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）
    
    
    1  2  下一页>  
    
    
相关文章！