surveillance_monitoring/dev/configs/config.py

# -*- coding: utf-8 -*-
# @Time : 2022/6/24 15:18
# @Author : MaochengHu
# @Email : wojiaohumaocheng@gmail.com
# @File : config.py
# @Project : person_monitor

import os
import argparse

# -------------------------- 常规配置参数 ------------------------------- #
# 项目根路径
pro_root = "/data/fengyang/sunwin/code/person_monitor"
# 依赖根路径
dependence_root = os.path.join(pro_root, "dependence")
# 模型根路径
model_root = os.path.join(pro_root, "dev/src/algorithms/save_models")
# 测试文件(可以是本地视频文件也可以是在线视频流地址)
# input_source = "rtsp://admin:sunwin2019@192.168.20.240:554/h265/ch1/main/av_stream"
input_source = "/data/fengyang/sunwin/code/person_monitor/dev/test/demo.mp4"
# 使用GPU索引
cuda_index = 0
item_max_size = 60  # 保留多少帧进行动作识别
# 保存结果
save_result = True  # 是否将识别出来的结果进行保存
use_keypoint = True  # 是否通过关键点进行行为识别，如果不用关键点则直接基于视频裁剪进行行为识别

# ---------------------- 人物目标检测配置参数 --------------------------------#
# yolov7模型加载参数
# 模型加载参数
object_detection_model_config = dict(
    pt_weights=os.path.join(model_root, "object_detection_model", "helmet_fall_phone.engine"),  # 目标检测的权重地址
    data=os.path.join(model_root, "object_detection_model", "second_stage_bbox_helmet_fall_phone.yaml"),  # 目标检测对应的类别文件
    imgsz=(640, 640),  # 表示图片大小，不通的yolo模型需要对应不同的输入大小（不宜修改）
    device=cuda_index,  # GPU索引
    confthre=0.001,  # 做跟踪所以置信度需要很小， 保证丢失目标能补上
    nmsthre=0.7,  # nms阈值大小
    max_det=20  # 设置最大检测人数
)


# class_list = ["play_phone", "call_phone", "sleep", "work", "no_helmet", "helmet"]
person_end_index = 3
person_attr = ["play_phone", "call_phone", "sleep", "work"]

match_score_threshold = 0.8
# ----------------------- 人物属性检测模型配置参数 ---------------------------- #
# yolov7模型加载参数
person_attribute_model_config = dict(
    pt_weights=os.path.join(model_root, "object_detection_model", "helmet_fall_phone.engine"),  # 目标检测的权重地址
    data=os.path.join(model_root, "object_detection_model", "second_stage_bbox_helmet_fall_phone.yaml"),  # 目标检测对应的类别文件
    imgsz=(640, 640),  # 表示图片大小，不通的yolo模型需要对应不同的输入大小（不宜修改）
    device=cuda_index,  # GPU索引
    confthre=0.3,  # 目标置信度
    nmsthre=0.2,  # nms阈值大小

)
# 人物状态类别
person_class_list = ["play_phone", "call_phone", "sleep", "work"]
# 安全帽佩戴状态类别
helmet_class_list = ["no_helmet", "helmet"]

# ----------------------- 人体跟踪模型配置参数 ---------------------------- #
tracker_max_id = 100  # 建议大于等于max_det的5倍及以上
tracker_model_config = dict(
    track_thresh=0.5,  # 跟踪人体置信度
    track_buffer=30,  # 如果人体框丢失多少帧则不进行追回
    match_thresh=0.8,  # 相似度匹配阈值多少算匹配上
    mot20=False,  # 是否使用mot20 计算
    tracker_max_id=tracker_max_id,  # 最多跟踪多少人, 如果超过该人数, 则重新计数
)
# 生成跟踪参数解析器
tracker_parser = argparse.ArgumentParser()
for k, v in tracker_model_config.items():
    tracker_parser.add_argument("--{}".format(k), default=v)
tracker_args = tracker_parser.parse_args()
#
tracker_frame_rate = 30  # 跟踪视频的fps的值
min_box_area = 10  # 小于多少的边不进行识别
output_side_size = 640  # 如果不进行关键点识别，直接基于视频识别，则需要进行padding裁剪对应的输出图片大小
tracker_line_size = 90  # 设置人体行为轨迹跟踪线长度

# ----------------------- 关键点模型配置参数 ---------------------------- #
pose_name = "tiny_pose"
pose_model_platform = "paddle"  # 目前仅仅支持paddle(飞浆) 以及 mmpose 平台
pose_trt = True  # 是否使用tensorrt加速
if pose_model_platform == "paddle":
    if pose_trt:
        run_mode = "trt_fp32"
    else:
        run_mode = "paddle"
    keypoint_model_config = dict(model_dir=os.path.join(model_root, "pose_model/tinypose_256x192"),
                                 device="gpu:{}".format(cuda_index),
                                 trt_calib_mode=True,
                                 run_mode=run_mode,
                                 enable_mkldnn=True,
                                 batch_size=8,
                                 threshold=0.5
                                 )
elif pose_model_platform == "mmpose":
    if pose_trt:
        keypoint_model_config = dict(model_config_path=os.path.join(model_root,
                                                                    "mspn50_coco_256x192_topdown_heatmap/mspn50_coco_256x192.py "),
                                     deploy_config_path=os.path.join(model_root,
                                                                     "mspn50_coco_256x192_topdown_heatmap/pose-detection_tensorrt_static-256x192.py"),
                                     device="cuda:{}".format(cuda_index),
                                     checkpoint=[os.path.join(model_root,
                                                              "mspn50_coco_256x192_topdown_heatmap/end2end.engine")]
                                     )
    else:
        keypoint_model_config = dict(model_config_path=os.path.join(model_root,
                                                                    "mspn50_coco_256x192_topdown_heatmap/mspn50_coco_256x192.py"),
                                     device="cuda:{}".format(cuda_index),
                                     checkpoint=os.path.join(model_root,
                                                             "mspn50_coco_256x192_topdown_heatmap/mspn50_coco_256x192-8fbfb5d0_20201123.pth")
                                     )

# ------------------------- 行为识别模型配置参数 ------------------------ #
if use_keypoint:
    action_config_root = os.path.join(model_root, "action_model/stgcn_80e_ntu60_xsub_keypoint")
    save_kp_npy = False  # 是否需要保留关键点姿态采集, 采集骨骼关键点, 并画出对应的骨骼关键点视频
    dataset_format = 'TopDownCocoDataset'
    class_name = "fall"  # run, jump .etc # 需要采集的骨骼关键点对应的动作类别
    npy_output_dir = os.path.join(pro_root, "test_npy/{}".format(class_name))
    if save_kp_npy:
        if not os.path.exists(npy_output_dir):
            os.makedirs(npy_output_dir)
    action_model_config = dict(
        model_config_path=os.path.join(action_config_root, "stgcn_80e_ntu60_xsub_keypoint_customer.py"),
        checkpoint=os.path.join(action_config_root, "best_top1_acc_epoch_26.pth"),
        action_label=os.path.join(pro_root, "dev/configs/customer_action.txt"),
        device="cuda:{}".format(cuda_index),
        item_max_size=item_max_size,  # 保留多少帧进行动作识别
        save_kp_npy=save_kp_npy,
        dataset_format=dataset_format,
        npy_output_dir=npy_output_dir
    )

# ----------------------- 人群聚集检测配置参数 ---------------------------- #
eps = 100  # 人员聚类距离
min_samples = 2  # 簇最少人数

# ----------------------- 人员入侵配置参数 ------------------------------- #
limited_area = (800, 200, 1000, 600)  # 对应限制区域的画面坐标

# -------------------------- 显示结果配置参数 ---------------------------- #
show_result = True  # 是否需要展示效果
show_config = dict(kps_threshold=0.3, draw_point_num=30)  # 关键点的展示阈值以及需要画跟踪点的长度