GitHub - xliu79/TensorFlowAndroidDemo: TensorFlow android demo 车道线车辆人脸动作骨架识别检测

本Demo 是为了在android上跑TensorFlow模型的方便那些想把TensorFlow官网上的demo集成到自己项目里却又找不到头绪的人使用

正所谓前人栽树后人乘凉

https://github.com/tensorflow/tensorflow

https://github.com/ildoonet/tf-pose-estimation

Denis Tome, Chris Russell, Lourdes Agapito提出的Convolutional 3D Pose Estimation from a Single Image论文

在此特别感谢上述作者，喜欢原作的可以去使用原项目。同时欢迎大家下载体验本项目，如果使用过程中遇到什么问题，欢迎反馈。

如果需要自动打标请使用：https://github.com/yuxitong/AutoMarKingTensorFlowPython

另外特别感谢

zyxcambridge(https://github.com/zyxcambridge) 童鞋
manoshape(https://github.com/manoshape) 童鞋
本项目模型由zyxcambridge和manoshape提供

本项目使用的是Camera2的api

过段时间我还会陆续公布一些更好玩的模型

如果想要体验本项目，请直接下载apk：点击下载

目前本Demo模型能识别出抽烟打电话闭眼睁眼

TensorFlowObjectDetectionAPIModel 为检测规则画框

TensorFlowImageClassifier2 为车道检测之后不规则绘制（因时间仓促还没有进行绘图优化）识别道路的测试方法请自行百度寻找图片或者视频都可以

TensorFlowImageClassifier3 是用来识别人体骨架的这个模型是有特定输入和特定输出的需要经过3层转换才能使用接下来准备上线道路障碍物识别... 最新版骨架识别目前支持区分各个身体部位具体情况请看注释

Camera2BasicFragment4 这是一个用检测来识别车道和前车里面增加了点逻辑来判断是否是车道偏离或者前车过近具体做法是如果检测出线则判断斜率k = (y2-y1)/(x2-x1)然后设定一个固定斜率来判断是否是车道偏离如果是检测出前面的车辆中心点在横屏8分之2到8分之6的范围内则判断中心点居上距离大于一定范围则算前车过近或者如果车的高度大于一定级别则算前车过近

另外：有人私下问我本项目在他们的手机上跑起来卡顿严重这是算力的问题，目前tensorFlow在移动设备上貌似不支持GPU，而CPU的浮点运算速度比较慢导致的推荐使用华为P10 或者骁龙845 635之类的U来跑跑看一般P10的话 1能一秒4帧 2能1秒8帧 3能一秒1帧 4能一秒6帧左右当然以上数据仅供产考

目前人体骨架识别有了新突破：具体算法已经有了，但是暂时没工夫写。过段时间在上线。（把所有点连接成一个一个的人体）

具体算法如下：

WH19每一层的解释

 Nose = 0
Neck = 1
RShoulder = 2
RElbow = 3
RWrist = 4
LShoulder = 5
LElbow = 6
LWrist = 7
RHip = 8
RKnee = 9
RAnkle = 10
LHip = 11
LKnee = 12
LAnkle = 13
REye = 14
LEye = 15
REar = 16
LEar = 17
Background = 18

需要连线的身体部位，共19个连线

 CocoPairs = [
(1, 2), (1, 5), (2, 3), (3, 4), (5, 6), (6, 7), (1, 8), (8, 9), (9, 10), (1, 11),
(11, 12), (12, 13), (1, 0), (0, 14), (14, 16), (0, 15), (15, 17), (2, 16), (5, 17)
] # = 19

对应每一个连线到 WH38 里找到两页取两组10个点

 CocoPairsNetwork = [
(12, 13), (20, 21), (14, 15), (16, 17), (22, 23), (24, 25), (0, 1), (2, 3), (4, 5),
(6, 7), (8, 9), (10, 11), (28, 29), (30, 31), (34, 35), (32, 33), (36, 37), (18, 19), (26, 27)
] # = 19

从头开始按照顺序连接到脖子到右臂等等

 求出Dx = x1 - x2
Dy = y1 - y2

计算两点间距离公式

 k = 根号下（Dx平方-Dy平方）

如果两点间距离小于0.0001 则分数为0 个数为0

计算 Vx = Dx / k Vy = Dy / k

连线的过程中每个线均分10个点分出2个数组分别是X数组 Y数组每个数组都是10个数字均分公式如下

 for(i = x1; i <= x2; i += dx/10)
x[n] = i;
Y同理

计算每个连线的分数： CocoPairs 与 CocoPairsNetwork 一一对应每一组对应的CocoPairs连线方式可以在CocoPairsNetwork里取出2层（如：1和2之间连线可以在12层和13层里分别取出10个均等值）并把均等值存到2个新的长度为10的组里 Px[10] 和 Py[10]

建立一个分数数组 = Px[10]乘Vx与Py[10]乘Vy对应相加

 分数>0.2的个数乘 >0.2的分数相加 得到最终分数，并且保留有多少个>0.2的
之前两点间距离小于0.0001分数为0的个数也为0

如果个数小于5或者分数小于等于0则这个连线不要

从分数最高的开始遍历所有要的连线放到最终连线的集合（放的时候任何与这个连线集合的点重复都直接舍弃连线）

重复以上所有算法直到没点可连

然后拿出所有连线的集合找出相同点的连线连接就出现了人体骨架

本Demo 是为了在android上跑TensorFlow模型的方便那些想把TensorFlow官网上的demo集成到自己项目里却又找不到头绪的人使用

正所谓前人栽树后人乘凉

https://github.com/tensorflow/tensorflow

https://github.com/ildoonet/tf-pose-estimation

Denis Tome, Chris Russell, Lourdes Agapito提出的Convolutional 3D Pose Estimation from a Single Image论文

在此特别感谢上述作者，喜欢原作的可以去使用原项目。同时欢迎大家下载体验本项目，如果使用过程中遇到什么问题，欢迎反馈。

如果需要自动打标请使用：https://github.com/yuxitong/AutoMarKingTensorFlowPython

另外特别感谢

zyxcambridge(https://github.com/zyxcambridge) 童鞋
manoshape(https://github.com/manoshape) 童鞋
本项目模型由zyxcambridge和manoshape提供

本项目使用的是Camera2的api

过段时间我还会陆续公布一些更好玩的模型

如果想要体验本项目，请直接下载apk：点击下载

目前本Demo模型能识别出抽烟打电话闭眼睁眼

TensorFlowObjectDetectionAPIModel 为检测规则画框

TensorFlowImageClassifier2 为车道检测之后不规则绘制（因时间仓促还没有进行绘图优化）识别道路的测试方法请自行百度寻找图片或者视频都可以

TensorFlowImageClassifier3 是用来识别人体骨架的这个模型是有特定输入和特定输出的需要经过3层转换才能使用接下来准备上线道路障碍物识别... 最新版骨架识别目前支持区分各个身体部位具体情况请看注释

Camera2BasicFragment4 这是一个用检测来识别车道和前车里面增加了点逻辑来判断是否是车道偏离或者前车过近具体做法是如果检测出线则判断斜率k = (y2-y1)/(x2-x1)然后设定一个固定斜率来判断是否是车道偏离如果是检测出前面的车辆中心点在横屏8分之2到8分之6的范围内则判断中心点居上距离大于一定范围则算前车过近或者如果车的高度大于一定级别则算前车过近

另外：有人私下问我本项目在他们的手机上跑起来卡顿严重这是算力的问题，目前tensorFlow在移动设备上貌似不支持GPU，而CPU的浮点运算速度比较慢导致的推荐使用华为P10 或者骁龙845 635之类的U来跑跑看一般P10的话 1能一秒4帧 2能1秒8帧 3能一秒1帧 4能一秒6帧左右当然以上数据仅供产考

目前人体骨架识别有了新突破：具体算法已经有了，但是暂时没工夫写。过段时间在上线。（把所有点连接成一个一个的人体）

具体算法如下：

WH19每一层的解释

 Nose = 0
Neck = 1
RShoulder = 2
RElbow = 3
RWrist = 4
LShoulder = 5
LElbow = 6
LWrist = 7
RHip = 8
RKnee = 9
RAnkle = 10
LHip = 11
LKnee = 12
LAnkle = 13
REye = 14
LEye = 15
REar = 16
LEar = 17
Background = 18

需要连线的身体部位，共19个连线

 CocoPairs = [
(1, 2), (1, 5), (2, 3), (3, 4), (5, 6), (6, 7), (1, 8), (8, 9), (9, 10), (1, 11),
(11, 12), (12, 13), (1, 0), (0, 14), (14, 16), (0, 15), (15, 17), (2, 16), (5, 17)
] # = 19

对应每一个连线到 WH38 里找到两页取两组10个点

 CocoPairsNetwork = [
(12, 13), (20, 21), (14, 15), (16, 17), (22, 23), (24, 25), (0, 1), (2, 3), (4, 5),
(6, 7), (8, 9), (10, 11), (28, 29), (30, 31), (34, 35), (32, 33), (36, 37), (18, 19), (26, 27)
] # = 19

从头开始按照顺序连接到脖子到右臂等等

 求出Dx = x1 - x2
Dy = y1 - y2

计算两点间距离公式

 k = 根号下（Dx平方-Dy平方）

如果两点间距离小于0.0001 则分数为0 个数为0

计算 Vx = Dx / k Vy = Dy / k

连线的过程中每个线均分10个点分出2个数组分别是X数组 Y数组每个数组都是10个数字均分公式如下

 for(i = x1; i <= x2; i += dx/10)
x[n] = i;
Y同理

计算每个连线的分数： CocoPairs 与 CocoPairsNetwork 一一对应每一组对应的CocoPairs连线方式可以在CocoPairsNetwork里取出2层（如：1和2之间连线可以在12层和13层里分别取出10个均等值）并把均等值存到2个新的长度为10的组里 Px[10] 和 Py[10]

建立一个分数数组 = Px[10]乘Vx与Py[10]乘Vy对应相加

 分数>0.2的个数乘 >0.2的分数相加 得到最终分数，并且保留有多少个>0.2的
之前两点间距离小于0.0001分数为0的个数也为0

如果个数小于5或者分数小于等于0则这个连线不要

从分数最高的开始遍历所有要的连线放到最终连线的集合（放的时候任何与这个连线集合的点重复都直接舍弃连线）

重复以上所有算法直到没点可连

然后拿出所有连线的集合找出相同点的连线连接就出现了人体骨架

本Demo 是为了在android上跑TensorFlow模型的方便那些想把TensorFlow官网上的demo集成到自己项目里却又找不到头绪的人使用

正所谓前人栽树后人乘凉

https://github.com/tensorflow/tensorflow

https://github.com/ildoonet/tf-pose-estimation

Denis Tome, Chris Russell, Lourdes Agapito提出的Convolutional 3D Pose Estimation from a Single Image论文

在此特别感谢上述作者，喜欢原作的可以去使用原项目。同时欢迎大家下载体验本项目，如果使用过程中遇到什么问题，欢迎反馈。

如果需要自动打标请使用：https://github.com/yuxitong/AutoMarKingTensorFlowPython

另外特别感谢

zyxcambridge(https://github.com/zyxcambridge) 童鞋
manoshape(https://github.com/manoshape) 童鞋
本项目模型由zyxcambridge和manoshape提供

本项目使用的是Camera2的api

过段时间我还会陆续公布一些更好玩的模型

如果想要体验本项目，请直接下载apk：点击下载

目前本Demo模型能识别出抽烟打电话闭眼睁眼

TensorFlowObjectDetectionAPIModel 为检测规则画框

TensorFlowImageClassifier2 为车道检测之后不规则绘制（因时间仓促还没有进行绘图优化）识别道路的测试方法请自行百度寻找图片或者视频都可以

TensorFlowImageClassifier3 是用来识别人体骨架的这个模型是有特定输入和特定输出的需要经过3层转换才能使用接下来准备上线道路障碍物识别... 最新版骨架识别目前支持区分各个身体部位具体情况请看注释

Camera2BasicFragment4 这是一个用检测来识别车道和前车里面增加了点逻辑来判断是否是车道偏离或者前车过近具体做法是如果检测出线则判断斜率k = (y2-y1)/(x2-x1)然后设定一个固定斜率来判断是否是车道偏离如果是检测出前面的车辆中心点在横屏8分之2到8分之6的范围内则判断中心点居上距离大于一定范围则算前车过近或者如果车的高度大于一定级别则算前车过近

另外：有人私下问我本项目在他们的手机上跑起来卡顿严重这是算力的问题，目前tensorFlow在移动设备上貌似不支持GPU，而CPU的浮点运算速度比较慢导致的推荐使用华为P10 或者骁龙845 635之类的U来跑跑看一般P10的话 1能一秒4帧 2能1秒8帧 3能一秒1帧 4能一秒6帧左右当然以上数据仅供产考

目前人体骨架识别有了新突破：具体算法已经有了，但是暂时没工夫写。过段时间在上线。（把所有点连接成一个一个的人体）

具体算法如下：

WH19每一层的解释

 Nose = 0
Neck = 1
RShoulder = 2
RElbow = 3
RWrist = 4
LShoulder = 5
LElbow = 6
LWrist = 7
RHip = 8
RKnee = 9
RAnkle = 10
LHip = 11
LKnee = 12
LAnkle = 13
REye = 14
LEye = 15
REar = 16
LEar = 17
Background = 18

需要连线的身体部位，共19个连线

 CocoPairs = [
(1, 2), (1, 5), (2, 3), (3, 4), (5, 6), (6, 7), (1, 8), (8, 9), (9, 10), (1, 11),
(11, 12), (12, 13), (1, 0), (0, 14), (14, 16), (0, 15), (15, 17), (2, 16), (5, 17)
] # = 19

对应每一个连线到 WH38 里找到两页取两组10个点

 CocoPairsNetwork = [
(12, 13), (20, 21), (14, 15), (16, 17), (22, 23), (24, 25), (0, 1), (2, 3), (4, 5),
(6, 7), (8, 9), (10, 11), (28, 29), (30, 31), (34, 35), (32, 33), (36, 37), (18, 19), (26, 27)
] # = 19

从头开始按照顺序连接到脖子到右臂等等

 求出Dx = x1 - x2
Dy = y1 - y2

计算两点间距离公式

 k = 根号下（Dx平方-Dy平方）

如果两点间距离小于0.0001 则分数为0 个数为0

计算 Vx = Dx / k Vy = Dy / k

连线的过程中每个线均分10个点分出2个数组分别是X数组 Y数组每个数组都是10个数字均分公式如下

 for(i = x1; i <= x2; i += dx/10)
x[n] = i;
Y同理

计算每个连线的分数： CocoPairs 与 CocoPairsNetwork 一一对应每一组对应的CocoPairs连线方式可以在CocoPairsNetwork里取出2层（如：1和2之间连线可以在12层和13层里分别取出10个均等值）并把均等值存到2个新的长度为10的组里 Px[10] 和 Py[10]

建立一个分数数组 = Px[10]乘Vx与Py[10]乘Vy对应相加

 分数>0.2的个数乘 >0.2的分数相加 得到最终分数，并且保留有多少个>0.2的
之前两点间距离小于0.0001分数为0的个数也为0

如果个数小于5或者分数小于等于0则这个连线不要

从分数最高的开始遍历所有要的连线放到最终连线的集合（放的时候任何与这个连线集合的点重复都直接舍弃连线）

重复以上所有算法直到没点可连

然后拿出所有连线的集合找出相同点的连线连接就出现了人体骨架

本Demo 是为了在android上跑TensorFlow模型的方便那些想把TensorFlow官网上的demo集成到自己项目里却又找不到头绪的人使用

正所谓前人栽树后人乘凉

https://github.com/tensorflow/tensorflow

https://github.com/ildoonet/tf-pose-estimation

Denis Tome, Chris Russell, Lourdes Agapito提出的Convolutional 3D Pose Estimation from a Single Image论文

在此特别感谢上述作者，喜欢原作的可以去使用原项目。同时欢迎大家下载体验本项目，如果使用过程中遇到什么问题，欢迎反馈。

如果需要自动打标请使用：https://github.com/yuxitong/AutoMarKingTensorFlowPython

另外特别感谢

zyxcambridge(https://github.com/zyxcambridge) 童鞋
manoshape(https://github.com/manoshape) 童鞋
本项目模型由zyxcambridge和manoshape提供

本项目使用的是Camera2的api

过段时间我还会陆续公布一些更好玩的模型

如果想要体验本项目，请直接下载apk：点击下载

目前本Demo模型能识别出抽烟打电话闭眼睁眼

TensorFlowObjectDetectionAPIModel 为检测规则画框

TensorFlowImageClassifier2 为车道检测之后不规则绘制（因时间仓促还没有进行绘图优化）识别道路的测试方法请自行百度寻找图片或者视频都可以

TensorFlowImageClassifier3 是用来识别人体骨架的这个模型是有特定输入和特定输出的需要经过3层转换才能使用接下来准备上线道路障碍物识别... 最新版骨架识别目前支持区分各个身体部位具体情况请看注释

Camera2BasicFragment4 这是一个用检测来识别车道和前车里面增加了点逻辑来判断是否是车道偏离或者前车过近具体做法是如果检测出线则判断斜率k = (y2-y1)/(x2-x1)然后设定一个固定斜率来判断是否是车道偏离如果是检测出前面的车辆中心点在横屏8分之2到8分之6的范围内则判断中心点居上距离大于一定范围则算前车过近或者如果车的高度大于一定级别则算前车过近

另外：有人私下问我本项目在他们的手机上跑起来卡顿严重这是算力的问题，目前tensorFlow在移动设备上貌似不支持GPU，而CPU的浮点运算速度比较慢导致的推荐使用华为P10 或者骁龙845 635之类的U来跑跑看一般P10的话 1能一秒4帧 2能1秒8帧 3能一秒1帧 4能一秒6帧左右当然以上数据仅供产考

目前人体骨架识别有了新突破：具体算法已经有了，但是暂时没工夫写。过段时间在上线。（把所有点连接成一个一个的人体）

具体算法如下：

WH19每一层的解释

 Nose = 0
Neck = 1
RShoulder = 2
RElbow = 3
RWrist = 4
LShoulder = 5
LElbow = 6
LWrist = 7
RHip = 8
RKnee = 9
RAnkle = 10
LHip = 11
LKnee = 12
LAnkle = 13
REye = 14
LEye = 15
REar = 16
LEar = 17
Background = 18

需要连线的身体部位，共19个连线

 CocoPairs = [
(1, 2), (1, 5), (2, 3), (3, 4), (5, 6), (6, 7), (1, 8), (8, 9), (9, 10), (1, 11),
(11, 12), (12, 13), (1, 0), (0, 14), (14, 16), (0, 15), (15, 17), (2, 16), (5, 17)
] # = 19

对应每一个连线到 WH38 里找到两页取两组10个点

 CocoPairsNetwork = [
(12, 13), (20, 21), (14, 15), (16, 17), (22, 23), (24, 25), (0, 1), (2, 3), (4, 5),
(6, 7), (8, 9), (10, 11), (28, 29), (30, 31), (34, 35), (32, 33), (36, 37), (18, 19), (26, 27)
] # = 19

从头开始按照顺序连接到脖子到右臂等等

 求出Dx = x1 - x2
Dy = y1 - y2

计算两点间距离公式

 k = 根号下（Dx平方-Dy平方）

如果两点间距离小于0.0001 则分数为0 个数为0

计算 Vx = Dx / k Vy = Dy / k

连线的过程中每个线均分10个点分出2个数组分别是X数组 Y数组每个数组都是10个数字均分公式如下

 for(i = x1; i <= x2; i += dx/10)
x[n] = i;
Y同理

计算每个连线的分数： CocoPairs 与 CocoPairsNetwork 一一对应每一组对应的CocoPairs连线方式可以在CocoPairsNetwork里取出2层（如：1和2之间连线可以在12层和13层里分别取出10个均等值）并把均等值存到2个新的长度为10的组里 Px[10] 和 Py[10]

建立一个分数数组 = Px[10]乘Vx与Py[10]乘Vy对应相加

 分数>0.2的个数乘 >0.2的分数相加 得到最终分数，并且保留有多少个>0.2的
之前两点间距离小于0.0001分数为0的个数也为0

如果个数小于5或者分数小于等于0则这个连线不要

从分数最高的开始遍历所有要的连线放到最终连线的集合（放的时候任何与这个连线集合的点重复都直接舍弃连线）

重复以上所有算法直到没点可连

然后拿出所有连线的集合找出相同点的连线连接就出现了人体骨架

本Demo 是为了在android上跑TensorFlow模型的方便那些想把TensorFlow官网上的demo集成到自己项目里却又找不到头绪的人使用

正所谓前人栽树后人乘凉

https://github.com/tensorflow/tensorflow

https://github.com/ildoonet/tf-pose-estimation

Denis Tome, Chris Russell, Lourdes Agapito提出的Convolutional 3D Pose Estimation from a Single Image论文

在此特别感谢上述作者，喜欢原作的可以去使用原项目。同时欢迎大家下载体验本项目，如果使用过程中遇到什么问题，欢迎反馈。

如果需要自动打标请使用：https://github.com/yuxitong/AutoMarKingTensorFlowPython

另外特别感谢

zyxcambridge(https://github.com/zyxcambridge) 童鞋
manoshape(https://github.com/manoshape) 童鞋
本项目模型由zyxcambridge和manoshape提供

本项目使用的是Camera2的api

过段时间我还会陆续公布一些更好玩的模型

如果想要体验本项目，请直接下载apk：点击下载

目前本Demo模型能识别出抽烟打电话闭眼睁眼

TensorFlowObjectDetectionAPIModel 为检测规则画框

TensorFlowImageClassifier2 为车道检测之后不规则绘制（因时间仓促还没有进行绘图优化）识别道路的测试方法请自行百度寻找图片或者视频都可以

TensorFlowImageClassifier3 是用来识别人体骨架的这个模型是有特定输入和特定输出的需要经过3层转换才能使用接下来准备上线道路障碍物识别... 最新版骨架识别目前支持区分各个身体部位具体情况请看注释

Camera2BasicFragment4 这是一个用检测来识别车道和前车里面增加了点逻辑来判断是否是车道偏离或者前车过近具体做法是如果检测出线则判断斜率k = (y2-y1)/(x2-x1)然后设定一个固定斜率来判断是否是车道偏离如果是检测出前面的车辆中心点在横屏8分之2到8分之6的范围内则判断中心点居上距离大于一定范围则算前车过近或者如果车的高度大于一定级别则算前车过近

另外：有人私下问我本项目在他们的手机上跑起来卡顿严重这是算力的问题，目前tensorFlow在移动设备上貌似不支持GPU，而CPU的浮点运算速度比较慢导致的推荐使用华为P10 或者骁龙845 635之类的U来跑跑看一般P10的话 1能一秒4帧 2能1秒8帧 3能一秒1帧 4能一秒6帧左右当然以上数据仅供产考

目前人体骨架识别有了新突破：具体算法已经有了，但是暂时没工夫写。过段时间在上线。（把所有点连接成一个一个的人体）

具体算法如下：

WH19每一层的解释

 Nose = 0
Neck = 1
RShoulder = 2
RElbow = 3
RWrist = 4
LShoulder = 5
LElbow = 6
LWrist = 7
RHip = 8
RKnee = 9
RAnkle = 10
LHip = 11
LKnee = 12
LAnkle = 13
REye = 14
LEye = 15
REar = 16
LEar = 17
Background = 18

需要连线的身体部位，共19个连线

 CocoPairs = [
(1, 2), (1, 5), (2, 3), (3, 4), (5, 6), (6, 7), (1, 8), (8, 9), (9, 10), (1, 11),
(11, 12), (12, 13), (1, 0), (0, 14), (14, 16), (0, 15), (15, 17), (2, 16), (5, 17)
] # = 19

对应每一个连线到 WH38 里找到两页取两组10个点

 CocoPairsNetwork = [
(12, 13), (20, 21), (14, 15), (16, 17), (22, 23), (24, 25), (0, 1), (2, 3), (4, 5),
(6, 7), (8, 9), (10, 11), (28, 29), (30, 31), (34, 35), (32, 33), (36, 37), (18, 19), (26, 27)
] # = 19

从头开始按照顺序连接到脖子到右臂等等

 求出Dx = x1 - x2
Dy = y1 - y2

计算两点间距离公式

 k = 根号下（Dx平方-Dy平方）

如果两点间距离小于0.0001 则分数为0 个数为0

计算 Vx = Dx / k Vy = Dy / k

连线的过程中每个线均分10个点分出2个数组分别是X数组 Y数组每个数组都是10个数字均分公式如下

 for(i = x1; i <= x2; i += dx/10)
x[n] = i;
Y同理

计算每个连线的分数： CocoPairs 与 CocoPairsNetwork 一一对应每一组对应的CocoPairs连线方式可以在CocoPairsNetwork里取出2层（如：1和2之间连线可以在12层和13层里分别取出10个均等值）并把均等值存到2个新的长度为10的组里 Px[10] 和 Py[10]

建立一个分数数组 = Px[10]乘Vx与Py[10]乘Vy对应相加

 分数>0.2的个数乘 >0.2的分数相加 得到最终分数，并且保留有多少个>0.2的
之前两点间距离小于0.0001分数为0的个数也为0

如果个数小于5或者分数小于等于0则这个连线不要

从分数最高的开始遍历所有要的连线放到最终连线的集合（放的时候任何与这个连线集合的点重复都直接舍弃连线）

重复以上所有算法直到没点可连

然后拿出所有连线的集合找出相同点的连线连接就出现了人体骨架

本Demo 是为了在android上跑TensorFlow模型的方便那些想把TensorFlow官网上的demo集成到自己项目里却又找不到头绪的人使用

正所谓前人栽树后人乘凉

https://github.com/tensorflow/tensorflow

https://github.com/ildoonet/tf-pose-estimation

Denis Tome, Chris Russell, Lourdes Agapito提出的Convolutional 3D Pose Estimation from a Single Image论文

在此特别感谢上述作者，喜欢原作的可以去使用原项目。同时欢迎大家下载体验本项目，如果使用过程中遇到什么问题，欢迎反馈。

如果需要自动打标请使用：https://github.com/yuxitong/AutoMarKingTensorFlowPython

另外特别感谢

zyxcambridge(https://github.com/zyxcambridge) 童鞋
manoshape(https://github.com/manoshape) 童鞋
本项目模型由zyxcambridge和manoshape提供

本项目使用的是Camera2的api

过段时间我还会陆续公布一些更好玩的模型

如果想要体验本项目，请直接下载apk：点击下载

目前本Demo模型能识别出抽烟打电话闭眼睁眼

TensorFlowObjectDetectionAPIModel 为检测规则画框

TensorFlowImageClassifier2 为车道检测之后不规则绘制（因时间仓促还没有进行绘图优化）识别道路的测试方法请自行百度寻找图片或者视频都可以

TensorFlowImageClassifier3 是用来识别人体骨架的这个模型是有特定输入和特定输出的需要经过3层转换才能使用接下来准备上线道路障碍物识别... 最新版骨架识别目前支持区分各个身体部位具体情况请看注释

Camera2BasicFragment4 这是一个用检测来识别车道和前车里面增加了点逻辑来判断是否是车道偏离或者前车过近具体做法是如果检测出线则判断斜率k = (y2-y1)/(x2-x1)然后设定一个固定斜率来判断是否是车道偏离如果是检测出前面的车辆中心点在横屏8分之2到8分之6的范围内则判断中心点居上距离大于一定范围则算前车过近或者如果车的高度大于一定级别则算前车过近

另外：有人私下问我本项目在他们的手机上跑起来卡顿严重这是算力的问题，目前tensorFlow在移动设备上貌似不支持GPU，而CPU的浮点运算速度比较慢导致的推荐使用华为P10 或者骁龙845 635之类的U来跑跑看一般P10的话 1能一秒4帧 2能1秒8帧 3能一秒1帧 4能一秒6帧左右当然以上数据仅供产考

目前人体骨架识别有了新突破：具体算法已经有了，但是暂时没工夫写。过段时间在上线。（把所有点连接成一个一个的人体）

具体算法如下：

WH19每一层的解释

 Nose = 0
Neck = 1
RShoulder = 2
RElbow = 3
RWrist = 4
LShoulder = 5
LElbow = 6
LWrist = 7
RHip = 8
RKnee = 9
RAnkle = 10
LHip = 11
LKnee = 12
LAnkle = 13
REye = 14
LEye = 15
REar = 16
LEar = 17
Background = 18

需要连线的身体部位，共19个连线

 CocoPairs = [
(1, 2), (1, 5), (2, 3), (3, 4), (5, 6), (6, 7), (1, 8), (8, 9), (9, 10), (1, 11),
(11, 12), (12, 13), (1, 0), (0, 14), (14, 16), (0, 15), (15, 17), (2, 16), (5, 17)
] # = 19

对应每一个连线到 WH38 里找到两页取两组10个点

 CocoPairsNetwork = [
(12, 13), (20, 21), (14, 15), (16, 17), (22, 23), (24, 25), (0, 1), (2, 3), (4, 5),
(6, 7), (8, 9), (10, 11), (28, 29), (30, 31), (34, 35), (32, 33), (36, 37), (18, 19), (26, 27)
] # = 19

从头开始按照顺序连接到脖子到右臂等等

 求出Dx = x1 - x2
Dy = y1 - y2

计算两点间距离公式

 k = 根号下（Dx平方-Dy平方）

如果两点间距离小于0.0001 则分数为0 个数为0

计算 Vx = Dx / k Vy = Dy / k

连线的过程中每个线均分10个点分出2个数组分别是X数组 Y数组每个数组都是10个数字均分公式如下

 for(i = x1; i <= x2; i += dx/10)
x[n] = i;
Y同理

计算每个连线的分数： CocoPairs 与 CocoPairsNetwork 一一对应每一组对应的CocoPairs连线方式可以在CocoPairsNetwork里取出2层（如：1和2之间连线可以在12层和13层里分别取出10个均等值）并把均等值存到2个新的长度为10的组里 Px[10] 和 Py[10]

建立一个分数数组 = Px[10]乘Vx与Py[10]乘Vy对应相加

 分数>0.2的个数乘 >0.2的分数相加 得到最终分数，并且保留有多少个>0.2的
之前两点间距离小于0.0001分数为0的个数也为0

如果个数小于5或者分数小于等于0则这个连线不要

从分数最高的开始遍历所有要的连线放到最终连线的集合（放的时候任何与这个连线集合的点重复都直接舍弃连线）

重复以上所有算法直到没点可连

然后拿出所有连线的集合找出相同点的连线连接就出现了人体骨架

本Demo 是为了在android上跑TensorFlow模型的方便那些想把TensorFlow官网上的demo集成到自己项目里却又找不到头绪的人使用

正所谓前人栽树后人乘凉

https://github.com/tensorflow/tensorflow

https://github.com/ildoonet/tf-pose-estimation

Denis Tome, Chris Russell, Lourdes Agapito提出的Convolutional 3D Pose Estimation from a Single Image论文

在此特别感谢上述作者，喜欢原作的可以去使用原项目。同时欢迎大家下载体验本项目，如果使用过程中遇到什么问题，欢迎反馈。

如果需要自动打标请使用：https://github.com/yuxitong/AutoMarKingTensorFlowPython

另外特别感谢

zyxcambridge(https://github.com/zyxcambridge) 童鞋
manoshape(https://github.com/manoshape) 童鞋
本项目模型由zyxcambridge和manoshape提供

本项目使用的是Camera2的api

过段时间我还会陆续公布一些更好玩的模型

如果想要体验本项目，请直接下载apk：点击下载

目前本Demo模型能识别出抽烟打电话闭眼睁眼

TensorFlowObjectDetectionAPIModel 为检测规则画框

TensorFlowImageClassifier2 为车道检测之后不规则绘制（因时间仓促还没有进行绘图优化）识别道路的测试方法请自行百度寻找图片或者视频都可以

TensorFlowImageClassifier3 是用来识别人体骨架的这个模型是有特定输入和特定输出的需要经过3层转换才能使用接下来准备上线道路障碍物识别... 最新版骨架识别目前支持区分各个身体部位具体情况请看注释

Camera2BasicFragment4 这是一个用检测来识别车道和前车里面增加了点逻辑来判断是否是车道偏离或者前车过近具体做法是如果检测出线则判断斜率k = (y2-y1)/(x2-x1)然后设定一个固定斜率来判断是否是车道偏离如果是检测出前面的车辆中心点在横屏8分之2到8分之6的范围内则判断中心点居上距离大于一定范围则算前车过近或者如果车的高度大于一定级别则算前车过近

另外：有人私下问我本项目在他们的手机上跑起来卡顿严重这是算力的问题，目前tensorFlow在移动设备上貌似不支持GPU，而CPU的浮点运算速度比较慢导致的推荐使用华为P10 或者骁龙845 635之类的U来跑跑看一般P10的话 1能一秒4帧 2能1秒8帧 3能一秒1帧 4能一秒6帧左右当然以上数据仅供产考

目前人体骨架识别有了新突破：具体算法已经有了，但是暂时没工夫写。过段时间在上线。（把所有点连接成一个一个的人体）

具体算法如下：

WH19每一层的解释

 Nose = 0
Neck = 1
RShoulder = 2
RElbow = 3
RWrist = 4
LShoulder = 5
LElbow = 6
LWrist = 7
RHip = 8
RKnee = 9
RAnkle = 10
LHip = 11
LKnee = 12
LAnkle = 13
REye = 14
LEye = 15
REar = 16
LEar = 17
Background = 18

需要连线的身体部位，共19个连线

 CocoPairs = [
(1, 2), (1, 5), (2, 3), (3, 4), (5, 6), (6, 7), (1, 8), (8, 9), (9, 10), (1, 11),
(11, 12), (12, 13), (1, 0), (0, 14), (14, 16), (0, 15), (15, 17), (2, 16), (5, 17)
] # = 19

对应每一个连线到 WH38 里找到两页取两组10个点

 CocoPairsNetwork = [
(12, 13), (20, 21), (14, 15), (16, 17), (22, 23), (24, 25), (0, 1), (2, 3), (4, 5),
(6, 7), (8, 9), (10, 11), (28, 29), (30, 31), (34, 35), (32, 33), (36, 37), (18, 19), (26, 27)
] # = 19

从头开始按照顺序连接到脖子到右臂等等

 求出Dx = x1 - x2
Dy = y1 - y2

计算两点间距离公式

 k = 根号下（Dx平方-Dy平方）

如果两点间距离小于0.0001 则分数为0 个数为0

计算 Vx = Dx / k Vy = Dy / k

连线的过程中每个线均分10个点分出2个数组分别是X数组 Y数组每个数组都是10个数字均分公式如下

 for(i = x1; i <= x2; i += dx/10)
x[n] = i;
Y同理

计算每个连线的分数： CocoPairs 与 CocoPairsNetwork 一一对应每一组对应的CocoPairs连线方式可以在CocoPairsNetwork里取出2层（如：1和2之间连线可以在12层和13层里分别取出10个均等值）并把均等值存到2个新的长度为10的组里 Px[10] 和 Py[10]

建立一个分数数组 = Px[10]乘Vx与Py[10]乘Vy对应相加

 分数>0.2的个数乘 >0.2的分数相加 得到最终分数，并且保留有多少个>0.2的
之前两点间距离小于0.0001分数为0的个数也为0

如果个数小于5或者分数小于等于0则这个连线不要

从分数最高的开始遍历所有要的连线放到最终连线的集合（放的时候任何与这个连线集合的点重复都直接舍弃连线）

重复以上所有算法直到没点可连

然后拿出所有连线的集合找出相同点的连线连接就出现了人体骨架

本Demo 是为了在android上跑TensorFlow模型的方便那些想把TensorFlow官网上的demo集成到自己项目里却又找不到头绪的人使用

正所谓前人栽树后人乘凉

https://github.com/tensorflow/tensorflow

https://github.com/ildoonet/tf-pose-estimation

Denis Tome, Chris Russell, Lourdes Agapito提出的Convolutional 3D Pose Estimation from a Single Image论文

在此特别感谢上述作者，喜欢原作的可以去使用原项目。同时欢迎大家下载体验本项目，如果使用过程中遇到什么问题，欢迎反馈。

如果需要自动打标请使用：https://github.com/yuxitong/AutoMarKingTensorFlowPython

另外特别感谢

zyxcambridge(https://github.com/zyxcambridge) 童鞋
manoshape(https://github.com/manoshape) 童鞋
本项目模型由zyxcambridge和manoshape提供

本项目使用的是Camera2的api

过段时间我还会陆续公布一些更好玩的模型

如果想要体验本项目，请直接下载apk：点击下载

目前本Demo模型能识别出抽烟打电话闭眼睁眼

TensorFlowObjectDetectionAPIModel 为检测规则画框

TensorFlowImageClassifier2 为车道检测之后不规则绘制（因时间仓促还没有进行绘图优化）识别道路的测试方法请自行百度寻找图片或者视频都可以

TensorFlowImageClassifier3 是用来识别人体骨架的这个模型是有特定输入和特定输出的需要经过3层转换才能使用接下来准备上线道路障碍物识别... 最新版骨架识别目前支持区分各个身体部位具体情况请看注释

Camera2BasicFragment4 这是一个用检测来识别车道和前车里面增加了点逻辑来判断是否是车道偏离或者前车过近具体做法是如果检测出线则判断斜率k = (y2-y1)/(x2-x1)然后设定一个固定斜率来判断是否是车道偏离如果是检测出前面的车辆中心点在横屏8分之2到8分之6的范围内则判断中心点居上距离大于一定范围则算前车过近或者如果车的高度大于一定级别则算前车过近

另外：有人私下问我本项目在他们的手机上跑起来卡顿严重这是算力的问题，目前tensorFlow在移动设备上貌似不支持GPU，而CPU的浮点运算速度比较慢导致的推荐使用华为P10 或者骁龙845 635之类的U来跑跑看一般P10的话 1能一秒4帧 2能1秒8帧 3能一秒1帧 4能一秒6帧左右当然以上数据仅供产考

目前人体骨架识别有了新突破：具体算法已经有了，但是暂时没工夫写。过段时间在上线。（把所有点连接成一个一个的人体）

具体算法如下：

WH19每一层的解释

 Nose = 0
Neck = 1
RShoulder = 2
RElbow = 3
RWrist = 4
LShoulder = 5
LElbow = 6
LWrist = 7
RHip = 8
RKnee = 9
RAnkle = 10
LHip = 11
LKnee = 12
LAnkle = 13
REye = 14
LEye = 15
REar = 16
LEar = 17
Background = 18

需要连线的身体部位，共19个连线

 CocoPairs = [
(1, 2), (1, 5), (2, 3), (3, 4), (5, 6), (6, 7), (1, 8), (8, 9), (9, 10), (1, 11),
(11, 12), (12, 13), (1, 0), (0, 14), (14, 16), (0, 15), (15, 17), (2, 16), (5, 17)
] # = 19

对应每一个连线到 WH38 里找到两页取两组10个点

 CocoPairsNetwork = [
(12, 13), (20, 21), (14, 15), (16, 17), (22, 23), (24, 25), (0, 1), (2, 3), (4, 5),
(6, 7), (8, 9), (10, 11), (28, 29), (30, 31), (34, 35), (32, 33), (36, 37), (18, 19), (26, 27)
] # = 19

从头开始按照顺序连接到脖子到右臂等等

 求出Dx = x1 - x2
Dy = y1 - y2

计算两点间距离公式

 k = 根号下（Dx平方-Dy平方）

如果两点间距离小于0.0001 则分数为0 个数为0

计算 Vx = Dx / k Vy = Dy / k

连线的过程中每个线均分10个点分出2个数组分别是X数组 Y数组每个数组都是10个数字均分公式如下

 for(i = x1; i <= x2; i += dx/10)
x[n] = i;
Y同理

计算每个连线的分数： CocoPairs 与 CocoPairsNetwork 一一对应每一组对应的CocoPairs连线方式可以在CocoPairsNetwork里取出2层（如：1和2之间连线可以在12层和13层里分别取出10个均等值）并把均等值存到2个新的长度为10的组里 Px[10] 和 Py[10]

建立一个分数数组 = Px[10]乘Vx与Py[10]乘Vy对应相加

 分数>0.2的个数乘 >0.2的分数相加 得到最终分数，并且保留有多少个>0.2的
之前两点间距离小于0.0001分数为0的个数也为0

如果个数小于5或者分数小于等于0则这个连线不要

从分数最高的开始遍历所有要的连线放到最终连线的集合（放的时候任何与这个连线集合的点重复都直接舍弃连线）

重复以上所有算法直到没点可连

然后拿出所有连线的集合找出相同点的连线连接就出现了人体骨架

Name		Name	Last commit message	Last commit date
.idea		.idea
apk		apk
app		app
gradle/wrapper		gradle/wrapper
image		image
.gitignore		.gitignore
README.md		README.md
build.gradle		build.gradle
gradle.properties		gradle.properties
gradlew		gradlew
gradlew.bat		gradlew.bat
settings.gradle		settings.gradle

Name		Name	Last commit message	Last commit date
.idea		.idea
apk		apk
app		app
gradle/wrapper		gradle/wrapper
image		image
.gitignore		.gitignore
README.md		README.md
build.gradle		build.gradle
gradle.properties		gradle.properties
gradlew		gradlew
gradlew.bat		gradlew.bat
settings.gradle		settings.gradle

Name		Name	Last commit message	Last commit date
.idea		.idea
apk		apk
app		app
gradle/wrapper		gradle/wrapper
image		image
.gitignore		.gitignore
README.md		README.md
build.gradle		build.gradle
gradle.properties		gradle.properties
gradlew		gradlew
gradlew.bat		gradlew.bat
settings.gradle		settings.gradle

Name		Name	Last commit message	Last commit date
.idea		.idea
apk		apk
app		app
gradle/wrapper		gradle/wrapper
image		image
.gitignore		.gitignore
README.md		README.md
build.gradle		build.gradle
gradle.properties		gradle.properties
gradlew		gradlew
gradlew.bat		gradlew.bat
settings.gradle		settings.gradle

Name		Name	Last commit message	Last commit date
.idea		.idea
apk		apk
app		app
gradle/wrapper		gradle/wrapper
image		image
.gitignore		.gitignore
README.md		README.md
build.gradle		build.gradle
gradle.properties		gradle.properties
gradlew		gradlew
gradlew.bat		gradlew.bat
settings.gradle		settings.gradle

Latest commit

History

Folders and files

Repository files navigation

About

Resources

Stars

Watchers

Forks

Releases

Packages

Contributors

Languages

Latest commit

History

Folders and files

Repository files navigation

About

Resources

Stars

Watchers

Forks

Releases

Packages

Contributors

Languages

Latest commit

History

Folders and files

Repository files navigation

About

Resources

Stars

Watchers

Forks

Releases

Packages

Contributors

Languages

Latest commit

History

Folders and files

Repository files navigation

About

Resources

Stars

Watchers

Forks

Releases

Packages

Contributors

Languages

Latest commit

History

Folders and files

Repository files navigation

About

Resources

Stars

Watchers

Forks

Releases

Packages

Contributors

Languages

Latest commit

History

Folders and files

Repository files navigation

About

Resources

Stars

Watchers

Forks

Releases

Packages

Contributors

Languages

Latest commit

History