Python 姿势特征点检测指南

通过 MediaPipe Pose Markerer 任务，您可以检测图片或视频中人体的特征点。您可以使用此任务识别关键的身体位置，分析姿势并对动作进行分类。此任务使用适用于单个图片或视频的机器学习 (ML) 模型。该任务会在图片坐标和三维世界坐标中输出身体姿势地标。

GitHub 上提供了这些说明中介绍的代码示例。 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

姿势地标的示例代码在 Python 中提供了此任务的完整实现，供您参考。此代码可帮助您测试此任务，并开始构建自己的姿势地标。只需使用网络浏览器，您就可以查看、运行和修改姿势特征点示例代码。

如果您要为 Raspberry Pi 实现姿势特征点，请参阅 Raspberry Pi 示例应用。

初始设置

本部分介绍了专门针对姿势地标来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 Pose Markerer 任务需要使用 mediapipe PyPI 软件包。您可以使用以下代码安装并导入这些依赖项：

$ python -m pip install mediapipe

导入

导入以下类以访问姿势特征点任务函数：

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

模型

MediaPipe 姿势特征点任务需要使用与此任务兼容的经过训练的模型。如需详细了解姿势特征点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/pose_landmarker.task'

使用 BaseOptions 对象 model_asset_path 参数指定要使用的模型的路径。如需查看代码示例，请参阅下一部分。

创建任务

MediaPipe Pose Markerer 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。如需了解详情，请参阅配置选项。

以下代码演示了如何构建和配置此任务。

这些示例还显示了图片、视频文件和直播的任务构造变体。

import mediapipe as mp

BaseOptions = mp.tasks.BaseOptions
PoseLandmarker = mp.tasks.vision.PoseLandmarker
PoseLandmarkerOptions = mp.tasks.vision.PoseLandmarkerOptions
VisionRunningMode = mp.tasks.vision.RunningMode

options = PoseLandmarkerOptions(
    base_options=BaseOptions(model_asset_path=model_path),
    running_mode=VisionRunningMode.IMAGE)

with PoseLandmarker.create_from_options(options) as landmarker:
  # The landmarker is initialized. Use it here.
  # ...
    

import mediapipe as mp

BaseOptions = mp.tasks.BaseOptions
PoseLandmarker = mp.tasks.vision.PoseLandmarker
PoseLandmarkerOptions = mp.tasks.vision.PoseLandmarkerOptions
VisionRunningMode = mp.tasks.vision.RunningMode

# Create a pose landmarker instance with the video mode:
options = PoseLandmarkerOptions(
    base_options=BaseOptions(model_asset_path=model_path),
    running_mode=VisionRunningMode.VIDEO)

with PoseLandmarker.create_from_options(options) as landmarker:
  # The landmarker is initialized. Use it here.
  # ...
    

import mediapipe as mp

BaseOptions = mp.tasks.BaseOptions
PoseLandmarker = mp.tasks.vision.PoseLandmarker
PoseLandmarkerOptions = mp.tasks.vision.PoseLandmarkerOptions
PoseLandmarkerResult = mp.tasks.vision.PoseLandmarkerResult
VisionRunningMode = mp.tasks.vision.RunningMode

# Create a pose landmarker instance with the live stream mode:
def print_result(result: PoseLandmarkerResult, output_image: mp.Image, timestamp_ms: int):
    print('pose landmarker result: {}'.format(result))

options = PoseLandmarkerOptions(
    base_options=BaseOptions(model_asset_path=model_path),
    running_mode=VisionRunningMode.LIVE_STREAM,
    result_callback=print_result)

with PoseLandmarker.create_from_options(options) as landmarker:
  # The landmarker is initialized. Use it here.
  # ...
    

如需查看创建与图片搭配使用的姿势地标的完整示例，请参阅代码示例。

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。如果您的输入是视频文件或来自摄像头的直播，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

姿势特征点使用 detect、detect_for_video 和 detect_async 函数来触发推断。对于姿势地标，这涉及预处理输入数据并检测图片中的姿势。

以下代码演示了如何使用任务模型执行处理。

# Perform pose landmarking on the provided single image.
# The pose landmarker must be created with the image mode.
pose_landmarker_result = landmarker.detect(mp_image)
    

# Perform pose landmarking on the provided single image.
# The pose landmarker must be created with the video mode.
pose_landmarker_result = landmarker.detect_for_video(mp_image, frame_timestamp_ms)
    

# Send live image data to perform pose landmarking.
# The results are accessible via the `result_callback` provided in
# the `PoseLandmarkerOptions` object.
# The pose landmarker must be created with the live stream mode.
landmarker.detect_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，还应为姿势地标任务提供输入帧的时间戳。
• 在图片或视频模型中运行时，姿势地标任务会阻塞当前线程，直到其处理完输入图片或帧。
• 在直播模式下运行时，姿势特征点任务会立即返回，并且不会阻塞当前线程。每当处理完输入帧时，它都会使用检测结果调用结果监听器。如果在姿势特征点任务正忙于处理另一帧时调用检测函数，该任务将忽略新的输入帧。

如需查看在图片上运行姿势地标的完整示例，请参阅代码示例了解详情。

处理和显示结果

姿势特征点每次运行检测时都会返回一个 poseLandmarkerResult 对象。结果对象包含每个姿势地标的坐标。

下面显示了此任务的输出数据示例：

PoseLandmarkerResult:
  Landmarks:
    Landmark #0:
      x            : 0.638852
      y            : 0.671197
      z            : 0.129959
      visibility   : 0.9999997615814209
      presence     : 0.9999984502792358
    Landmark #1:
      x            : 0.634599
      y            : 0.536441
      z            : -0.06984
      visibility   : 0.999909
      presence     : 0.999958
    ... (33 landmarks per pose)
  WorldLandmarks:
    Landmark #0:
      x            : 0.067485
      y            : 0.031084
      z            : 0.055223
      visibility   : 0.9999997615814209
      presence     : 0.9999984502792358
    Landmark #1:
      x            : 0.063209
      y            : -0.00382
      z            : 0.020920
      visibility   : 0.999976
      presence     : 0.999998
    ... (33 world landmarks per pose)
  SegmentationMasks:
    ... (pictured below)

输出包含每个地标的归一化坐标 (Landmarks) 和世界坐标 (WorldLandmarks)。

输出包含以下标准化坐标 (Landmarks)：

• x 和 y：地标坐标，在 0.0 到 1.0 之间按图片宽度 (x) 和高度 (y) 进行标准化。

• z：地标深度，以臀部中点的深度为起点。值越小，特征点越靠近镜头。z 量级使用的尺度与 x 大致相同。

• visibility：地标在图片中可见的可能性。

输出包含以下世界坐标 (WorldLandmarks)：

• x、y 和 z：真实的三维坐标（以米为单位），臀部中点为原点。

• visibility：地标在图片中可见的可能性。

下图显示了任务输出的可视化效果：

可选的分割掩码表示每个像素属于检测到的人物的可能性。下图是任务输出的分割掩码：

姿势特征点示例代码演示了如何显示任务返回的结果。如需了解详情，请参阅代码示例。