人体姿态识别：基于KNN的决策边界可视化

本项目使用MediaPipe和KNN算法进行人体姿态识别，并可视化KNN分类器的决策边界。代码包含数据清洗、模型训练和可视化过程，可用于理解人体姿态识别中的决策过程。

import cv2
import mediapipe as mp
import math

import numpy as np
import pandas as pd
from sklearn.neighbors import KNeighborsClassifier

# 一些全局变量
label = [' '] # 识别输出标签
posess = '' # 视频输出标签
i = 0
t = 30 # 后处理帧数
posess_a = ''
posess_b = ''
version = 'V7.0'
a = 1.2 # 辅助拟合精度
distance_threshold = 121 # 设置KNN距离阈值
neighbors = 2 # 邻居
input_path = ''

# 初始化MediaPipe的人体姿势模型
mp_drawing = mp.solutions.drawing_utils
mp_pose = mp.solutions.pose

# 加载动作数据集
warmup_df = pd.read_csv('dataset_warm-up.csv')
combat_df = pd.read_csv('dataset_SHIZHAN POSE.csv')
attack_df = pd.read_csv('dataset_hit.csv')
respect_df = pd.read_csv('dataset_respect.csv')
gongbu_df = pd.read_csv('dataset_gongbu.csv')

# 数据清洗
# 将每个小数据集中偏离平均值超过2倍标准差的样本删除
print('数据清洗')
for df in [warmup_df, combat_df, attack_df, respect_df, gongbu_df]:
    df.drop(df[(np.abs(df[['angle1','angle2','angle3', 'angle4','angle5','angle5_1' ,'angle6', "angle7","angle8","angle9","angle10","angle11"]]) - df[['angle1','angle2','angle3', 'angle4','angle5','angle5_1' ,'angle6', "angle7","angle8","angle9","angle10","angle11"]].mean()) > 2 * df[['angle1','angle2','angle3', 'angle4','angle5' ,'angle6', "angle7","angle8","angle9","angle10","angle11"]].std()).any(axis=1)].index, inplace=True)

# 将数据集合并为一个大的数据集
data = pd.concat([warmup_df, combat_df, attack_df, respect_df, gongbu_df], ignore_index=True)

# 训练KNN分类器
print('开始训练knn')
knn = KNeighborsClassifier(n_neighbors=neighbors, weights='distance', metric='manhattan')
knn.fit(data[['angle1','angle2','angle3', 'angle4','angle5','angle5_1' ,'angle6', "angle7","angle8","angle9","angle10","angle11"]], data['label'])

import matplotlib.pyplot as plt
from matplotlib.colors import ListedColormap

# 取出训练集中的特征和标签
X = data[['angle1','angle2','angle3', 'angle4','angle5','angle5_1' ,'angle6', "angle7","angle8","angle9","angle10","angle11"]]
y = data['label']

# 将特征缩放到[0, 1]范围内
X_normalized = (X - X.min()) / (X.max() - X.min())

# 将特征降维到二维
from sklearn.decomposition import PCA
pca = PCA(n_components=2)
X_pca = pca.fit_transform(X_normalized)

# 训练KNN分类器
knn = KNeighborsClassifier(n_neighbors=neighbors, weights='distance', metric='manhattan')
knn.fit(X_pca, y)

# 绘制分类器的决策边界
cmap_light = ListedColormap(['#AAAAFF', '#FFAAAA', '#AAFFAA', '#AFAFAF'])
cmap_bold = ListedColormap(['#0000FF', '#FF0000', '#00FF00', '#AFAFAF'])

h = .02  # 步长
x_min, x_max = X_pca[:, 0].min() - 0.1, X_pca[:, 0].max() + 0.1
y_min, y_max = X_pca[:, 1].min() - 0.1, X_pca[:, 1].max() + 0.1
xx, yy = np.meshgrid(np.arange(x_min, x_max, h), np.arange(y_min, y_max, h))
Z = knn.predict(np.c_[xx.ravel(), yy.ravel()])

Z = Z.reshape(xx.shape)
plt.figure(figsize=(8, 6))
plt.pcolormesh(xx, yy, Z, cmap=cmap_light)

# 绘制训练集中的样本点
plt.scatter(X_pca[:, 0], X_pca[:, 1], c=y, cmap=cmap_bold, edgecolor='k', s=20)
plt.xlim(xx.min(), xx.max())
plt.ylim(yy.min(), yy.max())
plt.title("KNN decision boundary")
plt.xlabel("PCA1")
plt.ylabel("PCA2")
plt.show()

本项目使用MediaPipe进行人体关键点检测，并通过计算关键点之间的角度，提取人体姿态特征，并使用KNN算法进行分类。代码中包含数据清洗、模型训练和可视化过程，可以帮助理解KNN分类器的决策过程。

使用说明：

准备动作数据集：数据集包含不同动作的样本，每个样本包括多个角度特征和动作标签。
运行代码：代码会进行数据清洗、模型训练和可视化。
可视化决策边界：代码会绘制KNN分类器的决策边界，展示不同动作特征在特征空间中的分布情况。

改进建议：

扩展动作类别：可以增加更多动作类别，以提高模型的识别能力。
优化特征提取：可以探索更有效的特征提取方法，以提升模型的准确性。
使用其他分类器：可以尝试其他分类器，如SVM、随机森林等，以比较不同模型的性能。

参考文献：

更多信息：

项目源码： GitHub
作者：您的姓名
联系方式：您的邮箱地址

希望本项目能够帮助您更好地理解人体姿态识别技术。

免责声明：

本项目仅供参考，请勿用于任何商业用途。