【学习记录】Online Realtime Action Recognition based on OpenPose使用教程

📌 摘要

本文详细介绍了如何部署和运行一个基于 OpenPose 的在线实时动作识别系统。涵盖：

• Python 环境搭建（conda + TensorFlow + Keras）
• OpenPose 预训练模型下载与配置
• 视频姿态估计与数据采集
• 数据预处理与训练流程

适用于人体动作识别、行为分析、视频监控等方向的研究或开发工作，是一篇面向初学者的完整实践指南。

📘 前言

随着计算机视觉的发展，基于姿态估计的动作识别技术越来越受到关注。OpenPose 是 CMU 开发的一个开源项目，能够实时检测人体 2D 关键点，非常适合用于动作识别任务。

本文介绍的是一个基于 OpenPose 的在线实时动作识别系统的使用教程，包括从环境搭建到训练模型的全过程，适合有一定 Python 和深度学习基础的新手入门。

一、环境配置

✅ 1. 创建 Conda 虚拟环境

推荐使用 Anaconda 来管理 Python 环境，避免版本冲突：

conda create -n py36OpenPose python=3.6
conda activate py36OpenPose

⚠️ 注意：该项目对 Python 版本要求较严格，请务必使用 python=3.6。

✅ 2. 安装所需依赖库

依次执行以下命令安装相关模块：

conda install tensorflow-gpu=1.13
pip install opencv-python==3.4.2.17
pip install keras==2.2.4
pip install scikit-learn==0.19
pip install pandas
pip install matplotlib

💡 如果你在安装过程中遇到版本不兼容问题，可以尝试使用虚拟环境隔离不同项目。

二、下载并配置 OpenPose 预训练模型

✅ 1. 下载预训练模型

前往以下链接下载 OpenPose 的预训练模型文件：

🔗 http://www.mediafire.com/file/qlzzr20mpocnpa3/graph_opt.pb

⚠️ 注意：请确保下载的是 graph_opt.pb 文件，这是 OpenPose 的图模型文件。

✅ 2. 放置模型文件

将下载好的 graph_opt.pb 文件放入以下目录中：

\Pose\graph_models\VGG_origin\

✅ 如果路径不存在，请手动创建对应目录结构。

三、测试与数据采集

✅ 1. 准备测试视频

将你想要进行姿态估计的视频文件（如 1.mp4）放到项目的根目录下。

✅ 2. 运行视频姿态估计

在激活虚拟环境后，执行以下命令开始测试：

python main.py --video=1.mp4

✅ 程序会调用 OpenPose 对视频逐帧进行关键点检测，并显示可视化结果。

✅ 3. 收集关键点数据

默认情况下，程序不会自动保存关键点数据。你需要打开 main.py 文件，找到如下注释代码并取消注释：

# f = open("output.txt", "w")
# f.write(str(keypoints))
# f.close()

保存修改后，再次运行测试命令：

python main.py --video=1.mp4

✅ 此时会在当前目录生成一个包含关键点坐标的 output.txt 文本文件。

四、数据处理与模型训练

✅ 1. 数据格式转换

使用 Excel 打开 output.txt 文件，将其另存为 .csv 格式，并命名为类似 action_data.csv。

将该文件移动到以下训练目录中：

\Action\training\

✅ 建议每个动作类别单独建立一个 CSV 文件，方便后续分类训练。

✅ 2. 修改训练脚本参数

打开以下训练脚本：

\Action\training\train.py

根据你的数据情况，修改以下两处关键参数：

num_classes = 5     # 动作类别数量
input_length = 30   # 每个动作序列采样帧数

✅ 具体数值取决于你的动作种类和数据长度，请根据实际需求调整。

✅ 3. 启动训练

确认所有配置无误后，在命令行中执行训练脚本：

python train.py

训练完成后，模型权重会自动保存在指定目录中，可用于后续推理和部署。

✅ 总结

本文提供了一份完整的 基于 OpenPose 的在线实时动作识别系统的使用教程，涵盖了以下关键步骤：

通过这套流程，你可以快速实现一个基于姿态估计的动作识别系统，适用于体育运动分析、智能安防、人机交互等多个领域。

📌 如果你觉得这篇文章对你有帮助，请点赞 + 收藏 + 分享，让更多人了解如何使用 OpenPose 实现动作识别！

💬 欢迎留言交流你在使用过程中遇到的问题，如模型加载失败、关键点提取异常、训练中断等，我们一起讨论解决。