Python 搭建 AI 健身评分系统

港控/mmm° 2022-08-28 04:43 60阅读 0赞

![1f2579cad14c0d7c596c64d02edfe229.gif][]

作者|李秋键

来源|AI科技大本营（ID:rgznai100）

![649818d2fda1c8e8de5cbeb22a05f41e.png][]

**引言**

人工智能作为计算机科学的一个分支,其主要是将人的思维与计算机网络相结合,令整个系统在对某一类事物进行处理时实现人工智能化分析,然后结合内部程序的设定,分析出当前事务处理所具备的各类功能如何实现。人工智能作为一项综合性学科,其在发展过程中可分为低级、中级、高级三个阶段,通过技术体系的逐步更新,人们将思维意识与计算机网络系统形成深度融合,利用人工智能体系在社会事务处理中实现智能化转变,以此来达到人力资源节约的效果。

将人工智能与体育产业的融合是指通过智能化体系的融合,体育产业以及其关联行业在发展过程中可对数据信息进行精准分辨,尤其是在大数据发掘技术的作用下,各类工作机制的建设可通过行业领域业务拓展实现技术性融合。然而,从现阶段实际应用趋势来看,人工智能与体育产业的融合无法得到有效基准的制定,这就造成相关职能部门在制定规范制度时,无法将人工智能与体育产业进行深度分析,令制度本身缺乏有效监管性。除此之外,体育产业作为综合型项目,人工智能体系的应用,无法覆盖到整个体育产业链中,只要造成体育项目在实际开展中无法形成合理、科学性的基准,进而令地区体育项目的发展无法达成一致,在一定程度上,将令体育产业形成以地区为主导的滞后性发展现象。

本项目使用姿态估计技术，提取人体关键点后，对不同人体肢节进行组合，实时评估骨骼向量角数据，并根据人体向量角数据与建立好的标准动作比对，给出各肢体评分，和总评分。在这里我们以举哑铃动作为例，搭建我们的智能健身评分系统：

![8b98a4e246aded853191b35b5cbcf05e.png][]

![7dd126b8c8f0f4a7ff60c35e6c99c04c.png][]

**1、系统使用**

**本系统主要使用的人体姿态估计技术。需要用到的知识点有openpose姿态估计算法、向量角组合和计算，评估准则的判定。**

**1.****1** **openpose姿态估计**

Open Pose实时姿态监测估计算法是由卡内基梅隆大学的一个团队最先提出的。此算法使用一种叫做人体关键点亲和域的方法连接人体关键点。图中的网络结构分支1的S1代表一组关键点，分支2的Ll代表连接这些关键点的亲和向量。重复此步，可以得到一个所有2D关键点的集合S和关键点相关度的向量集合L，再根据相关度连接将得到一个近似度高的棍型图。所采用的数据集是COCO和MPI，并且收集了试验者执行的不同活动并与计算机相关联，既能检测人体，也能感知到周围环境中的信息。

Open Pose提供了23个精确的身体部位，包括肩膀、肘部、手腕、臀部、膝盖、脚踝等。为了减少数据集的冗余，系统参考不同身体关节的视觉效应，根据人体结构和运动特征将关节分成不同的组，并给每个关节分配不同的权重。

1)面部五官:面部关节分布集中密集，活动范围小。它们很少表现出明显的独立运动。

2)躯干关节:躯干关节包括肩关节、脊椎中心和臀部，它们体现了身体运动位移的主要趋势，是连接身体和四肢的枢纽。

3)一级关节:一级关节包括肘关节和膝关节，包含大量关于四肢动作的信息。当身体旋转和弯曲时，它在视觉上相对躯干关节有更重要的作用。

4)二级连接:二级连接部位包括手腕和脚踝。手腕和踝关节比肘关节和膝盖点延伸得更长，给人留下更加明显的视觉印象。

5)三级连接:三级点包含右手、右臀、右脚、左手、左臀和左脚。手和脚是手腕和脚踝的延伸，没有明显的视觉印象。

![f3818b35cb288c4fba8e7b595a6848d7.png][]

**1.****2****标准动作**

在这里我们设置标准动作如下：

![93fd486faf72781a800c84ce81324e68.png][]

作为标准动作，统计出各个骨骼关键点坐标，并根据不同骨骼坐标点组合形成向量角，并计算不同关节之间的向量角作为标准。

**1.****3****评估标准**

对摄像头视频流或者本地视频流数据实时计算各个关键点角度，并逐一对比，并可视化。计算公式按照欧氏距离做出最简单评估即可。

![f1afb6204f4d7f1c40e283a0d1c56b50.png][]

![02048d99740fb02a2d8d677536bfb630.png][]

**2、模型实验**

**2.****1** **环境搭建**

1、首先下载好完整无误配置好的代码（包括模型等等，见文末）。

2、整个多目标动作监测系统的搭建主要是依赖于openpose的姿态识别环境。而openpose的基本环境依赖于python，CUDA和swig的支持，其中python是作为openpose的代码编写和运行工具，CUDA作为调用显卡训练测试的必须软件需要和python版本有一定的关系，swig目的在于给openpose编译环境。根据openpose官方提供的cmu模型、mobilenet\_thin模型、mobilenet\_v2\_large模型和mobilenet\_v2\_small模型的评价，我们选择了cmu模型作为姿态识别的调用模型，主要原因在于cmu具有更高一些的识别精度。

Openpose的调用在这里通过调用其中设定好的主函数即可，其中包括模型加载程序、调用程序以及Estimator评估等等。

3、配置好python的cuda环境，以及opencv、pyqt5等基础环境。

4、运行GUI.py主界面，点击按钮即可。

**2.2** **姿态估计**

这里设置默认的标准动作位为**'Standard/1.jpg'**，默认使用模型为cmu模型。按照标准的姿态估计配置，设置代码如下：

parser = argparse.ArgumentParser(description='tf-pose-estimation run')
    parser.add_argument('--image', type=str, default='Standard/1.jpg')
    parser.add_argument('--model', type=str, default='cmu',
                        help='cmu / mobilenet_thin / mobilenet_v2_large / mobilenet_v2_small')
    parser.add_argument('--resize', type=str, default='0x0',
                        help='if provided, resize images before they are processed. '
                             'default=0x0, Recommends : 432x368 or 656x368 or 1312x736 ')
    parser.add_argument('--resize-out-ratio', type=float, default=4.0,
                        help='if provided, resize heatmaps before they are post-processed. default=1.0')
    args = parser.parse_args()
    w, h = model_wh(args.resize)
    if w == 0 or h == 0:
        e = TfPoseEstimator(get_graph_path(args.model), target_size=(432, 368))
    else:
        e = TfPoseEstimator(get_graph_path(args.model), target_size=(w, h))

**2.3****角度计算**

计算需要使用到的关节角度，分别为右键、右手臂、左键、左手臂。代码如下：

image1 = TfPoseEstimator.draw_humans(image, humans, imgcopy=True)
    cv2.imwrite("../img1.jpg", image1)
    f = open("../img1.txt", 'w')
    f.close()
    line = Vector([0, 100])
    '''角度'''
    try:
        # 右肩5
        RShoulder = Vector(list_sub(skeleton[5], skeleton[6]))
        RShoulder_angel = line.angle_with(RShoulder)
        Angels[5]=str(round(RShoulder_angel,1))+"°"
        # 右手臂6
        RElbow = Vector(list_sub(skeleton[6], skeleton[7]))
        RElbow_angel = line.angle_with(RElbow)
        Angels[6] = str(round(RElbow_angel, 1)) + "°"
        # 左肩3
        LShoulder = Vector(list_sub(skeleton[2], skeleton[3]))
        LShoulder_angel = line.angle_with(LShoulder)
        Angels[2] = str(round(LShoulder_angel, 1)) + "°"
        # 左手臂4
        LElbow = Vector(list_sub(skeleton[3], skeleton[4]))
        LElbow_angel = line.angle_with(LElbow)
        Angels[3] = str(round(LElbow_angel, 1)) + "°"
        state=True
    except:
        pass

**2.4** **评分可视化**

在获取到角度值后，设置各个角度评分为(1 - abs((RShoulder\_angel - Standard\[i\]) / Sum\_Standard)) \* 100，即最高分为100分，最低分为0分。其中标准对比值由标准动作自行计算，放入数组即可，代码如下：

if state:
        '''评分'''
        Standard = [150, 10, 150, 10]
        Sum_Standard = sum(Standard)
        Score1 = (1 - abs((RShoulder_angel - Standard[0]) / Sum_Standard)) * 100
        Score2 = (1 - abs((RElbow_angel - Standard[1]) / Sum_Standard)) * 100
        Score3 = (1 - abs((LShoulder_angel - Standard[2]) / Sum_Standard)) * 100
        Score4 = (1 - abs((LElbow_angel - Standard[3]) / Sum_Standard)) * 100
        Avg_Score=(Score1+Score2+Score3+Score4)/len(Standard)
        myfont = ImageFont.truetype(r'C:/Windows/SIMLI.TTF', 20)
        image2 = Image.fromarray(cv2.cvtColor(image2, cv2.COLOR_BGR2RGB))
        draw = ImageDraw.Draw(image2)
        draw.text((10, 10), "总评分："+str(round(Avg_Score,1)), font=myfont, fill=(255, 0, 0))
        draw.text((10,50), "右肩评分："+str(round(Score1,1)), font=myfont, fill=(255, 0, 0))
        draw.text((10, 90), "右臂评分：" + str(round(Score2, 1)), font=myfont, fill=(255, 0, 0))
        draw.text((10, 130), "左肩评分：" + str(round(Score3, 1)), font=myfont, fill=(255, 0, 0))
        draw.text((10, 170), "右臂评分：" + str(round(Score4, 1)), font=myfont, fill=(255, 0, 0))
        image2 = cv2.cvtColor(np.asarray(image2), cv2.COLOR_RGB2BGR)

运行过程如下可见，在这里通过双击“启动.bat”即可直接运行：

![035008ae6538087400ce55d2ec2c60ff.png][]

![8e9998d48b2829a5643c3ec382e05b94.png][]

完整代码：

附行为安全监测系统见文章

https://blog.csdn.net/dQCFKyQDXYm3F8rB0/article/details/120299561。

姿态估计代码：  
链接：

https://pan.baidu.com/s/1vkc1EQuaAUMqoaegkdZ\_pA

提取码：i46w

健身评分系统代码：

https://download.csdn.net/download/qq\_42279468/33154887

> 李秋键，CSDN博客专家，CSDN达人课作者。硕士在读于中国矿业大学，开发有taptap竞赛获奖等。

![e3e57f84ccdafec01d5769dc6ca5b47a.gif][]

![65c4c53b839e8b886f3c3722338b8623.png][]

往

期

回

顾

资讯

[AI 将有自我视觉？Facebook正在研究新系统][AI _Facebook]

资讯

[微软、英伟达联手推出最大语言模型][Link 1]

资讯

[“倚天”一出，谁与争锋？阿里发布云芯片][Link 2]

技术

[ST-GCN 实现人体姿态行为分类][ST-GCN]

![d733a57ed1d6230f09e840022c9d6fab.png][]

**分享**

![eb1f03646f65859423e673c3a494b745.png][]

**点收藏**

![e51338c0e8348bf57dd1797c415e4386.png][]

**点点赞**

![ee83808b11f542758926ccde9c94b192.png][]

**点在看**

[1f2579cad14c0d7c596c64d02edfe229.gif]: /images/20220828/49c2e86a29d14c0ca9d253e5c9a70931.png
[649818d2fda1c8e8de5cbeb22a05f41e.png]: /images/20220828/ee5a79efced7431bb55a1c3f553d6d2e.png
[8b98a4e246aded853191b35b5cbcf05e.png]: /images/20220828/1dd98a6421994eb6a8c547667a6e9afa.png
[7dd126b8c8f0f4a7ff60c35e6c99c04c.png]: /images/20220828/01d08a95bf7741a6a6b65181160fbec7.png
[f3818b35cb288c4fba8e7b595a6848d7.png]: /images/20220828/a952c2ce9cfe42ca872214f41d7598c5.png
[93fd486faf72781a800c84ce81324e68.png]: /images/20220828/e5b9502df23a400683b99d4a0a5d6194.png
[f1afb6204f4d7f1c40e283a0d1c56b50.png]: /images/20220828/6fbaff13a9274f42abf34228bc4c3e5e.png
[02048d99740fb02a2d8d677536bfb630.png]: /images/20220828/7dd99c3491fe44f4901ba4f75ed538e2.png
[035008ae6538087400ce55d2ec2c60ff.png]: /images/20220828/a24ec193ec2d41c2a3574503ec326d17.png
[8e9998d48b2829a5643c3ec382e05b94.png]: /images/20220828/85ab3a97c37b43f2b9e1732bec48f86e.png
[e3e57f84ccdafec01d5769dc6ca5b47a.gif]: /images/20220828/7d2d54fba7b94dcd8cb0a7a9c1ee8a9b.png
[65c4c53b839e8b886f3c3722338b8623.png]: /images/20220828/0e9f0ceb42ac43ebbbb92aa2e7e67cd5.png
[AI _Facebook]: http://mp.weixin.qq.com/s?__biz=Mzg4NDQwNTI0OQ==&mid=2247549320&idx=1&sn=2e728b3730879433b55aeeba6b63562a&chksm=cfbae4e6f8cd6df0046f16e7a7db18caf61db222dea9596eb2788089ff58c78337d6a72d85fc&scene=21#wechat_redirect
[Link 1]: http://mp.weixin.qq.com/s?__biz=Mzg4NDQwNTI0OQ==&mid=2247548781&idx=2&sn=92043ad17f5b9c8b868ed8e275a90fd0&chksm=cfbada03f8cd53154d75cc9ae27b83a0a53425545131bb84cd10b379170afadb9641db3706bb&scene=21#wechat_redirect
[Link 2]: https://blog.csdn.net/QbitAI/article/details/120857567
[ST-GCN]: https://blog.csdn.net/moxibingdao/article/details/114770292
[d733a57ed1d6230f09e840022c9d6fab.png]: /images/20220828/6d3b554b038f4e1a9b9429003962cee1.png
[eb1f03646f65859423e673c3a494b745.png]: /images/20220828/e1a37e1bc84a41f28e9d9558701be63d.png
[e51338c0e8348bf57dd1797c415e4386.png]: /images/20220828/4f2f9c0564314e9fbe5caee8a31bc953.png
[ee83808b11f542758926ccde9c94b192.png]: /images/20220828/01abe54919ed429ebc3cb96d16425cb4.png