本文分享自华为云社区《视频动作识别-云社区-华为云》，作者：HWCloudAI。

实验目标

通过本案例的学习：

掌握C3D模型训练和模型推理、I3D模型推理的方法；注意事项本案例推荐使用TensorFlow-1.13.1，需使用GPU运行，请查看《ModelArts JupyterLab 硬件规格使用指南》了解切换硬件规格的方法；如果您是第一次使用 JupyterLab，请查看《ModelArts JupyterLab使用指导》了解使用方法；如果您在使用 JupyterLab 过程中碰到报错，请参考《ModelArts JupyterLab常见问题解决办法》尝试解决问题。实验步骤案例内容介绍

视频动作识别是指对一小段视频中的内容进行分析，判断视频中的人物做了哪种动作。视频动作识别与图像领域的图像识别，既有联系又有区别，图像识别是对一张静态图片进行识别，而视频动作识别不仅要考察每张图片的静态内容，还要考察不同图片静态内容之间的时空关系。比如一个人扶着一扇半开的门，仅凭这一张图片无法判断该动作是开门动作还是关门动作。

视频分析领域的研究相比较图像分析领域的研究，发展时间更短，也更有难度。视频分析模型完成的难点首先在于，需要强大的计算资源来完成视频的分析。视频要拆解成为图像进行分析，导致模型的数据量十分庞大。视频内容有很重要的考虑因素是动作的时间顺序，需要将视频转换成的图像通过时间关系联系起来，做出判断，所以模型需要考虑时序因素，加入时间维度之后参数也会大量增加。

得益于PASCAL VOC、ImageNet、MS COCO等数据集的公开，图像领域产生了很多的经典模型，那么在视频分析领域有没有什么经典的模型呢？答案是有的，本案例将为大家介绍视频动作识别领域的经典模型并进行代码实践。

1.准备源代码和数据

这一步准备案例所需的源代码和数据，相关资源已经保存在OBS中，我们通过ModelArts SDK将资源下载到本地，并解压到当前目录下。解压后，当前目录包含data、dataset_subset和其他目录文件，分别是预训练参数文件、数据集和代码文件等。

import osimport moxing as moxif not os.path.exists('videos'):    mox.file.copy("obs://ai-course-common-26-bj4-v2/video/video.tar.gz", "./video.tar.gz")    # 使用tar命令解压资源包    os.system("tar xf ./video.tar.gz")    # 使用rm命令删除压缩包    os.system("rm ./video.tar.gz")

INFO:root:Using MoXing-v1.17.3-INFO:root:Using OBS-Python-SDK-3.20.7

上一节课我们已经介绍了视频动作识别有HMDB51、UCF-101和Kinetics三个常用的数据集，本案例选用了UCF-101数据集的部分子集作为演示用数据集，接下来，我们播放一段UCF-101中的视频：

video_name = "./data/v_TaiChi_g01_c01.avi"

from IPython.display import clear_output, Image, display, HTMLimport timeimport cv2import base64import numpy as npdef arrayShow(img):    _,ret = cv2.imencode('.jpg', img)     return Image(data=ret) cap = cv2.VideoCapture(video_name)while True:    try:        clear_output(wait=True)        ret, frame = cap.read()        if ret:            tmp = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)            img = arrayShow(frame)            display(img)            time.sleep(0.05)        else:            break    except KeyboardInterrupt:        cap.release()cap.release()

在图像领域中，ImageNet作为一个大型图像识别数据集，自2010年开始，使用此数据集训练出的图像算法层出不穷，深度学习模型经历了从AlexNet到VGG-16再到更加复杂的结构，模型的表现也越来越好。在识别千种类别的图片时，错误率表现如下：

在图像识别中表现很好的模型，可以在图像领域的其他任务中继续使用，通过复用模型中部分层的参数，就可以提升模型的训练效果。有了基于ImageNet模型的图像模型，很多模型和任务都有了更好的训练基础，比如说物体检测、实例分割、人脸检测、人脸识别等。

那么训练效果显著的图像模型是否可以用于视频模型的训练呢？答案是yes，有研究证明，在视频领域，如果能够复用图像模型结构，甚至参数，将对视频模型的训练有很大帮助。但是怎样才能复用上图像模型的结构呢？首先需要知道视频分类与图像分类的不同，如果将视频视作是图像的集合，每一个帧将作为一个图像，视频分类任务除了要考虑到图像中的表现，也要考虑图像间的时空关系，才可以对视频动作进行分类。

为了捕获图像间的时空关系，论文I3D介绍了三种旧的视频分类模型，并提出了一种更有效的Two-Stream Inflated 3D ConvNets（简称I3D）的模型，下面将逐一简介这四种模型，更多细节信息请查看原论文。

旧模型一：卷积网络+LSTM

模型使用了训练成熟的图像模型，通过卷积网络，对每一帧图像进行特征提取、池化和预测，最后在模型的末端加一个LSTM层（长短期记忆网络），如下图所示，这样就可以使模型能够考虑时间性结构，将上下文特征联系起来，做出动作判断。这种模型的缺点是只能捕获较大的工作，对小动作的识别效果较差，而且由于视频中的每一帧图像都要经过网络的计算，所以训练时间很长。

旧模型二：3D卷积网络

3D卷积类似于2D卷积，将时序信息加入卷积操作。虽然这是一种看起来更加自然的视频处理方式，但是由于卷积核维度增加，参数的数量也增加了，模型的训练变得更加困难。这种模型没有对图像模型进行复用，而是直接将视频数据传入3D卷积网络进行训练。

旧模型三：Two-Stream 网络

Two-Stream 网络的两个流分别为1张RGB快照和10张计算之后的光流帧画面组成的栈。两个流都通过ImageNet预训练好的图像卷积网络，光流部分可以分为竖直和水平两个通道，所以是普通图片输入的2倍，模型在训练和测试中表现都十分出色。

光流视频 optical flow video

上面讲到了光流，在此对光流做一下介绍。光流是什么呢？名字很专业，感觉很陌生，但实际上这种视觉现象我们每天都在经历，我们坐高铁的时候，可以看到窗外的景物都在快速往后退，开得越快，就感受到外面的景物就是“刷”地一个残影，这种视觉上目标的运动方向和速度就是光流。光流从概念上讲，是对物体运动的观察，通过找到相邻帧之间的相关性来判断帧之间的对应关系，计算出相邻帧画面中物体的运动信息，获取像素运动的瞬时速度。在原始视频中，有运动部分和静止的背景部分，我们通常需要判断的只是视频中运动部分的状态，而光流就是通过计算得到了视频中运动部分的运动信息。

下面是一个经过计算后的原视频及光流视频。

原视频

光流视频

新模型：Two-Stream Inflated 3D ConvNets

新模型采取了以下几点结构改进：

拓展2D卷积为3D。直接利用成熟的图像分类模型，只不过将网络中二维$ N × N的 filters 和 pooling kernels 直接变成的filters和poolingkernels直接变成 N × N × N $；用 2D filter 的预训练参数来初始化 3D filter 的参数。上一步已经利用了图像分类模型的网络，这一步的目的是能利用上网络的预训练参数，直接将 2D filter 的参数直接沿着第三个时间维度进行复制N次，最后将所有参数值再除以N；调整感受野的形状和大小。新模型改造了图像分类模型Inception-v1的结构，前两个max-pooling层改成使用$ 1 × 3 × 3kernels and stride 1 in time，其他所有max-pooling层都仍然使用对此的kernel和stride，最后一个average pooling层使用kernelsandstride1intime，其他所有max−pooling层都仍然使用对此的kernel和stride，最后一个averagepooling层使用 2 × 7 × 7 $的kernel。延续了Two-Stream的基本方法。用双流结构来捕获图片之间的时空关系仍然是有效的。

最后新模型的整体结构如下图所示：

好，到目前为止，我们已经讲解了视频动作识别的经典数据集和经典模型，下面我们通过代码来实践地跑一跑其中的两个模型：C3D模型（ 3D卷积网络）以及I3D模型（Two-Stream Inflated 3D ConvNets）。

C3D模型结构

我们已经在前面的“旧模型二：3D卷积网络”中讲解到3D卷积网络是一种看起来比较自然的处理视频的网络，虽然它有效果不够好，计算量也大的特点，但它的结构很简单，可以构造一个很简单的网络就可以实现视频动作识别，如下图所示是3D卷积的示意图：

a)中，一张图片进行了2D卷积， b)中，对视频进行2D卷积，将多个帧视作多个通道， c)中，对视频进行3D卷积，将时序信息加入输入信号中。

ab中，output都是一张二维特征图，所以无论是输入是否有时间信息，输出都是一张二维的特征图，2D卷积失去了时序信息。只有3D卷积在输出时，保留了时序信息。2D和3D池化操作同样有这样的问题。

如下图所示是一种C3D网络的变种：（如需阅读原文描述，请查看I3D论文 2.2 节）

C3D结构，包括8个卷积层，5个最大池化层以及2个全连接层，最后是softmax输出层。

所有的3D卷积核为$ 3 × 3 × 3$ 步长为1，使用SGD，初始学习率为0.003，每150k个迭代，除以2。优化在1.9M个迭代的时候结束，大约13epoch。

数据处理时，视频抽帧定义大小为：$ c × l × h × w，c为通道数量，为通道数量，l为帧的数量，h为帧画面的高度，w为帧画面的宽度。3D卷积核和池化核的大小为 d × k × k，d是核的时间深度，k是核的空间大小。网络的输入为视频的抽帧，预测出的是类别标签。所有的视频帧画面都调整大小为128 × 171 $，几乎将UCF-101数据集中的帧调整为一半大小。视频被分为不重复的16帧画面，这些画面将作为模型网络的输入。最后对帧画面的大小进行裁剪，输入的数据为$16 × 112 × 112 $

3.C3D模型训练

接下来，我们将对C3D模型进行训练，训练过程分为：数据预处理以及模型训练。在此次训练中，我们使用的数据集为UCF-101，由于C3D模型的输入是视频的每帧图片，因此我们需要对数据集的视频进行抽帧，也就是将视频转换为图片，然后将图片数据传入模型之中，进行训练。

在本案例中，我们随机抽取了UCF-101数据集的一部分进行训练的演示，感兴趣的同学可以下载完整的UCF-101数据集进行训练。

UCF-101下载

数据集存储在目录dataset_subset下

如下代码是使用cv2库进行视频文件到图片文件的转换

import cv2import os# 视频数据集存储位置video_path = './dataset_subset/'# 生成的图像数据集存储位置save_path = './dataset/'# 如果文件路径不存在则创建路径if not os.path.exists(save_path):    os.mkdir(save_path)

# 获取动作列表action_list = os.listdir(video_path)# 遍历所有动作for action in action_list:    if action.startswith(".")==False:        if not os.path.exists(save_path+action):            os.mkdir(save_path+action)        video_list = os.listdir(video_path+action)        # 遍历所有视频        for video in video_list:            prefix = video.split('.')[0]            if not os.path.exists(os.path.join(save_path, action, prefix)):                os.mkdir(os.path.join(save_path, action, prefix))            save_name = os.path.join(save_path, action, prefix) + '/'            video_name = video_path+action+'/'+video            # 读取视频文件            # cap为视频的帧            cap = cv2.VideoCapture(video_name)            # fps为帧率            fps = int(cap.get(cv2.CAP_PROP_FRAME_COUNT))            fps_count = 0            for i in range(fps):                ret, frame = cap.read()                if ret:                    # 将帧画面写入图片文件中                    cv2.imwrite(save_name+str(10000+fps_count)+'.jpg',frame)                    fps_count += 1

此时，视频逐帧转换成的图片数据已经存储起来，为模型训练做准备。

4.模型训练

首先，我们构建模型结构。

C3D模型结构我们之前已经介绍过，这里我们通过keras提供的Conv3D，MaxPool3D，ZeroPadding3D等函数进行模型的搭建。

from keras.layers import Dense,Dropout,Conv3D,Input,MaxPool3D,Flatten,Activation, ZeroPadding3Dfrom keras.regularizers import l2from keras.models import Model, Sequential# 输入数据为 112×112 的图片，16帧， 3通道input_shape = (112,112,16,3)# 权重衰减率weight_decay = 0.005# 类型数量，我们使用UCF-101 为数据集，所以为101nb_classes = 101# 构建模型结构inputs = Input(input_shape)x = Conv3D(64,(3,3,3),strides=(1,1,1),padding='same',           activation='relu',kernel_regularizer=l2(weight_decay))(inputs)x = MaxPool3D((2,2,1),strides=(2,2,1),padding='same')(x)x = Conv3D(128,(3,3,3),strides=(1,1,1),padding='same',           activation='relu',kernel_regularizer=l2(weight_decay))(x)x = MaxPool3D((2,2,2),strides=(2,2,2),padding='same')(x)x = Conv3D(128,(3,3,3),strides=(1,1,1),padding='same',           activation='relu',kernel_regularizer=l2(weight_decay))(x)x = MaxPool3D((2,2,2),strides=(2,2,2),padding='same')(x)x = Conv3D(256,(3,3,3),strides=(1,1,1),padding='same',           activation='relu',kernel_regularizer=l2(weight_decay))(x)x = MaxPool3D((2,2,2),strides=(2,2,2),padding='same')(x)x = Conv3D(256, (3, 3, 3), strides=(1, 1, 1), padding='same',           activation='relu',kernel_regularizer=l2(weight_decay))(x)x = MaxPool3D((2, 2, 2), strides=(2, 2, 2), padding='same')(x)x = Flatten()(x)x = Dense(2048,activation='relu',kernel_regularizer=l2(weight_decay))(x)x = Dropout(0.5)(x)x = Dense(2048,activation='relu',kernel_regularizer=l2(weight_decay))(x)x = Dropout(0.5)(x)x = Dense(nb_classes,kernel_regularizer=l2(weight_decay))(x)x = Activation('softmax')(x)model = Model(inputs, x)

Using TensorFlow backend./home/ma-user/anaconda3/envs/TensorFlow-1.13.1/lib/python3.6/site-packages/tensorflow/python/framework/dtypes.py:526: FutureWarning: Passing (type, 1) or '1type' as a synonym of type is deprecated; in a future version of numpy, it will be understood as (type, (1,)) / '(1,)type'.  _np_qint8 = np.dtype([("qint8", np.int8, 1)])/home/ma-user/anaconda3/envs/TensorFlow-1.13.1/lib/python3.6/site-packages/tensorflow/python/framework/dtypes.py:527: FutureWarning: Passing (type, 1) or '1type' as a synonym of type is deprecated; in a future version of numpy, it will be understood as (type, (1,)) / '(1,)type'.  _np_quint8 = np.dtype([("quint8", np.uint8, 1)])/home/ma-user/anaconda3/envs/TensorFlow-1.13.1/lib/python3.6/site-packages/tensorflow/python/framework/dtypes.py:528: FutureWarning: Passing (type, 1) or '1type' as a synonym of type is deprecated; in a future version of numpy, it will be understood as (type, (1,)) / '(1,)type'.  _np_qint16 = np.dtype([("qint16", np.int16, 1)])/home/ma-user/anaconda3/envs/TensorFlow-1.13.1/lib/python3.6/site-packages/tensorflow/python/framework/dtypes.py:529: FutureWarning: Passing (type, 1) or '1type' as a synonym of type is deprecated; in a future version of numpy, it will be understood as (type, (1,)) / '(1,)type'.  _np_quint16 = np.dtype([("quint16", np.uint16, 1)])/home/ma-user/anaconda3/envs/TensorFlow-1.13.1/lib/python3.6/site-packages/tensorflow/python/framework/dtypes.py:530: FutureWarning: Passing (type, 1) or '1type' as a synonym of type is deprecated; in a future version of numpy, it will be understood as (type, (1,)) / '(1,)type'.  _np_qint32 = np.dtype([("qint32", np.int32, 1)])/home/ma-user/anaconda3/envs/TensorFlow-1.13.1/lib/python3.6/site-packages/tensorflow/python/framework/dtypes.py:535: FutureWarning: Passing (type, 1) or '1type' as a synonym of type is deprecated; in a future version of numpy, it will be understood as (type, (1,)) / '(1,)type'.  np_resource = np.dtype([("resource", np.ubyte, 1)])WARNING:tensorflow:From /home/ma-user/anaconda3/envs/TensorFlow-1.13.1/lib/python3.6/site-packages/tensorflow/python/framework/op_def_library.py:263: colocate_with (from tensorflow.python.framework.ops) is deprecated and will be removed in a future version.Instructions for updating:Colocations handled automatically by placer.WARNING:tensorflow:From /home/ma-user/anaconda3/envs/TensorFlow-1.13.1/lib/python3.6/site-packages/keras/backend/tensorflow_backend.py:3445: calling dropout (from tensorflow.python.ops.nn_ops) with keep_prob is deprecated and will be removed in a future version.Instructions for updating:Please use `rate` instead of `keep_prob`. Rate should be set to `rate = 1 - keep_prob`.

通过keras提供的summary()方法，打印模型结构。可以看到模型的层构建以及各层的输入输出情况。

model.summary()

此处输出较长，省略

通过keras的input方法可以查看模型的输入形状，shape分别为( batch size, width, height, frames, channels) 。

model.input

<tf.Tensor 'input_1:0' shape=(?, 112, 112, 16, 3) dtype=float32>

可以看到模型的数据处理的维度与图像处理模型有一些差别，多了frames维度，体现出时序关系在视频分析中的影响。

接下来，我们开始将图片文件转为训练需要的数据形式。

# 引用必要的库from keras.optimizers import SGD,Adamfrom keras.utils import np_utilsimport numpy as npimport randomimport cv2import matplotlib.pyplot as plt# 自定义callbacksfrom schedules import onetenth_4_8_12

INFO:matplotlib.font_manager:font search path ['/home/ma-user/anaconda3/envs/TensorFlow-1.13.1/lib/python3.6/site-packages/matplotlib/mpl-data/fonts/ttf', '/home/ma-user/anaconda3/envs/TensorFlow-1.13.1/lib/python3.6/site-packages/matplotlib/mpl-data/fonts/afm', '/home/ma-user/anaconda3/envs/TensorFlow-1.13.1/lib/python3.6/site-packages/matplotlib/mpl-data/fonts/pdfcorefonts']INFO:matplotlib.font_manager:generated new fontManager

参数定义

img_path = save_path  # 图片文件存储位置results_path = './results'  # 训练结果保存位置if not os.path.exists(results_path):    os.mkdir(results_path)

数据集划分，随机抽取4/5 作为训练集，其余为验证集。将文件信息分别存储在train_list和test_list中，为训练做准备。

cates = os.listdir(img_path)train_list = []test_list = []# 遍历所有的动作类型for cate in cates:    videos = os.listdir(os.path.join(img_path, cate))    length = len(videos)//5    # 训练集大小，随机取视频文件加入训练集    train= random.sample(videos, length*4)    train_list.extend(train)    # 将余下的视频加入测试集    for video in videos:        if video not in train:            test_list.append(video)print("训练集为：")    print( train_list)print("共%d 个视频\n"%(len(train_list)))print("验证集为：")            print(test_list)print("共%d 个视频"%(len(test_list)))

此处输出较长，省略

接下来开始进行模型的训练。

首先定义数据读取方法。方法process_data中读取一个batch的数据，包含16帧的图片信息的数据，以及数据的标注信息。在读取图片数据时，对图片进行随机裁剪和翻转操作以完成数据增广。

def process_data(img_path, file_list,batch_size=16,train=True):    batch = np.zeros((batch_size,16,112,112,3),dtype='float32')    labels = np.zeros(batch_size,dtype='int')    cate_list = os.listdir(img_path)        def read_classes():        path = "./classInd.txt"        with open(path, "r+") as f:            lines = f.readlines()        classes = {}        for line in lines:            c_id = line.split()[0]            c_name = line.split()[1]            classes[c_name] =c_id         return classes            classes_dict = read_classes()        for file in file_list:        cate = file.split("_")[1]        img_list = os.listdir(os.path.join(img_path, cate, file))        img_list.sort()        batch_img = []        for i in range(batch_size):            path = os.path.join(img_path, cate, file)            label =  int(classes_dict[cate])-1            symbol = len(img_list)//16            if train:                # 随机进行裁剪                crop_x = random.randint(0, 15)                crop_y = random.randint(0, 58)                # 随机进行翻转                is_flip = random.randint(0, 1)                # 以16 帧为单位                for j in range(16):                    img = img_list[symbol + j]                    image = cv2.imread( path + '/' + img)                    image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)                    image = cv2.resize(image, (171, 128))                    if is_flip == 1:                        image = cv2.flip(image, 1)                    batch[i][j][:][:][:] = image[crop_x:crop_x + 112, crop_y:crop_y + 112, :]                    symbol-=1                    if symbol<0:                        break                labels[i] = label            else:                for j in range(16):                    img = img_list[symbol + j]                    image = cv2.imread( path + '/' + img)                    image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)                    image = cv2.resize(image, (171, 128))                    batch[i][j][:][:][:] = image[8:120, 30:142, :]                    symbol-=1                    if symbol<0:                        break                labels[i] = label    return batch, labels

batch, labels = process_data(img_path, train_list)print("每个batch的形状为：%s"%(str(batch.shape)))print("每个label的形状为：%s"%(str(labels.shape)))

每个batch的形状为：(16, 16, 112, 112, 3)每个label的形状为：(16,)

定义data generator， 将数据批次传入训练函数中。

def generator_train_batch(train_list, batch_size, num_classes, img_path):    while True:        # 读取一个batch的数据        x_train, x_labels = process_data(img_path, train_list, batch_size=16,train=True)        x = preprocess(x_train)        # 形成input要求的数据格式        y = np_utils.to_categorical(np.array(x_labels), num_classes)        x = np.transpose(x, (0,2,3,1,4))        yield x, ydef generator_val_batch(test_list, batch_size, num_classes, img_path):    while True:        # 读取一个batch的数据        y_test,y_labels = process_data(img_path, train_list, batch_size=16,train=False)        x = preprocess(y_test)        # 形成input要求的数据格式        x = np.transpose(x,(0,2,3,1,4))        y = np_utils.to_categorical(np.array(y_labels), num_classes)        yield x, y

定义方法preprocess， 对函数的输入数据进行图像的标准化处理。

def preprocess(inputs):    inputs[..., 0] -= 99.9    inputs[..., 1] -= 92.1    inputs[..., 2] -= 82.6    inputs[..., 0] /= 65.8    inputs[..., 1] /= 62.3    inputs[..., 2] /= 60.3    return inputs

# 训练一个epoch大约需4分钟# 类别数量num_classes = 101# batch大小batch_size = 4# epoch数量epochs = 1# 学习率大小lr = 0.005# 优化器定义sgd = SGD(lr=lr, momentum=0.9, nesterov=True)model.compile(loss='categorical_crossentropy', optimizer=sgd, metrics=['accuracy'])# 开始训练history = model.fit_generator(generator_train_batch(train_list, batch_size, num_classes,img_path),                              steps_per_epoch= len(train_list) // batch_size,                              epochs=epochs,                              callbacks=[onetenth_4_8_12(lr)],                              validation_data=generator_val_batch(test_list, batch_size,num_classes,img_path),                              validation_steps= len(test_list) // batch_size,                              verbose=1)# 对训练结果进行保存model.save_weights(os.path.join(results_path, 'weights_c3d.h5'))

WARNING:tensorflow:From /home/ma-user/anaconda3/envs/TensorFlow-1.13.1/lib/python3.6/site-packages/tensorflow/python/ops/math_ops.py:3066: to_int32 (from tensorflow.python.ops.math_ops) is deprecated and will be removed in a future version.Instructions for updating:Use tf.cast instead.Epoch 1/120/20 [==============================] - 442s 22s/step - loss: 28.7099 - acc: 0.9344 - val_loss: 27.7600 - val_acc: 1.0000

接下来我们将训练之后得到的模型进行测试。随机在UCF-101中选择一个视频文件作为测试数据，然后对视频进行取帧，每16帧画面传入模型进行一次动作预测，并且将动作预测以及预测百分比打印在画面中并进行视频播放。

首先，引入相关的库。

from IPython.display import clear_output, Image, display, HTMLimport timeimport cv2import base64import numpy as np

构建模型结构并且加载权重。

from models import c3d_modelmodel = c3d_model()model.load_weights(os.path.join(results_path, 'weights_c3d.h5'), by_name=True)  # 加载刚训练的模型

定义函数arrayshow，进行图片变量的编码格式转换。

def arrayShow(img):    _,ret = cv2.imencode('.jpg', img)     return Image(data=ret) 

进行视频的预处理以及预测，将预测结果打印到画面中，最后进行播放。

# 加载所有的类别和编号with open('./ucfTrainTestlist/classInd.txt', 'r') as f:    class_names = f.readlines()    f.close()# 读取视频文件video = './videos/v_Punch_g03_c01.avi'cap = cv2.VideoCapture(video)clip = []# 将视频画面传入模型while True:    try:        clear_output(wait=True)        ret, frame = cap.read()        if ret:            tmp = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)            clip.append(cv2.resize(tmp, (171, 128)))            # 每16帧进行一次预测            if len(clip) == 16:                inputs = np.array(clip).astype(np.float32)                inputs = np.expand_dims(inputs, axis=0)                inputs[..., 0] -= 99.9                inputs[..., 1] -= 92.1                inputs[..., 2] -= 82.6                inputs[..., 0] /= 65.8                inputs[..., 1] /= 62.3                inputs[..., 2] /= 60.3                inputs = inputs[:,:,8:120,30:142,:]                inputs = np.transpose(inputs, (0, 2, 3, 1, 4))                # 获得预测结果                pred = model.predict(inputs)                label = np.argmax(pred[0])                # 将预测结果绘制到画面中                cv2.putText(frame, class_names[label].split(' ')[-1].strip(), (20, 20),                            cv2.FONT_HERSHEY_SIMPLEX, 0.6,                            (0, 0, 255), 1)                cv2.putText(frame, "prob: %.4f" % pred[0][label], (20, 40),                            cv2.FONT_HERSHEY_SIMPLEX, 0.6,                            (0, 0, 255), 1)                clip.pop(0)            # 播放预测后的视频                lines, columns, _ = frame.shape            frame = cv2.resize(frame, (int(columns), int(lines)))            img = arrayShow(frame)            display(img)            time.sleep(0.02)        else:            break    except:        print(0)cap.release()

在之前我们简单介绍了I3D模型，I3D官方github库提供了在Kinetics上预训练的模型和预测代码，接下来我们将体验I3D模型如何对视频进行预测。

首先，引入相关的包

import numpy as npimport tensorflow as tfimport i3d

WARNING: The TensorFlow contrib module will not be included in TensorFlow 2.0.For more information, please see:  *   *  you depend on functionality not listed there, please file an issue.

进行参数的定义

# 输入图片大小_IMAGE_SIZE = 224#  视频的帧数_SAMPLE_VIDEO_FRAMES = 79# 输入数据包括两部分：RGB和光流# RGB和光流数据已经经过提前计算_SAMPLE_PATHS = {    'rgb': 'data/v_CricketShot_g04_c01_rgb.npy',    'flow': 'data/v_CricketShot_g04_c01_flow.npy',}# 提供了多种可以选择的预训练权重# 其中，imagenet系列模型从ImageNet的2D权重中拓展而来，其余为视频数据下的预训练权重_CHECKPOINT_PATHS = {    'rgb': 'data/checkpoints/rgb_scratch/model.ckpt',    'flow': 'data/checkpoints/flow_scratch/model.ckpt',    'rgb_imagenet': 'data/checkpoints/rgb_imagenet/model.ckpt',    'flow_imagenet': 'data/checkpoints/flow_imagenet/model.ckpt',}# 记录类别文件_LABEL_MAP_PATH = 'data/label_map.txt'# 类别数量为400NUM_CLASSES = 400

定义参数：

imagenet_pretrained ：如果为True，则调用预训练权重，如果为False，则调用ImageNet转成的权重

imagenet_pretrained = True

# 加载动作类型kinetics_classes = [x.strip() for x in open(_LABEL_MAP_PATH)]tf.logging.set_verbosity(tf.logging.INFO)

构建RGB部分模型

rgb_input = tf.placeholder(tf.float32, shape=(1, _SAMPLE_VIDEO_FRAMES, _IMAGE_SIZE, _IMAGE_SIZE, 3))with tf.variable_scope('RGB', reuse=tf.AUTO_REUSE):    rgb_model = i3d.InceptionI3d(NUM_CLASSES, spatial_squeeze=True, final_endpoint='Logits')    rgb_logits, _ = rgb_model(rgb_input, is_training=False, dropout_keep_prob=1.0)rgb_variable_map = {}for variable in tf.global_variables():    if variable.name.split('/')[0] == 'RGB':        rgb_variable_map[variable.name.replace(':0', '')] = variable        rgb_saver = tf.train.Saver(var_list=rgb_variable_map, reshape=True)

构建光流部分模型

flow_input = tf.placeholder(tf.float32,shape=(1, _SAMPLE_VIDEO_FRAMES, _IMAGE_SIZE, _IMAGE_SIZE, 2))with tf.variable_scope('Flow', reuse=tf.AUTO_REUSE):    flow_model = i3d.InceptionI3d(NUM_CLASSES, spatial_squeeze=True, final_endpoint='Logits')    flow_logits, _ = flow_model(flow_input, is_training=False, dropout_keep_prob=1.0)flow_variable_map = {}for variable in tf.global_variables():    if variable.name.split('/')[0] == 'Flow':        flow_variable_map[variable.name.replace(':0', '')] = variableflow_saver = tf.train.Saver(var_list=flow_variable_map, reshape=True)    

将模型联合，成为完整的I3D模型

model_logits = rgb_logits + flow_logitsmodel_predictions = tf.nn.softmax(model_logits)

开始模型预测,获得视频动作预测结果。

预测数据为开篇提供的RGB和光流数据：

with tf.Session() as sess:    feed_dict = {}        if imagenet_pretrained:        rgb_saver.restore(sess, _CHECKPOINT_PATHS['rgb_imagenet'])    # 加载rgb流的模型    else:        rgb_saver.restore(sess, _CHECKPOINT_PATHS['rgb'])    tf.logging.info('RGB checkpoint restored')        if imagenet_pretrained:        flow_saver.restore(sess, _CHECKPOINT_PATHS['flow_imagenet'])  # 加载flow流的模型    else:        flow_saver.restore(sess, _CHECKPOINT_PATHS['flow'])    tf.logging.info('Flow checkpoint restored')           start_time = time.time()        rgb_sample = np.load(_SAMPLE_PATHS['rgb'])    # 加载rgb流的输入数据    tf.logging.info('RGB data loaded, shape=%s', str(rgb_sample.shape))    feed_dict[rgb_input] = rgb_sample           flow_sample = np.load(_SAMPLE_PATHS['flow'])  # 加载flow流的输入数据    tf.logging.info('Flow data loaded, shape=%s', str(flow_sample.shape))    feed_dict[flow_input] = flow_sample    out_logits, out_predictions = sess.run(        [model_logits, model_predictions],        feed_dict=feed_dict)    out_logits = out_logits[0]    out_predictions = out_predictions[0]    sorted_indices = np.argsort(out_predictions)[::-1]    print('Inference time in sec: %.3f' % float(time.time() - start_time))    print('Norm of logits: %f' % np.linalg.norm(out_logits))        print('\nTop classes and probabilities')    for index in sorted_indices[:20]:        print(out_predictions[index], out_logits[index], kinetics_classes[index])

WARNING:tensorflow:From /home/ma-user/anaconda3/envs/TensorFlow-1.13.1/lib/python3.6/site-packages/tensorflow/python/training/saver.py:1266: checkpoint_exists (from tensorflow.python.training.checkpoint_management) is deprecated and will be removed in a future version.Instructions for updating:Use standard file APIs to check for files with this prefix.INFO:tensorflow:Restoring parameters from data/checkpoints/rgb_imagenet/model.ckptINFO:tensorflow:RGB checkpoint restoredINFO:tensorflow:Restoring parameters from data/checkpoints/flow_imagenet/model.ckptINFO:tensorflow:Flow checkpoint restoredINFO:tensorflow:RGB data loaded, shape=(1, 79, 224, 224, 3)INFO:tensorflow:Flow data loaded, shape=(1, 79, 224, 224, 2)Inference time in sec: 1.511Norm of logits: 138.468643Top classes and probabilities1.0 41.813675 playing cricket1.497162e-09 21.49398 hurling (sport)3.8431236e-10 20.13411 catching or throwing baseball1.549242e-10 19.22559 catching or throwing softball1.1360187e-10 18.915354 hitting baseball8.801105e-11 18.660116 playing tennis2.4415466e-11 17.37787 playing kickball1.153184e-11 16.627766 playing squash or racquetball6.1318893e-12 15.996157 shooting goal (soccer)4.391727e-12 15.662376 hammer throw2.2134352e-12 14.9772005 golf putting1.6307096e-12 14.67167 throwing discus1.5456218e-12 14.618079 javelin throw7.6690325e-13 13.917259 pumping fist5.1929587e-13 13.527372 shot put4.2681337e-13 13.331245 celebrating2.7205462e-13 12.880901 applauding1.8357015e-13 12.487494 throwing ball1.6134511e-13 12.358444 dodgeball1.1388395e-13 12.010078 tap dancing

点击下方，第一时间了解华为云新鲜技术~

华为云博客_大数据博客_AI博客_云计算博客_开发者中心-华为云