Python 手势识别指南

借助 MediaPipe 手势识别程序任务，您可以实时识别手势，并提供识别出的手势结果和检测到的手势的手部特征点。以下说明介绍了如何在 Python 应用中使用手势识别程序。

您可以观看 Web 演示，了解此任务的实际效果。如需详细了解此任务的功能、模型和配置选项，请参阅概览。

代码示例

手势识别程序的示例代码在 Python 中提供了此任务的完整实现，以供您参考。此代码可帮助您测试此任务，并开始构建自己的手势识别程序。只需使用网络浏览器，您就可以查看、运行和修改手势识别程序示例代码。

如果您要为 Raspberry Pi 实现手势识别器，请参阅 Raspberry Pi 示例应用。

初始设置

本部分介绍了专门针对使用手势识别程序而设置开发环境和代码项目的关键步骤。如需了解如何为使用 MediaPipe 任务设置开发环境的一般信息（包括平台版本要求），请参阅 Python 设置指南。

软件包

MediaPipe 手势识别程序任务需要 mediapipe PyPI 软件包。您可以利用以下代码安装和导入这些依赖项：

$ python -m pip install mediapipe

导入

导入以下类来访问手势识别程序任务功能：

import mediapipe as mp
from mediapipe.tasks import python
from mediapipe.tasks.python import vision

模型

MediaPipe 手势识别程序任务需要使用与此任务兼容的经过训练的模型包。如需详细了解手势识别程序可用的经过训练的模型，请参阅任务概览“模型”部分。

选择并下载模型，然后将其存储在本地目录中：

model_path = '/absolute/path/to/gesture_recognizer.task'

在 Model Name 参数中指定模型的路径，如下所示：

base_options = BaseOptions(model_asset_path=model_path)

创建任务

MediaPipe 手势识别程序任务使用 create_from_options 函数来设置该任务。create_from_options 函数接受要处理的配置选项的值。如需详细了解配置选项，请参阅配置选项。

以下代码演示了如何构建和配置此任务。

这些示例还展示了图片、视频文件和直播视频流的任务构造变体。

import mediapipe as mp

BaseOptions = mp.tasks.BaseOptions
GestureRecognizer = mp.tasks.vision.GestureRecognizer
GestureRecognizerOptions = mp.tasks.vision.GestureRecognizerOptions
VisionRunningMode = mp.tasks.vision.RunningMode

# Create a gesture recognizer instance with the image mode:
options = GestureRecognizerOptions(
    base_options=BaseOptions(model_asset_path='/path/to/model.task'),
    running_mode=VisionRunningMode.IMAGE)
with GestureRecognizer.create_from_options(options) as recognizer:
  # The detector is initialized. Use it here.
  # ...
    

import mediapipe as mp

BaseOptions = mp.tasks.BaseOptions
GestureRecognizer = mp.tasks.vision.GestureRecognizer
GestureRecognizerOptions = mp.tasks.vision.GestureRecognizerOptions
VisionRunningMode = mp.tasks.vision.RunningMode

# Create a gesture recognizer instance with the video mode:
options = GestureRecognizerOptions(
    base_options=BaseOptions(model_asset_path='/path/to/model.task'),
    running_mode=VisionRunningMode.VIDEO)
with GestureRecognizer.create_from_options(options) as recognizer:
  # The detector is initialized. Use it here.
  # ...
    

import mediapipe as mp

BaseOptions = mp.tasks.BaseOptions
GestureRecognizer = mp.tasks.vision.GestureRecognizer
GestureRecognizerOptions = mp.tasks.vision.GestureRecognizerOptions
GestureRecognizerResult = mp.tasks.vision.GestureRecognizerResult
VisionRunningMode = mp.tasks.vision.RunningMode

# Create a gesture recognizer instance with the live stream mode:
def print_result(result: GestureRecognizerResult, output_image: mp.Image, timestamp_ms: int):
    print('gesture recognition result: {}'.format(result))

options = GestureRecognizerOptions(
    base_options=BaseOptions(model_asset_path='/path/to/model.task'),
    running_mode=VisionRunningMode.LIVE_STREAM,
    result_callback=print_result)
with GestureRecognizer.create_from_options(options) as recognizer:
  # The detector is initialized. Use it here.
  # ...
    

配置选项

此任务为 Python 应用提供以下配置选项：

准备数据

准备您的输入作为图片文件或 NumPy 数组，然后将其转换为 mediapipe.Image 对象。如果您的输入是来自摄像头的视频文件或直播，您可以使用外部库（如 OpenCV）将输入帧加载为 Numpy 数组。

import mediapipe as mp

# Load the input image from an image file.
mp_image = mp.Image.create_from_file('/path/to/image')

# Load the input image from a numpy array.
mp_image = mp.Image(image_format=mp.ImageFormat.SRGB, data=numpy_image)
    

import mediapipe as mp

# Use OpenCV’s VideoCapture to load the input video.

# Load the frame rate of the video using OpenCV’s CV_CAP_PROP_FPS
# You’ll need it to calculate the timestamp for each frame.

# Loop through each frame in the video using VideoCapture#read()

# Convert the frame received from OpenCV to a MediaPipe’s Image object.
mp_image = mp.Image(image_format=mp.ImageFormat.SRGB, data=numpy_frame_from_opencv)
    

import mediapipe as mp

# Use OpenCV’s VideoCapture to start capturing from the webcam.

# Create a loop to read the latest frame from the camera using VideoCapture#read()

# Convert the frame received from OpenCV to a MediaPipe’s Image object.
mp_image = mp.Image(image_format=mp.ImageFormat.SRGB, data=numpy_frame_from_opencv)
    

运行任务

手势识别程序使用识别、识别_for_video 和识别_async 函数来触发推断。对于手势识别，这涉及预处理输入数据、检测图片中的手、检测手特征点，以及识别地标中的手势。

以下代码演示了如何使用任务模型执行处理。

# Perform gesture recognition on the provided single image.
# The gesture recognizer must be created with the image mode.
gesture_recognition_result = recognizer.recognize(mp_image)
    

# Perform gesture recognition on the provided single image.
# The gesture recognizer must be created with the video mode.
gesture_recognition_result = recognizer.recognize_for_video(mp_image, frame_timestamp_ms)
    

# Send live image data to perform gesture recognition.
# The results are accessible via the `result_callback` provided in
# the `GestureRecognizerOptions` object.
# The gesture recognizer must be created with the live stream mode.
recognizer.recognize_async(mp_image, frame_timestamp_ms)
    

请注意以下几点：

• 在视频模式或直播模式下运行时，您还必须为手势识别程序任务提供输入帧的时间戳。
• 在图片或视频模型中运行时，手势识别程序任务将阻塞当前线程，直到处理完输入图片或帧。
• 在直播模式下运行时，手势识别程序任务不会阻塞当前线程，而是立即返回。每当处理完输入帧时，它都会使用识别结果调用其结果监听器。如果在手势识别程序任务正忙于处理另一帧时调用该识别函数，该任务将忽略新的输入帧。

如需查看在图片上运行手势识别程序的完整示例，请参阅代码示例了解详情。

处理和显示结果

手势识别程序会针对每次识别运行生成一个手势检测结果对象。结果对象包含图片坐标中的手部特征点、世界坐标中的手部标志、检测到的手部的惯用手（左/右手）以及手势类别。

下面显示了此任务的输出数据示例：

生成的 GestureRecognizerResult 包含四个组成部分，每个组成部分都是一个数组，其中的每个元素都包含检测到一只手的检测结果。

• 用手习惯

  用手表示检测到的手是左手还是右手。

• 手势

  检测到的手部的识别出的手势类别。

• 地标

  共有 21 个手部位置标记，每个位置标记由 x、y 和 z 坐标组成。x 和 y 坐标分别根据图片宽度和高度标准化为 [0.0, 1.0]。z 坐标表示地标深度，以手腕处的深度为原点。值越小，地标越靠近相机。z 的大小大小与 x 的大小大致相同。

• 世界地标

  21 只手部位标也以世界坐标表示。每个地标由 x、y 和 z 组成，表示现实世界的 3D 坐标（以米为单位），原点位于手的几何中心。

GestureRecognizerResult:
  Handedness:
    Categories #0:
      index        : 0
      score        : 0.98396
      categoryName : Left
  Gestures:
    Categories #0:
      score        : 0.76893
      categoryName : Thumb_Up
  Landmarks:
    Landmark #0:
      x            : 0.638852
      y            : 0.671197
      z            : -3.41E-7
    Landmark #1:
      x            : 0.634599
      y            : 0.536441
      z            : -0.06984
    ... (21 landmarks for a hand)
  WorldLandmarks:
    Landmark #0:
      x            : 0.067485
      y            : 0.031084
      z            : 0.055223
    Landmark #1:
      x            : 0.063209
      y            : -0.00382
      z            : 0.020920
    ... (21 world landmarks for a hand)

下图显示了任务输出的可视化效果：

手势识别程序示例代码演示了如何显示任务返回的识别结果。如需了解详情，请参阅代码示例。