효율적인 인간 자세 추정

소개

컴퓨터 비전 영역 내에서, 인간 자세 추정은 현실과 게임에서 기계적 자율성 및 건강 관리에 이르기까지 애플리케이션을 갖는 매력적인 분야로 나타납니다. 이 기사는 인간 자세 추정의 복잡성, 그 중요성, 근본적인 발전 및 눈에 띄는 응용 분야를 밝힙니다.

컴퓨터 비전 내부의 흥미로운 분야 인 자세 추정에는 개인의 신체에 중점을 두어 포즈를 분석하는 것이 포함됩니다. 우리의 목표는이 혁신을 요가 영역에 가져와 그림에서 요가 자세를 인식하고 분류 할 수있게하는 것입니다.

학습 목표

• 인간 포즈 추정 원칙과 컴퓨터 비전에서의 중요성에 대한 깊은 이해를 얻습니다.
• 인간 포즈 추정 기술이 개인화 된 지침과 실시간 피드백으로 요가 실습을 향상시키는 방법을 이해하십시오.
• Python 및 관련 라이브러리를 사용하여 요가 애플리케이션을위한 인간 포즈 추정 알고리즘을 구현하는 실용적인 기술을 개발하십시오.

이 기사는 Data Science Blogathon 의 일부로 출판되었습니다 .

목차

• 인간 포즈 추정을 이해합니다
• 상향식 대 하향식 방법 포즈 추정 방법
• 인기있는 라이브러리 및 도구
• 인간 포즈 추정 향상 : 간단하고 효율적인 접근
• 인간 포즈 추정의 적용
• 자주 묻는 질문

인간 포즈 추정을 이해합니다

인간 포즈 추정은 사람의 방향을 그래픽으로 나타내는 컴퓨터 비전 작업입니다. 모델 기반 접근 방식을 활용하는이 기술은 이미지 나 비디오에서 인체 부품 및 관절의 포즈를 식별하고 분류합니다. 핵심은 손목, 어깨 및 무릎과 같은 조인트를 정의하는 일련의 좌표 세트를 캡처하는 데 있습니다.

인간 포즈 추정의 중요성

사람들의 탐지는 머신 러닝 알고리즘으로 발전하여 컴퓨터가 포즈 탐지 및 추적을 통해 인체 언어를 이해할 수있게 해줍니다. 이 기술은 상업적으로 실행 가능해졌으며 보안, 비즈니스 인텔리전스, 건강 및 안전 및 엔터테인먼트와 같은 다양한 산업에 영향을 미칩니다. 특히, 코로나 바이러스 전염병의 시대에는 실시간 포즈 감지가 사회적 거리 조치를 구현하는 데 도움이됩니다.

2D와 3D 인간 자세 추정의 대비

두 가지 주요 방법은 2D 자세 추정과 3D 자세 추정입니다. 이전의 게이지는 2D 공간의 바디 조인트 영역 인 반면, 마지막 언급 된 것은 추가 z 차원을 예상함으로써 2D 사진을 3D 항의로 바꿉니다. 3D 포즈 추정은 도전적이지만 표현에서 정확한 공간 위치를 허용합니다.

인간 포즈 추정 모델의 유형

인간 포즈 추정 모델은 세 가지 주요 유형에 속합니다.

• 골격 기반 모델 : 3D 및 2D 포즈 추정에 사용되는 골격 구조를 나타냅니다.
• 윤곽 기반 모델 : 2D 포즈 추정에 중점을 두어 신체의 외관과 모양을 강조합니다.
• 볼륨 기반 모델 : 3D 포즈 추정에 사용 된 3D 인체 모델 및 포즈를 사용합니다.

상향식 대 하향식 방법 포즈 추정 방법

인간 포즈 추정 방법은 상향식과 하향식의 두 가지 접근법으로 광범위하게 분류됩니다. 상향식은 각 신체 조인트를 개별적으로 평가하는 반면 하향식은 먼저 신체 탐지기를 사용하고 발견 된 경계 상자 내에서 조인트를 결정합니다.

인간 포즈 추정의 작업을 이해하려면 기본 구조, 모델 아키텍처 개요 및 포즈 추정을위한 다양한 접근법을 탐구하는 것이 포함됩니다. 이 과정에는 절대 포즈 추정, 상대 포즈 추정 및 그 조합이 포함됩니다.

인기있는 라이브러리 및 도구

몇몇 오픈 소스 라이브러리는 휴먼 포즈 추정을 용이하게합니다.

• Openpose : 2D 및 3D 포즈 추정을 지원하는 다원 시스템.
• Posedetection : 실시간 포즈 추정 모델을 제공하는 Tensorflow.js를 구축했습니다.
• Densepose : 2D RGB 이미지에서 3D 표면 기반 모델에 인간 픽셀을 맵핑합니다.
• 알파 포스 : 하향식 접근법을 사용하여 실시간 다원자 포즈 추정 라이브러리.
• HRNET (고해상도 순) : 고당도 키 포인트 열 맵 예측에 적합합니다.

인간 포즈 추정 향상 : 간단하고 효율적인 접근

이제 특정 단계에 따라 간단한 인간 포즈 추정 코드로 시작하겠습니다.

1 단계 : 단계 설정

여행을 시작하려면 필요한 라이브러리를 설치하여 환경을 설정해야합니다. OpenCV, Numpy 및 MediaPipe은 프로젝트에 필수적입니다. 설치하려면 다음 명령을 실행하십시오.

 ! PIP 설치 OpenCV-Python MediaPipe

우리는이 기사에서 MediaPipe 인 Google이 컴퓨터 비전 작업에 중점을 둔 기계 학습 파이프 라인을 구축하기 위해 개발 한 오픈 소스 프레임 워크 인 MediaPipe를 소개했습니다. Mediapipe는 복잡한 시각적 응용 프로그램의 구현을 단순화하여 최소한의 노력으로 통합 될 수있는 인간 포즈 추정을위한 미리 훈련 된 모델을 제공합니다. 크로스 플랫폼 기능은 모바일 장치, 웹 응용 프로그램 및 데스크탑에서 일관된 성능을 보장하며 실시간 처리를위한 설계를 통해 빠른 비디오 입력 분석을 가능하게합니다.

2 단계 : 필요한 라이브러리를 가져옵니다

 수학 수학
CV2 가져 오기
Numpy를 NP로 가져옵니다
시간에서 가져 오기 시간
미디어 파이프를 MP로 가져옵니다
matplotlib.pyplot을 plt로 가져옵니다
IPYTHON.DISPLAY 가져 오기 HTML

• `Math ': 계산을위한 수학적 함수를 제공합니다.
• `CV2` : 이미지 조작 및 처리와 같은 컴퓨터 비전 작업을위한 OpenCV 라이브러리.
• ```NP '로서 Numpy': 배열 및 행렬을 지원하는 수치 컴퓨팅을위한 Numpy Library.
• `Time` : 시간 작업을위한 모듈, 여기에서 실행 시간을 측정하는 데 사용됩니다.
• `mpeat as mp`
• `matplotlib.pyplot as plt`
• `ipython.display html` : 노트북 내에 HTML 컨텐츠를 표시하기위한 iPython 모듈.

3 단계 : Initialze MediaPipe 패키지

포즈 감지 및 시각화를위한 미디어 파이프 포즈 및 드로잉 유틸리티를 설정하십시오.

 # 미디어 파이프 포즈 클래스 초기화.
mp_pose = mp.solutions.pose

# 포즈 기능 설정.
pose = mp_pose.pose (static_image_mode = true, min_detection_confidence = 0.3, model_complexity = 2)

# 미디어 파이프 도면 클래스 초기화, 주석에 유용합니다.
mp_drawing = mp.solutions.drawing_utils

• 이 라인은 포즈 추정 작업을 수행하기 위해 미디어 파이프 프레임 워크에서 필요한 구성 요소를 초기화합니다.
• mp_pose = mp.solutions. 미디어 파이프 포즈 클래스 초기화 포즈 추정 기능을 활성화합니다.
• pose = mp_pose.pose (static_image_mode = true, min_detection_confidence = 0.3, model_complexity = 2) 정적 이미지 모드, 최소 감지 신뢰도 및 모델 복잡성과 같은 특정 매개 변수로 포즈 기능을 설정합니다.
• mp_drawing = mp.solutions.drawing_utils는 미디어 파이프 그리기 유틸리티 클래스를 초기화하여 포즈 랜드 마크 및 연결로 이미지를 주석에 맞는 기능을 제공하여 포즈 추정 결과의 시각화를 용이하게합니다.

4 단계 : 이미지를로드 및 표시합니다

OpenCV를 사용하여 이미지를로드하고 matplotlib를 표시하십시오.

 sample_img = cv2.imread ( '/content/istockphoto-664637378-612x612.jpg')
plt.figure (figsize = [10,10])
plt.title ( "sample_image")
plt.axis ( 'off')
plt.imshow (sample_img [:, : ::- 1]); plt.show ()

• 이 코드 세그먼트는 OpenCV 라이브러리 (cv2.imread ())를 사용하여 지정된 파일 경로에서 샘플 이미지를로드합니다.
• 그런 다음 matplotlib를 사용하여로드 된 이미지를 지정된 크기 (plt.figure (figsize = [10, 10])), title (plt.title ( "샘플 이미지")) 및 축 틱 (plt.axis ( 'off'))의 그림에 표시합니다.
• 이미지는 최종적으로 plt.imshow () 함수를 사용하여 표시되며, 지정된 그림에 이미지를 표시하는 데 도움이됩니다. matplotlib가 RGB 이미지가 디스플레이를 기대하기 때문에 [:, : :: -1] 색인화는 이미지를 bgr에서 rgb 형식으로 변환하는 데 사용됩니다.

5 단계 : 랜드 마크를 감지하고 인쇄합니다

이미지를 RGB로 변환하고 MediaPipe를 사용하여 포즈 랜드 마크를 감지하십시오. 처음 두 개의 감지 된 랜드 마크 (예 : 코, 왼쪽_eye_inner)를 인쇄하십시오.

kyypoint_identification

kyypoint_landmark

 # 이미지를 RGB 형식으로 변환 한 후 포즈 감지를 수행하십시오.
결과 = pose.process (cv2.cvtcolor (sample_img, cv2.color_bgr2rgb))

# 랜드 마크가 있는지 확인하십시오.
결과 IF 결과.
    
    # 첫 두 개의 랜드 마크 만 표시하려는 경우 두 번 반복하십시오.
    범위 (2)의 i를 위해 :
        
        # 발견 된 정규화 된 랜드 마크를 표시합니다.
        print (f '{mp_pose.poselandmark (i) .name} : \ n {results.pose_landmarks.landmark [mp_pose.poselandmark (i) .value]}')

• 이 코드 세그먼트는 OpenCV의 CV2.CVTColor () 함수를 사용하여 RGB 형식으로 변환 한 후 샘플 이미지에서 POSE 감지를 수행합니다.
• 그런 다음 results.pose_landmarks 속성을 사용하여 이미지에서 포즈 랜드 마크가 발견되는지 확인합니다.
• 랜드 마크가 발견되면 처음 두 랜드 마크를 반복하여 이름과 좌표를 인쇄합니다.
• 획기적인 이름은 mp_pose.poselandmark (i) .name을 사용하여 얻어지며 코디네이트는 results.pose_landmarks.landmark [mp_pose.poselandmark (i) .value]를 사용하여 액세스합니다.

산출:

 코:
X : 0.7144814729690552
Y : 0.3049055337905884
Z : -0.148374036169052
가시성 : 0.999918937683105
LEFT_EYE_INNER :
X : 0.7115224599838257
Y : 0.2835153341293335
Z : -0.13594578206539154
가시성 : 0.9999727010726929

6 단계 : 이미지에 랜드 마크를 그립니다

이미지의 사본을 만들고 MediaPipe 유틸리티를 사용하여 감지 된 랜드 마크를 그리고 표시하십시오.

 # 랜드 마크를 그리는 샘플 이미지의 사본을 만듭니다.
img_copy = sample_img.copy ()

# 랜드 마크가 있는지 확인하십시오.
결과 IF 결과.
    
    # 샘플 이미지에 랜드 마크를 그리십시오.
    mp_drawing.draw_landmarks (image = img_copy, landmark_list = results.pose_landmarks, connections = mp_pose.pose_connections)
       
    # 그림의 크기를 지정하십시오.
    그림 = plt.figure (figsize = [10, 10])

    # 랜드 마크가 그려진 상태에서 출력 이미지를 표시하고 표시를 위해 BGR을 RGB로 변환하십시오. 
    plt.title ( "출력")
    plt.axis ( 'off')
    plt.imshow (img_copy [:, :, :: -1])
    plt.show ()

• 이 코드 세그먼트는 별도의 이미지에 랜드 마크를 그리는 동안 원본 이미지를 보존하기 위해 샘플 이미지의 사본을 생성합니다.
• 결과에 포즈 랜드 마크가 있는지 확인합니다.
• 랜드 마크가 발견되면 mp_drawing.draw_landmarks ()를 사용하여 복사 된 이미지의 랜드 마크를 그립니다.
• 출력 이미지를 표시하기위한 그림의 크기는 plt.figure (figsize = [10, 10])를 사용하여 지정됩니다.
• 마지막으로 plt.imshow ()를 사용하여 그려진 랜드 마크가있는 출력 이미지를 표시합니다. [:, : :: -1] 인덱싱은 matplotlib가있는 올바른 디스플레이를 위해 BGR에서 RGB 형식으로 이미지를 변환하는 데 사용됩니다.

7 단계 : 3D 포즈 시각화

MediaPipe의 Plot_landmarks ()를 사용하여 감지 된 랜드 마크를 3D로 시각화하십시오.

 # 줄거리는 3D로 랜드 마크를 포즈로합니다.
mp_drawing.plot_landmarks (results.pose_world_landmarks, mp_pose.pose_connections)

• 이 코드 세그먼트는 MediaPipe의 Plot_landmarks () 함수를 사용하여 3D 공간에서 포즈 랜드 마크를 표시합니다.
• 결과가 필요합니다. Prope_world_landmarks는 입력으로서 세계 좌표의 포즈 랜드 마크를 나타냅니다.
• mp_pose.pose_connections 다른 랜드 마크 사이의 연결을 지정하여 골격 구조를 시각화하는 데 도움이됩니다.

8 단계 : 사용자 정의 포즈 감지 기능

맞춤형 포즈 감지의 경우 Detectpose ()를 사용합니다. 이 함수는 포즈 감지를 수행하고 결과를 표시하며 선택적으로 랜드 마크를 반환합니다.

 def detectospose (이미지, pose, display = true) :
    '' ''
    이 기능은 이미지에서 포즈 감지를 수행합니다.
    Args :
        이미지 : 포즈 랜드 마크를 감지 해야하는 눈에 띄는 사람이있는 입력 이미지.
        포즈 : 포즈 감지를 수행하는 데 필요한 포즈 설정 기능.
        디스플레이 : true로 설정되면 부울 값은 원래 입력 이미지, 결과 이미지를 표시합니다. 
                 그리고 3D 줄거리의 랜드 마크를 포즈하고 아무것도 반환하지 않습니다.
    보고:
        output_image : 감지 된 포즈 랜드 마크가 그려진 입력 이미지.
        랜드 마크 : 감지 된 랜드 마크 목록은 원래 규모로 변환됩니다.
    '' ''
    
    # 입력 이미지의 사본을 만듭니다.
    output_image = image.copy ()
    
    # BGR에서 이미지를 RGB 형식으로 변환합니다.
    imagergb = cv2.cvtcolor (image, cv2.color_bgr2rgb)
    
    # 자세 감지를 수행하십시오.
    결과 = pose.process (imagergb)
    
    # 입력 이미지의 높이와 너비를 검색하십시오.
    높이, 너비, _ = image.shape
    
    # 감지 된 랜드 마크를 저장하기 위해 목록을 초기화하십시오.
    랜드 마크 = []
    
    # 랜드 마크가 감지되었는지 확인하십시오.
    결과 IF 결과.
    
        # 출력 이미지에 랜드 마크를 그리십시오.
        mp_drawing.draw_landmarks (image = output_image, landmark_list = results.pose_landmarks,
                                  Connections = mp_pose.pose_connection)
        
        # 감지 된 랜드 마크를 반복하십시오.
        결과의 랜드 마크.
            
            # 랜드 마크를 목록에 추가하십시오.
            Landmarks.Append ((int (landmark.x * width), int (landmark.y * height),
                                  (Landmark.z * width))))
    
    # 원래 입력 이미지와 결과 이미지가 표시되어 있는지 확인하십시오.
    디스플레이 인 경우 :
    
        # 원래 입력 이미지와 결과 이미지를 표시합니다.
        plt.figure (figsize = [22,22])
        plt.subplot (121); plt.imshow (image [:, : :: -1]); plt.title ( "Original Image"); plt.axis ( 'off');
        plt.subplot (122); plt.imshow (output_image [:, :, :: -1]); plt.title ( "출력 이미지"); plt.axis ( 'off');
        
        # 또한 포즈 랜드 마크를 3D로 플로팅하십시오.
        mp_drawing.plot_landmarks (results.pose_world_landmarks, mp_pose.pose_connections)
        
    # 그렇지 않으면
    또 다른:
        
        # 출력 이미지와 발견 된 랜드 마크를 반환합니다.
        output_image, 랜드 마크를 반환합니다

• 이 함수 detectpose ()는 MediaPipe의 포즈 모델을 사용하여 입력 이미지에서 포즈 감지를 수행합니다.
• 이미지 (입력 이미지), 포즈 (포즈 설정 함수) 및 디스플레이 (결과를 표시할지 여부를 나타내는 부울)의 세 가지 매개 변수가 필요합니다.
• 입력 이미지를 복사하여 원본을 보존하고 MediaPipe에서 요구하는대로 이미지를 BGR에서 RGB 형식으로 변환합니다.
• 변환 된 이미지의 포즈를 감지하고 mp_drawing.draw_landmarks ()를 사용하여 출력 이미지에 감지 된 랜드 마크를 그립니다.
• 이 기능은 또한 입력 이미지의 높이와 너비를 검색하고 빈 목록을 초기화하여 감지 된 랜드 마크를 저장합니다.
• 디스플레이 매개 변수가 true로 설정된 경우 원래 입력 이미지, 랜드 마크가 그려진 출력 이미지를 표시하고 mp_drawing.plot_landmarks ()를 사용하여 3D 공간의 랜드 마크를 표시합니다.
• Display가 False 인 경우 랜드 마크와 감지 된 랜드 마크 목록으로 출력 이미지를 반환합니다.

9 단계 : 샘플 실행

Detectpose () 함수를 사용하여 새로운 샘플 이미지에서 포즈 감지를 실행하십시오.

 # 다른 샘플 이미지를 읽고 포즈 감지를 수행하십시오.
image = cv2.imread ( '/content/hd-Wallpaper-training-gym-pose-woman-yoga-exercises.jpg')
감지 (이미지, 포즈, 디스플레이 = true)

• 이 코드 세그먼트는 지정된 파일 경로에서 다른 샘플 이미지를 읽습니다.
• 그런 다음 detectpose () 함수를 호출하여 이전에 초기화 된 포즈 설정을 사용하여 이미지에서 포즈 감지를 수행합니다.
• 디스플레이 매개 변수를 true로 설정하면 기능이 원래 입력 이미지, 결과 이미지가 그려진 랜드 마크 및 랜드 마크의 3D 플롯을 표시하도록 지시합니다.

10 단계 : 포즈 분류 (선택 사항)

다음 단계는 관절 각도에 따라 전사, 나무 등과 같은 포즈를 분류하는 기능을 정의하는 것입니다.

Warrior-Pose, T-Poss, Tree-Pose, Unknown

 def classifypose (Landmarks, output_image, display = false) :
    '' ''
    이 기능은 다양한 신체 조인트의 각도에 따라 요가 포즈를 분류합니다.
    Args :
        랜드 마크 : 포즈를 분류 해야하는 사람의 감지 된 랜드 마크 목록.
        output_image : 감지 된 포즈 랜드 마크가 그려진 사람의 이미지.
        디스플레이 : true로 설정된 경우 부울 값은 포즈 레이블로 결과 이미지를 표시합니다. 
        그것에 쓰여지고 아무것도 반환하지 않습니다.
    보고:
        output_image : 감지 된 포즈 랜드 마크가 그려진 이미지가 그려지고 레이블을 작성했습니다.
        레이블 : output_image에있는 사람의 분류 된 포즈 레이블.

    '' ''
    
    # 포즈의 레이블을 초기화합니다. 이 단계에서는 알려져 있지 않습니다.
    레이블 = '알 수없는 포즈'

    # 이미지에 레이블이 작성 될 색상 (빨간색)을 지정하십시오.
    color = (0, 0, 255)
    
    # 필요한 각도를 계산합니다.
    #----------------------------------------------------------------------------------------------------------------
    
    # 왼쪽 어깨, 팔꿈치 및 손목 지점 사이의 각도를 얻습니다. 
    left_elbow_angle = calculateAngle (landmarks [mp_pose.poselandmark.left_shoulder.value],
                                      랜드 마크 [mp_pose.poselandmark.left_elbow.value],
                                      랜드 마크 [mp_pose.poselandmark.left_wrist.value]))
    
    # 오른쪽 어깨, 팔꿈치 및 손목 지점 사이의 각도를 얻습니다. 
    right_elbow_angle = calculateAngle (landmarks [mp_pose.poselandmark.right_shoulder.value],
                                       랜드 마크 [mp_pose.poselandmark.right_elbow.value],
                                       랜드 마크 [mp_pose.poselandmark.right_wrist.value])   
    
    # 왼쪽 팔꿈치, 어깨 및 고관절 사이의 각도를 얻습니다. 
    left_shoulder_angle = calculateAngle (랜드 마크 [mp_pose.poselandmark.left_elbow.value],
                                         랜드 마크 [mp_pose.poselandmark.left_shoulder.value],
                                         랜드 마크 [mp_pose.poselandmark.left_hip.value])))

    # 오른쪽 엉덩이, 어깨 및 팔꿈치 점 사이의 각도를 얻습니다. 
    right_shoulder_angle = calculateAngle (landmarks [mp_pose.poselandmark.right_hip.value],
                                          랜드 마크 [mp_pose.poselandmark.right_shoulder.value],
                                          랜드 마크 [mp_pose.poselandmark.right_elbow.value])))

    # 왼쪽 엉덩이, 무릎 및 발목 지점 사이의 각도를 얻습니다. 
    left_knee_angle = calculateAngle (랜드 마크 [mp_pose.poselandmark.left_hip.value],
                                     랜드 마크 [mp_pose.poselandmark.left_knee.value],
                                     랜드 마크 [mp_pose.poselandmark.left_ankle.value]))

    # 오른쪽 엉덩이, 무릎 및 발목 지점 사이의 각도 얻기 
    right_knee_angle = calculateAngle (랜드 마크 [mp_pose.poselandmark.right_hip.value],
                                      랜드 마크 [mp_pose.poselandmark.right_knee.value],
                                      랜드 마크 [mp_pose.poselandmark.right_ankle.value]))
    
    #----------------------------------------------------------------------------------------------------------------
    
    # Warrior II Pose 또는 T 포즈인지 확인하십시오.
    # 둘 다에 대해서는 두 팔이 똑바로 똑바로 져야하며 어깨는 특정 각도에 있어야합니다.
    #----------------------------------------------------------------------------------------------------------------
    
    # 양 암이 똑바로 있는지 확인하십시오.
    If Left_elbow_angle> 165 및 Left_elbow_angle  165 및 right_elbow_angle  80 및 left_shoulder_angle  80 및 right_shoulder_angle  165 및 Left_knee_angle  165 및 right_knee_angle  90 및 Left_knee_angle  90 및 right_knee_angle  160 및 Left_knee_angle  160 및 right_knee_angle  165 및 Left_knee_angle  165 및 right_knee_angle  315 및 LEFT_KNEE_ANGL  25 및 Right_Knee_angle <p><img  src="/static/imghwm/default1.png" data-src="https://img.php.cn/upload/article/000/000/000/174433982947729.jpg?x-oss-process=image/resize,p_40" class="lazy" alt="효율적인 인간 자세 추정" ></p><p><img  src="/static/imghwm/default1.png" data-src="https://img.php.cn/upload/article/000/000/000/174433983294618.jpg?x-oss-process=image/resize,p_40" class="lazy" alt="효율적인 인간 자세 추정" ></p><p><img  src="/static/imghwm/default1.png" data-src="https://img.php.cn/upload/article/000/000/000/174433983446597.jpg?x-oss-process=image/resize,p_40" class="lazy" alt="효율적인 인간 자세 추정" ></p><pre class="brush:php;toolbar:false"> # 샘플 이미지를 읽고 포즈 분류를 수행하십시오.
image = cv2. imread ( '/content/amp-1575527028-- 삼각형 pose.jpg')
output_image, 랜드 마크 = Detectospose (이미지, 포즈, 디스플레이 = 거짓)
랜드 마크 인 경우 :
    classifypose (랜드 마크, output_image, display = true)

• 이 코드 세그먼트는 지정된 파일 경로에서 샘플 이미지를 읽습니다.
• 그런 다음 detectpose () 함수를 호출하여 이전에 초기화 된 포즈 설정을 사용하여 이미지에서 포즈 감지를 수행합니다.
• 디스플레이 매개 변수가 False 인 경우 기능이 결과를 표시합니다.
• 이미지에 감지 된 랜드 마크가 포함 된 경우, 함수는 Classifoys ()을 호출하여 이러한 랜드 마크를 기반으로 포즈를 분류하고 결과를 표시합니다.

# 샘플 이미지를 읽고 포즈 분류를 수행하십시오.
image = cv2.imread ( '/content/warrior2.jpg')
output_image, 랜드 마크 = Detectospose (이미지, 포즈, 디스플레이 = 거짓)
랜드 마크 인 경우 :
    classifypose (랜드 마크, output_image, display = true)

• 이 코드 세그먼트는 지정된 파일 경로에서 샘플 이미지를 읽습니다.
• 그런 다음 detectpose () 함수를 호출하여 이전에 초기화 된 포즈 설정을 사용하여 이미지에서 포즈 감지를 수행합니다.
• 디스플레이 매개 변수가 False로 설정되어 함수가 결과를 표시하지 않아야 함을 나타냅니다.
• 이미지에서 랜드 마크가 감지되면, 감지 된 랜드 마크를 기반으로 포즈를 분류하고 결과를 표시하기 위해 classifypose () 함수를 호출합니다.

인간 포즈 추정의 적용

인간 포즈 추정은 다양한 영역에서 응용을 찾습니다.

체력 및 건강 산업

• 개인화 된 지침 : 포즈 감지 응용 프로그램은 요가 세션을 통해 사용자를 안내하여 포즈 정렬에 대한 실시간 피드백을 제공합니다.
• 진행 추적 : 시스템은 사용자의 진행 상황을 모니터링하여 개별 기술 수준에 맞는 수정 또는 발전을 제안합니다.

산업 수준의 응용 프로그램

• 기업 웰빙 프로그램 : 회사는 요가 포즈 탐지를 통합하여 웰빙 프로그램과 스트레스 감소를 통해 직원 건강을 향상시킬 수 있습니다.

의료

• 자세 교정 : 포즈 감지는 재활 운동 중에 자세를 교정하는 데 도움이되어 올바른 움직임 실행을 보장합니다.
• 원격 모니터링 : 의료 전문가는 환자의 요가 세션을 원격으로 모니터링하여 가상 지원을 제공하고 필요에 따라 루틴을 조정합니다.

스포츠 훈련

• 유연성 및 근력 교육 : 스포츠 훈련 프로그램의 포즈 탐지는 유연성과 강도가 필요한 선수들에게 전반적인 성능을 향상시킵니다.

교육

• 대화식 학습 : POSE DETECTION은 교육 기관 학생들을위한 요가의 대화식 및 접근 가능한 학습을 ​​향상시킵니다.
• 기술 평가 : 교사는 기술을 사용하여 학생들의 요가 기술을 평가하고 개선을위한 대상 지침을 제공합니다.

엔터테인먼트와 게임

• 몰입 형 경험 : VR 또는 AR 응용 프로그램은 포즈를 통해 사용자를 안내하는 가상 강사와 몰입 형 요가 경험을 만듭니다.
• 대화식 게임 : 피트니스 게임에서 포즈 탐지는 운동을 즐겁고 사용자에게 동기를 부여합니다.

산업의 인체 공학

• 데스크 요가 세션 : 포즈 탐지를 직장 웰빙 프로그램에 통합하면 짧은 요가 세션, 자세 개선 및 직원의 스트레스 감소를 제공합니다.
• 인체 공학적 평가 : 고용주는 포즈 감지를 사용하여 워크 스테이션의 인체 공학적 측면을 평가하여 직원들 사이에서 더 나은 건강을 증진시킵니다.

사용자 혜택

• 올바른 형태 : 양식에 대한 즉각적인 피드백은 부상의 위험을 줄여서 사용자가 요가 관행으로부터 최대한의 이점을 얻도록합니다.
• 편의성 : 사용자는 가상 강사 나 응용 프로그램을 안내하는 편의상 요가를 연습 할 수 있으며 물리 수업이 필요하지 않습니다.
• 동기 부여 : 실시간 진행 상황 추적 및 피드백은 사용자가 요가 루틴과 일치하도록 동기를 부여합니다.

결론

요가 포즈와 인간 포즈 감지의 통합은 다양한 부문을 초월하여 건강과 체력을 혁신합니다. 피트니스 산업의 개인화 된 지침 및 진보 추적에서 건강 관리의 재활 및 물리 치료 강화에 이르기 까지이 기술은 다양한 응용 분야를 제공합니다. 스포츠 훈련에서 운동 선수의 유연성과 강점에 기여하는 반면 교육에서는 대화식 및 평가 가능한 요가 학습 경험을 제공합니다.

이 작업장은 데스크 요가 세션 및 인체 공학적 평가로 인한 혜택을 받아 직원 복지를 촉진합니다. 가상 강사의 안내 인 사용자는 올바른 형태의 피드백, 편의성 및 동기 부여를 즐기고 요가 실습에 대한보다 건강하고 효율적인 접근 방식을 촉진합니다. 구식 혁신과 구식 관행의 이러한 변형 조합은 포괄적 인 복지 반란을위한 길을 깨끗하게합니다.

주요 테이크 아웃

• 컴퓨터 비전 내부의 필드 인 Human 자세 추정에는 개인의 신체에 중점을 두어 포즈를 분석하는 것이 포함됩니다.
• 인간 자세 추정은 건강과 건강에서 건강 관리, 스포츠 준비, 교육, 즐거움 및 작업 환경 인체 공학으로 확장되는 적용을 제공했습니다.
• Yoga Hone에 대한 자세 발견 혁신을 통합하면 고객이 개인화 된 방향, 실시간 입력, 고급 추종자, 안락함 및 영감을 제공하여 복지와 더 능숙한 운동으로 전진하게됩니다.
• 인간 포즈 탐지와 요가 실습의 통합은 웰빙 기술의 상당한 발전을 나타내며 포괄적 인 웰빙 혁명의 길을 열어줍니다.

자주 묻는 질문

Q1. 인간 자세 추정은 무엇이며 어떻게 작동합니까?

A. 인간 자세 추정은 컴퓨터 비전 전략 일 수 있습니다.이 전략은 개인의 신체에 중점을두고 포즈를 분석하는 데 중점을 둔 키를 인식하는 것이 포함될 수 있습니다. 계산을 활용하여 이러한 주요 초점을 구별하고 분류하여 실시간 시간을 따르는 인간 발달 및 검사를 허용합니다.

Q2. 요가 실습에서 인간 포즈 추정의 주요 응용 프로그램은 무엇입니까?

A. 인간 자세 추정 기술은 요가 연마에 연결하여 개인화 된 방향, 포즈 배열에 대한 실시간 입력, 고급 추종자 및 가상 요가 교육을 고객에게 공급할 수 있습니다. 또한 요가 교육, 회복 및 스포츠 준비에도 활용할 수 있습니다.

Q3. 인간 포즈 추정을위한 인기있는 라이브러리와 도구는 무엇입니까?

A. 인기있는 오픈 소스 라이브러리 및 휴먼 포즈 추정을위한 도구에는 Openpose, Posedetection, Densepose, Alphapose 및 HRNET (고해상도 순)가 포함됩니다. 이 라이브러리는 포즈 추정 작업을 수행하기위한 미리 훈련 된 모델 및 API를 제공합니다.

Q4. 인간 포즈 추정 기술은 요가의 자세 교정에 사용할 수 있습니까?

A. 예, 인간 자세 추정 혁신은 포즈 배치에 대한 실시간 비판을 제공하고 고객이 합법적 인 형태와 배열을 달성하는 데 도움이되는 변경 또는 변경을 제안함으로써 요가의 포즈 구제에 활용 될 수 있습니다.

Q5. 인간 포즈 추정 기술은 요가의 초보자에게 적합합니까?

A. 예, 인간 자세 추정 혁신은 요가에 대한 지시, 피드백 및 시각적 신호를 제공하여 요가 자세를 정확하고 안전하게 배우고 돕는 요가의 입찰에 유용 할 수 있습니다.

이 기사에 표시된 미디어는 분석 Vidhya가 소유하지 않으며 저자의 재량에 따라 사용됩니다.

위 내용은 효율적인 인간 자세 추정의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!