最新提示(2022-01-05)：openpose的最新接口可能有所改动，需要对用地方改改。

0. 创新点

两个手工定制的特征，实现快速识别
第一个是距离，两个关键点的距离会随着动作不同而不同。
第二个是角度，考虑到距离会随着摄像头位置发生变化，而三个点的夹角不同，不论远近，夹角固定，同时夹角会随着动作不同而不同。

1. Overview

• 
• 基于普通摄像头的太极姿势识别(分类)，通过openpose采集的骨骼点数据做分类。
  • 第一就是通过openpose采集的骨骼数据做一个自定义特征的全连接网络的训练分类。（已完成）
  • 第二就是通过openpose采集的骨骼图片做卷积神经网络（CNN）分类（已完成）
• 相关：基于Kinect的姿态识别(分类)

1.1. 安装与使用

首先根据OpenPose WindowsAPI安装说明安装，调用方式为Python调用。
OpenPose GitHub地址
OpenPose安装说明 最近迁移至Ubuntu，Windows的更新后cuda与caffee不兼容。部分程序有改动。总体不变。

• 若有需要和问题可提issues.我在Windows，Ubuntu，Mac上均安装过OpenPose。

1.1.1. 程序开发目录说明

git clone 下来后cmake进行编译,其中要勾选BUILD_PYTHON进行编译才能被python调用。

workspace 程序开发目录详细说明

• 📂workspace
  • 📁data_collection(数据采集)
    • data_collection_window.py
    • data_collection_window.ui
    • data_collection.py
  • 📁dataset (数据集)
    • 📁taichi
      • 📁marked_pic
        • 🎴 p_2_0.jpg（最后一个下划线后面是类别，此处0是类别，前一个数字2代表大概数量）
        • 🎴 ...
      • 📄bone_dataSet.data(骨骼特征数据)
      • 📄marked_pictrain.txt(图片路径)
  • 📁main_program
    • main.py 主程序入口
    • mainWindow.py
    • mainWindow.ui
  • 📁model_pth (模型保存位置)
    • 23classification_eigenvalue.pth
    • 23classification_pic.pth
  • 📁neural_network
    • 📁runs (tensorboard 可视化,如果有必要)
    • 📃classification23_taichi_eigenvalue.py
    • 📃classification23_taichi_pic.py
    • 📃data_process.py
    • 📃predict_eigenvalue.py
    • 📃predict_pic.py
  • 📁openpose_python_demos (包含一些python使用openpose的例子)
    • 📃flags.hpp(调用openpose的参数设置)
    • 📃use_camera_by_opencv.py
    • 📃use_camera.py
  • 📁sundry (包含一些界面设计的图片等杂项)
    • ...

1.2. 训练效果

（注意此处没有测试集，研一的时候我又利用此数据集，并且划分训练集测试集，利用四层卷积+池化能达到97%以上的效果）

全连接	卷积网络

1.3. 展示效果

数据采集系统	识别系统

说明：由于在Ubuntu下选择了桌面是unity所以不能录屏，展示为GIF图片。
由于电脑的摄像头在下方，使用iPad来作为输入。效果依旧是实时效果，但是数据量较小。
马赛克保护隐私。。。。。。

1.4. 关于更更更更具体的思路

论文地址：腾讯文档 (权限设置，需要申请才能开放查看)

1.5. 答辩结果

校级答辩 优秀 哈哈哈哈哈，承蒙老师指导，承蒙答辩老师欣赏，承蒙被抽到校级答辩。

写在最后

这个属于特别简单的一个本科生的毕业设计，思路可以模仿而内容不可照搬。

禁止商用