/
classSkeleton.py
586 lines (530 loc) · 22.1 KB
/
classSkeleton.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
# -*- coding: utf-8 -*-
"""
Created on Sun Apr 12 18:51:20 2015
@author: Manence
"""
import numpy as np
import re
from hmmlearn.hmm import GaussianHMM
###############################################
###############################################
##########DECLARATION DES CLASSES##############
###############################################
###############################################
#NoeudJoint et GrapheSquelette serviront à normaliser le squelette lors de la génération de mouvements
class NoeudJoint():
'''
attribut :
JointsSuiv = liste des jointures qui suivent directement (de bas en haut) la jointure actuelle, exemple : pour le elbowRight, son jointsSuiv possède wristleRight
noeud = la jointure actuelle
'''
def __init__(self, noeud):
self.jointsSuiv = []
self.noeud = noeud # un noeud est un triplé x y z
def addSuiv(self, noeudSuiv):
self.jointsSuiv.append(noeudSuiv)
def setNoeud(self, noeud):
self.noeud = noeud
class GrapheSquelette():
'''
attribut :
squelette = le squelette du mouvement, créé par la fonction createSquelette
'''
def __init__(self):
self.squelette = []
def addMember(self, member):
self.squelette.append(member)
def genererImage(self):
'''
retourne une image à partir d'un objet GrapheSquelette
'''
return np.array([self.squelette[11].noeud, self.squelette[10].noeud,self.squelette[1].noeud,
self.squelette[0].noeud,self.squelette[3].noeud,self.squelette[5].noeud,
self.squelette[7].noeud,self.squelette[9].noeud,self.squelette[2].noeud,
self.squelette[4].noeud,self.squelette[6].noeud,self.squelette[8].noeud,
self.squelette[13].noeud,self.squelette[15].noeud,self.squelette[17].noeud,
self.squelette[19].noeud,self.squelette[12].noeud,self.squelette[14].noeud,
self.squelette[16].noeud,self.squelette[18].noeud]).ravel()
def createSkeleton(self, image):
'''
forme le squlette d'une image à la manière d'un graphe orienté partant de la tête jusqu'aux pieds
paramètres:
image : une position d'un mouvement = un vecteur de 60 coordonnées
'''
hipCenter = NoeudJoint(np.array([image[0], image[1], image[2]]))
spine = NoeudJoint(np.array([image[3], image[4], image[5]]))
shoulderCenter = NoeudJoint(np.array([image[6], image[7], image[8]]))
head = NoeudJoint(np.array([image[9], image[10], image[11]]))
shoulderLeft = NoeudJoint(np.array([image[12], image[13], image[14]]))
elbowLeft = NoeudJoint(np.array([image[15], image[16], image[17]]))
wristleLeft = NoeudJoint(np.array([image[18], image[19], image[20]]))
handLeft = NoeudJoint(np.array([image[21], image[22], image[23]]))
shoulderRight = NoeudJoint(np.array([image[24], image[25], image[26]]))
elbowRight = NoeudJoint(np.array([image[27], image[28], image[29]]))
wristleRight = NoeudJoint(np.array([image[30], image[31], image[32]]))
handRight = NoeudJoint(np.array([image[33], image[34], image[35]]))
hipLeft = NoeudJoint(np.array([image[36], image[37], image[38]]))
kneeLeft = NoeudJoint(np.array([image[39], image[40], image[41]]))
ankleLeft = NoeudJoint(np.array([image[42], image[43], image[44]]))
footLeft = NoeudJoint(np.array([image[45], image[46], image[47]]))
hipRight = NoeudJoint(np.array([image[48], image[49], image[50]]))
kneeRight = NoeudJoint(np.array([image[51], image[52], image[53]]))
ankleRight = NoeudJoint(np.array([image[54], image[55], image[56]]))
footRight = NoeudJoint(np.array([image[57], image[58], image[59]]))
head.addSuiv(shoulderCenter)
shoulderCenter.addSuiv(shoulderRight)
shoulderCenter.addSuiv(shoulderLeft)
shoulderRight.addSuiv(elbowRight)
shoulderLeft.addSuiv(elbowLeft)
elbowRight.addSuiv(wristleRight)
elbowLeft.addSuiv(wristleLeft)
wristleRight.addSuiv(handRight)
wristleLeft.addSuiv(handLeft)
shoulderCenter.addSuiv(spine)
spine.addSuiv(hipCenter)
hipCenter.addSuiv(hipRight)
hipCenter.addSuiv(hipLeft)
hipRight.addSuiv(kneeRight)
hipLeft.addSuiv(kneeLeft)
kneeRight.addSuiv(ankleRight)
kneeLeft.addSuiv(ankleLeft)
ankleRight.addSuiv(footRight)
ankleLeft.addSuiv(footLeft)
self.addMember(head) #0
self.addMember(shoulderCenter) #1
self.addMember(shoulderRight) #2
self.addMember(shoulderLeft) #3
self.addMember(elbowRight) #4
self.addMember(elbowLeft) #5
self.addMember(wristleRight) #6
self.addMember(wristleLeft) #7
self.addMember(handRight) #8
self.addMember(handLeft) #9
self.addMember(spine) #10
self.addMember(hipCenter) #11
self.addMember(hipRight) #12
self.addMember(hipLeft) #13
self.addMember(kneeRight) #14
self.addMember(kneeLeft) #15
self.addMember(ankleRight) #16
self.addMember(ankleLeft) #17
self.addMember(footRight) #18
self.addMember(footLeft) #19
###############################################
###############################################
#####FONCTIONS DE LECTURE DE FICHIERS##########
###############################################
###############################################
def read_file( filename, path):
'''
lecture d'un fichier où sont stockés les mouvements
paramètres :
filename = nom du fichier à lire
path = endroit où est situé le fichier
sortie :
motion_data = Un mouvement = tableau de vecteurs de 60 coordonnées
'''
fic = open(path+"/"+filename+".txt", "r")
motion_data = []
data = np.zeros(60)
line=" "
i=4
j=0
while(line != ''):
line = fic.readline()
try:
x, y, z, w = line.split()
except ValueError:
continue
data[i-(4+j)] = float(re.sub(r",", r".", x))
data[i-(3+j)] = float(re.sub(r",", r".", y))
data[i-(2+j)] = float(re.sub(r",", r".", z))
#data[i-1] = float(re.sub(r",", r".", w))
if(i%80 == 0):
motion_data.append(data)
data = np.zeros(60)
i = 0
j=-1
i+=4
j+=1
fic.close()
motion_data = np.array(motion_data)
return motion_data
#lit tous les fichiers d'une meme classe. Ils sont enregistré de cette manière : saut1, saut2... sautn
def read_all_files(filename, nbfiles, path):
'''
lit tous les fichiers d'une meme classe. Ils doivent être enregistrés de cette manière : mouv1, mouv2... mouvn
paramètres :
filename = nom du fichier à lire
nbfiles = nombre de fichiers à lire pour un cluster
path = endroit opù est situé le fichier
sortie :
all_motion_data = tableau à trois dimension représentant un cluster possèdant des mouvements possèdant lui même des positions
'''
all_motion_data = []
for i in range (1,nbfiles+1):
try:
all_motion_data.append(read_file(filename+str(i), path))
except:
break
all_motion_data = np.array(all_motion_data)
return all_motion_data
class listeModeles():
'''
listeModeles est la classe principale qui possède une liste de modèles hmm et une liste de tests
attribut :
tabModels = table de hachage des modèles. Le premier élément d'une ligne est le nom d'un cluster, les éléments d'après sont des modèles qui ont été appris sur ce cluster
tabTests = table de hachage des modèles. Le premier élément d'une ligne est le nom du test
'''
def __init__(self):
self.tabModels = []
self.tabTests = []
def addModel(self, nom, data, nbEtats, n_iter, startprob_prior=None, transmat_prior=None):
'''
ajoute un model à tabModels
paramètres :
nom = nom du modèle
data = tableau à trois dimension représentant un cluster possèdant des mouvements possèdant lui même des positions
nbEtats = nombre d'états cachés pour chaque modèle
n_iter = nombre d'itérations pour l'algorithme de Baum-Welch
startprob_prior = la matrice initiale à priori
transmat_prior = la matrice de transition à priori des états
'''
model = GaussianHMM(nbEtats, covariance_type="diag", n_iter=n_iter, startprob_prior=startprob_prior, transmat_prior=transmat_prior)
model.fit(data)
verif_set_transMat(model)
taille = len(self.tabModels)
if(taille == 0):
self.tabModels.append([nom])
self.tabModels[0].append(model)
return
for i in range(taille):
if(self.tabModels[i][0] == nom):
self.tabModels[i].append(model)
return
self.tabModels.append([nom])
self.tabModels[-1].append(model)
def addTest(self, nom, data):
'''
ajoute un test à tabTests
paramètres :
nom = nom du test
data = tableau à deux dimensions représentant un mouvements possèdant des positions
'''
taille = len(self.tabTests)
if(taille == 0):
self.tabTests.append([nom])
self.tabTests[0].append(data)
return
for i in range(taille):
if(self.tabTests[i][0] == nom):
self.tabTests[i].append(data)
return
self.tabTests.append([nom])
self.tabTests[-1].append(data)
def genererModels(self, path, names, nbfiles=200, nbEtats=10, n_iter=300, t="absolu", startprob_prior=None, transmat_prior=None, f_read = read_all_files):
'''
lit et crée un tableau de données pour génèrer automatiquement autant de modèle qu'il y en a dans "names"
paramètres :
path = chemin où se trouvent les données
names = les noms des clusters à lire dans le dossier
nbfiles = nombre de fichiers à lire pour un cluster
nbEtats = nombre d'états cachés pour chaque modèle
n_iter = nombre d'itérations pour l'algorithme de Baum-Welch
startprob_prior = la matrice initiale à priori
transmat_prior = la matrice de transition à priori des états
t = type de données. t peut etre soit absoulu (brut) soit relatif(variation de vitesse) soit barycentre (centré au niveau du barycentre du squelette)
f_read = fonction de lecture de fichier
'''
for f in names:
data = f_read(f, nbfiles, path)
if(t == "relatif"):
data = to_relative_all(data)
if(t == "barycentre"):
data = centrer_plan_squelette_all(data)
self.addModel(f, data, nbEtats, n_iter, startprob_prior, transmat_prior)
def genererTests(self, path, names, nbfiles=200, t="absolu", f_read = read_all_files):
'''
lit et crée un tableau de données pour génèrer automatiquement autant de tests qu'il y en a dans "names"
paramètres :
path = chemin où se trouve les données
names = les noms des clusters à lire dans le dossier
nbfiles = nombre de fichiers à lire pour un cluster
t = type de données. t peut etre soit absoulu (brut) soit relatif(variation de vitesse) soit barycentre (centré au niveau du barycentre du squelette)
f_read = fonction de lecture de fichier
'''
for f in names:
data = f_read(f, nbfiles, path)
if(t == "relatif"):
data = to_relative_all(data)
if(t == "barycentre"):
data = centrer_plan_squelette_all(data)
for i in range(len(data)):
self.addTest(f, data[i])
def getModel(self, name):
'''
récupère un modèle de tabModels
paramètre
name = nom du modèle à récupérer (une chaine de charactères)
'''
aux = np.array(self.tabModels)
return aux[np.where(aux[:,0] == name)].ravel()
def getTest(self, name):
'''
récupère un test de tabTests
paramètre
name = nom du test à récupérer (une chaine de charactères)
'''
for i in range(len(self.tabTests)):
if(self.tabTests[i][0] == name):
return self.tabTests[i]
return []
#
def removeModel(self, name, numModel=0):
'''
supprime un modèle
si numModel=0 tous les modèles de name seront supprimés, sinon juste celui à l'indice numModel
name = nom du modèle à supprimer (une chaine de charactères)
numModel = l'indice du modèle à supprimer
'''
for i in range(len(self.tabModels)):
if(name == self.tabModels[i][0]):
if(numModel == 0):
self.tabModels.pop(i)
return
else:
self.tabModels[i].pop(numModel)
return
def removeTest(self, name, numTest=0):
'''
supprime un test
si numModel=0 tous les tests de name seront supprimés, sinon juste celui à l'indice numModel
name = nom du test à supprimer (une chaine de charactères)
numTest = l'indice du test à supprimer
'''
for i in range(len(self.tabTests)):
if(name == self.tabTests[i][0]):
if(numTest == 0):
self.tabTests.pop(i)
return
else:
self.tabTests[i].pop(numTest)
return
def prediction(self, test):
'''
prédit la valeur d'un test d'après tous les modèles de tabModels
paramètres:
test = un mouvement
sortie :
tabScores = le tableau des scores des modèles
le modèle qui a obtenu le meilleur score
le nom du cluster prédit
'''
tabScores = []
best = -np.inf
bestInd = 0
bestMod = 0
for i in range(len(self.tabModels)):
tabScoreMod = [] # tableau des scores par modèle (exemple: pour saut, course etc)
for j in range(1, len(self.tabModels[i])):
mod = self.tabModels[i][j]
tabScoreMod.append(mod.score(test))
tabScoreMod = np.array(tabScoreMod)
if(np.max(tabScoreMod) > best):
best = np.max(tabScoreMod)
bestMod = np.argmax(tabScoreMod)
bestInd = i
tabScores.append(tabScoreMod)
return np.array(tabScores), self.tabModels[bestInd][bestMod+1], self.tabModels[bestInd][0]
def predictionUnModele(self, test, numModele):
'''
prédit la valeur d'un test d'après un type modèle (modèles créés avec les mêmes paramètres) de tabModels
paramètres:
test = un mouvement
numModèle = numéro du modèle pour chaque cluster
sortie :
tabScores = le tableau des scores des modèles
le nom du cluster prédit
'''
tabScores = []
best = -np.inf
bestInd = 0
for i in range(len(self.tabModels)):
mod = self.tabModels[i][numModele]
score = mod.score(test)
if(score > best):
best = score
bestInd = i
tabScores.append(score)
return np.array(tabScores), self.tabModels[bestInd][0]
def score(self):
'''
donne le score pour un objet listeModeles en utilisant tous ses tests et tous ses modèles
sortie :
score = le pourcentage de taux de bonnes classifications
tabScore = montre le de fois qu'un modèle a été choisi correctement.
'''
score = 0
tabScores = np.zeros((len(self.tabModels), len(self.tabModels[0])-1))
total = 0
for i in range(len(self.tabTests)):
resAttendu = self.tabTests[i][0]
for j in xrange(1, len(self.tabTests[i])):
resTab, resMod, res = self.prediction(self.tabTests[i][j])
if(res == resAttendu):
score+=1
if(resTab.shape[1] > 1):
t1 = resTab.argmax(1)
t2 = resTab.max(1).argmax()
tabScores[t2][t1[t2]]+=1
else:
t1 = resTab.argmax()
tabScores[t1][0]+=1
total+=1
score = (score/(1.0*total))*100
return score, tabScores
#donne le score des tests de l'objet en fonction des modèles créés avec les mêmes paramètres
def scoreUnModele(self, numModele):
'''
donne le score pour un objet listeModeles en utilisant tous ses tests et un seul type de modèles ( modèles créés avec les mêmes paramètres)
paramètres :
numModèle = numéro du modèle pour chaque cluster
sortie :
score = le pourcentage de taux de bonnes classifications
'''
score = 0
total = 0
for i in range(len(self.tabTests)):
resAttendu = self.tabTests[i][0]
for j in xrange(1, len(self.tabTests[i])):
resTab, res = self.predictionUnModele(self.tabTests[i][j], numModele)
if(res == resAttendu):
score+=1
total+=1
score = (score/(1.0*total))*100
return score
###############################################
###############################################
#######FONCTIONS POUR GERER LES MODELES########
###############################################
###############################################
def createMatStartTransPrior(nbEtats, pett): #pett = proba etat trans au temps t
'''
creer trans_mat_prior et start_prob_prior
'''
sp = np.zeros(nbEtats)
sp[0] = 1
tp = np.zeros((nbEtats, nbEtats))
j=0
for i in range(nbEtats):
tp[i,j] = pett
tp[i,(j+1)%nbEtats] = 1-pett
j+=1
return sp, tp
def verif_set_transMat(model):
'''
modifie la transmat si pas de proba de transmission assez élevée
utile surtout pour la génération de mouvement
'''
j = 0
nbEtats = model.n_components
aux = np.zeros((nbEtats, nbEtats))
for i in range(nbEtats):
if(i==nbEtats-1):
if(model.transmat_[i,0] < 0.01):
aux[i,0] = 0.01
aux[i,j] = 0.99
continue
if (model.transmat_[i,j] > .99):
aux[i,j] = 0.99
aux[i,(j+1)%nbEtats] = 0.01
else:
aux[i,:] = model.transmat_[i,:]
j+=1
model._set_transmat(aux)
###############################################
###############################################
#####FONCTIONS POUR LES DONNEES RELATIVES######
###############################################
###############################################
#change les données absolues en donnée relative
def to_relative(motion_data):
'''
change les données absolues en données relatives
paramètres :
motion_data = Un mouvement = tableau de vecteurs de 60 coordonnées
sortie :
relatives : même type que motion_data
'''
relatives = np.zeros((len(motion_data)-1, len(motion_data[0])))
for t in range(len(relatives)):
relatives[t] = np.subtract(motion_data[t+1], motion_data[t])
return relatives
def to_relative_all(all_motion_data):
'''
change les toutes les données absolues en données relatives
paramètres :
all_motion_data = tableau à trois dimension représentant un cluster possèdant des mouvements possèdant lui même des positions
sortie :
all_relatives : même type que all_motion_data
'''
all_relatives = []
for i in range(len(all_motion_data)):
all_relatives.append(to_relative(all_motion_data[i]))
return all_relatives
###############################################
###############################################
#####FONCTIONS POUR LES DONNEES CENTREES#######
###############################################
###############################################
def centrer_plan_squelette(motion_data):
'''
Centre les coordonnées au niveau du barycentre du squelette
paramètres :
motion_data = Un mouvement = tableau de vecteurs de 60 coordonnées
sortie : même type que motion_data
'''
res = []
dataRes = desaligner_data(motion_data)
for i in range(len(dataRes)):
res.append(dataRes[i] - dataRes[i].mean(0))
return aligner_data(np.array(res))
def centrer_plan_squelette_all(all_motion_data):
'''
Centre les coordonnées au niveau du barycentre du squelette
paramètres :
all_motion_data = tableau à trois dimension représentant un cluster possèdant des mouvements possèdant lui même des positions
sortie : même type que all_motion_data
'''
all_centrees = []
for i in range(len(all_motion_data)):
all_centrees.append(centrer_plan_squelette(all_motion_data[i]))
return np.array(all_centrees)
###############################################
###############################################
#########FONCTIONS TRIER LES DONNEES###########
###############################################
###############################################
def desaligner_data(motion_data):
'''
change le format des mouvement en format colone (taille (20,3))
'''
res = []
for i in range(len(motion_data)):
mouv = np.zeros((20, 3))
for j in xrange(0, len(motion_data[i]), 3):
mouv[j/3][0] = motion_data[i][j]
mouv[j/3][1] = motion_data[i][j+1]
mouv[j/3][2] = motion_data[i][j+2]
res.append(mouv)
return np.array(res)
#fonction qui remet format alligné (60, )
def aligner_data(motion_data):
'''
remet format alligné (60, )
'''
res = []
for i in range(len(motion_data)):
mouv = np.ravel(motion_data[i])
res.append(mouv)
return np.array(res)