基于MediaPipe API实现骨骼识别

骨骼识别的应用场景

如今，当前疫情大环境之下。很多人，因为居家办公或者其他原因闷在家里不能外出健身。那么，借助骨骼识别和卷积神经网络模型，计算机视觉开发者可以通过相对应的API，结合相对轻量化一些的卷积神经网络模型，来构建如Keep这类的线上锻炼监督APP。

用户通过将摄像头对准自己，使得神经网络能过精确地通过人体骨骼框架，判断出用户是否有在“认认真真”的做运动。

骨骼网络也可以应用在3D模型构建中，通过将获取到的骨骼网络信息，与Unity或虚幻等引擎中的3D模型进行动态绑定，即可得到属于自己的虚拟人物形象。

骨骼识别的实现原理

通过观察MediaPipe的官方文档，我们可以看到

MediaPipe是通过两套深度神经网络：即基于GHUM模型的BlazePose和ResNet50模型的AlphaPose。

以下是MediaPipe官方对于模型的概述：

该检测器的灵感来自我们自己的轻量级BlazeFace模型，用于MediaPipe 人脸检测，作为人体检测器的代理。它明确地预测了两个额外的虚拟关键点，将人体中心、旋转和比例牢牢描述为一个圆圈。受莱昂纳多的《维特鲁威人》的启发，我们预测了一个人臀部的中点、包围整个人的圆的半径以及连接肩部和臀部中点的连线的倾斜角。

另外，MediaPipie通过从GHUM模型中获取到33个定位点，用于对人体骨骼的完整检测，见下图：

环境准备

请确保你的Python环境中包含如下的库，才能顺利完成依赖处理并安装mediapipe

• numpy
• tensorflow
• opencv

使用pip install mediapipe来安装mediapipe模块

pip install mediapipe

代码实战

我这里准备了一个特别视频用于检测骨骼API检测。但是在开始之前，我们要先把我们使用的模块导入进来

import time
import cv2
import mediapipe as mp
import sys

首先我们初始化MediaPipe标志点绘制器和MediaPipe姿态检测器

# 初始化MediaPipe绘图工具，以及样式
mp_drawing = mp.solutions.drawing_utils
mp_drawing_styles = mp.solutions.drawing_styles
mp_pose = mp.solutions.pose

初始化OpenCV窗口