# Распознавание жестов на основе скелета
Проект позволяет распознавать статические и динамические жесты человека по данным скелета, полученным с помощью MediaPipe (или OAK‑камеры). Реализованы:
- детекция скелета (33 ключевые точки);
- геометрическое и ML‑распознавание специальных жестов (например, «домик», «крест»);
- сбор и разметка собственных наборов данных;
- обучение моделей (MLP, Random Forest, Logistic Regression – для статики; LSTM – для динамики);
- оценка качества моделей.
**Проект не включает симулятор робота или управление движением** – это отдельный репозиторий. Здесь представлена только библиотека распознавания жестов.
## Структура проекта
```
gesture_rec/
├── camera # Методы для захвата видеоряда с разных источников
│ ├── base_camera.py # Базовый класс
│ ├── factory.py # Конвейер создания камеры
│ ├── oak_camera.py # Реализация для oak
│ └── web_camera.py # Реализация для web
├── skeleton/ # Детекция скелета
│ ├── oak_pose_detector.py # Детектор на oak (efficienthrnet)
│ └── mediapipe_detector.py # MediaPipe
├── gesture_control/ # Распознавание статичных жестов
│ └── special_gestures.py # Специальные жесты (геометрия или ML)
├── ml_gestures/ # ML для статичных жестов
│ ├── feature_extractor.py # Нормализация landmarks
│ ├── predict.py # класс-обёртка для предсказания
│ └── train.py # обучение классификаторов
├── ml_gestures_dynamic/ # ML для динамических жестов
│ ├── feature_extractor.py
│ ├── sequence_utils.py # Загрузка данных
│ ├── predict.py # Класс для предсказания (с буфером)
│ ├── evaluate.py # Оценка LSTM
│ └── train.py # Обучение LSTM
├── utils/ # Вспомогательные скрипты
│ ├── annotate.py # Разметка изображений
│ ├── capture_photo.py # Съёмка фото с камеры
│ └── record_dynamic.py # Разметка видеопоследовательности
└── submodules # Внешние зависимости (git submodule)
└── OAK-HumanPoseEstimation # Репозиторий для работы с OAK
```
## Установка и настройка
### 1. Клонирование репозитория
```
git clone --recursive https://git.robofob.ru/sirius/gesture_rec.git
cd gesture_rec
```
Если вдруг уже склонировали без `--recursive`, выполните подгрузку модулей:
```
cd gesture_rec
git submodule update --init --recursive
```
### 2. Создание виртуального окружения
Рекомендуется использовать виртуальное окружение:
```
python3.11 -m venv venv
source venv/bin/activate
```
### 3. Установка зависимостей
pip install --upgrade pip
pip install numpy==1.24.3
pip install pandas==2.0.3
pip install opencv-python==4.12.0.88
pip install opencv-python-headless==4.12.0.88
pip install matplotlib==3.7.5
pip install protobuf==3.20.3
pip install torch torchvision --index-url https://download.pytorch.org/whl/cpu
pip install --no-deps mediapipe==0.10.11
pip install attrs
pip install scikit-learn==1.3.2
pip install joblib==1.4.2
pip install depthai==2.28.0
pip install --no-deps tensorflow==2.13.1
pip install \
absl-py \
astunparse \
flatbuffers \
gast \
google-pasta \
grpcio \
h5py \
keras==2.13.1 \
libclang \
opt-einsum \
tensorboard==2.13.0 \
tensorflow-estimator==2.13.0 \
termcolor \
wrapt \
requests
pip install numpy==1.24.3
pip install scipy==1.11.0
### 4. Проверка работы камеры
Для веб-камеры достаточно, чтобы она была доступна по индексу (встроенная 0). Для OAK-D потребуется подключить устройство и установить права доступа (сделать это надо один раз):
1. Подключите камеру по usb, если сразу запустите скрипт, то вылетит с ошибкой `No available devices`.
2. Выполните команду:
```
echo 'SUBSYSTEM=="usb", ATTRS{idVendor}=="03e7", MODE="0666"' | sudo tee /etc/udev/rules.d/80-movidius.rules
```
3. Затем:
```
sudo udevadm control --reload-rules && sudo udevadm trigger
```
4. После этого отключите камеру от USB и подключите снова. Теперь камера должна быть доступна.
Также OAK-D можно использовать, чтобы прям на камере выполнять вычисление скелета, для этого убедитесь, что модуль `OAK-HumanPoseEstimation` загружен - его код используется в `skeleton/oak_pose_detector.py`.
Затем перейдите в эту подпапку и скачайте модели детектирования скелета:
```
cd submodules/OAK-HumanPoseEstimation/models/
wget "https://drive.google.com/uc?export=download&id=1AUszSCMSc5dCATnZn1jK8PzMMyLQ__5M" -O models.zip
unzip models.zip
```
Если команда не работает, просто перейдите по ссылке в браузере и скачайте вручную.
## Работа с проектом
Все скрипты (обучение, сбор данных, оценка) рассчитаны на запуск из корневой директории проекта.
### 0. Распознавание скелета
#### 0.1. MediaPipe
Основной класс – `skeleton.mediapipe_detector.MediaPipeDetector`. Этот детектор должен принимать на вход изображение:
```
from skeleton.mediapipe_detector import MediaPipeDetector
detector = MediaPipeDetector(model_complexity=1, min_detection_confidence=0.5)
result = detector.detect(frame_bgr)
if result['success']:
landmarks = result['landmarks'] # (33,4) – x, y, z, visibility
# для отрисовки:
vis = detector.draw_landmarks(frame, result['pose_landmarks'])
```
Параметры:
- `model_complexity` – 0 (лёгкая), 1 (средняя) или 2 (тяжёлая). Влияет на точность и FPS.
- `min_detection_confidence` – порог уверенности для детекции (0.5–0.9).
**Важно**: этой модели нужно получать само изображение, поэтому тип камеры для неё не важен, работает со всеми.
#### 0.2. На борту OAK
Для экономии ресурсов, можно детектировать скелет сразу с камеры. Такой метод работает **только с OAK камерой, и недоступен для web**. Класс - `skeleton.oak_pose_detector.OakPoseDetector`. Хоть функционал похож с детектором MediaPipe - основное отличие в том, что нельзя подать на вход изображение.
```
from skeleton.oak_pose_detector import OakPoseDetector
detector = OakPoseDetector(
model_type='efficienthrnet1',
detection_threshold=0.2,
shaves=6
)
frame, landmarks = detector.get_frame_and_pose()
# для отрисовки:
vis = detector.draw_landmarks(frame, landmarks)
```
Подробнее о параметрах модели в [репозитории](https://github.com/kschlegel/OAK-HumanPoseEstimation.git).
### 1. Геометрическое распознавание жестов
Класс `SpecialGestureDetector` в режиме `mode='geometric'` анализирует координаты скелета и применяет набор правил.
На текущий момент геометрически распознаются два жеста:
- "домик"
- "крест"
Все пороги (уверенность `min_conf`, коэффициенты) заданы внутри `_geometric_predict` и могут быть подстроены под ваши условия. Чтобы распознавать собственный жест, отредактируйте метод `_geometric_predict` в файле `gesture_control/special_gestures.py`.
#### 1.1. Порядок действий:
1. Определите, какие ключевые точки MediaPipe участвуют в жесте (список индексов см. в коде или в документации MediaPipe).
2. Напишите условие, используя координаты `(x, y)` нужных точек. Например, жест «рука в сторону»: `left_wrist[0] > left_shoulder[0] + width` и `right_wrist[0] < right_shoulder[0] - width`.
3. Вставьте проверку до финального return 'none', чтобы при совпадении условий возвращать строку с именем вашего жеста.
Пример добавления жеста "руки в стороны":
```
arms_out = (l_wr[0] > l_sh[0] + shoulder_width*0.5 and
r_wr[0] < r_sh[0] - shoulder_width*0.5)
if arms_out:
return 'arms_out'
```
**Важно:** геометрический режим не требует обучения, но чувствителен к позе и ракурсу. Для более сложных жестов рекомендуем использовать ML.
#### 1.2. Использование в коде:
```
from gesture_control.special_gestures import SpecialGestureDetector
detector = SpecialGestureDetector(mode='geometric')
gesture = detector.predict(landmarks) # вернет none или название жеста
```
### 2. ML-распознаванием статичных жестов
Распознавание отдельных кадров с помощью обученного классификатора.
#### 2.1. Сбор датасета
Создай папку для изображений. Можешь поместить туда фотографии жестов из интернета. Либо же можешь самостоятельно снять изображения с камеры:
Скрипт `utils/capture_photo.py` сохраняет изображения с камеры.
```
python3 utils/capture_photo.py --dir data/raw --camera_type web
```
Параметры запуска:
- `--dir` - папка для сохранения (по умолчанию `captured` в корне проекта).
- `--camera` - ID веб-камеры (по умолчанию 0).
- `--camera_type` - `web` или `oak` (по умолчанию `web`).
- `--no-mirror` - отключить зеркалирование (по умолчанию включено).
Управление: `s` – начать обратный отсчёт (3 сек) и сохранить фото, `q` – выход.
Нажмите `s`, подождите 3 секунды, фото сохранится в папку `data/raw`. Нажмите `q` чтобы закончить.
#### 2.2. Разметка
Скрипт `utils/annotate.py` показывает каждое фото с распознанным скелетом и позволяет назначить класс:
```
python3 utils/annotate.py --folder data/raw --classes dome,cross,none --output data.csv
```
Параметры запуска:
- `--folder` – папка с изображениями.
- `--classes` – список классов через запятую (порядок соответствует цифрам 1,2,3…).
- `--output` – выходной CSV (по умолчанию gesture_data.csv).
- `--max_display_size` – размер окна для предпросмотра (ширина,высота, по умолчанию 800,600).
Управление: для каждого фото нажмите цифру, соответствующую жесту (1–dome, 2–cross, 3–none), или `n` для пропуска или `q` – выйти. При выходе данные сохранятся в `gesture_data.csv`. CSV с колонками `class`, `f0…f98` (99 нормализованных координат).
#### 2.3. Обучение модели
```
python3 ml_gestures/train.py --csv data.csv --model ml_gestures/models/special_model.pkl --type mlp --balance --target_classes dome,cross
```
Параметры запуска:
- `--csv` – путь к размеченному CSV (обязательно).
- `--model` – путь для сохранения модели (обязательно, расширение .pkl).
- `--type` – тип модели: linear (Logistic Regression), mlp (MLPClassifier) или rf (RandomForestClassifier). По умолчанию mlp.
- `--test_size` – доля тестовой выборки (по умолчанию 0.2).
- `--random_state` – seed для воспроизводимости (по умолчанию 42).
- `--balance` – если указан, балансирует целевые классы (указанные в --target_classes) до минимального размера среди них. Класс none не трогается.
- `--target_classes` – список классов для балансировки через запятую (по умолчанию все классы, кроме none).
После обучения сохраняются модель и отчёт `special_model_report.json` с метриками (accuracy, precision/recall/f1 по классам, матрица ошибок).
#### 2.4. Оценка модели
После обучения модель сохраняется, и создаётся отчёт `special_model_report.json` с метриками (`accuracy`, `precision`, `recall`, `f1`, `confusion matrix`). Для повторной оценки используйте:
```
python3 ml_gestures/evaluate.py --csv data.csv --model ml_gestures/models/special_model.pkl --test_size 0.2
```
- `--csv` – путь к размеченному CSV (обязательно).
- `--model` – путь к сохраненной модели (обязательно, расширение .pkl).
- `--test_size` – доля тестовой выборки (по умолчанию 0.2).
- `--random_state` – seed для воспроизводимости (по умолчанию 42).
Печатает результаты тестирования в консоль.
#### 2.5. Использование обученной модели
```
from ml_gestures.predict import MLGesturePredictor
predictor = MLGesturePredictor('model.pkl', class_names=['dome','cross','none'])
gesture = predictor.predict(landmarks) # возвращает строку с классом
```
### 3. ML-распознавание динамических жестов
Распознавание жестов по последовательности кадров с помощью LSTM.
#### 3.1. Сбор датасета
Скрипт `utils/record_dynamic.py` записывает серию кадров (скелет) в течение заданной длительности.
```
python3 utils/record_dynamic --label wave_right --output dynamic_data.csv --duration 2.0
```
Параметры запуска:
- `--label` – название жеста (обязательно).
- `--output` – CSV-файл для сохранения (по умолчанию `dynamic_data.csv`).
- `--duration` – длительность записи в секундах (по умолчанию 3.0).
- `--camera_type` – web или oak (по умолчанию web).
- `--no-mirror` – отключить зеркалирование
Управление: нажмите `space`, через 3 секунды начнется запись, последовательность точек с меткой сохранится в файл `dynamic_data.csv`. В CSV сохраняются колонки: `label`, `sequence_id`, `frame_idx`, `f0…f98`. Нажмите `q` чтобы закончить.
**Важно**: при записи в консоль выводится число кадров последовательности – используйте его как ориентир для `--max_len` в обучении (можно округлить вверх).
#### 3.2. Обучение LSTM
```
python3 ml_gestures_dynamic/train --data dynamic_data.csv --model dynamic_model.h5 --max_len 14 --epochs 50 --test_size 0.2
```
Параметры запуска:
- `--data` – путь к CSV-файлу или папке с несколькими CSV (все будут объединены).
- `--model` – путь для сохранения модели (.h5).
- `--max_len` – длина последовательности (количество кадров). Должен совпадать с длиной, использованной при записи. Если последовательности короче, они дополняются нулями; если длиннее – обрезаются.
- `--lstm_units` – число нейронов в LSTM (по умолчанию 64).
- `--epochs` – количество эпох (по умолчанию 50).
- `--batch_size` – размер батча (по умолчанию 16).
- `--test_size` – доля тестовой выборки (по умолчанию 0.2).
После обучения сохраняются: модель (`.h5`), файл с классами (`_classes.pkl`) и отчёт (`_report.json`) с метриками.
#### 3.3. Оценка модели
После обучения модель сохраняется, и создаётся отчёт `dynamic_model_report.json` с метриками (`accuracy`, `precision`, `recall`, `f1`, `confusion matrix`). Для повторной оценки используйте:
```
python3 ml_gestures_dynamic/evaluate --data dynamic_data.csv --model dynamic_model.h5 --max_len 14 --test_size 0.2
```
Параметры запуска:
- `--data` – путь к CSV-файлу или папке с несколькими CSV (все будут объединены).
- `--model` – путь для сохранения модели (.h5).
- `--max_len` – длина последовательности (количество кадров). Должен совпадать с длиной, использованной при записи. Если последовательности короче, они дополняются нулями; если длиннее – обрезаются.
- `--test_size` – доля тестовой выборки (по умолчанию 0.2).
#### 3.4. Использование в коде
Класс `DynamicGesturePredictor` накапливает кадры в буфере и выдаёт предсказание, когда накоплено достаточно данных.
```
from ml_gestures_dynamic.predict import DynamicGesturePredictor
predictor = DynamicGesturePredictor(
model_path='dynamic_model.h5',
classes_path='dynamic_model_classes.pkl',
window_size=14, # должно совпадать с max_len при обучении
threshold=0.5 # минимальная уверенность для выдачи класса
)
# В цикле обработки кадров:
predictor.add_frame(landmarks) # landmarks (33,4) или None
gesture = predictor.predict() # возвращает класс или None, если недостаточно данных/уверенность ниже порога
```
## Возможные проблемы
1. Камера не работает - проверьте права доступа, индекс камеры (--camera). Для OAK убедитесь, что устройство подключено и depthai установлен.
2. Скелет не определяется – стойте на расстоянии 1–2 м, плечи в кадре. Снизьте min_detection_confidence или увеличьте model_complexity в MediaPipeDetector.
3. Ложные срабатывания жестов – в геометрическом режиме увеличьте `min_conf` в `special_gestures.py` или переключитесь на ML-режим с большим количеством примеров.
4. Не хватает памяти для LSTM – уменьшите --max_len или --batch_size, используйте меньше --lstm_units.
5. Ошибка импорта при запуске скриптов – все исполняемые скрипты автоматически добавляют корень проекта в sys.path, поэтому запускайте из корня проекта.
## Датасеты (на точках MediaPipe)
| Название | Описание | Ссылка | Количество примеров | Классы |
|----------|----------|--------|---------------------|--------|
| **special_gestures_v1** | Набор фотографий для распознавания специальных жестов (домик, крест, none). Собран с помощью `capture_photo.py` и стоковых изображений, размечен через `annotate.py`. | [Скачать](https://disk.yandex.ru/d/F25kMjrmZ8xwRA) | 77 (после балансировки, 13 на класс dome/cross, 51 none) | `dome`, `cross`, `none` |
| **dynamic_data_v1** | csv файл с последовательностью точек скелета для 14 кадров | [Скачать](https://disk.yandex.ru/d/hnm6apfuxJsEyw) | 81 (по 20 на махи правой и левой рукой, 61 на none) | `none`, `wave_left`, `wave_right` |
## Модели (на точках MediaPipe)
| Название | Тип | Архитектура / параметры | Вход | Выход | Точность (test) | Precision / Recall (по классам) | Ссылка | Распознаваемые жесты |
|----------|-----|-------------------------|------|-------|-----------------|--------------------------------|--------|----------------------|
| **special_gestures_mlp** | MLP (scikit-learn) | Скрытые слои: (64, 32), активация ReLU, Adam, early stopping, 500 эпох | 99 нормализованных координат скелета (33 точки × 3) | 3 класса (dome, cross, none) | **0.56** | **dome**: P=0.00, R=0.00
**cross**: P=0.00, R=0.00
**none**: P=0.60, R=0.90 | [Скачать](https://disk.yandex.ru/d/I1WyAfN3PJM9fw) | `dome` (руки над головой домиком)
`cross` (предплечья скрещены на груди)
`none` (остальные) |
| **special_gestures_rf** | Random Forest | 50 деревьев, max_depth=10, random_state=42 | 99 нормализованных координат скелета (33 точки × 3) | 3 класса (dome, cross, none) | **0.87** | **dome**: P=0.67, R=1.00
**cross**: P=0.750, R=1.00
**none**: P=0.90, R=0.90 | [Скачать](https://disk.yandex.ru/d/fcXxQh4LGjqA1g) |`dome` (руки над головой домиком)
`cross` (предплечья скрещены на груди)
`none` (остальные) |
| **special_gestures_lin** | Logistic Regression | max_iter=1000, random_state=42 | 99 нормализованных координат скелета (33 точки × 3) | 3 класса (dome, cross, none) | **0.94** | **dome**: P=1.00, R=1.00
**cross**: P=0.750, R=1.00
**none**: P=1.00, R=0.90 | [Скачать](https://disk.yandex.ru/d/4_XCPEeOGvNX6g) |`dome` (руки над головой домиком)
`cross` (предплечья скрещены на груди)
`none` (остальные) |
| **dynamic_model** | LSTM | 2 слоя LSTM по 64 нейрона, Dropout(0.3), Dense(3, softmax), optimizer=Adam, loss=sparse_categorical_crossentropy, epochs=50, batch_size=16 | Последовательность из 14 кадров, каждый кадр – 99 признаков (нормализованные координаты скелета) | 3 класса (none, wave_left, wave_right) | 0.8235 | Precision / Recall (по классам) | [Скачать](https://disk.yandex.ru/d/yDol79iB2ZlS6Q) | `wave_left` (махание левой рукой) `wave_right` (махание правой рукой) `none` (отсутствие жеста) |