2D人体姿态识别-对Human3.6M数据集预处理（1）：用python读取并处理cdf文件，cdflib包中各函数介绍，Human3.6M数据集2d关节点格式解读

本文主要是介绍2D人体姿态识别-对Human3.6M数据集预处理（1）：用python读取并处理cdf文件，cdflib包中各函数介绍，Human3.6M数据集2d关节点格式解读，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

文章目录

一、Human3.6M数据集结构介绍
二、处理cdf.文件
- 1.法一：使用nasa官方提供的CDF library
- 2.法二：使用CDF library的纯python替代品：cdflib
- - 1）安装cdflib
  - 2）cdflib中各函数介绍
  - - ①读取一个cdf.文件 cdflib.CDF('xxx.cdf')
    - ②查看此cdf.文件信息: cdf_info()
    - ③提取此cdf文件中的变量：varget ()
  - 3）*cdflib实例：处理H3.6M中存储2d keypoints的cdf文件
  - 4）解读Human3.6M数据集中视频和2d关节点数据

前言

一、Human3.6M数据集结构介绍

Human3.6M数据集有360万个3D人体姿势和相应的图像，共有11个实验者（Subject）（6男5女，论文一般选取1，5，6，7，8作为train，9，11作为test），和17个动作场景（Scenario），诸如讨论、吃饭、运动、问候等动作。该数据由4个数字摄像机，1个时间传感器，10个运动摄像机捕获。

我需要训练的网络输入应该为两个角度的人物照片（从视频中提取关键帧），2d关节的关键点作为监督（从cdf文件中提取）。从官网的以下分类中下载：
官方分类以及该下载的数据
大批量预处理Human3.6M数据集的方法可以参考:github: h36m-fetch
这次的小批量预处理先以S1（人物）的sitting1.55011271(人物右前方，观察者的左侧，下面用左来命名)和sitting.60457274(人物左前方，观察者的右侧，下面用右来命名)为例。
项目文件夹:所需用到的数据

二、处理cdf.文件

1.法一：使用nasa官方提供的CDF library

参考：使用python读取cdf数据

第一步：下载CDF Library：nasa cdf 官网
第二步：编译make OS=linux ENV=gnu CURSES=yes FORTRAN=no UCOPTIONS=-O2 SHARED=yes all
第三步：安装sudo make INSTALLDIR=/usr/local/cdf install
第四步：安装spacepy pip install spacepy
第五步：使用代码如下实例

import os
from spacepy import pycdf
os.environ["CDF_LIB"] = "/usr/local/cdf/lib"
anno_Greeting=pycdf.CDF('/home/maddaff/Documents/TestSpace/Greeting.54138969.cdf')
data=anno_Greeting.copy()
anno_Greeting.close()
print data.keys()

NASA官网提供的可下载文件太多了，我不知道下载哪个才是正确的CDF Lib，故而放弃了这种方法。

2.法二：使用CDF library的纯python替代品：cdflib

cdflib模块详情（github地址）

1）安装cdflib

在cmd中执行pip install cdflib
或者直接在Pycharm中安装此package
在这里插入图片描述

2）cdflib中各函数介绍

①读取一个cdf.文件 cdflib.CDF(‘xxx.cdf’)

 import cdflib
cdf_file = cdflib.CDF('/path/to/cdf_file.cdf')

②查看此cdf.文件信息: cdf_info()

返回一个显示基本CDF信息的字典。这些信息包括:
cdfCDF的名称
version CDF的版本
encoding CDF的字节顺序
Majority 行/列多数
zVariables 一个zVariables名称的列表。
rVariables 一个rVariables名称的列表。
Attributes 一个包含属性名及其作用域的字典对象列表，例如 - {attribute_name : scope}。
Checksum 验算符
Num_rdim 维度数，仅适用于 rVariables。
rDim_sizes 维度大小，仅适用于 rVariables。
Compressed CDF压缩到此文件级
LeapSecondUpdated 最后更新的闰年表(如适用)

③提取此cdf文件中的变量：varget ()

varget (variable = None, [epoch=None], [[starttime=None, endtime=None] | [startrec=0, endrec = None]], [,expand=True])

默认情况下，将返回完整的变量数据。要仅获取记录可变变量的一部分数据，可以指定时间或记录（从0开始）范围。
epoch可用于指定该变量所依赖的时间变量，并将在时间范围内进行搜索。对于符合ISTP的CDF，时间变量将来自此变量的属性“ DEPEND_0”。该功能将自动搜索它，因此无需指定“epoch”。
如果未指定开始时间或结束时间(starttime和end time)，则假定特定时期数据类型可能的最小值或最大值。
如果未指定开始或结束记录( startrec 和 endrec)，则范围从0开始,结束于最后写入的数据。

开始（和结束）时间应在列表中显示为：

[year month day hour minute second millisec] for CDF_EPOCH
[year month day hour minute second millisec microsec nanosec picosec] for
CDF_EPOCH16
[year month day hour minute second millisec microsec nanosec] for CDF_TIME_TT2000

如果没有提供足够的时间分量，则只有最后一项可以具有子时间分量的浮动部分。

注意：CDF的CDF_EPOCH16数据类型为每个数据值使用2个8字节双精度数。在Python中，每个值都表示为complex或numpy.complex128。

返回变量数据。可以输入变量名或变量号。默认情况下，它会根据数据类型返回带有变量data及其规范的numpy.ndarray or或list()class对象。

如果为expand=True，则返回具有以下定义的键的字典用于输出

Rec_Ndim 每个变量记录的维数
Rec_Shape 变量的形状
Num_Records 记录总数
Records_Returned 检索到的记录数
Data_Type CDF数据类型
Data 检索变量数据
Real_Records 列表中稀疏记录变量的真实数据记录号

例如：

x = cdf_file.varget("NameOfVariable", startrec = 0, endrec = 150)

此命令将返回变量Variable10中的所有数据，从记录时刻0到150

3）*cdflib实例：处理H3.6M中存储2d keypoints的cdf文件

import cdflib#load a cdf file
cdf= cdflib.CDF('Sitting 1.55011271.cdf')#View the Information about the cdf file
info = cdf.cdf_info()#Get the variables in the cdf file
x = cdf.varget("Pose")

4）解读Human3.6M数据集中视频和2d关节点数据

上述代码生成的变量如下图所示：
在这里插入图片描述
我们重点关注x（1，3304，64）,也就是从cdf文件中提取出来的变量，表示的是视频每一帧中各关节点的2d坐标标注。

行-帧数：cdf文件的每一行的定义是一帧中的标注，因此一个标注文件对应的视频有多少帧，这个文件就有多少行。这个sitting1.55011271.mp4共有3304帧。
列-32个关键点的2D坐标：这3304行的每一行里面有64个数据，每2个数据为一组，共32组，每组表示的便是这个关键点的2D坐标。

论文《Human3.6M: Large Scale Datasets and Predictive Methods for 3D Human Sensing in Natural Environments》提到，数据集中共有32个关节点，但并未给出具体的标注顺序和对应关节。

在h3.6m中，会有一些看似冗余标注点，如图中的11和0是重合的，其实是因为h36m的节点来说，如果它们的父节点相同，那么它们共享同一个旋转向量，因此所有父节点相同的节点相对父节点旋转角度都是一样的，这样会造成一些问题，比如节点0有3子节点，但是胯部的方向和脊椎的旋转方向是不一样的，因此就需要一个多设置一个11节点作为12的父节点来改变12节点的旋转方向。同理，20与19重合用来改变21的方向，28与27重合用来改变29的方向，16和24都与13重合，16用来改变17的方向，24用来改变25的方向，剩下的23和31则为无意义节点。
————————————————
版权声明：本文为CSDN博主「alickr」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/alickr/article/details/107837403

由此可知，H36M数据集中标注32个关键点（见右图），一部分是为了满足表达旋转向量的需要的。我们只研究关节点的2d位置时，不需要考虑全部的32个关键点，只需要提取出有效表示对应关节的关键点即可（见左表）。

在这里插入图片描述
右图是参考博文CSDN:human3.6m数据集格式解析中给出的全部关键点（keypoints）的标注顺序，左表是博文COCO和Human3.6m两个数据集的人体骨骼标注顺序中给出的关键点和主要关节对应关系(注意这篇博文里coco的标注是错的！正确的关系见Coco key point json file parsing)：