Online-Realtime-Action-Recognition-based-on-OpenPose 使用教程

1. 项目介绍

Online-Realtime-Action-Recognition-based-on-OpenPose 是一个基于骨骼的实时在线动作识别项目，通过逐帧关节数据进行分类和识别，适用于安全监控等场景。该项目结合了 OpenPose 进行实时姿态估计，使用 DeepSort 算法进行多人跟踪，并通过深度神经网络（DNN）对每个检测到的人进行动作识别。

主要功能

• 实时姿态估计：使用 OpenPose 进行人体姿态估计。
• 多人跟踪：通过 DeepSort 算法实现多人场景下的在线跟踪。
• 动作识别：基于单帧关节数据，使用 DNN 进行动作识别。

依赖项

• Python >= 3.5
• OpenCV >= 3.4.1
• sklearn
• tensorflow & keras
• numpy & scipy
• pathlib

2. 项目快速启动

2.1 克隆项目

首先，克隆项目到本地：

git clone https://github.com/LZQthePlane/Online-Realtime-Action-Recognition-based-on-OpenPose.git
cd Online-Realtime-Action-Recognition-based-on-OpenPose

2.2 下载预训练模型

下载 OpenPose 的预训练模型，并将其放置在相应目录下：

./download.sh

2.3 运行项目

使用以下命令启动项目，默认使用摄像头进行实时动作识别：

python main.py

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. 应用案例和最佳实践

3.1 安全监控

该项目可以应用于安全监控系统中，实时检测和识别监控区域内的人员动作，如跌倒、奔跑等异常行为，及时发出警报。

3.2 体育训练

在体育训练中，教练可以通过该项目实时分析运动员的动作，提供即时的反馈和指导，帮助运动员改进技术。

3.3 游戏互动

在游戏开发中，可以利用该项目实现基于人体动作的互动功能，增强游戏的沉浸感和趣味性。

4. 典型生态项目

4.1 tf-pose-estimation

tf-pose-estimation 是一个基于 TensorFlow 的 OpenPose 实现，提供了人体姿态估计的功能，是本项目姿态估计部分的基础。

4.2 deep_sort_yolov3

deep_sort_yolov3 是一个结合了 YOLOv3 和 DeepSort 的多目标跟踪项目，用于实现多人场景下的在线跟踪。

4.3 Real-Time-Action-Recognition

Real-Time-Action-Recognition 是一个实时动作识别项目，提供了基于骨骼数据的动作识别功能，与本项目有相似的应用场景。

通过结合这些生态项目，可以进一步扩展和优化 Online-Realtime-Action-Recognition-based-on-OpenPose 的功能和性能。