opencv支持的深度学习框架外包：深度学习 计算机视觉 使用Python

opencv支持的深度学习框架外包：深度学习 计算机视觉 使用Python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。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。可以在这里获取有关OpenCV的更多信息 https://opencv.org/我们将与OpenCV-python一起使用的库是MediapipeMediapipe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。

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。

什么是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。

可以在这里获取有关OpenCV的更多信息 https://opencv.org/

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。

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

来源：https://google.GitHub.io/mediapipe/solutions/pose.html

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。我正在使用下面的链接中提供的视频。

https://drive.google.com/file/d/1kFWHaAaeRU4biZ_1wKZlL4KCd0HSoNYd/view?usp=sharing

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。

importcv2 importmediapipeasmp importtime

mpPose=mp.solutions.pose pose=mpPose.Pose() mpDraw=mp.solutions.drawing_utils #cap=cv2.VideoCapture(0) cap=cv2.VideoCapture('a.mp4') pTime=0 whileTrue: success img=cap.read() imgRGB=cv2.cvtColor(img cv2.COLOR_BGR2RGB) results=pose.process(imgRGB) print(results.pose_landmarks) ifresults.pose_landmarks: mpDraw.draw_landmarks(img results.pose_landmarks mpPose.POSE_CONNECTIONS) forid lminenumerate(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)

在上面的内容中，你可以很容易地使用OpenCV从名为“ a.mp4”的视频中读取帧，并将帧从BGR转换为RGB图像，并使用mediapipe在整个处理后的帧上绘制界标。最后，我们将获得具有地标的视频输出，如下所示。

变量“ cTime”，“ pTime”和“ fps”用于计算每秒的读取帧。你可以在下面的输出中看到左角的帧数。

终端部分中的输出是mediapipe检测到的界标。

姿势界标

你可以在上图的终端部分中看到姿势界标的列表。每个地标包括以下内容：

• x和y：这些界标坐标分别通过图像的宽度和高度归一化为[0.0，1.0]。
• z：通过将臀部中点处的深度作为原点来表示界标深度，并且z值越小，界标与摄影机越近。z的大小几乎与x的大小相同。
• 可见性：[0.0，1.0]中的值，指示界标在图像中可见的可能性。

MediaPipe运行得很好。

让我们创建一个用于估计姿势的模块，并且将该模块用于与姿态估计有关的任何其他项目。另外，你可以在网络摄像头的帮助下实时使用它。

创建一个名为“ PoseModule”的python文件

importcv2 importmediapipeasmp importtime

classPoseDetector: def__init__(self mode=False upBody=False smooth=True detectionCon=0.5 trackCon=0.5): self.mode=mode self.upBody=upBody self.smooth=smooth self.detectionCon=detectionCon self.trackCon=trackCon self.mpDraw=mp.solutions.drawing_utils self.mpPose=mp.solutions.pose self.pose=self.mpPose.Pose(self.mode self.upBody self.smooth self.detectionCon self.trackCon) deffindPose(self img draw=True): imgRGB=cv2.cvtColor(img cv2.COLOR_BGR2RGB) self.results=self.pose.process(imgRGB) #print(results.pose_landmarks) ifself.results.pose_landmarks: ifdraw: self.mpDraw.draw_landmarks(img self.results.pose_landmarks self.mpPose.POSE_CONNECTIONS) returnimg defgetPosition(self img draw=True): lmList=[] ifself.results.pose_landmarks: forid lminenumerate(self.results.pose_landmarks.landmark): h w c=img.shape #print(id lm) cx cy=int(lm.x*w) int(lm.y*h) lmList.append([id cx cy]) ifdraw: cv2.circle(img (cx cy) 5 (255 0 0) cv2.FILLED) returnlmList defmain(): cap=cv2.VideoCapture('videos/a.mp4')#makeVideoCapture(0)forwebcam pTime=0 detector=PoseDetector() whileTrue: success img=cap.read() img=detector.findPose(img) lmList=detector.getPosition(img) print(lmList) 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) if__name__=="__main__": main()

这是姿态估计所需的代码，在上面，有一个名为“ PoseDetector”的类，在其中我们创建了两个对象“ findPose”和“ getPosition”。

在这里，名为“ findPose”的对象将获取输入帧，并借助名为mpDraw的mediapipe函数，它将绘制身体上的界标，而对象“ getPosition””将获得检测区域的坐标，我们还可以借助此对象高亮显示任何坐标点。

在main函数中，我们将进行测试运行，你可以通过将main函数中的第一行更改为“ cap = cv2.VideoCapture(0)”来从网络摄像头中获取实时数据。

由于我们在上面的文件中创建了一个类，因此我们将在另一个文件中使用它。

现在是最后阶段

importcv2 importtime importPoseModuleaspm

cap=cv2.VideoCapture(0) pTime=0 detector=pm.PoseDetector() whileTrue: success img=cap.read() img=detector.findPose(img) lmList=detector.getPosition(img) print(lmList) 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)

在这里，代码将仅调用上面创建的模块，并在输入视频或网络摄像头的实时数据上运行整个算法。这是测试视频的输出。

完整的代码可在下面的GitHub链接中找到。

https://github.com/BakingBrains/Pose_estimation