AI函数

1.4.5 完整执行整个程序

1.5 关于作者：

1.6 声明和免责声明

1.1 人体动作识别背景简介

自从我在英特尔开始我的旅程以来已经有几个月了，我很高兴能与大家分享我一直在做的事情。今天，我将带你浏览我的第一个关于人体动作识别的OpenVINOTM Notebook。我希望你喜欢它，并且可以将它应用到你正在进行的开发中。

在本博客中，您将了解如何使用 OpenVINO™ 工具套件以同步的方式进行实时人体动作识别。

人体动作识别是一种 AI 功能，可以在录制或实时视频中查找和分类大量活动。例如：如果您有大量的家庭视频收藏，并且想要找到特定的记忆，如图1.1所示，那么人体动作识别是最简单、最快的方法。

传统方法需要您花费大量精力和时间手动查看您拥有的每个视频，直到找到合适的视频。使用人体动作识别，您可以训练 AI 模型根据录制的活动为您自动分类和组织您的视频，从而在几秒钟内更轻松地找到和访问您最珍贵的记忆。

图1.1 珍贵的家庭回忆

人体动作识别也可以应用于制造业等企业。例如：为工人提供一种保证他们工作安全的解决方案，该方案能够识别工人正在执行任务和工人手势，并提醒管理人员可能存在的潜在危险。

这只是人体动作识别的几个应用场景。在接下来的几年里，我希望在这个领域看到更多新的和令人兴奋的应用案例。在运行这个OpenVINOTM Notebook后，若能激发您想到还有其它领域可以从人体动作识别功能中受益，请告诉我们。现在，让我们开始吧。

1.2 OpenVINOTM Notebook简介

OpenVINOTM Notebook是开源免费的一系列Jupyter Notebook格式的OpenVINO TM范例程序。本文对应的OpenVINOTM Notebook范例是Live Action Recognition with OpenVINO™，如图1-2所示。

图1-2 Live Action Recognition with OpenVINO™

Live Action Recognition with OpenVINO™基于DeepMind Kinetics-400人体动作视频数据集，它总共包含 400 个动作，包括

人的动作（例如，写作、喝酒、大笑）
人与人的动作（例如，拥抱、握手、玩耍）扑克）
人与物体的动作（骑摩托车、洗衣服、吹气球）

您还可以区分一组亲子互动，例如：编辫子或梳头、萨尔萨舞或机器人跳舞，以及拉小提琴或吉他，如图1.2所示。

图1.2 人体动作识别

有关标签和数据集的更多信息，请参阅“The Kinetics Human Action Video Dataset”研究论文。

您可以使用普通计算机运行此OpenVINOTM Notebook范例程序，无需硬件加速器。使用 OpenVINOTM 工具套件的好处在于：它设计为在边缘工作，因此可以针对边缘运行，优化您的AI模型，以便在GPU、CPU 或VPU上高效运行。

您可以使用各种视频源，例如：来自 URL、本地存储的文件或网络摄像头源。

1.3 动作识别模型简介

本文使用Open Model Zoo的Action Recognition模型库，它提供了各种各样的预训练深度学习模型和演示应用程序。本文使用的模型 action-recognition-0001，这是一个基于 Video Transformer，具有 ResNet34 架构的模型，如图1.3所示。

图1.3 人体行为识别模型流程图

action-recognition-0001模型含两个关键组件：

编码器，基于 PyTorch 框架，输入形状为 [1x3x224x224]，表示批尺寸大小为1，颜色通道为3，图像尺寸为 224 x 224 像素；输出形状为 [1x512x1x1]，表示内嵌的已处理帧。
解码器，同样基于 PyTorch 框架，输入形状为 [1x16x512]，表示批尺寸大小为1，一秒内处理 16 帧，内嵌数据为 512。

我选择每秒 16 帧进行分析——因为这是Kinetics-400 作者找到类别分数的平均帧数。如图1.2中的 GIF 所示，对帧进行预处理以及分析中心裁剪的图像。

编码器和解码器都创建了一个序列到序列 (Seq2Seq) 系统来识别 Kinetics-400 数据集的人体动作。由于没有过量的标注信息，模型性能是最好的，它可以帮助我们理解处理工作流程

了解了上述基础信息后，您可以按照以下步骤开始识别您自己的视频：

准备OpenVINO Notebooks运行环境。
准备您的视频源、网络摄像头或视频文件以及您想要检测的常见活动。考虑通过检查数据集标签来检测动作名称。
在您的计算机上打开一个 Jupyter Notebook。该Notebook可以在 Windows、MacOS 和 Ubuntu 下通过不同的互联网浏览器运行。

1.4 实现实时动作识别

现在，我将向您展示如何使用 OpenVINO™ 实现实时动作识别。

1.4.1 下载模型

我们使用 Open Model Zoo 工具，例如：omz_downloader，来下载Open Model Zoo中的预训练模型。omz_downloader是一个命令行工具，可以自动创建目录结构并下载选定的模型。

使用omz_downloader工具下载 Open Model Zoo的“action-recognition-0001”模型，如图1.4所示。

图1.4 下载action-recognition-0001模型

1.4.2 初始化模型

在执行推理计算前，需要先初始化推理引擎，然后从模型文件中读取网络和权重，并将模型加载到所选设备（本文例子中是 CPU）上，最后获取模型的输入和输出节点，如图1.5所示。

图1.5 初始化模型

1.4.3 辅助函数

您需要一些辅助函数来帮您将执行结果可视化，例如：创建一个以裁剪为中心的 ROI，调整图像大小，并在每一帧中放置文本信息。

1.4.4 AI函数

这里将依次实现AI推理计算。

第一步：在运行编码器之前对每帧图像进行预处理（预处理）。在将帧传入编码器之前，请先准备好图像：

将图像放缩到编码器输入尺寸，即[224,224]
将放缩后的图像进行中心裁剪，并使其长宽相等
将颜色通道从HWC变为CHW

具体代码实现，如图1.6所示。

图1.6 图像预处理

第二步，执行编码器模型推理计算。encoder()函数调用已编译模型（compiled_model），执行推理计算，然后从输出节点提取推理计算结果，并以列表形式以供解码器使用，如图1.7所示。

图1.7 执行编码器模型推理计算

第三步，执行解码器模型推理计算。decoder()函数将来自编码器输出的16帧的嵌入层连接在一起，然后转置数组以匹配解码器输入尺寸。它调用已编译好的解码器模型 (compiled_model_de)，提取 logits，并将logits标准化以获得沿指定轴的置信度值。最后，它将最高概率解码为相应的标签名称，如图1.8所示。

图1.8 执行解码器模型推理计算

1.4.5 完整执行整个程序

现在，我们可以直接执行整个完整的人体动作识别程序。

Human Action Recognition with OpenVINO™程序链接：openvino_notebooks/403-action-recognition-webcam.ipynb at main · openvinotoolkit/openvino_notebooks · GitHub

首先，选择您要为其运行完整工作流程的视频。

video_file = "https://archive.org/serve/ISSVideoResourceLifeOnStation720p/ISS%20Video%20Resource_LifeOnStation_720p.mp4"
run_action_recognition(source=video_file, flip=False, use_popup=False, skip_first_frames=600)

然后，选择网络摄像头并再次运行完整的工作流程。

run_action_recognition(source=0, flip=False, use_popup=False, skip_first_frames=0)

恭喜！你已经做到了。我希望您发现这个主题对您的应用程序开发有趣和有用。