基于 KNN 和人体关键点的动作分类 - Pose classification

最新推荐文章于 2025-11-23 17:38:32 发布

原创

最新推荐文章于 2025-11-23 17:38:32 发布 · 6.3k 阅读

88 ·

CC 4.0 BY-SA版权

文章标签：

#分类 #机器学习 #算法 #手部动作分类 #动态动作

本文介绍了使用KNN算法对手部动作进行分类的方法，通过MediaPipe收集和处理手部关键点数据，生成训练集。实验中，先生成训练数据，然后根据训练集预测测试视频的动作。代码示例展示了如何实现这一过程，最后展示了实验结果，包括带和不带调试信息的动态动作分类。

动作分类

0. 摘要
1. 介绍
- 1.1 KNN
2. 代码
- 2.1 安装 MediaPipe 环境
- 2.2 训练数据
3. 实验
- 3.1 生成训练数据结果
- 3.2 根据训练集的样本来预测测试视频的动作
4. 总结

0. 摘要

手部动作分类具有多种应用场景，例如手语识别、手势识别等，本文主要利用KNN算法和已经生成好的手部关键点的数据进行动态的动作分类。

1. 介绍

1.1 KNN

最近邻 (k-Nearest Neighbors， KNN) 算法是一种分类算法， 1968年由 Cover和 Hart 提出，应用场景有字符识别、文本分类、图像识别等领域。
该算法的思想是：一个样本与数据集中的k个样本最相似，如果这k个样本中的大多数属于某一个类别，则该样本也属于这个类别。
距离越近，就越相似，属于这一类的可能性就越大，举例说明：

例子中样本间的距离使用二范数，也就是欧氏距离

在这里插入图片描述
实验代码如下，可以自行调整k值：

import math

movie_data = {
   
   "宝贝当家": [45, 2, 9, "喜剧片"],
              "美人鱼": [21, 17, 5, "喜剧片"],
              "澳门风云3": [54, 9, 11, "喜剧片"],
              "功夫熊猫3": [39, 0, 31, "喜剧片"],
              "谍影重重": [5, 2, 57, "动作片"],
              "叶问3": [3, 2, 65, "动作片"],
              "伦敦陷落": [2, 3, 55, "动作片"],
              "我的特工爷爷": [6, 4, 21, "动作片"],
              "奔爱": [7, 46, 4, "爱情片"],
              "夜孔雀": [9, 39, 8, "爱情片"],
              "代理情人": [9, 38, 2, "爱情片"],
              "新步步惊心": [8, 34, 17, "爱情片"]}

# 测试样本  唐人街探案": [23, 3, 17, "？片"]
#下面为求与数据集中所有数据的距离代码：
x = [23, 3, 17]
KNN = []
for key, v in movie_data.items():
    d = math.sqrt((x[0] - v[0]) ** 2 + (x[1] - v[1]) ** 2 + (x[2] - v[2]) ** 2)
    KNN.append([key, round(d, 2), v[3]])

#按照距离小到大进行递增排序
KNN.sort(key=lambda dis: dis[1])

# 输出所用电影到 唐人街探案的距离
print(KNN)

#选取距离最小的k个样本，这里取k=5；
KNN=KNN[:5]
print(KNN)

#确定前k个样本所在类别出现的频率，并输出出现频率最高的类别
labels = {
   
   "喜剧片":0,"动作片":0,"爱情片":0}
for s in KNN:
    label = movie_data[s[0]]
    labels[label[3]] += 1
labels =sorted(labels.items(),key=lambda l: l[1],reverse=True)
print('归类：', labels)
print(</