在上面的內(nèi)容中，你可以很容易地使用OpenCV從名為“ a．mp4”的視頻中讀取幀，并將幀從BGR轉(zhuǎn)換為RGB圖像，并使用mediapipe在整個處理后的幀上繪制界標(biāo)。

最后，我們將獲得具有地標(biāo)的視頻輸出，如下所示。

變量“ cTime”，“ pTime”和“ fps”用于計算每秒的讀取幀。

你可以在下面的輸出中看到左角的幀數(shù)。

終端部分中的輸出是mediapipe檢測到的界標(biāo)。姿勢界標(biāo)你可以在上圖的終端部分中看到姿勢界標(biāo)的列表。每個地標(biāo)包括以下內(nèi)容：x和y：這些界標(biāo)坐標(biāo)分別通過圖像的寬度和高度歸一化為［0．0，1．0］。z：通過將臀部中點處的深度作為原點來表示界標(biāo)深度，并且z值越小，界標(biāo)與攝影機(jī)越近。z的大小幾乎與x的大小相同。可見性：［0．0，1．0］中的值，指示界標(biāo)在圖像中可見的可能性。MediaPipe運行得很好。讓我們創(chuàng)建一個用于估計姿勢的模塊，并且將該模塊用于與姿態(tài)估計有關(guān)的任何其他項目。另外，你可以在網(wǎng)絡(luò)攝像頭的幫助下實時使用它。

創(chuàng)建一個名為“ PoseModule”的python文件import cv2
import mediapipe as mp
import time
class PoseDetector：
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）
def findPose（self， img， draw＝True）：
imgRGB ＝ cv2．cvtColor（img， cv2．COLOR＿BGR2RGB）
self．results ＝ self．pose．process（imgRGB）
＃print（results．pose＿landmarks）
if self．results．pose＿landmarks：
if draw：
self．mpDraw．draw＿landmarks（img， self．results．pose＿landmarks， self．mpPose．POSE＿CONNECTIONS）
return img
def getPosition（self， img， draw＝True）：
lmList＝ ［］
if self．results．pose＿landmarks：
for id， lm in enumerate（self．results．pose＿landmarks．landmark）：
h， w， c ＝ img．shape
＃print（id， lm）
cx， cy ＝ int（lm．x ＊ w）， int（lm．y ＊ h）
lmList．a(chǎn)ppend（［id， cx， cy］）
if draw：
cv2．circle（img， （cx， cy）， 5， （255， 0， 0）， cv2．FILLED）
return lmList
def main（）：
cap ＝ cv2．VideoCapture（＇videos／a．mp4＇） ＃make VideoCapture（0） for webcam
pTime ＝ 0
detector ＝ PoseDetector（）
while True：
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（） 

這是姿態(tài)估計所需的代碼，在上面，有一個名為“ PoseDetector”的類，在其中我們創(chuàng)建了兩個對象“ findPose”和“ getPosition”。在這里，名為“ findPose”的對象將獲取輸入幀，并借助名為mpDraw的mediapipe函數(shù)，它將繪制身體上的界標(biāo)，而對象“ getPosition””將獲得檢測區(qū)域的坐標(biāo)，我們還可以借助此對象高亮顯示任何坐標(biāo)點。在main函數(shù)中，我們將進(jìn)行測試運行，你可以通過將main函數(shù)中的第一行更改為“ cap ＝ cv2．VideoCapture（0）”來從網(wǎng)絡(luò)攝像頭中獲取實時數(shù)據(jù)。

由于我們在上面的文件中創(chuàng)建了一個類，因此我們將在另一個文件中使用它�，F(xiàn)在是最后階段import cv2
import time
import PoseModule as pm
cap ＝ cv2．VideoCapture（0）
pTime ＝ 0
detector ＝ pm．PoseDetector（）
while True：
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）

在這里，代碼將僅調(diào)用上面創(chuàng)建的模塊，并在輸入視頻或網(wǎng)絡(luò)攝像頭的實時數(shù)據(jù)上運行整個算法。這是測試視頻的輸出。

完整的代碼可在下面的GitHub鏈接中找到。