Menselijke valpartijen detecteren met OpenCV en Raspberry Pi - Deel 2
25 Nov 2024
0 Opmerkingen
Project Overzicht
Valdetectie is een essentiële technologie, vooral in de ouderenzorg en smart home-veiligheid. Met Raspberry Pi en OpenCV bouwt u een efficiënt detectiesysteem dat valpartijen realtime monitort en de gegevens logt. Dit project is een verbeterde versie van het KNN 3D Human Skeleton Recognition-project, ontworpen om praktisch en eenvoudig te implementeren te zijn.
Hallo 👋! Welkom bij OpenELAB’s tutorialproject! Dit artikel biedt een gedetailleerde gids over hoe je een Raspberry Pi 4B en OpenCV kunt gebruiken om een systeem voor het detecteren van menselijke valpartijen te implementeren. De tutorial is verdeeld in drie delen, en vandaag zullen we ons concentreren op Deel 2, waar we de kernfunctionaliteit implementeren. Dit omvat:
-
Trainen van de gegevens
-
De resultaten opslaan in een CSV bestand
-
Een camera gebruiken om uw model te valideren
Laten we erin duiken en samen iets geweldigs bouwen! 🚀
Vervolgens begeleiden we u stap voor stap 📜 door de broncode, waardoor u eenvoudig in dit project kunt duiken!
Ben je klaar? Laten we beginnen 🚀
Te volgen stappen
-
🚀 Open de afstandsbediening
-
De camera instellen
-
Configureer VSCode
-
Voer het project uit in VSCode
-
🔧 Volg de gebruiksinstructies
Opmerking: Dit project is een gewijzigde versie van het KNN 3D Menselijk Skelet Herkenning project. Het biedt een complete handleiding voor het naadloos uitvoeren ervan op een Raspberry Pi.
Handelingswijze
Openen op afstand:
Stappen om de camera te openen:
IDE Python-looplocatie op Raspberry Pi:
Code configureren: voordelen, eenvoudiger foutoplossing:
Openingsproces:
Installatie geslaagd: voer test.py uit
Compileren en uitvoeren
-
Voer eerst de testcode uit test.py om ervoor te zorgen dat de camera correct werkt.
-
Voer het bestand First_train.py uit om de gegevens te trainen en sla de sleutelpunten van het menselijk lichaam op als 1_Fall.csv en 2_Normal.csv bestanden. De gebruiker kan op de Esc-toets drukken om af te sluiten en de resultaten op te slaan.
-
Voer het second_KNN.py bestand uit om het KNN-model voor configuratie te gebruiken.
-
Voer het bestand Third.py uit ter verificatie. Je kunt een video uploaden met volledige menselijke kernpunten of je camera openen om te testen.
Eindresultaat (inclusief GIF-bestanden)
