【全民动起来】反向卷腹AI计数器

转自AI Studio，原文链接：【全民动起来】反向卷腹AI计数器 - 飞桨AI Studio一、【基于PaddleHub的反向卷腹AI计数器】练腹只做仰卧起坐?做太多可能伤你的背!试试反向卷腹吧!更安全1.背景介绍自从刘耕宏大哥的直播健身流行，引起了全民健身的热潮~一边运动的时候一边还要数着自己做到第几个才能达标，但是偶尔会数错为了针对做的时候不要再操心计数的问题，利用PaddleHub的做了

AI Studio

190人浏览 · 2022-05-20 08:46:01

AI Studio · 2022-05-20 08:46:01 发布

转自AI Studio，原文链接：【全民动起来】反向卷腹AI计数器 - 飞桨AI Studio

一、【基于PaddleHub的反向卷腹AI计数器】

练腹只做仰卧起坐?做太多可能伤你的背!试试反向卷腹吧!更安全

1.背景介绍

自从刘耕宏大哥的直播健身流行，引起了全民健身的热潮~

一边运动的时候一边还要数着自己做到第几个才能达标，但是偶尔会数错

为了针对做的时候不要再操心计数的问题，利用PaddleHub的做了个反向卷腹AI计数器。

AI帮你反向卷腹计数

2.实现思路

1.用户打开手机,根据提示调整身体与手机距离，直到人体完全位于识别框内，即可开始运动。
2.通过PaddleHub的human_pose_estimation_resnet50_mpii模型，进行人体关键点检测。
3.根据检测的数据计数（此处选择左（右）膝盖关键点进行判断，一次完整的左右来往为一次有效的计数）

二、环境准备

1.PaddleHub安装

In [1]

!pip install -U pip --user >log.log
!pip install -U paddlehub >log.log

In [2]

!pip list |grep paddle

2.human_pose_estimation_resnet50_mpii模型安装

模型地址：飞桨PaddlePaddle-源于产业实践的开源深度学习平台
模型概述：人体骨骼关键点检测(Pose Estimation) 是计算机视觉的基础性算法之一，在诸多计算机视觉任务起到了基础性的作用，如行为识别、人物跟踪、步态识别等相关领域。具体应用主要集中在智能视频监控，病人监护系统，人机交互，虚拟现实，人体动画，智能家居，智能安防，运动员辅助训练等等。该模型的论文《Simple Baselines for Human Pose Estimation and Tracking》由 MSRA 发表于 ECCV18，使用 MPII 数据集训练完成。

In [3]

!hub install human_pose_estimation_resnet50_mpii >log.log

In [4]

!hub list|grep human

三、人体关键点检测示例

1.关键点检测演示

针对下面这三张图片做关键点检测，具体如下：

In [32]

import cv2
import paddlehub as hub

pose_estimation = hub.Module(name="human_pose_estimation_resnet50_mpii")#human_pose_estimation_resnet50_mpii

image1=cv2.imread('work/ready.png') # 准备状态
image2=cv2.imread('work/doing.png') # 中间状态
image3=cv2.imread('work/finish.png') #结束状态
results = pose_estimation.keypoint_detection(images=[image1,image2,image3], visualization=True)

查看output_pose 下输出的图片：

3.如何判断反向卷腹的有效性

判断一次反向卷腹的依据是什么呢？

尽管上面的三张图有些点标定的不是很准确，但是我们可以比较明确的看到值得关注的点，例如膝盖的标定点。用膝盖点的移动可以作为评判标准。

In [29]

# 打印三张左右膝盖的关键点 
print(results[0]['data']['right_knee'])
print(results[1]['data']['right_knee'])
print(results[2]['data']['right_knee'])

print(results[0]['data']['left_knee'])
print(results[1]['data']['left_knee'])
print(results[2]['data']['left_knee'])

#从结果来看，我们用左膝盖或者右膝盖的点都可

[783, 187]
[498, 250]
[784, 187]
[820, 242]
[498, 245]
[809, 183]

四、智能计数

In [31]

import cv2
import paddlehub as hub
import math
from matplotlib import pyplot as plt
import numpy as np
import os
os.environ['CUDA_VISIBLE_DEVICES'] = '0'
%matplotlib inline

def countYwqz():
    pose_estimation = hub.Module(name="human_pose_estimation_resnet50_mpii")

    flag = False
    count = 0
    num = 0
    all_num = []
    flip_list = []
    fps = 60
    # 可选择web视频流或者文件
    file_name = 'work/fan_juanfu.mp4'
    cap = cv2.VideoCapture(file_name)
    width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))
    height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))
    fourcc = cv2.VideoWriter_fourcc(*'mp4v')
    # out后期可以合成视频返回
    out = cv2.VideoWriter(
        'output.mp4',
        fourcc,
        fps,
        (width,height))

    while cap.isOpened():
        success, image = cap.read()
        # print(image)
        if not success:
            break
        image_height, image_width, _ = image.shape
        # print(image_height, image_width)

        image.flags.writeable = False
        results = pose_estimation.keypoint_detection(images=[image], visualization=True, use_gpu=True)

        flip = results[0]['data']['right_knee'][0] # 获取膝盖的x轴坐标值
        flip_list.append(flip)
        all_num.append(num)
        num +=1
    
    # 写入视频
    img_root="output_pose/"
    # 排序，不然是乱序的合成出来
    im_names=os.listdir(img_root)  
    im_names.sort(key=lambda x: int(x.replace("ndarray_time=","").split('.')[0]))
    for im_name in range(len(im_names)):
        img = img_root+str(im_names[im_name])
        print(img)
        frame=cv2.imread(img)
        out.write(frame)  
    out.release()

    return all_num,flip_list

def get_count(x,y):
    count = 0
    flag = False
    count_list = [0] # 记录极值的x值
    for i in range(len(y)-1):
        if y[i] <= y[i + 1] and flag == False:
            continue
        elif y[i] >= y[i + 1] and flag == True:
            continue
        else:
            # 防止附近的轻微抖动也被计入数据
            if abs(count_list[-1] - y[i]) >200 or abs(count_list[-1] - y[i-1]) >200 or abs(count_list[-1] - y[i-2]) >200 or abs(count_list[-1] - y[i-3]) >200 or abs(count_list[-1] - y[i+1]) >200  or abs(count_list[-1] - y[i+2]) >200  or abs(count_list[-1] - y[i+3]) >200:
                count = count + 1
                count_list.append(y[i])
                print(x[i])
                flag = not flag
    return math.floor(count/2)
    

if __name__ == "__main__":
    x,y = countYwqz()

    plt.figure(figsize=(8, 8))
    count = get_count(x,y)
    plt.title(f"point numbers: {count}")
    plt.plot(x, y)
    plt.show()