各位同学好，今天和大家分享一下如何使用 MediaPipe 完成 人体姿态关键点 的实时跟踪检测，先放张图看效果，FPS值为17，右下输出框为32个人体关键点的xy坐标。

有需要的可以使用 cv2.VideoCapture(0) 捕获电脑摄像头。本节就用马老师的视频来跟踪人体姿态。

1. 导入工具包

# 安装opencvpip install opencv-contrib-python# 安装mediapipepip install mediapipe# pip install mediapipe --user  #有user报错的话试试这个 # 安装之后导入各个包import cv2  #opencvimport mediapipe as mpimport time

人体姿态检测相关说明见官方文档： Pose - mediapipe (google.github.io)

MediaPipe Pose 中的地标模型预测了 33 个姿势地标的位置（见下图）。

2. 相关函数说明

从mediapipe中导入检测方法，今天我们使用 mediapipe.solutions.pose ，其他的后续章节再写。

mediapipe.solutions.hands  # 手部关键点检测mediapipe.solutions.pose   # 人体姿态检测mediapipe.solutions.face_mesh  # 人脸网状检测mediapipe.solutions.face_detection  # 人脸识别....................

static_image_mode： 默认为 False ，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，直到失去对目标的跟踪，可以减少计算和延迟。若为 True ，则会对每张输入图像执行人体检测方法，非常适合处理一批静态的、可能不相关的图像。

model_complexity： 默认为 1 ，姿势地标模型的复杂度：0、1 、2。地标准确度和推理延迟通常随着模型复杂度的增加而增加。

smooth_landmarks： 默认为 True ，平滑图像，过滤不同的输入图像上的姿势地标以减少抖动，但如果 static_image_mode 也设置为 True 则忽略。

upper_body_only： 默认为 False ，是否只检测上半身的地标。人体姿势共有33个地标，上半身的姿势地标有25个。

enable_segmentation： 默认为 False 。如果设置为 true，除了姿势地标之外，该解决方案还会生成分割掩码。

smooth_segmentation： 默认为 True ，过滤不同的输入图像上的分割掩码以减少抖动，但如果 enable_segmentation 设置为 False ，或者 static_image_mode 设置为 True 则忽略。

min_detection_confidence： 默认为 0.5 ，来自人员检测模型的最小置信值 (0-1之间) ，高于该阈值则认为检测视为成功。

min_tracking_confidence： 默认为 0.5 。 来自地标跟踪模型的最小置信值 (0-1之间) ，用于将被视为成功跟踪的姿势地标，否则将在下一个输入图像上自动调用人物检测。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 为 True ，则人员检测将在每帧图像上运行。

返回值：

具有 " pose_landmarks " 字段的 NamedTuple 对象，其中包含检测到的最突出人物的姿势坐标。

（2）mediapipe.solutions.drawing_utils.draw_landmarks()绘制手部关键点的连线

参数：

image： 需要画图的原始图片

landmark_list： 检测到的手部关键点坐标

connections： 连接线，需要把那些坐标连接起来

landmark_drawing_spec： 坐标的颜色，粗细

connection_drawing_spec： 连接线的粗细，颜色等

3. 绘制关键点和连线

使用 cv2.VideoCapture() 读取视频文件时，文件路径最好不要出现中文，防止报错。

变量.read() 每次执行就从视频中提取一帧图片 ，需要循环来不断提取。用 success 来接收是否能打开， 返回True表示可以打开 。 img保存返回的每一帧图像 。

由于读入视频图像通道一般为 RGB ，而 opencv 中图像通道的格式为 BGR ，因此需要 cv2.cvtColor() 函数 将opencv读入的视频图像转为RGB格式 cv2.COLOR_BGR2RGB 。

在绘制人体关键点时 mpDraw.draw_landmarks() ； results.pose_landmarks 获取所有关键点信息；如果不传入参数 mpPose.POSE_CONNECTIONS ，那么就不会绘制关键点之间的连线 。

import cv2import mediapipe as mpimport time# 导入姿态跟踪方法mpPose = mp.solutions.pose  # 姿态识别方法pose = mpPose.Pose(static_image_mode=False, # 静态图模式，False代表置信度高时继续跟踪，True代表实时跟踪检测新的结果                   #upper_body_only=False,  # 是否只检测上半身                   smooth_landmarks=True,  # 平滑，一般为True                   min_detection_confidence=0.5, # 检测置信度                   min_tracking_confidence=0.5)  # 跟踪置信度# 检测置信度大于0.5代表检测到了，若此时跟踪置信度大于0.5就继续跟踪，小于就沿用上一次，避免一次又一次重复使用模型# 导入绘图方法mpDraw = mp.solutions.drawing_utils#（1）导入视频filepath = 'C:\\GameDownload\\Deep Learning\\master.mp4'cap = cv2.VideoCapture(filepath)pTime = 0  # 设置第一帧开始处理的起始时间#（2）处理每一帧图像while True:        # 接收图片是否导入成功、帧图像    success, img = cap.read()        # 将导入的BGR格式图像转为RGB格式    imgRGB = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)        # 将图像传给姿态识别模型    results = pose.process(imgRGB)        # 查看体态关键点坐标，返回x,y,z,visibility    # print(results.pose_landmarks)        # 如果检测到体态就执行下面内容，没检测到就不执行    if results.pose_landmarks:                # 绘制姿态坐标点，img为画板，传入姿态点坐标，坐标连线        mpDraw.draw_landmarks(img, results.pose_landmarks, mpPose.POSE_CONNECTIONS)                  # 查看FPS    cTime = time.time() #处理完一帧图像的时间    fps = 1/(cTime-pTime)    pTime = cTime  #重置起始时间        # 在视频上显示fps信息，先转换成整数再变成字符串形式，文本显示坐标，文本字体，文本大小    cv2.putText(img, str(int(fps)), (70,50), cv2.FONT_HERSHEY_PLAIN, 3, (255,0,0), 3)          # 显示图像，输入窗口名及图像数据    cv2.imshow('image', img)        if cv2.waitKey(10) & 0xFF==27:  #每帧滞留15毫秒后消失，ESC键退出        break# 释放视频资源cap.release()cv2.destroyAllWindows()

绘制人体33个关键点及连线

4. 保存坐标点信息，绘图编辑

接下来，我们 将33个关键点的坐标保存下来 ，并将这些关键点放大一些，使其更加明显。因此我们补充上面的代码。

由于 results.pose_landmarks.landmark 中保存的 xyz坐标是归一化后的 比例坐标 ，即某一像素点在图像的某一比例位置，如[0.5, 0.5]。我们需要将其转为 像素坐标 ，如[200,200]， 像素坐标一定是整数 。通过 图像宽高乘以各自比例即可得到像素坐标下的宽高 。为了能更明显的显示关键点，把关键点画的大一些，只需 以关键点的像素坐标为圆心画圆 cv2.circle() 即可。将像素坐标保存到 lmlist 中 。

import cv2import mediapipe as mpimport time# 导入姿态跟踪方法mpPose = mp.solutions.pose  # 姿态识别方法pose = mpPose.Pose(static_image_mode=False, # 静态图模式，False代表置信度高时继续跟踪，True代表实时跟踪检测新的结果                   #upper_body_only=False,  # 是否只检测上半身                   smooth_landmarks=True,  # 平滑，一般为True                   min_detection_confidence=0.5, # 检测置信度                   min_tracking_confidence=0.5)  # 跟踪置信度# 检测置信度大于0.5代表检测到了，若此时跟踪置信度大于0.5就继续跟踪，小于就沿用上一次，避免一次又一次重复使用模型# 导入绘图方法mpDraw = mp.solutions.drawing_utils#（1）导入视频filepath = 'C:\\GameDownload\\Deep Learning\\master.mp4'cap = cv2.VideoCapture(filepath)pTime = 0  # 设置第一帧开始处理的起始时间#（2）处理每一帧图像lmlist = [] # 存放人体关键点信息while True:        # 接收图片是否导入成功、帧图像    success, img = cap.read()        # 将导入的BGR格式图像转为RGB格式    imgRGB = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)        # 将图像传给姿态识别模型    results = pose.process(imgRGB)        # 查看体态关键点坐标，返回x,y,z,visibility    # print(results.pose_landmarks)        # 如果检测到体态就执行下面内容，没检测到就不执行    if results.pose_landmarks:                # 绘制姿态坐标点，img为画板，传入姿态点坐标，坐标连线        mpDraw.draw_landmarks(img, results.pose_landmarks, mpPose.POSE_CONNECTIONS)                # 获取32个人体关键点坐标, index记录是第几个关键点        for index, lm in enumerate(results.pose_landmarks.landmark):                        # 保存每帧图像的宽、高、通道数            h, w, c = img.shape                        # 得到的关键点坐标x/y/z/visibility都是比例坐标，在[0,1]之间            # 转换为像素坐标(cx,cy)，图像的实际长宽乘以比例，像素坐标一定是整数            cx, cy = int(lm.x * w), int(lm.y * h)                        # 打印坐标信息            print(index, cx, cy)                        # 保存坐标信息            lmlist.append((cx, cy))                        # 在关键点上画圆圈，img画板，以(cx,cy)为圆心，半径5，颜色绿色，填充圆圈            cv2.circle(img, (cx,cy), 3, (0,255,0), cv2.FILLED)    # 查看FPS    cTime = time.time() #处理完一帧图像的时间    fps = 1/(cTime-pTime)    pTime = cTime  #重置起始时间        # 在视频上显示fps信息，先转换成整数再变成字符串形式，文本显示坐标，文本字体，文本大小    cv2.putText(img, str(int(fps)), (70,50), cv2.FONT_HERSHEY_PLAIN, 3, (255,0,0), 3)          # 显示图像，输入窗口名及图像数据    cv2.imshow('image', img)        if cv2.waitKey(10) & 0xFF==27:  #每帧滞留15毫秒后消失，ESC键退出        break# 释放视频资源cap.release()cv2.destroyAllWindows()

结果如下，右下输出框打印每一帧图像的关键点的xy坐标信息