👇Action Recognition:Action Recognition Based on Mediapipe and ML(MachineLearning)

目录：

• 👇Action Recognition:Action Recognition Based on Mediapipe and ML(MachineLearning)
  • 🐱Introduce
  • 🐖QuickStart
    • Dependencies
    • Inference
  • 😔Training
    • Preprocessing
      • 1.提取关键点（详见mediapipe-Fitness-counter-master/code/&使用说明-yjy.md）
      • 2.归一化处理（action-recognition）
    • training
      • 3.训练代码（action-recognition）
    • predict
      • 4.预测代码（action-recognition）
  • 🐒Reference
  • 🐕Thanks

🐱Introduce

Action Recognition Based on Mediapipe and ML(MachineLearning)

通过利用mediapipe库来提取人体姿态的关键点，共含33个3维的landmarks，用于制作行为或姿态数据集，并采用l多种机器学习算法进行训练，包括如KNN、逻辑回归、决策树和随机森林，所有模型评估的准确率均在90%以上。通过接入摄像头，实现了实时预测功能，可以实现检测人体姿态并进行分类，具有良好的性能，FPS稳定在25左右，并没有明显的延迟问题。

• Demo:

  

• Accuracy：

arithmetic	acc
KNeighborsClassifier	0.9090909090909091
LogisticRegression	1.0
DecisionTreeClassifier	1.0
RandomForestClassifier	1.0

注：以上均在25条训练集、11条测试集上训练、评估所得

🐖QuickStart

Dependencies

pip install -r requirements.txt

Inference

python predict.py

😔Training

Preprocessing

1.提取关键点（详见mediapipe-Fitness-counter-master/code/&使用说明-yjy.md）

2.归一化处理（action-recognition）

• action-recognition下新建fitness_poses_csvs_out文件夹
• 将第一步fitness_poses_csvs_out中的oath.csv复制
• 修改normalize.py中对应csv文件名
• 运行normalize.py
• 修改输出csv文件的第一列(改为对应行为类别的索引0、1、2、3...，如oath为0，put_hand为2，以此类推)
• 以此类推将所有csv处理
• data下为最终处理好的数据集
• 注：action-recognition下新建fitness_poses_csvs_out一次只能处理一个csv

training

3.训练代码（action-recognition）

python train.py

predict

4.预测代码（action-recognition）

python predict.py

🐒Reference

• Mediapipe

• mediapipe-Fitness-counter

• KNN-Fall-Detection

🐕Thanks

• @Studio:JHC Software Dev Studio

• @Mentor:HuangRiChen

• @Author:YuJunYu、ShenYuXuan