最近做了一個跌倒檢測demo，使用的是lightweight_openpose+fullconnection，這篇文章是以應用為主，已經在GitHub上開源啦，
源碼openpose_fall_detect

---

為什么使用lightweight_openpose，在此之前跑了很多模型哈，包括C3D、R3D、R（2+1）D、yolo、alphapose、STGCN、openpose等，以上模型有時間了再和大家分享，綜合來說，lightweight_openpose速度快（比以上提到的模型都快），精度也很不錯，接下來談一談這個項目的模型及怎么實現的。

---

lightweight_openpose VS openpose
這個輕量級的openpose相比openpose有哪些改進呢，先看看openpose的原始結構

接下來談談對openpose的改進
改進一：backbone：VGG19 to mobilev1
改進二：把生成keypoints和PAFs的兩個網絡合并成一個

改進三：把7x7的卷積換成3x3和1x1的卷積塊，為保持視野，使用dil=2的空洞卷積

---

經過以上改進，速度相比原openpose快了很多，精度和原openpose相差很小

大致知道了如何改進的openpose，理論不多說，接下來談談怎么利用lightweight_openpose+fullconnection實現跌倒識別

一、
lightweight_openpose用來識別骨骼
二、
把骨骼圖片傳入全連接層，全連接層對骨骼進行判斷，輸出骨骼狀態（fall or normal），發現精度還可以進一步提高，就是使用寬高比進行輔助判斷，跑出來的效果確實好了很多。

關于lightweight_openpose可以參考其論文Lightweight OpenPose
及其github相關代碼

關于全連接層的訓練，很簡單，首先生成訓練集和測試集，直接利用lightweight_openpose生成后保存就好，我已經對源碼做了部分修改，在pose.py文件中添加了保存功能，在demo文件調用時可以設置is_save = True

骨骼生成完后，創建test與train文件夾作為訓練集與測試集，在test和train文件夾下創建fall與normal文件夾，把相應的骨骼圖片放進去就好，如下圖

之后訓練就可以啦，幾個小時就可以訓練好
以下附幾張效果圖

為了方便操作，項目中添加了一個簡單的GUI操作界面，入口文件為fall_down_detector.py
權重文件下載地址：
鏈接：https://pan.baidu.com/s/1QB8j7bXsmpEpfc4d3HkUIg
提取碼：5d6o

任何程序錯誤，以及技術疑問或需要解答的，請掃碼添加作者VX

創作挑戰賽新人創作獎勵來咯，堅持創作打卡瓜分現金大獎

總結

以上是生活随笔為你收集整理的跌倒识别 摔倒识别 -lightweight_openpose的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。