实战| 轻松实现仰卧起坐检测与计数，手把手教学【附完整源码与详细讲解】

原创

阿旭算法与机器学习 2024-06-21 11:58:06 ©著作权

文章标签 OpenCV MediaPipe 人工智能 python 深度学习 文章分类 Python 后端开发

©著作权归作者所有：来自51CTO博客作者阿旭算法与机器学习的原创作品，请联系作者获取转载授权，否则将追究法律责任

《博主简介》

小伙伴们好，我是阿旭。专注于人工智能、AIGC、python、计算机视觉相关分享研究。
✌更多学习资源，可关注公-仲-hao:【阿旭算法与机器学习】，共同学习交流~
👍感谢小伙伴们点赞、关注！

引言

本文主要是基于OpenCV+MediaPipe实现了视频与摄像头中人体仰卧起坐检测与实时计数。附完整源码与实现步骤讲解，供小伙伴们学习。感谢大家的点赞关注，更多干活内容持续更新~

实现效果

实战| 轻松实现仰卧起坐检测与计数，手把手教学【附完整源码与详细讲解】_OpenCV

实现步骤说明

引入所需库

首先，我们导入必要的库来处理视频流、人体姿态估计和基本数学运算。

import cv2  # OpenCV库用于视频处理
import mediapipe as mp  # Mediapipe库用于人体姿态检测
import numpy as np  # NumPy库用于数学计算

计算角度函数

定义一个函数来计算三个关键点之间的角度，用于判断仰卧起坐动作的完成状态。

def calculate_angle(a, b, c):
    # 将输入的坐标转换为NumPy数组
    a, b, c = np.array(a), np.array(b), np.array(c)
    
    # 使用arctan2计算角度，并转换为度数
    radians = np.arctan2(c[1]-b[1], c[0]-b[0]) - np.arctan2(a[1]-b[1], a[0]-b[0])
    angle = np.abs(radians * 180.0 / np.pi)
    
    # 确保角度在0到180之间
    if angle > 180.0:
        angle = 360 - angle
    
    return angle

主程序逻辑

接下来是程序的主要部分，包括初始化视频捕获、姿态估计设置、循环读取视频帧并分析姿态数据以计算仰卧起坐次数。

初始化姿态估计模块：

mp_pose = mp.solutions.pose
mp_drawing = mp.solutions.drawing_utils

打开视频文件：

cap = cv2.VideoCapture("demo.mp4")

初始化计数器和阶段标记：

counter = 0  # 计数器初始化为0
stage = None  # 动作阶段（"down" 或 "up"）

姿态检测核心代码

while cap.isOpened():
    # 读取视频的下一帧
    ret, frame = cap.read()
    
    # 将BGR图像转换为RGB，因为MediaPipe需要RGB图像
    image = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)
    
    # 设置图像为不可写，以提高处理效率
    image.flags.writeable = False
    
    # 使用MediaPipe Pose模型处理图像，检测姿态
    results = pose.process(image)
    
    # 处理完后再设置图像为可写，以便后续绘图操作
    image.flags.writeable = True
    
    # 转换回BGR色彩空间，以便OpenCV显示
    image = cv2.cvtColor(image, cv2.COLOR_RGB2BGR)
    
    # 尝试性执行，以防姿态数据未成功检测
    try:
        landmarks = results.pose_landmarks.landmark
        
        # 提取关键点坐标
        hip = [landmarks[mp_pose.PoseLandmark.LEFT_HIP.value].x, landmarks[mp_pose.PoseLandmark.LEFT_HIP.value].y]
        shoulder = [landmarks[mp_pose.PoseLandmark.LEFT_SHOULDER.value].x, landmarks[mp_pose.PoseLandmark.LEFT_SHOULDER.value].y]
        knee = [landmarks[mp_pose.PoseLandmark.LEFT_KNEE.value].x, landmarks[mp_pose.PoseLandmark.LEFT_KNEE.value].y]
        
        # 计算角度
        angle = calculate_angle(shoulder, hip, knee)
        
        # 根据角度变化判断动作阶段并计数
        if angle > 100:  # 下降阶段（腿部下降）
            stage = "down"
        elif angle < 50 and stage == 'down':  # 上升阶段（腿部抬起，且之前已记录下降）
            stage = "up"
            counter += 1  # 增加计数
            print("Sit-up count: ", counter)  # 打印当前计数
            
    except AttributeError:
        # 如果没有检测到姿态，忽略此次迭代
        pass
    
    # 在图像上显示计数
    cv2.putText(image, "Counter: " + str(counter), (50, 50), 
                cv2.FONT_HERSHEY_SIMPLEX, 1, (255, 0, 0), 2, cv2.LINE_AA)
    
    # 绘制姿态关键点和连线
    mp_drawing.draw_landmarks(image, results.pose_landmarks, mp_pose.POSE_CONNECTIONS)
    
    # 显示处理后的图像
    cv2.imshow('Sit-Up Counter', image)
    
    # 按'q'键退出
    if cv2.waitKey(10) & 0xFF == ord('q'):
        break

读取与转换图像：每一帧视频图像被读取后，首先由BGR格式转换为RGB格式，这是由于MediaPipe Pose模型的要求。
姿态检测：调用pose.process(image)来处理图像，检测其中的人体姿态。这一步会返回姿态检测的结果，包括身体各部位的关键点坐标。
关键点提取与角度计算：从姿态检测的结果中提取左髋、左肩和左膝的坐标，并利用calculate_angle函数计算这三个点形成的夹角。这个角度是判断仰卧起坐动作完成情况的重要依据。
计数逻辑：