Online-Realtime-Action-Recognition-based-on-OpenPose 项目教程

1. 项目目录结构及介绍

Online-Realtime-Action-Recognition-based-on-OpenPose/
├── Action/
│   └── training/
│       ├── train.py
│       └── ...
├── Pose/
│   └── graph_models/
│       └── VGG_origin/
│           └── graph_opt.pb
├── test_out/
├── utils/
│   └── ...
├── .gitignore
├── LICENSE
├── README.md
├── main.py
└── utils.py

目录结构介绍

• Action/: 包含训练相关的文件，如训练脚本 train.py。
• Pose/: 包含预训练模型文件，如 graph_opt.pb。
• test_out/: 用于存放测试输出的文件。
• utils/: 包含项目中使用的各种工具函数。
• .gitignore: Git 忽略文件配置。
• LICENSE: 项目许可证文件。
• README.md: 项目说明文档。
• main.py: 项目的启动文件。
• utils.py: 项目中使用的工具函数。

2. 项目的启动文件介绍

main.py

main.py 是项目的启动文件，负责实时姿态估计、多人跟踪和动作识别。以下是该文件的主要功能：

• 实时姿态估计: 使用 OpenPose 进行实时姿态估计。
• 多人跟踪: 使用 DeepSort 算法进行多人跟踪。
• 动作识别: 基于每一帧的关节点数据进行动作识别。

使用方法

1. 下载 OpenPose 的预训练模型并放置在 Pose/graph_models/VGG_origin/ 目录下。

2. 运行以下命令启动项目：

   python main.py
   

   该命令将启动摄像头进行实时动作识别。

3. 如果需要测试视频文件，可以使用以下命令：

   python main.py --video=test.mp4
   

3. 项目的配置文件介绍

train.py

train.py 位于 Action/training/ 目录下，用于训练动作识别模型。以下是该文件的主要功能：

• 数据准备: 从收集的数据中准备训练数据。
• 模型训练: 使用准备好的数据训练动作识别模型。

使用方法

1. 收集数据：运行 main.py 并取消数据收集部分的注释，收集数据并保存为 .txt 文件。
2. 将 .txt 文件转换为 .csv 格式，并放置在 Action/training/ 目录下。
3. 修改 train.py 中的 action_enum 和输出层配置。
4. 运行以下命令开始训练：

   python train.py
   

通过以上步骤，您可以成功启动并配置 Online-Realtime-Action-Recognition-based-on-OpenPose 项目。