dhritideepak/safespar

# safespar 基于计算机视觉的 pipeline，通过 YOLOv8n-pose 关键点提取，利用基于规则的生物力学评分（膝关节屈曲、肘关节伸展、肩部/髋部倾斜、躯干前倾）来评估视频影像中武术动作的安全性。包含用于清理噪声检测的过滤 pipeline，此外还有一个实验性的学习模型，能够对规则无法评分的劣化/低置信度图像进行评分 # 通过计算机视觉进行武术安全性评估 ## 概述 一个通过计算机视觉 pipeline 评估视频影像中武术安全性的系统。使用 YOLOv8n-pose 提取姿态关键点，然后通过基于规则的系统计算生物力学安全分数。此外还包含一个实验性的学习模型，旨在探索当基于规则的方法因图像劣化或置信度过低而必须弃权时，该模型能否将安全评分扩展应用到这些场景中。 ## 研究问题 学习模型能否将基于几何原理的安全性评分，扩展到那些解析性（基于规则）方法必须弃权的场景中？ ## Pipeline 1. **姿态估计** — YOLOv8n-pose (Ultralytics) 从视频帧中提取关键点 2. **检测过滤** — 四阶段过滤链移除不可靠的检测结果： - `cut_ghosts` — 面积阈值过滤，剔除微小检测 - `filter_by_confidence` — 使用 YOLO 自带的关键点置信度分数来过滤低置信度检测 - `eliminate_overlap` — 基于 IoU 的重复项移除 —— YOLO 在人与人高度重叠的情况下表现不佳 - `check_anatomy` — 针对合并检测结果的肢体比例检查 3. **生物力学评分** — 基于关键点计算五个参数： - 膝关节屈曲 - 肘关节伸展 - 肩部倾斜 - 髋部倾斜 - 躯干前倾 每个参数通过 `score_parameter()` 进行 0–100 分的打分，并针对每个参数进行置信度门控。总分仅对触发的参数取平均值。 ## 数据集 通过 Roboflow 构建：跆拳道和拳击图像（约 3,000 张拳击图像，已筛选为擂台边的拍摄镜头）。空手道因分辨率不足而被舍弃。训练/验证/测试的划分在 Roboflow 中保持不变，以防止数据增强泄漏。 ## 工具 - Google Colab（GPU runtime） - Ultralytics YOLOv8n-pose - pandas、OpenCV - Roboflow ## 状态 正在进行中 —— 科研展览项目。

标签：YOLOv8, 姿态估计, 武术分析, 生物力学, 视频处理, 计算机视觉, 逆向工具