OpenVINO™ 室内动作识别

article/2025/10/16 3:54:59

动作识别网络
图-1（来自OpenVINO™ 安装包）
深度学习在人体动作识别领域有两类主要的网络，一类是基于姿态评估，基于关键点实现的动作识别网络；另外一类是直接预测的动作识别网络。关于姿态评估相关的网络模型应用，我们在前面的文章中已经介绍过了。OpenVINO2021.2版本中支持的动作识别网络都不是基于关键点输出的，而是基于Box直接预测，当前支持动作识别的预训练模型与识别的动作数目支持列表如下：
在这里插入图片描述
这些网络的输出都是基于SSD检测头实现对象检测与动作预测。

输入与输出格式：
以person-detection-action-recognition-0005模型为例说明它们的输入与输出数据格式支持，我也不知道什么原因（个人猜测因为Caffe框架的原因），网络的输出居然都是SSD原始检测头，怎么解析，我有妙招，稍后送上！先看一下输入与输出格式说明：

输入格式：
格式 NCHW=[1x3x400x680] ,Netron实际查看：
在这里插入图片描述
注意：OpenVINO2021.2安装之后的文档上格式说明是NHWC

输出格式：
输出有七个分支头的数据，它们的名称跟维度格式列表如下：
在这里插入图片描述
关于输出格式的解释，首先是num_priors值是多少，骨干网络到SSD输出头，是实现了16倍的降采样，最终输出的h x w=25x43然后每个特征点预测4个PriorBox, 每个特征点预测动作，总计有三类的动作，所以动作预测输出为: [b, 3, h, w] = [1x3x25x43]，总计PriorBoxes数目为：num_priors=25x43x4=4300，这些都是SSD检测头的原始输出，没有非最大抑制，没有见过转换处理，所以想直接解析它们对开发应用的人来说是一个大麻烦！

输出数据解析与处理问题：
person-detection-action-recognition-0005网络推理之后的输出数据解析跟后处理特别的复杂，怎么解析原始输出头是个技术活，我从示例代码中提取跟整理出来两个C++文件，它们是：

action_detector.h
cnn.h

以及它们的实现文件：

action_detector.cpp
cnn.cpp

这个其中最重要的就是有个ActionDetection类，它有几个方法，分别是：

void enqueue(const cv::Mat &frame) 
void submitRequest()
void wait()
DetectedActions fetchResults()

这几个方法的解释分别如下：
enqueue方法的就是实现了推理请求创建与图像数据的输入设置，它的代码实现如下：

if (!request) {request = net_.CreateInferRequestPtr();
}width_ = static_cast<float>(frame.cols);
height_ = static_cast<float>(frame.rows);Blob::Ptr inputBlob = request->GetBlob(input_name_);
matU8ToBlob<uint8_t>(frame, inputBlob);
enqueued_frames_ = 1;submitRequest方法，就是执行推理，支持同步与异步推理执行模型，它的代码实现如下：
if (request == nullptr) return;
if (isAsync) {request->StartAsync();
}
else {request->Infer();
}

wait方法，当同步推理时候无需调用，异步推理调用

fetchResults方法，该方法是推理过程中最复杂的部分，负责解析输出的七个分支数据，生成Box与action标签预测。简单的说它的执行过程是这样，首先获取输出的七个输出数据，然后转换为基于Mat的数据，然后循环每个特征图的特征点预测Box与置信得分，大于阈值的置信得分对应的预测Box与PriorBox计算真实的BOX坐标，同时阈值化处理Action的置信得分，最终对结果完整非最大抑制之后输出，得到数据结构为：

struct DetectedAction {/** @brief BBox of detection */cv::Rect rect;/** @brief Action label */int label;/** @brief Confidence of detection */float detection_conf;/** @brief Confidence of predicted action */float action_conf;

这样就完成了对输出的数据解析。

这个就是上述四个相关依赖文件，我已经把其他不相关的或者非必要的依赖全部去掉，基于这四个相关文件，就可以实现对表-1中动作识别模型的推理与解析输出显示。

动作识别代码演示
动作识别代码演示基于person-detection-action-recognition-0005网络模型完成，该模型是基于室内场景数据训练生成的，适合于教育智慧教室应用场景。首先需要初始化动作检测类与初始化推理引擎加载，然后配置动作检测类的相关参数，这些参数主要包括以下：
-模型的权重文件路径
-推理引擎的计算设备支持
-对象检测阈值
-动作预测阈值
-支持动作类别数目
-是否支持异步推理
等等。

配置完成之后设置与初始化ActionDetection类，然后就可以直接调用上述提到几个类方法完成整个推理与输出，根据输出结果绘制与显示即可，这部分的代码如下：

cv::Mat frame = cv::imread("D:/action_001.png");
InferenceEngine::Core ie;
std::unique_ptr<AsyncDetection<DetectedAction>> action_detector;
// Load action detector
ActionDetectorConfig action_config(model_xml);
action_config.deviceName = "CPU";
action_config.ie = ie;
action_config.is_async = false;
action_config.detection_confidence_threshold = 0.1f;
action_config.action_confidence_threshold = 0.1f;
action_config.num_action_classes = 3;
action_detector.reset(new ActionDetection(action_config));
action_detector->enqueue(frame);
action_detector->submitRequest();
DetectedActions actions = action_detector->fetchResults();
std::cout << actions.size() << std::endl;
for (int i = 0; i < actions.size(); i++) {std::cout << actions[i].rect << std::endl;std::cout << actions[i].label << std::endl;cv::rectangle(frame, actions[i].rect, cv::Scalar(0, 0, 255), 2, 8, 0);putText(frame, action_text_labels[actions[i].label], actions[i].rect.tl(), cv::FONT_HERSHEY_SIMPLEX, 0.75, cv::Scalar(0, 0, 255), 2, 8);
}
cv::imshow("动作识别演示", frame);
cv::waitKey(0);
return 0;