Mediapipe入门——搭建姿态检测模型并实时输出人体关节点3d坐标

一. 引言

MediaPipe 是一款由 Google Research 开发并开源的多媒体机器学习模型应用框架。在谷歌，一系列重要产品，如 YouTube、Google Lens、ARCore、Google Home 以及 Nest，都已深度整合了 MediaPipe。

MediaPipe大有用武之地，可以做物体检测、自拍分割、头发分割、人脸检测、手部检测、运动追踪，等等。基于此可以实现更高级的功能。

二. 怎么做

根据官方文档自己尝试理解也有一些收获，在这里记录一下。

1、官方文档地址Mediapipe

2、实验环境

1
2
3
4
I.win10
II. Pycharm2021
III. Python3.8
IV. mediapipe0.89

3、我需要检测人体骨架和手部，那么先构建这样的检测模型。根据官网的例子，mediapipe.solutions下有我们需要的解决方案，来看看。

1
2
3
4
import mediapipe as mp
mp_holistic = mp.solutions.holistic

help(mp.solutions)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
Help on package mediapipe.python.solutions in mediapipe.python:

NAME
    mediapipe.python.solutions - MediaPipe Solutions Python API.

PACKAGE CONTENTS
    download_utils
    drawing_styles
    drawing_utils
    drawing_utils_test
    face_detection
    face_detection_test
    face_mesh
    face_mesh_connections
    face_mesh_test
    hands
    hands_connections
    hands_test
    holistic
    holistic_test
    objectron
    objectron_test
    pose
    pose_connections
    pose_test
    selfie_segmentation
    selfie_segmentation_test

以上就是mediapipe提供的解决方案，其中drawing_utils是画图用的，drawing_styles应该是渲染风格，face_detection用于面部检测，face_mesh用于绘人脸面网，hands用于手部检测，holistic是整体的解决方案（包括人脸、骨架、手），pose是识别姿势，objectron用于目标检测，selfie_segmentation是自拍分割。

4、有了方法，根据官网的例子，先导入必要的包，然后建立模型。

1
2
3
4
5
6
import cv2
import mediapipe as mp
mp_drawing = mp.solutions.drawing_utils  #画图是必要的
mp_drawing_styles = mp.solutions.drawing_styles
#选择需要的解决方案，手部检测就mp_hands=mp.solutions.hands,其他类似
mp_holistic = mp.solutions.holistic

5、接着打开摄像头，并建立我们的类。

1
2
3
4
5
6
7
8
9
10
cap = cv2.VideoCapture(0)
with mp_holistic.Holistic(
    min_detection_confidence=0.5,
    min_tracking_confidence=0.5) as holistic:
  while cap.isOpened():
    success, image = cap.read()
    if not success:
      print("Ignoring empty camera frame.")
      # 加载一个视频的话，把continue换成break
      continue

先看看mp_holistic.Holistic下有什么参数

1
2
3
4
5
Methods defined here:
 |  __init__(self, static_image_mode=False, model_complexity=1, 
            smooth_landmarks=True, enable_segmentation=False, 
            smooth_segmentation=True, refine_face_landmarks=False, 
            min_detection_confidence=0.5, min_tracking_confidence=0.5)

官网解释如下：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
static_image_mode
如果设置为false，则解决方案将输入图像视为视频流。它将尝试在第一张图像中检测最突出的人，并在成功检测后进一步定位姿势和其他地标。在随后的图像中，它只是简单地跟踪那些地标，而不会调用另一个检测，直到它失去跟踪，以减少计算和延迟。如果设置为true，则人物检测会运行每个输入图像，非常适合处理一批静态的、可能不相关的图像。默认为false.

model_complexity
姿势地标模型的复杂度：0,1或2。地标准确性以及推理延迟通常随模型复杂性而增加。默认为1.

smooth_landmarks
如果设置为true，解决方案过滤器会在不同的输入图像之间设置地标以减少抖动，但如果static_image_mode也设置为，则忽略true。默认为true.

enable_segmentation
如果设置为true，除了姿势、面部和手部地标之外，该解决方案还会生成分割掩码。默认为false.

smooth_segmentation
如果设置为true，该解决方案会过滤不同输入图像的分割掩码以减少抖动。如果enable_segmentation为false或static_image_mode为 ，则忽略true。默认为true.

refine_face_landmarks
是否进一步细化眼睛和嘴唇周围的地标坐标，并在虹膜周围输出额外的地标。默认为false.

min_detection_confidence
[0.0, 1.0]来自人员检测模型的最小置信值 ( )，用于将检测视为成功。默认为0.5.

min_tracking_confidence
[0.0, 1.0]来自地标跟踪模型的最小置信值（将其设置为更高的值可以提高解决方案的稳健性，但代价是更高的延迟。如果static_image_mode是true，则忽略，其中人员检测仅在每个图像上运行。默认为0.5.

6、有了这些解释，就比较好理解了。然后对输入的视频流做一些预处理。

1
2
3
4
5
image.flags.writeable = False
image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB) #BGR图转RGB
results = holistic.process(image) #处理三通道彩色图
image.flags.writeable = True
image = cv2.cvtColor(image, cv2.COLOR_RGB2BGR) #RGB转BGR

比较重要的是这一步results = holistic.process(image)，前面建立了整体检测的类，类下方法process()会处理图片并返回我们要的坐标，来help看一看。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
Help on function process in module mediapipe.python.solutions.holistic:

process(self, image: numpy.ndarray) -> <class 'NamedTuple'>
    Processes an RGB image and returns the pose landmarks, left and right hand landmarks, and face landmarks on the most prominent person detected.
    
    Args:
      image: An RGB image represented as a numpy ndarray.
    
    Raises:
      RuntimeError: If the underlying graph throws any error.
      ValueError: If the input image is not three channel RGB.
    
    Returns:
      A NamedTuple with fields describing the landmarks on the most prominate
      person detected:
        1) "pose_landmarks" field that contains the pose landmarks.
        2) "pose_world_landmarks" field that contains the pose landmarks in
        real-world 3D coordinates that are in meters with the origin at the
        center between hips.
        3) "left_hand_landmarks" field that contains the left-hand landmarks.
        4) "right_hand_landmarks" field that contains the right-hand landmarks.
        5) "face_landmarks" field that contains the face landmarks.
        6) "segmentation_mask" field that contains the segmentation mask if
           "enable_segmentation" is set to true.

7、可以看到Returns下左右手、姿势、脸部的地标都能返回，待会我就从这获取坐标。处理完图片，就需要在人体关节点上渲染。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
#在关节点渲染
mp_drawing.draw_landmarks(
    image,
    results.face_landmarks,  #画脸
    mp_holistic.FACEMESH_CONTOURS,
    landmark_drawing_spec=None,
    connection_drawing_spec=mp_drawing_styles
    .get_default_face_mesh_contours_style())
mp_drawing.draw_landmarks(
    image,
    results.pose_landmarks,  #画人体骨架
    mp_holistic.POSE_CONNECTIONS,
    landmark_drawing_spec=mp_drawing_styles
    .get_default_pose_landmarks_style())
#下两行是我加的，官网的例子并没有画左右手
mp_drawing.draw_landmarks(image, results.left_hand_landmarks, mp_holistic.HAND_CONNECTIONS)
mp_drawing.draw_landmarks(image, results.right_hand_landmarks, mp_holistic.HAND_CONNECTIONS)

前面mp_drawing=mp.solutions.drawing_utils，draw_landmarks()参数比较多，我挑几个重要的翻译出来。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
draw_landmarks参数：
       image：表示为 numpy ndarray 的三通道 RGB 图像。
       地标列表：要在其上注释的规范化地标列表原始消息
         图片。
       connections：地标索引元组列表，指定地标如何
         在图中连接。
       Landmark_drawing_spec：DrawingSpec 对象或来自的映射
         将地标传递给指定地标绘图的 DrawingSpecs
         颜色、线条粗细和圆半径等设置。
         如果此参数明确设置为 None，则不会绘制任何地标。
       connection_drawing_spec：DrawingSpec 对象或来自的映射
         到 DrawingSpecs 的手连接，它指定了
         连接的绘图设置，例如颜色和线条粗细。
         如果此参数明确设置为 None，则没有地标连接
         被画下来。

前面说到results = holistic.process(image)返回了结点坐标，现在来获取它。

1
2
3
if results.right_hand_landmarks:
    for index, landmarks in enumerate(results.right_hand_landmarks.landmark):
        print(index,landmarks )

解释一下，index是索引，即上图里每个手指节点的索引0,1,2,3等等，landmarks 是结点地标(x,y,z),是真实世界的3d坐标，原点位于手的近似几何中心。最后打开窗口，就可以愉快地使用mediapipe了

1
2
3
4
cv2.imshow('MediaPipe Holistic', cv2.flip(image, 1))
if cv2.waitKey(5) & 0xFF == 27:
    break
cap.release()

三. 运行结果

还是挺成功的，只要我右手出现在摄像头里，坐标就会输出，右手放下去就没有输出。

当然，如果想输出左手，甚至是嘴唇、鼻子、肩膀等地的坐标都是可以的。

1
2
print(results.pose_landmarks.landmark[mp_holistic.PoseLandmark.NOSE])
#可以自己选择

四. 完整代码

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
import cv2
import mediapipe as mp
mp_drawing = mp.solutions.drawing_utils
mp_drawing_styles = mp.solutions.drawing_styles
mp_holistic = mp.solutions.holistic

cap = cv2.VideoCapture(0)
with mp_holistic.Holistic(
    min_detection_confidence=0.5,
    min_tracking_confidence=0.5) as holistic:
  while cap.isOpened():
    success, image = cap.read()
    if not success:
      print("Ignoring empty camera frame.")
      # If loading a video, use 'break' instead of 'continue'.
      continue

    image.flags.writeable = False
    image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
    results = holistic.process(image)
	#画图
    image.flags.writeable = True
    image = cv2.cvtColor(image, cv2.COLOR_RGB2BGR)
    mp_drawing.draw_landmarks(
        image,
        results.face_landmarks,
        mp_holistic.FACEMESH_CONTOURS,
        landmark_drawing_spec=None,
        connection_drawing_spec=mp_drawing_styles
        .get_default_face_mesh_contours_style())
    mp_drawing.draw_landmarks(
        image,
        results.pose_landmarks,
        mp_holistic.POSE_CONNECTIONS,
        landmark_drawing_spec=mp_drawing_styles
        .get_default_pose_landmarks_style())

    mp_drawing.draw_landmarks(image, results.left_hand_landmarks, mp_holistic.HAND_CONNECTIONS)
    mp_drawing.draw_landmarks(image, results.right_hand_landmarks, mp_holistic.HAND_CONNECTIONS)
    
	#右手21个节点坐标
    if results.right_hand_landmarks:
        for index, landmarks  in enumerate(results.right_hand_landmarks.landmark):
            print(index,landmarks )
	#鼻子坐标
    #print(results.pose_landmarks.landmark[mp_holistic.PoseLandmark.NOSE])
    cv2.imshow('MediaPipe Holistic', cv2.flip(image, 1))
    if cv2.waitKey(5) & 0xFF == 27:
      break
cap.release()