Integrantes

• Leidy Daniela Londoño
• Danna Valentina
• Isabella Huila

Sistema de Detección de Actividades Humanas

Este proyecto es un sistema completo para la detección y clasificación de actividades humanas en videos, utilizando técnicas de visión por computadora y aprendizaje automático. El sistema incluye módulos para la recolección de datos, extracción de características, anotación de videos, preprocesamiento de datos, entrenamiento de modelos y una interfaz para detección en tiempo real.

Características principales

• Grabación de videos: Captura de videos de actividades humanas con metadatos integrados.
• Anotación flexible: Soporte para anotación.
• Extracción de poses: Detección de landmarks corporales usando MediaPipe.
• Procesamiento de datos: Suavizado de landmarks y extracción de características de movimiento.
• Modelos de ML: Entrenamiento de múltiples modelos (Random Forest, SVM, XGBoost) con selección automática del mejor.

Componentes del sistema

1. VideoRecorder: Graba videos de actividades con etiquetas integradas.
2. VideoAnnotator: Herramienta para anotar videos con diferentes métodos.
3. PoseExtractor: Extrae landmarks corporales y características derivadas.
4. DataProcessor: Preprocesa y prepara los datos para entrenamiento.
5. ActivityClassifierTrainer: Entrena y evalúa modelos de clasificación.
6. RealTimeActivityClassifier: Clasifica actividades en tiempo real.

Instalación

1. Clona el repositorio:

   https://github.com/DaniLond/motionClassifier.git
   

2. Instala las dependencias:

   pip install -r requirements.txt
   

Uso

1. Pipeline completo Ejecuta el pipeline completo (recolección de datos, procesamiento, entrenamiento):

   python src/train_model.py
   

2. Demo en tiempo real

   python src/demo.py --model models/best_activity_classifier.pkl
   

Actividades soportadas

El sistema puede detectar las siguientes actividades:

• walk_forward: Caminar hacia adelante

• walk_back: Caminar hacia atrás

• turn: Girar

• sit: Sentarse

• stand: Pararse