不良坐姿检测-坐姿不当检测-人体姿态识别-人体关键点检测

最新推荐文章于 2025-04-25 15:44:01 发布

QQ_1309399183

最新推荐文章于 2025-04-25 15:44:01 发布

阅读量708

点赞数 7

文章标签：坐姿检测人体姿态识别姿态估计人体关键点检测人工智能计算机视觉 YOLO

本文链接：https://blog.csdn.net/QQ_1309399183/article/details/143267370

版权

在这里插入图片描述

项目概述

目的：构建一个身体姿势检测系统，能够从视频中识别出正确的侧视图，并测量颈部和躯干相对于参考轴的倾斜角度。
关键功能：
- 检测并分析人体姿势。
- 计算特定姿势持续的时间。
- 确保摄像头对准正确的侧视图。
- 当不良姿势超过设定阈值时发送警报。

计算身体姿势倾斜度的功能

角度是姿势的主要决定因素。我们使用领口和躯干线到 y 轴的角度。领口连接肩膀和眼睛。在这里，我们以肩膀为关键点。

在这里插入图片描述

同样，躯干线连接臀部和肩膀，臀部被认为是一个关键点。

计算偏移距离的功能

该设置要求该人处于正确的侧视图中。函数 findDistance 帮助我们确定两点之间的偏移距离。它可以是臀部、眼睛或肩膀。

之所以选择这些点，是因为它们总是或多或少地围绕人体的中心轴线对称。有了这个，我们将在脚本中加入相机对齐功能。

在这里插入图片描述

技术栈

主要库：OpenCV, MediaPipe
安装依赖：pip install -r requirements.txt

工作流程

初始化：设置常量、颜色、字体样式等，并初始化MediaPipe Pose类。
读取视频帧：创建VideoCapture对象来读取输入视频，同时创建VideoWriter对象以保存输出视频。
处理每一帧：
- 将BGR图像转换为RGB，因为MediaPipe需要RGB格式。
- 使用MediaPipe处理图像，获取姿态地标。
- 转换回BGR格式以进行后续的OpenCV操作。
计算坐标：根据MediaPipe返回的数据，计算实际的身体部位坐标。
相机对齐检查：通过比较左右肩膀之间的距离来判断是否正确对齐。
姿势分析：计算颈部和躯干的倾斜角度，评估姿势好坏，并在图像上绘制相关结果。
时间追踪：记录保持良好或不良姿势的时间。
警报机制：当不良姿势时间超过一定阈值时触发警报。

关键代码段

findDistance(x1, y1, x2, y2): 计算两点之间的欧氏距离。
findAngle(x1, y1, x2, y2): 计算两向量间的夹角。
sendWarning(): 定义发送警报的行为（可自定义）。

# Determine whether good posture or bad posture.
# The threshold angles have been set based on intuition.
if neck_inclination < 40 and torso_inclination < 10:
    bad_frames = 0
    good_frames += 1
    
    cv2.putText(image, angle_text_string, (10, 30), font, 0.9, light_green, 2)
    cv2.putText(image, str(int(neck_inclination)), (l_shldr_x + 10, l_shldr_y), font, 0.9, light_green, 2)
    cv2.putText(image, str(int(torso_inclination)), (l_hip_x + 10, l_hip_y), font, 0.9, light_green, 2)
 
    # Join landmarks.
    cv2.line(image, (l_shldr_x, l_shldr_y), (l_ear_x, l_ear_y), green, 4)
    cv2.line(image, (l_shldr_x, l_shldr_y), (l_shldr_x, l_shldr_y - 100), green, 4)
    cv2.line(image, (l_hip_x, l_hip_y), (l_shldr_x, l_shldr_y), green, 4)
    cv2.line(image, (l_hip_x, l_hip_y), (l_hip_x, l_hip_y - 100), green, 4)
 
else:
    good_frames = 0
    bad_frames += 1
 
    cv2.putText(image, angle_text_string, (10, 30), font, 0.9, red, 2)
    cv2.putText(image, str(int(neck_inclination)), (l_shldr_x + 10, l_shldr_y), font, 0.9, red, 2)
    cv2.putText(image, str(int(torso_inclination)), (l_hip_x + 10, l_hip_y), font, 0.9, red, 2)
 
    # Join landmarks.
    cv2.line(image, (l_shldr_x, l_shldr_y), (l_ear_x, l_ear_y), red, 4)
    cv2.line(image, (l_shldr_x, l_shldr_y), (l_shldr_x, l_shldr_y - 100), red, 4)
    cv2.line(image, (l_hip_x, l_hip_y), (l_shldr_x, l_shldr_y), red, 4)
    cv2.line(image, (l_hip_x, l_hip_y), (l_hip_x, l_hip_y - 100), red, 4)
 
# Calculate the time of remaining in a particular posture.
good_time = (1 / fps) * good_frames
bad_time =  (1 / fps) * bad_frames
 
# Pose time.
if good_time > 0:
    time_string_good = 'Good Posture Time : ' + str(round(good_time, 1)) + 's'
    cv2.putText(image, time_string_good, (10, h - 20), font, 0.9, green, 2)
else:
    time_string_bad = 'Bad Posture Time : ' + str(round(bad_time, 1)) + 's'
    cv2.putText(image, time_string_bad, (10, h - 20), font, 0.9, red, 2)
 
# If you stay in bad posture for more than 3 minutes (180s) send an alert.
if bad_time > 180:
    sendWarning()