【MediaPipe】 AI视觉，人体姿态关键点实时跟踪，附python完整代码

一、导入必要的工具包：

1. opencv：通过`pip install opencvcontribpython`进行安装。




2. mediapipe：使用命令`pip install mediapipe`来安装。

或者在遇到user错误时，可通过`pip install mediapipe user`进行安装。

二、定义关键函数及其说明：

mediapipe.solutions.pose.Pose()：用于姿势关键点检测。

static_image_mode: 默认为False，适用于视频流，检测并跟踪最显眼的人的姿势地标。若设为True，应用于每张输入图像的独立人像检测。

model_complexity: 默认为1，表示复杂度等级，选择更高值可增加地标精确度但牺牲速度，更低值则反而加快速度。

smooth_landmarks: 默认为True，用来平滑地标准备注释图像以减少抖动。

upper_body_only: 默认为False，若设为True，只检测上半身的地标。

enable_segmentation: 默认为False，如果开启，额外生成分割掩码。

smooth_segmentation: 默认为True，用于分割掩码的平滑处理。

min_detection_confidence: 默认为0.5，人形检测的最低置信度阈值。

min_tracking_confidence: 默认为0.5，地标跟踪的最低置信度阈值，解决跟踪失败后的状态。

返回: 包含“pose_landmarks”的命名元组对象。


三、图像处理与关键点绘制：

1. 使用`cv2.VideoCapture()`读取视频文件，注意文件路径避免中文以防止出现错误。

2. 访问每帧图像，利用循环不断提取。

3. 确保读取的视频格式转换为实现检测所需的RGB格式（通常先读为BGR）：“cv2.COLOR_BGR2RGB”。

4. mediapipe.solutions.drawing_utils.draw_landmarks() 功能用来绘制关键点之间的连接线，提供更丰富直观的可视化结果。

四、关键点坐标保存与编辑：


引入代码对检索的关键点坐标进行保存，以数值的方式进行可视化（例如：


```markdown


lmlist = []


...

for index, lm in enumerate(results.pose_landmarks.landmark):

w, h, c = img.shape


cx, cy = int(lm.x w), int(lm.y h)


print(index, cx, cy)


lmlist.append((cx, cy)


```