Detectron2和LSTM进行人体动作识别

关于深度实战社区

我们是一个深度学习领域的独立工作室。团队成员有：中科大硕士、纽约大学硕士、浙江大学硕士、华东理工博士等，曾在腾讯、百度、德勤等担任算法工程师/产品经理。全网20多万+粉丝，拥有2篇国家级人工智能发明专利。

社区特色：深度实战算法创新

获取全部完整项目数据集、代码、视频教程，请进入官网：zzgcz.com。竞赛/论文/毕设项目辅导答疑，v：zzgcz_com

1. 项目简介

本项目旨在开发一个人体动作识别系统，利用深度学习模型Detectron2和LSTM（长短时记忆网络）实现对视频中人体动作的精确识别与分类。项目背景是由于在现代智能监控、健康管理、体育分析等领域中，对人体动作的自动识别和分析需求日益增加。传统的计算机视觉方法在复杂环境下表现有限，而结合先进的深度学习模型能够在动态场景中捕捉细微的动作变化，从而提升识别准确率。本项目的主要目标是通过Detectron2进行人体关键点检测，将检测到的时序特征输入LSTM模型中，从而捕捉动作序列的时间依赖性并进行分类。Detectron2作为一个基于Mask R-CNN的深度学习模型，擅长对象检测和实例分割，能够准确定位人体的各个关键点，而LSTM则用于处理时间序列数据，学习动作随时间变化的模式。整体模型在训练数据集上进行训练后，能够对视频流中的每帧进行实时分析，从而实现对复杂人体动作的自动识别。项目应用场景广泛，包括智能监控、行为分析、体育动作指导及康复训练等，具备极高的实际应用价值。

Detectron2

Detectron2是 Facebook AI Research 的开源平台，用于物体检测、密集姿势、分割和其他视觉识别任务。该平台现在在 PyTorch 中实现，而其之前的版本Detectron则在 Caffe2 中实现。

在这里，我们使用来自 Detectron2 模型库的预训练“R50-FPN”模型进行姿势估计。该模型已经在 COCO 数据集上进行了训练，该数据集包含超过 200,000 张图像和 250,000 个人物实例，并标有关键点。该模型为输入图像帧中存在的每个人输出 17 个关键点，如下图所示。

人体上有 17 个关键点。图片左侧显示一个人，中间部分显示关键点列表，右侧显示人体上关键点的位置

2.技术创新点摘要

本项目结合了Detectron2和LSTM的优点，在人体动作识别领域实现了创新性的模型设计和数据处理方式。其技术创新点体现在以下几个方面：

1. 多模型融合与关键点映射： 本项目采用Detectron2作为基础的关键点检测模型，并利用其在目标检测和实例分割方面的优势，精准识别人体的17个关键点。同时，为了解决不同深度学习框架（如OpenPose和Detectron2）之间的关键点顺序不一致的问题，项目引入了关键点映射机制（openpose_to_detectron_mapping），实现了不同检测格式间的数据统一，从而提升了整体模型的兼容性和准确性。
2. 时序信息捕捉与动作识别： 通过LSTM（长短时记忆网络）对人体关键点数据进行时间序列建模，模型能够捕捉连续帧之间的动态变化。这种设计使得项目能够有效处理复杂的动态动作，如挥手、踢腿等，需要考虑时间维度的动作识别场景。具体实现中，模型采用了32帧的滑动窗口（WINDOW_SIZE），将连续帧划分为时序数据块输入LSTM，从而提升了模型对长时间依赖性的处理能力。
3. 基于Pytorch Lightning的模块化设计： 项目采用Pytorch Lightning框架，实现了模型的模块化设计，并通过PoseDataModule类将数据加载、预处理、训练和评估过程进行有效封装。这种设计方式降低了代码复杂度，增强了模型的可扩展性和复用性，使得后续模型优化和调参更加方便。
4. 关键点格式转换与数据增强： 在数据预处理中，通过convert_to_detectron_format函数将OpenPose格式的关键点数据转换为Detectron2标准格式，并结合了自定义的过滤和数据增强策略，从而解决了不同检测模型间数据格式不一致的问题，提升了训练数据的质量。

3. 数据集与预处理

本项目使用的主要数据集是人体动作识别公开数据集，包含大量人体关键点位置信息以及对应的动作标签。

它由使用OpenPose深度学习模型在伯克利多模态人类动作数据库 (MHAD)数据集的子集上进行的关键点检测组成。

OpenPose 是首个实时多人系统，可在单张图片上联合检测人体、手、脸和脚的关键点（共 135 个关键点）。关键点检测基于 12 个主体的视频（从 4 个角度拍摄），执行以下 6 个动作并重复 5 .

数据集的特点在于：每个样本是基于视频序列提取的连续人体关键点数据，每个动作由多帧（如32帧）组成，并且每帧都标注了人体不同关节点（如头部、肩膀、肘部、膝盖等）的位置坐标。相较于单帧图像数据，这种时序数据具有明显的时间依赖性，可以反映动作在时间维度上的连续性与动态变化。

该数据集由 12 名受试者组成，他们重复执行以下 6 个动作 5 次，从 4 个角度拍摄，每个角度重复 5 次。

• 跳跃，
• 跳跃运动，
• 拳击，
• 挥手，
• 挥手，
• 鼓掌。

总共有 1438 个视频（缺少 2 个），由 211200 个独立帧组成。

数据预处理流程

1. 关键点格式转换： 数据集中部分样本是通过OpenPose生成的18个关键点序列，而项目中使用的Detectron2只输出17个关键点。为此，数据预处理中实现了关键点格式转换，将OpenPose生成的关键点数据重新排列，并通过去除不必要的点（如脖子点），将其标准化为Detectron2格式，以确保不同数据源的格式一致性。
2. 归一化处理： 在数据输入模型之前，所有关键点坐标都会经过归一化处理，将其坐标值缩放到[0, 1]区间。这样做的目的是消除人体大小和不同图像分辨率对关键点坐标的影响，从而提高模型的鲁棒性。
3. 数据分块与滑动窗口： 针对时序特征的处理，采用滑动窗口策略（如32帧），将连续的关键点序列按照固定的窗口大小进行分块，从而形成时序数据。每个时序数据块对应一个完整的动作标签。
4. 数据增强与转换： 项目还通过随机删除、镜像变换等数据增强手段来增加训练样本的多样性，防止模型过拟合。同时，数据转换过程中，模型会自动识别并填充缺失值，确保输入特征的完整性。

4. 模型架构

1) 模型结构的逻辑

本项目的深度学习模型架构主要由Detectron2和LSTM模型两部分构成。首先，Detectron2用于人体关键点的检测，然后将其输出作为时间序列输入LSTM进行动作分类。具体模型结构如下：

1. 关键点检测模型（Detectron2） ：Detectron2模型基于Mask R-CNN架构，负责从视频帧中提取人体的17个关键点坐标数据。其骨干网络（Backbone）使用ResNet结构，提取每帧图像的特征图，并通过RPN（区域提议网络）生成目标区域，从而精确识别各个关节点的位置坐标。

2. 动作分类模型（LSTM） ：

   1. LSTM层： 输入特征为人体关键点的二维坐标（input_features），每帧代表一个时间步（Time Step）。模型采用标准的LSTM结构：
   2. $$h_t,c_t=\text{LSTM}(X_t,h_{t-1},c_{t-1})$$
   3. 其中，ht 和 ct 分别表示LSTM的隐状态和记忆状态， Xt 为当前时间步的输入特征。LSTM通过隐藏层状态捕捉不同帧之间的时间依赖性。
   4. 线性层： LSTM的最终隐状态输出通过线性层（self.linear）映射到动作类别：
   5. 1. $$y=W\cdot ht+by=W\cdot h_t+by=W\cdot ht+b$$
   6. 其中，WWW 为线性变换矩阵， hth_tht 为LSTM的输出， yyy 为预测的动作类别得分。此处的输出大小为动作类别的总数（TOT_ACTION_CLASSES）。

3. 激活函数与损失函数：

   1. LSTM输出通过softmax激活函数转换为每个动作类别的概率分布： $$P(y)=\text{softmax}(y)$$
   2. 损失函数采用交叉熵损失（CrossEntropyLoss）来衡量预测结果与真实标签之间的差距，从而指导模型优化。

2) 模型的整体训练流程

1. 数据预处理与加载： 数据首先通过PoseDataModule进行加载和预处理（包括关键点格式转换、归一化等），并通过PyTorch Lightning的DataLoader模块进行批次（Batch）的分发。

2. 训练流程： 使用PyTorch Lightning框架构建标准化训练流程：

   1. 前向传播： 输入人体关键点序列，经过LSTM层处理后通过线性层输出动作类别预测结果。
   2. 反向传播与优化： 使用Adam优化器调整模型权重，最小化损失函数值。模型还引入了学习率调度器来动态调整学习率，防止过拟合。

3. 模型评估指标： 模型评估采用以下几个指标：

   1. 验证损失（ val_loss ）： 用于评估模型在验证集上的性能。
   2. 分类准确率（Accuracy）： 衡量模型预测的类别与真实标签的匹配程度。
   3. F1-Score： 评估模型在多类别动作识别中的精准度和召回率。

4. 模型保存与回调机制： 训练过程中通过ModelCheckpoint保存验证集损失最低的模型，同时引入EarlyStopping策略，防止模型过拟合。

我们对模型进行了400 次训练，验证准确率达到0.913。验证准确率和损失曲线如下所示。训练后的模型被录入代码库，并在推理过程中使用。

在“Tesla T4”GPU 上进行的测试表明，Detectron2 推理大约需要0.14 秒，而 LSTM推理大约需要 0.002 秒。因此，如果我们处理视频中的每一帧，我们的推理管道执行的总FPS（每秒帧数）约为每秒 6 帧。

5. 核心代码详细讲解

1. 模型架构构建 (LSTM 构建部分 - lstm.py)

class ActionClassificationLSTM(pl.LightningModule):# 初始化方法，定义模型的基本结构和超参数def init(self, input_features, hidden_dim, learning_rate=0.001):super().__init__()# 保存初始化时传入的超参数，用于模型重建时复用
        self.save_hyperparameters()# 构建LSTM层：接收的输入为关键点数据，输出为隐藏状态的维度为 hidden_dim
        self.lstm = nn.LSTM(input_features, hidden_dim, batch_first=True)# 构建线性全连接层：将 LSTM 的输出映射到动作类别空间（分类任务的最终输出层）
        self.linear = nn.Linear(hidden_dim, TOT_ACTION_CLASSES)

• 解释：

  • class ActionClassificationLSTM: 定义一个基于 LSTM 的动作分类模型。继承自 PyTorch Lightning 的 LightningModule，便于实现训练和评估模块化。
  • def __init__(self, input_features, hidden_dim, learning_rate=0.001): 初始化模型时定义输入特征维度 (input_features)、LSTM 隐藏层维度 (hidden_dim) 以及学习率 (learning_rate)。
  • self.save_hyperparameters(): 保存模型超参数，用于后续调用或模型的复现。
  • self.lstm = nn.LSTM(input_features, hidden_dim, batch_first=True): 创建一个 LSTM 网络层。input_features为输入特征维度，hidden_dim为 LSTM 隐藏层的维度。batch_first=True 表示输入的第一个维度为 batch size。
  • self.linear = nn.Linear(hidden_dim, TOT_ACTION_CLASSES): 定义一个线性层，将 LSTM 的输出（隐藏状态）映射到动作类别空间。TOT_ACTION_CLASSES表示动作类别的总数。

2. 数据预处理与特征工程 (utils.py)

def draw_line(image, p1, p2, color):# 使用 OpenCV 画线函数，在图像上绘制人体关键点之间的连线
    cv2.line(image, p1, p2, color, thickness=2, lineType=cv2.LINE_AA)

• 解释：

  • def draw_line(image, p1, p2, color): 定义了一个用于在图像中绘制关键点连线的函数。
  • cv2.line(image, p1, p2, color, thickness=2, lineType=cv2.LINE_AA): 使用 OpenCV 函数在 image 图像上从 p1 到 p2 点绘制一条颜色为 color 的直线，并设置线条厚度为 2，lineType=cv2.LINE_AA 表示使用抗锯齿算法绘制。

def find_person_indicies(scores):# 根据模型输出的置信分数找到可能是人的索引位置return [i for i, s in enumerate(scores) if s > 0.9]

• 解释：

  • def find_person_indicies(scores): 通过对检测结果的置信度进行过滤，筛选出可能为人体的检测框。
  • return [i for i, s in enumerate(scores) if s > 0.9]: 遍历模型检测结果中的置信度列表 scores，返回大于 0.9 的索引位置，表示这些是高置信度的人体检测框。

def filter_persons(outputs):# 过滤模型输出中符合条件的人体关键点，并返回包含所有人体关键点的字典
    persons = {}
    p_indicies = find_person_indicies(outputs["instances"].scores)for x in p_indicies:# 提取检测到的关键点信息，并转换到CPU上，便于后续处理
        desired_kp = outputs["instances"].pred_keypoints[x][:].to("cpu")
        persons[x] = desired_kpreturn (persons, p_indicies)

• 解释：

  • def filter_persons(outputs): 对检测模型输出的结果进行过滤，获取符合条件的人的关键点位置。
  • persons = {}: 初始化一个空字典用于存储人体关键点。
  • p_indicies = find_person_indicies(outputs["instances"].scores): 调用 find_person_indicies，获取检测到的高置信度人体索引。
  • for x in p_indicies: 遍历所有检测到的高置信度人体。
  • desired_kp = outputs["instances"].pred_keypoints[x][:].to("cpu"): 将每个检测到的人的关键点数据提取并转换到 CPU 中进行存储。
  • persons[x] = desired_kp: 将每个人体的关键点存入 persons 字典中，以检测框索引作为键值。

3. 模型训练与评估 (train.py)

checkpoint_callback = ModelCheckpoint(save_top_k=1, monitor='val_loss')

• 解释：

  • checkpoint_callback = ModelCheckpoint(save_top_k=1, monitor='val_loss'): 定义模型检查点回调，用于在训练过程中保存验证集损失（val_loss）最低的模型权重。save_top_k=1 表示只保存验证集上最优的模型。

callbacks=[EarlyStopping(monitor='train_loss', patience=15), checkpoint_callback, lr_monitor]

• 解释：

  • callbacks=[EarlyStopping(monitor='train_loss', patience=15), checkpoint_callback, lr_monitor]: 定义训练回调函数列表。
  • EarlyStopping(monitor='train_loss', patience=15): 使用早停策略（EarlyStopping）监控训练损失（train_loss），当验证集损失在 15 个 epoch 内不再下降时，停止训练，防止模型过拟合。
  • checkpoint_callback: 保存最优模型权重。
  • lr_monitor: 监控学习率的变化（未在此片段中完全展开）。

6. 模型优缺点评价

模型优点：

1. 多模型融合： 本项目结合了Detectron2和LSTM的优点，前者用于人体关键点的精准定位，后者用于捕捉动作的时序依赖性。这种多模型融合策略能够在复杂场景中实现更高的动作识别精度。
2. 时序信息捕捉能力强： 通过LSTM对人体关键点序列进行建模，可以有效处理动作的时间维度依赖关系，适合动态场景中的动作分类任务。
3. 模块化设计与易于扩展： 使用PyTorch Lightning框架，模型的训练、验证和测试模块化程度高，便于后续对模型结构进行修改和扩展，具有较好的复用性和可维护性。
4. 数据格式转换与兼容性： 项目实现了OpenPose到Detectron2格式的关键点映射，提升了不同数据源间的兼容性，使得模型可以处理不同格式的数据。

模型缺点：

1. 对数据质量依赖较高： 由于动作识别依赖于人体关键点的准确性，一旦输入数据存在噪声或关键点检测精度不足，会导致识别效果下降。
2. 无法处理复杂的多人物场景： 目前模型仅处理单一人物动作，缺乏对多人物交互动作的识别能力，这在群体场景中容易造成误分类。
3. 计算开销较大： Detectron2和LSTM的组合在处理大规模数据时需要较大的计算资源，可能在实时场景中存在延迟问题。

模型改进方向：

1. 模型结构优化： 考虑引入双向LSTM或Transformer结构以更好地捕捉动作序列的全局信息。
2. 超参数调整： 针对LSTM的隐藏层维度、学习率及优化策略进行超参数搜索，以找到更优的训练配置。
3. 数据增强策略： 增加对人体关键点的随机偏移、旋转、遮挡等数据增强方法，提高模型的鲁棒性。
4. 支持多人物检测： 扩展模型结构和数据标注方式，以适应多人物场景中的复杂交互动作识别。

↓↓↓更多热门推荐：
Bi-LSTM-CRF实现中文命名实体识别工具(TensorFlow)

全部项目数据集、代码、教程进入官网zzgcz.com