人體動(dòng)作識(shí)別背景簡(jiǎn)介

自從我在英特爾開(kāi)始我的旅程以來(lái)已經(jīng)有幾個(gè)月了，我很高興能與大家分享我一直在做的事情。今天，我將帶你瀏覽我的第一個(gè)關(guān)于人體動(dòng)作識(shí)別的OpenVINO Notebook。我希望你喜歡它，并且可以將它應(yīng)用到你正在進(jìn)行的開(kāi)發(fā)中。

在本博客中，您將了解如何使用OpenVINO 工具套件以同步的方式進(jìn)行實(shí)時(shí)人體動(dòng)作識(shí)別。

人體動(dòng)作識(shí)別是一種 AI 功能，可以在錄制或?qū)崟r(shí)視頻中查找和分類(lèi)大量活動(dòng)。例如：如果您有大量的家庭視頻收藏，并且想要找到特定的記憶，如圖1.1所示，那么人體動(dòng)作識(shí)別是最簡(jiǎn)單、最快的方法。

傳統(tǒng)方法需要您花費(fèi)大量精力和時(shí)間手動(dòng)查看您擁有的每個(gè)視頻，直到找到合適的視頻。使用人體動(dòng)作識(shí)別，您可以訓(xùn)練 AI 模型根據(jù)錄制的活動(dòng)為您自動(dòng)分類(lèi)和組織您的視頻，從而在幾秒鐘內(nèi)更輕松地找到和訪問(wèn)您最珍貴的記憶。

圖1.1珍貴的家庭回憶

人體動(dòng)作識(shí)別也可以應(yīng)用于制造業(yè)等企業(yè)。例如：為工人提供一種保證他們工作安全的解決方案，該方案能夠識(shí)別工人正在執(zhí)行任務(wù)和工人手勢(shì)，并提醒管理人員可能存在的潛在危險(xiǎn)。

這只是人體動(dòng)作識(shí)別的幾個(gè)應(yīng)用場(chǎng)景。在接下來(lái)的幾年里，我希望在這個(gè)領(lǐng)域看到更多新的和令人興奮的應(yīng)用案例。在運(yùn)行這個(gè)OpenVINO Notebook后，若能激發(fā)您想到還有其它領(lǐng)域可以從人體動(dòng)作識(shí)別功能中受益，請(qǐng)告訴我們。

現(xiàn)在，讓我們開(kāi)始吧！

OpenVINO Notebook簡(jiǎn)介

OpenVINO Notebook 是開(kāi)源免費(fèi)的一系列 Jupyter Notebook 格式的 OpenVINO 范例程序。

本文對(duì)應(yīng)的 OpenVINO Notebook 范例是Live Action Recognition with OpenVINO，如圖1-2所示。

圖1-2Live Action Recognition with OpenVINO

Live Action Recognition with OpenVINO基于 DeepMind Kinetics-400 人體動(dòng)作視頻數(shù)據(jù)集，它總共包含 400 個(gè)動(dòng)作，包括：

人的動(dòng)作（例如，寫(xiě)作、喝酒、大笑）

人與人的動(dòng)作（例如，擁抱、握手、玩耍）撲克）

人與物體的動(dòng)作（騎摩托車(chē)、洗衣服、吹氣球）

您還可以區(qū)分一組親子互動(dòng)，例如：編辮子或梳頭、薩爾薩舞或機(jī)器人跳舞，以及拉小提琴或吉他。

有關(guān)標(biāo)簽和數(shù)據(jù)集的更多信息，請(qǐng)參閱 “The Kinetics Human Action Video Dataset” 研究論文。

您可以使用普通計(jì)算機(jī)運(yùn)行此 OpenVINO Notebook范例程序，無(wú)需硬件加速器。使用 OpenVINO工具套件的好處在于：它設(shè)計(jì)為在邊緣工作，因此可以針對(duì)邊緣運(yùn)行，優(yōu)化您的AI模型，以便在 GPU、CPU 或VPU 上高效運(yùn)行。

您可以使用各種視頻源，例如：來(lái)自 URL、本地存儲(chǔ)的文件或網(wǎng)絡(luò)攝像頭源。

動(dòng)作識(shí)別模型簡(jiǎn)介

本文使用Open Model Zoo的Action Recognition模型庫(kù)，它提供了各種各樣的預(yù)訓(xùn)練深度學(xué)習(xí)模型和演示應(yīng)用程序。本文使用的模型action-recognition-0001，這是一個(gè)基于 Video Transformer，具有 ResNet34 架構(gòu)的模型，如圖1.3所示。

圖1.3人體行為識(shí)別模型流程圖

action-recognition-0001模型含兩個(gè)關(guān)鍵組件：

編碼器

基于PyTorch 框架，輸入形狀為 [1x3x224x224]，表示批尺寸大小為1，顏色通道為3，圖像尺寸為 224 x 224 像素；輸出形狀為 [1x512x1x1]，表示內(nèi)嵌的已處理幀。

解碼器

同樣基于 PyTorch 框架，輸入形狀為 [1x16x512]，表示批尺寸大小為1，一秒內(nèi)處理 16 幀，內(nèi)嵌數(shù)據(jù)為 512。

我選擇每秒 16 幀進(jìn)行分析——因?yàn)檫@是 Kinetics-400 作者找到類(lèi)別分?jǐn)?shù)的平均幀數(shù)。如圖1.2中的 GIF 所示，對(duì)幀進(jìn)行預(yù)處理以及分析中心裁剪的圖像。

編碼器和解碼器都創(chuàng)建了一個(gè)序列到序列 (Seq2Seq) 系統(tǒng)來(lái)識(shí)別 Kinetics-400 數(shù)據(jù)集的人體動(dòng)作。由于沒(méi)有過(guò)量的標(biāo)注信息，模型性能是最好的，它可以幫助我們理解處理工作流程

了解了上述基礎(chǔ)信息后，您可以按照以下步驟開(kāi)始識(shí)別您自己的視頻：

準(zhǔn)備OpenVINO Notebooks 運(yùn)行環(huán)境。

準(zhǔn)備您的視頻源、網(wǎng)絡(luò)攝像頭或視頻文件以及您想要檢測(cè)的常見(jiàn)活動(dòng)?？紤]通過(guò)檢查數(shù)據(jù)集標(biāo)簽來(lái)檢測(cè)動(dòng)作名稱(chēng)。

在您的計(jì)算機(jī)上打開(kāi)一個(gè) Jupyter Notebook。該Notebook可以在Windows、MacOS 和 Ubuntu 下通過(guò)不同的互聯(lián)網(wǎng)瀏覽器運(yùn)行。

實(shí)現(xiàn)實(shí)時(shí)動(dòng)作識(shí)別

現(xiàn)在，我將向您展示如何使用 OpenVINO 實(shí)現(xiàn)實(shí)時(shí)動(dòng)作識(shí)別。

1.4.1

下載模型

我們使用Open Model Zoo 工具，例如：omz_downloader，來(lái)下載 Open Model Zoo 中的預(yù)訓(xùn)練模型。omz_downloader是一個(gè)命令行工具，可以自動(dòng)創(chuàng)建目錄結(jié)構(gòu)并下載選定的模型。

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

圖1.4下載 action-recognition-0001 模型

1.4.2

初始化模型

在執(zhí)行推理計(jì)算前，需要先初始化推理引擎，然后從模型文件中讀取網(wǎng)絡(luò)和權(quán)重，并將模型加載到所選設(shè)備（本文例子中是 CPU）上，最后獲取模型的輸入和輸出節(jié)點(diǎn)，如圖1.5所示。

圖1.5初始化模型

1.4.3

輔助函數(shù)

您需要一些輔助函數(shù)來(lái)幫您將執(zhí)行結(jié)果可視化，例如：創(chuàng)建一個(gè)以裁剪為中心的 ROI，調(diào)整圖像大小，并在每一幀中放置文本信息。

1.4.4

AI 函數(shù)

這里將依次實(shí)現(xiàn)AI推理計(jì)算。

第一步：

在運(yùn)行編碼器之前對(duì)每幀圖像進(jìn)行預(yù)處理（預(yù)處理）。在將幀傳入編碼器之前，請(qǐng)先準(zhǔn)備好圖像：

01

將圖像放縮到編碼器中輸入尺寸，即[224,224]

02

將放縮后的圖像進(jìn)行中心裁剪，并使其長(zhǎng)寬相等

03

將顏色通道從 HWC 變?yōu)?CHW

具體代碼實(shí)現(xiàn)，如圖1.6所示

圖1.6圖像預(yù)處理

第二步：

執(zhí)行編碼器模型推理計(jì)算。encoder()函數(shù)調(diào)用已編譯模型（compiled_model），執(zhí)行推理計(jì)算，然后從輸出節(jié)點(diǎn)提取推理計(jì)算結(jié)果，并以列表形式以供解碼器使用，如圖1.7所示。

圖1.7執(zhí)行編碼器模型推理計(jì)算

第三步：

執(zhí)行解碼器模型推理計(jì)算。decoder()函數(shù)將來(lái)自編碼器輸出的16幀的嵌入層連接在一起，然后轉(zhuǎn)置數(shù)組以匹配解碼器輸入尺寸。它調(diào)用已編譯好的解碼器模型 (compiled_model_de)，提取 logits，并將 logits 標(biāo)準(zhǔn)化以獲得沿指定軸的置信度值。最后，它將最高概率解碼為相應(yīng)的標(biāo)簽名稱(chēng)，如圖1.8所示。

圖1.8執(zhí)行解碼器模型推理計(jì)算

1.4.5

完整執(zhí)行整個(gè)程序

現(xiàn)在，我們可以直接執(zhí)行整個(gè)完整的人體動(dòng)作識(shí)別程序。

首先，選擇您要為其運(yùn)行完整工作流程的視頻。

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，選擇網(wǎng)絡(luò)攝像頭并再次運(yùn)行完整的工作流程。

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

恭喜！你已經(jīng)做到了。我希望您發(fā)現(xiàn)這個(gè)主題對(duì)您的應(yīng)用程序開(kāi)發(fā)有趣和有用。

審核編輯：劉清