如何通过Python+OpenCV实现姿态估计？

什么是OpenCV？

计算机视觉是一个能够理解图像和视频如何存储和操作的过程，它还有助于从图像或视频中检索数据。计算机视觉是人工智能的一部分。计算机视觉在自动驾驶汽车，物体检测，机器人技术，物体跟踪等方面发挥着重要作用。

OpenCV

OpenCV是一个开放源代码库，主要用于计算机视觉，图像处理和机器学习。通过OpenCV，它可以为实时数据提供更好的输出，我们可以处理图像和视频，以便实现的算法能够识别诸如汽车，交通信号灯，车牌等物体以及人脸，或者甚至是人类的笔迹。借助其他数据分析库，OpenCV能够根据自己的需求处理图像和视频。

我们将与OpenCV－python一起使用的库是Mediapipe

什么是Mediapipe？

Mediapipe是主要用于构建多模式音频，视频或任何时间序列数据的框架。借助MediaPipe框架，可以构建令人印象深刻的ML管道，例如TensorFlow，TFLite等推理模型以及媒体处理功能。

使用Mediapipe的最先进的ML模型

人脸检测

多手跟踪

头发分割

目标检测与追踪

Objectron：3D对象检测和跟踪

AutoFlip：自动视频裁剪管道姿态估计

姿态估计

通过视频或实时馈送进行人体姿态估计在诸如全身手势控制，量化体育锻炼和手语识别等各个领域中发挥着至关重要的作用。例如，它可用作健身，瑜伽和舞蹈应用程序的基本模型。它在增强现实中找到了自己的主要作用。Media Pipe Pose是用于高保真人体姿势跟踪的框架，该框架从RGB视频帧获取输入并推断出整个人类的33个3D界标。当前最先进的方法主要依靠强大的桌面环境进行推理，而此方法优于其他方法，并且可以实时获得很好的结果。

姿势地标模型

现在开始

首先，安装所有必需的库。– pip install OpenCV－python– pip install mediapipe下载任何类型的视频，例如跳舞，跑步等。我们将利用这些视频进行姿势估计。

为了检查mediapipe是否正常工作，我们将使用上面下载的视频实现一个小的代码。

import cv2
import mediapipe as mp
import time
mpPose ＝ mp．solutions．pose
pose ＝ mpPose．Pose（）
mpDraw ＝ mp．solutions．drawing＿utils
＃cap ＝ cv2．VideoCapture（0）
cap ＝ cv2．VideoCapture（＇a．mp4＇）
pTime ＝ 0
while True：
success， img ＝ cap．read（）
imgRGB ＝ cv2．cvtColor（img， cv2．COLOR＿BGR2RGB）
results ＝ pose．process（imgRGB）
print（results．pose＿landmarks）
if results．pose＿landmarks：
mpDraw．draw＿landmarks（img， results．pose＿landmarks， mpPose．POSE＿CONNECTIONS）
for id， lm in enumerate（results．pose＿landmarks．landmark）：
h， w，c ＝ img．shape
print（id， lm）
cx， cy ＝ int（lm．x＊w）， int（lm．y＊h）
cv2．circle（img， （cx， cy）， 5， （255，0，0）， cv2．FILLED）
cTime ＝ time．time（）
fps ＝ 1／（cTime－pTime）
pTime ＝ cTime
cv2．putText（img， str（int（fps））， （50，50）， cv2．FONT＿HERSHEY＿SIMPLEX，1，（255，0，0）， 3）
cv2．imshow（＂Image＂， img）
cv2．waitKey（1）