python案例如何判断假摔和夸张表演行为？

wen python案例 2026-08-05 2

本文目录导读：

方案1：基于姿态关键点与运动学的规则判断（入门级）
方案2：基于“物理接触”与“运动轨迹”的时序分析（工业级）
方案3：基于行为识别深度模型（LSTM + 上下文特征）（SOTA）
总结与建议

这是一个非常有趣且具有挑战性的计算机视觉问题！判断“假摔”和“夸张表演”在体育、安保等领域有实际应用价值，由于这涉及复杂的语义理解和动作分析，目前没有完美解决方案，但我们可以通过多模态特征融合（姿态、运动轨迹、时序、上下文）来构建一个合理的判断系统。

以下我提供三个递进层级的Python案例方案,从基础到高级：

方案1：基于姿态关键点与运动学的规则判断（入门级）

这是最直接的方案，通过分析关键点的运动学特征（如速度、加速度、角度变化）来触发“夸张”的阈值判断。

核心逻辑：

接触检测：判断人是否真的与障碍物/对手发生物理接触（如距离是否足够近）。
非接触跌倒：如果身体在未接触的情况下突然倒地,则高度怀疑假摔。
夸张特征：检测倒地时的手臂挥舞幅度（如手腕运动速度超过正常阈值）、身体旋转角度、滞空时间等。

代码示例（基于MediaPipe）：

import cv2
import mediapipe as mp
import numpy as np
import time
mp_pose = mp.solutions.pose
pose = mp_pose.Pose()
def calculate_angle(a, b, c):
    """计算三点之间的角度"""
    a = np.array(a) # 肩
    b = np.array(b) # 肘
    c = np.array(c) # 腕
    radians = np.arctan2(c[1]-b[1], c[0]-b[0]) - np.arctan2(a[1]-b[1], a[0]-b[0])
    angle = np.abs(radians*180.0/np.pi)
    if angle > 180.0:
        angle = 360 - angle
    return angle
def is_flop(landmarks, prev_landmarks, time_gap):
    """
    基于速度和角度的规则判断
    """
    if prev_landmarks is None:
        return False
    # 关键点索引 (MediaPipe)
    hip = [landmarks[mp_pose.PoseLandmark.LEFT_HIP.value].x, 
           landmarks[mp_pose.PoseLandmark.LEFT_HIP.value].y]
    shoulder = [landmarks[mp_pose.PoseLandmark.LEFT_SHOULDER.value].x, 
                landmarks[mp_pose.PoseLandmark.LEFT_SHOULDER.value].y]
    prev_hip = [prev_landmarks[mp_pose.PoseLandmark.LEFT_HIP.value].x, 
                prev_landmarks[mp_pose.PoseLandmark.LEFT_HIP.value].y]
    # 1. 计算垂直速度（下落速度）
    vertical_speed = (hip[1] - prev_hip[1]) / max(time_gap, 1e-6)
    # 2. 判断是否突然下落（模拟摔倒）
    if vertical_speed > 2.5:  # 单位：归一化坐标/秒，需调参
        # 3. 检查手臂是否夸张挥舞（计算手腕角速度）
        # 这里简化处理，若速度过快且无接触，判定为假摔
        return True
    return False
# 主循环
cap = cv2.VideoCapture('match.mp4')
prev_landmarks = None
prev_time = time.time()
while cap.isOpened():
    ret, frame = cap.read()
    if not ret:
        break
    frame_rgb = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)
    results = pose.process(frame_rgb)
    if results.pose_landmarks:
        landmarks = results.pose_landmarks.landmark
        current_time = time.time()
        time_gap = current_time - prev_time
        if is_flop(landmarks, prev_landmarks, time_gap):
            cv2.putText(frame, "FLOP!", (50,50), cv2.FONT_HERSHEY_SIMPLEX, 1, (0,0,255), 2)
        prev_landmarks = landmarks
        prev_time = current_time
    cv2.imshow('Frame', frame)
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break
cap.release()

缺点：阈值难以设定，对真实跌倒（也有高速下落）误报率高。

方案2：基于“物理接触”与“运动轨迹”的时序分析（工业级）

这个方案更可靠，重点在“接触判断”与“轨迹异常”结合。

核心逻辑：

接触检测：使用目标检测（如YOLO）检测“防守球员”和“障碍物”,计算距离。
倒地轨迹分类：将身体重心（髋部）的2D轨迹提取出来，使用机器学习分类器（如SVM、LSTM）区分“真实摔倒”（正常的抛物线、有减速缓冲）和“假摔”（突然的折线、人为的急停）。
夸张动作：检测倒地后是否有“多余动作”（如连续翻滚、长时间捂脸）。

代码逻辑展示（伪代码）：

import numpy as np
from sklearn.svm import SVC
from scipy.signal import savgol_filter
class FlopDetector:
    def __init__(self):
        self.model = SVC()  # 训练好的分类器
        self.trajectory_buffer = []
    def detect_real_contact(self, player_box, obstacle_box):
        """计算两框中心点距离，判断是否<阈值"""
        # 使用IoU或中心距离判断
        return distance < 50  # 像素值
    def get_hip_trajectory(self, frames_landmarks):
        """提取连续帧的髋部坐标序列"""
        hip_sequence = []
        for lm in frames_landmarks:
            hip = np.array([lm[23].x, lm[23].y])  # 左髋
            hip_sequence.append(hip)
        return np.array(hip_sequence)
    def extract_features(self, trajectory):
        """特征：速度突变率、轨迹光滑度、垂直加速度"""
        # 1. 平滑度 (一阶差分方差)
        diff = np.diff(trajectory, axis=0)
        smoothness = np.var(diff)
        # 2. 最大垂直下降速度
        max_vel = np.max(diff[:, 1])
        # 3. 加速度突变次数
        acc = np.diff(diff, axis=0)
        abrupt = np.sum(np.abs(acc) > 0.02)
        return [smoothness, max_vel, abrupt]
    def process(self, video_frames):
        # 1. 检测接触
        had_contact = False
        # 2. 提取摔倒瞬间的关键帧序列
        all_landmarks = self.track_pose(video_frames)
        hip_traj = self.get_hip_trajectory(all_landmarks)
        # 3. 检查是否先有接触，后倒地
        if not had_contact:
            # 无接触而倒地 → 高概率假摔
            if self.has_fallen(hip_traj):
                features = self.extract_features(hip_traj)
                probs = self.model.predict_proba([features])[0]
                if probs[1] > 0.7:  # 假摔概率高
                    return "FLOP"
        return "NORMAL"

优缺点：比方案1准,但需要标注数据训练分类器。

方案3：基于行为识别深度模型（LSTM + 上下文特征）（SOTA）

这是最前沿的做法，利用时间序列模型理解动作序列。

架构：

输入：连续30帧的姿态序列（33个关键点 × 2坐标） + 每帧的“是否接触”标签（由目标检测提供）。
模型：Bi-LSTM + 注意力机制 → 输出二分类（真实/假摔）。
损失函数：加上对比损失，让模型学习“夸张动作”的特征。

训练数据准备：

构建数据集：录制篮球比赛片段，标注标签（Fake，Real，Normal）。
增广：旋转、缩放、加入噪声。

训练代码片段：

import torch
import torch.nn as nn
class FlopClassifier(nn.Module):
    def __init__(self, input_dim=66):  # 33关键点 * 2坐标
        super().__init__()
        self.lstm1 = nn.LSTM(input_dim, 128, batch_first=True, bidirectional=True)
        self.lstm2 = nn.LSTM(256, 64, batch_first=True)
        self.attn = nn.MultiheadAttention(embed_dim=64, num_heads=4)
        self.fc1 = nn.Linear(64, 32)
        self.fc2 = nn.Linear(32, 2)  # 二分类
    def forward(self, x, mask=None):
        # x: (batch, seq_len, 66)
        out, _ = self.lstm1(x)
        out, _ = self.lstm2(out)
        # 注意力加权
        out, _ = self.attn(out, out, out)
        # 池化
        out = torch.mean(out, dim=1)
        out = torch.relu(self.fc1(out))
        out = self.fc2(out)
        return out

关键点：