基于OpenPose的行人異常姿態研究

丁培甫　詹玲超　胡天敏　彭好成　鄭禹超

摘要：本文以人體異常姿態為研究目標，采用“姿態評估”+“分類器”的技術方案，研究姿態特征提取和姿態特征分類。實驗結果表明，本文提出的檢測方式對異常姿態的識別準確率高達96.17%，證明了本文研究的方法的正確性。

關鍵詞：OpenPose;支持向量機;姿態評估;多分類

中圖分類號：TP391.41 文獻標識碼：A 文章編號：1007-9416（2019）02-0107-01

0 引言

隨著人工智能的極速發展，越來越前沿的技術逐漸適用于各個行業當中，本文以研究人體姿態評估為研究課題，設計了一套姿態評估和異常判斷的應用系統，其采用“姿態評估”+“分類器”的技術方案完成研究課題。研究姿態特征提取和姿態特征分類。姿態評估使用國外卡內基梅隆大學開源項目OpenPose。

1 姿態評估

（1）OpenPose是卡內基梅隆大學在CMU AI計劃推出的一個開源項目，實現多線程關鍵點的實時檢測。OpenPose版本現在已經更新到1.4.0，不僅可以追蹤身體的軀干和四肢，也可以捕捉面部動作和手指。先前的識別思路是自上而下（先找人，再找人體部位），OpenPose 則是自下而上（先找特征部位，再組合人體）[1]。

（2）仔細查閱資料發現整體流程為兩大步驟：第一步先找特征點（頭、手、腳……），這個步驟里包含兩個CNN，兩個CNN連流水連接第一個CNN輸入原圖，輸出熱圖（每一個熱圖中包含某一種特征點）并和原圖一起傳入下一個CNN進行計算。循環計算直到收斂為止（輸出熱圖），每個熱圖還包含每個特征點的置信度。特征識別流程圖1所示。

第二步連接各個特征點，生成骨骼脈絡。這個步驟里也包含兩個CNN，兩個CNN連流水連接第一個CNN輸入原圖，輸出熱圖（每一個熱圖包含某一種連接區域——可以簡單理解為骨頭），并和原圖一起傳入下一個CNN進行計算。循環計算直到收斂為止（輸出熱圖），每個熱圖還包含每個區域的置信度[2]。

最后得到兩張熱圖，根據熱圖計算較好的兩個特征點連接，根據關節區域和點的位置來計算每個像素的小法向。生成一個法向圖2所示。再在法向圖中構造出一條連接下一點的連線，通過各個點的置信度來確定哪兩個點是最可能的連接，循環迭代（最小生成樹）出所有連接線，最終得到一條鏈表，也就是一個人的骨架。如果部分特征點未識別出，則其所在的骨骼線不予連接。

2 SVM異常姿態識別

（1）SVM（支持向量機）的全稱是Support Vector Machine，是由分離超平面正式定義的判別分類器。通俗來講就是分類器，在監督學習下完成目標的分類。其目標是計算出最佳超平面，這個超平面是將平面分成兩部分（或多部分）的線，其中每一級都位于兩側。（2）將自己采集的異常姿態情況的照片數據集經過OpenPose姿態的評估，得到的數據構造出異常姿態數據集，同理得到正常姿態數據集構造出異常數據和正常數據。得到的數據集再丟入SVM中做監督學習。（3）這樣監督學習出來的數據可以在多人的情況下滿足實時監控的需求和數據的準確性。

3 實驗結果

在校內路口架設攝像機進行實驗樣本采集。共拍攝5個路口，時長均為1小時的視頻。人流量7000余次。姿態捕獲的準確度如表1所示。

在完成SVM分類器訓練后，5個路口模擬異常姿態拍攝的視頻片段總計30分鐘、異常人次300余次。異常姿態的識別準確度如表2所示。

4 結語

本文以人體異常姿態為研究目標，采用“姿態評估”+“分類器”的技術方案，研究姿態特征提取和姿態特征分類。實驗結果表明，本文提出的檢測方式對異常姿態的識別準確率高達96.17%，證明了本文研究方法的正確性。但是在實際運算中需要較大資源去實現姿態的評估。針對這一問題將繼續對姿態評估的算法和框架進行研究。

參考文獻

[1] 賀飛翔，趙啟軍.基于深度學習的頭部姿態估計[J].計算機技術與發展，2016（11）：1-4.

[2] 蘇松志，李紹滋，陳淑媛，等.行人檢測技術綜述[J].電子學報，2012（04）：814-820.

Research on Pedestrian Abnormal Pose Based on OpenPost

DING Pei-fu，ZHAN Ling-chao，HU Tian-min，PENG Hao-cheng，ZHENG Yu-chao

（Jincheng College， Nanjing University of Aeronautics and Astronautics， Nanjing Jiangsu? 210000）

Abstract：In this paper human abnormal posture is taken as the research object， and the technology scheme of "attitude assessment"+ "classifier" is adopted to study the extraction of posture features and the classification of posture features. The experimental results show that the recognition accuracy of the proposed detection method for abnormal attitude is as high as 96.17%， which proves the correctness of the method studied in this paper.

Key words：OpenPose; support vector machine; attitude assessment; multiple classification