# 第一版的結案報告

[TOC]

## 前言
希望也是最後一版
## 計劃書

# [進度表+討論內容](https://hackmd.io/@subject/rk6MrzoHd)
# [word版](https://docs.google.com/document/d/1_H6ecpq2mXtcD7Gc2iKeEqnm7a56Az43C6_AFYp6Itc/edit)
內容包括
- 計畫題目
- 計畫成員
- 計畫摘要(簡單的動機和主要期望的目標)
- 計畫簡介(背景,目標,影響,類似研究的文獻蒐集)
- 主要運用技術
- 計畫執行時程與檢合點的規劃
- 預期成果

## 計劃題目
姿識\+

## 計劃摘要
近年來，身分辨識十分興盛，其中人臉辨識最為多，但是萬一沒有正面的臉，就很難辨識出來，所以我們想要利用人的動作習慣來判別身分，
故利用openpose來偵測人體的姿勢關節點，再藉由deep learning自主學習，透過連續的關節點變化，藉以來辨認出此人做之動作並分析出此人的姿體習慣特徵，進一步能辨認出此人的身分。

## 計劃簡介
身份辨識在現在的社會中越來越重要，不管是手機指紋辨識、亦或是人臉辨識、姿態辨識等等,我們選擇姿態辨識的理由是，相對於其他的生物辨識而言，是可以在遠距離就判斷出來的，不需要近距離的接觸，甚至於現在疫情盛行，人們都希望減少病毒接觸的可能性，姿態辨識就是其中一種可能性
我們的目標是希望能只藉由少量的data，就能讓機器對於ID的辨識度能達到95%以上

預期上希望給機器同一類動作的data，要能有至少96%~99%的辨識度、只給某一動作的data，機器對於不同動作的data也要能有不錯的辨識率
進一步如果能與三軸加速度結合一起判斷,也許更能提升辨識率

## 主要運用技術
* openpose: 利用openpose來擷取人在每一幀的關節點
* Neural Networks: CNN1d, Dense, ......
* [辨識動作的實驗](https://hackmd.io/T1QtYYx5SvedWE5jCcfPFA)

## 資料捜集

## 計劃執行時程與檢核點的規劃(計畫內容)
開始，是先收集測資，自行去拍攝人做各種動作的影片，再經過openpose轉成各關節點之座標
接者，我們計劃中有4個目標:
1. 辨識出動作:
* 固定拍攝角度:
* train data和test data中含同一批人
* train data和test data中不含同一批人

要能抓出動作的特徵應該不難，所以預期ACC要達到很高
檢核點規劃: 可能就是要做出一筆混合動作或是其他動作，來判斷
可能可以多設計實驗來驗證到底能不能正確的辨認動作

2. 在各種動作中，辨識出身分:
* 寫一個去識別化的disentangling模型，將動作特徵去掉後直接抓取身分特徵(理想中)
* 設計一個模型 去分辨身分
* test data 所測試的動作 是包含於 train data所放入的動作

## 結果