【全民动起来】反向卷腹AI计数器

本文介绍基于PaddleHub的反向卷腹AI计数器。因健身时手动计数易出错，利用human_pose_estimation_resnet50_mpii模型实现计数。通过检测人体关键点，以膝盖x轴坐标变化为依据，判断反向卷腹完成情况。还给出环境准备、检测示例及计数代码，测试显示能准确计数，生成带检测效果的视频。

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

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

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

登录后复制    In [2]

!pip list |grep paddle

登录后复制    

2.human_pose_estimation_resnet50_mpii模型安装

模型地址： https://www.paddlepaddle.org.cn/hubdetail?name=human_pose_estimation_resnet50_mpii&en_category=KeyPointDetection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

登录后复制    In [4]

!hub list|grep human

登录后复制    

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 cv2import paddlehub as hubpose_estimation = hub.Module(name="human_pose_estimation_resnet50_mpii")#human_pose_estimation_resnet50_mpiiimage1=cv2.imread('work/ready.webp') # 准备状态image2=cv2.imread('work/doing.webp') # 中间状态image3=cv2.imread('work/finish.webp') #结束状态results = pose_estimation.keypoint_detection(images=[image1,image2,image3], visualization=True)

登录后复制    

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

登录后复制        

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

登录后复制        

       

四、智能计数

In [31]

import cv2import paddlehub as hubimport mathfrom matplotlib import pyplot as pltimport numpy as npimport osos.environ['CUDA_VISIBLE_DEVICES'] = '0'%matplotlib inlinedef 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_listdef 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()

登录后复制    

1. 计数效果如下

       

（从图可以看出总共有6个顶峰，对应计数有6个，和原视频总共做了6个反向卷腹对应上了）

2. 视频生成如下

在根目录下可以看到：

output.mp4