使用OpenCV和MediaPipe库——实现人体姿态检测

目录

准备工作如何在Windows系统中安装OpenCV和MediaPipe库？

安装Python

安装OpenCV

安装MediaPipe

验证安装

代码逻辑

整体代码

效果展示

---

准备工作如何在Windows系统中安装OpenCV和MediaPipe库？

安装Python

    可以通过命令行运行python --version来检查版本号。如果没有安装，可以从Python官方网站下载并安装。

安装OpenCV

1. 打开命令提示符（Command Prompt）。

2. 输入以下命令来安装OpenCV-python：

   pip install opencv-python

   如果你也需要OpenCV的额外模块（如SIFT、SURF等），可以运行：

   pip install opencv-contrib-python

安装MediaPipe

安装MediaPipe同样简单，只需要在命令提示符下运行：

pip install mediapipe

验证安装

为了验证OpenCV和MediaPipe是否成功安装，可以在命令提示符中启动Python解释器，然后尝试导入这两个库：

import cv2
import mediapipe as mp
print(cv2.__version__)
print(mp.__version__)

如果打印出了版本号，安装成功。

---

代码逻辑

1. 导入必要的库:

   • cv2: OpenCV库，用于处理图像和视频。
   • mediapipe as mp: MediaPipe库，提供了一种简单的方法来访问先进的机器学习模型，这里用于人体姿态估计。
   • time: 用于时间相关的操作，比如计算FPS。

2. 初始化MediaPipe姿势检测对象:

   • 使用mp_pose.Pose()创建了一个姿势检测器对象，设置了最小检测置信度和跟踪置信度为0.5。

3. 打开摄像头获取视频流:

   • 使用cv2.VideoCapture(0)打开默认摄像头。

4. 主循环开始:

   • 在while cap.isOpened():循环中不断读取摄像头数据。

5. 处理每一帧图像:

   • 首先检查是否成功读取图像。
   • 然后计算当前帧的FPS。
   • 将BGR格式的图像转换为RGB格式，因为MediaPipe需要RGB格式的输入。
   • 使用姿势检测器对象对图像进行处理，得到关键点位置。

6. 绘制关键点和连接线:

   • 如果检测到了关键点(results.pose_landmarks)，则使用mp_drawing.draw_landmarks()函数在图像上绘制这些关键点及其连接线。
   • 可以自定义关键点和连线的颜色、粗细等属性。

7. 显示FPS信息:

   • 在图像上显示当前帧的FPS值，帮助用户了解程序运行的流畅度。

8. 展示结果并监听退出指令:

   • 使用cv2.imshow()展示处理后的图像。
   • 监听键盘事件，当按下'q'键时退出循环，释放资源并关闭所有窗口。

---

整体代码

import cv2  # 导入 OpenCV 库，用于图像处理和显示
import mediapipe as mp  # 导入 MediaPipe 库，用于姿势检测
import time  # 导入时间模块，用于计算 FPS# 初始化 MediaPipe 的绘图工具和姿势检测模型
mp_drawing = mp.solutions.drawing_utils  # 用于绘制关键点和连接线
mp_pose = mp.solutions.pose  # 用于姿势检测# 打开摄像头
cap = cv2.VideoCapture(0)  # 0 表示默认摄像头，如果有多个摄像头可以尝试 1, 2, 等# 初始化 FPS 计算相关变量
prev_time = 0  # 用于存储上一帧的时间戳# 使用 MediaPipe 的姿势检测模型
with mp_pose.Pose(min_detection_confidence=0.5,  # 检测置信度阈值，高于此值才认为检测到姿势min_tracking_confidence=0.5    # 跟踪置信度阈值，高于此值才继续跟踪
) as pose:# 进入主循环，持续读取摄像头画面while cap.isOpened():success, image = cap.read()  # 读取一帧画面if not success:  # 如果读取失败（如摄像头断开）print("无法读取摄像头画面。")break# --- 计算 FPS ---curr_time = time.time()  # 获取当前帧的时间戳dt = curr_time - prev_time  # 计算与上一帧的时间间隔（秒）fps = 1 / dt if dt != 0 else 0  # 计算帧率（FPS），避免除以零错误prev_time = curr_time  # 更新上一帧的时间戳# 将图像从 BGR 格式转换为 RGB 格式（MediaPipe 需要 RGB 格式）image_rgb = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)# 使用姿势检测模型处理图像results = pose.process(image_rgb)# 如果检测到姿势关键点，绘制关键点和连接线if results.pose_landmarks:mp_drawing.draw_landmarks(image,  # 要绘制的图像results.pose_landmarks,  # 检测到的姿势关键点mp_pose.POSE_CONNECTIONS,  # 定义关键点之间的连接线landmark_drawing_spec=mp_drawing.DrawingSpec(color=(0, 255, 0), thickness=2),  # 关键点的颜色和粗细connection_drawing_spec=mp_drawing.DrawingSpec(color=(0, 0, 255), thickness=2)  # 连接线的颜色和粗细)# --- 在画面上显示 FPS ---fps_text = "FPS: {:.2f}".format(fps)  # 格式化 FPS 值，保留两位小数cv2.putText(image,  # 要绘制的图像fps_text,  # 显示的文本内容(10, 30),  # 文本位置（左上角，距离左边 10 像素，距离顶部 30 像素）cv2.FONT_HERSHEY_SIMPLEX,  # 字体类型1,  # 字体大小(0, 255, 0),  # 字体颜色（绿色）2  # 字体粗细)# 显示处理后的图像cv2.imshow('Real-Time Pose Detection', image)# 检测按键输入，如果按下 'q' 键则退出循环if cv2.waitKey(1) & 0xFF == ord('q'):break# 释放摄像头资源
cap.release()# 关闭所有 OpenCV 窗口
cv2.destroyAllWindows()

效果展示