基于OpenPose的行人异常姿态研究

丁培甫　詹玲超　胡天敏　彭好成　郑禹超

摘要：本文以人体异常姿态为研究目标，采用“姿态评估”+“分类器”的技术方案，研究姿态特征提取和姿态特征分类。实验结果表明，本文提出的检测方式对异常姿态的识别准确率高达96.17%，证明了本文研究的方法的正确性。

关键词：OpenPose;支持向量机;姿态评估;多分类

中图分类号：TP391.41 文献标识码：A 文章编号：1007-9416（2019）02-0107-01

0 引言

随着人工智能的极速发展，越来越前沿的技术逐渐适用于各个行业当中，本文以研究人体姿态评估为研究课题，设计了一套姿态评估和异常判断的应用系统，其采用“姿态评估”+“分类器”的技术方案完成研究课题。研究姿态特征提取和姿态特征分类。姿态评估使用国外卡内基梅隆大学开源项目OpenPose。

1 姿态评估

（1）OpenPose是卡内基梅隆大学在CMU AI计划推出的一个开源项目，实现多线程关键点的实时检测。OpenPose版本現在已经更新到1.4.0，不仅可以追踪身体的躯干和四肢，也可以捕捉面部动作和手指。先前的识别思路是自上而下（先找人，再找人体部位），OpenPose 则是自下而上（先找特征部位，再组合人体）[1]。

（2）仔细查阅资料发现整体流程为两大步骤：第一步先找特征点（头、手、脚……），这个步骤里包含两个CNN，两个CNN连流水连接第一个CNN输入原图，输出热图（每一个热图中包含某一种特征点）并和原图一起传入下一个CNN进行计算。循环计算直到收敛为止（输出热图），每个热图还包含每个特征点的置信度。特征识别流程图1所示。

第二步连接各个特征点，生成骨骼脉络。这个步骤里也包含两个CNN，两个CNN连流水连接第一个CNN输入原图，输出热图（每一个热图包含某一种连接区域——可以简单理解为骨头），并和原图一起传入下一个CNN进行计算。循环计算直到收敛为止（输出热图），每个热图还包含每个区域的置信度[2]。

最后得到两张热图，根据热图计算较好的两个特征点连接，根据关节区域和点的位置来计算每个像素的小法向。生成一个法向图2所示。再在法向图中构造出一条连接下一点的连线，通过各个点的置信度来确定哪两个点是最可能的连接，循环迭代（最小生成树）出所有连接线，最终得到一条链表，也就是一个人的骨架。如果部分特征点未识别出，则其所在的骨骼线不予连接。

2 SVM异常姿态识别

（1）SVM（支持向量机）的全称是Support Vector Machine，是由分离超平面正式定义的判别分类器。通俗来讲就是分类器，在监督学习下完成目标的分类。其目标是计算出最佳超平面，这个超平面是将平面分成两部分（或多部分）的线，其中每一级都位于两侧。（2）将自己采集的异常姿态情况的照片数据集经过OpenPose姿态的评估，得到的数据构造出异常姿态数据集，同理得到正常姿态数据集构造出异常数据和正常数据。得到的数据集再丢入SVM中做监督学习。（3）这样监督学习出来的数据可以在多人的情况下满足实时监控的需求和数据的准确性。

3 实验结果

在校内路口架设摄像机进行实验样本采集。共拍摄5个路口，时长均为1小时的视频。人流量7000余次。姿态捕获的准确度如表1所示。

在完成SVM分类器训练后，5个路口模拟异常姿态拍摄的视频片段总计30分钟、异常人次300余次。异常姿态的识别准确度如表2所示。

4 结语

本文以人体异常姿态为研究目标，采用“姿态评估”+“分类器”的技术方案，研究姿态特征提取和姿态特征分类。实验结果表明，本文提出的检测方式对异常姿态的识别准确率高达96.17%，证明了本文研究方法的正确性。但是在实际运算中需要较大资源去实现姿态的评估。针对这一问题将继续对姿态评估的算法和框架进行研究。

参考文献

[1] 贺飞翔，赵启军.基于深度学习的头部姿态估计[J].计算机技术与发展，2016（11）：1-4.

[2] 苏松志，李绍滋，陈淑媛，等.行人检测技术综述[J].电子学报，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