Openpose人体骨骼、手势--静态图像标记及分类（附源码）

一、背景

我的环境是：Windows10 + python3.7 + anaconda3 + jupyter5.6.0

安装 Openpose开源库时，有点费力，在前面一篇文章中讲述过，这里不再重复；前文有模型下载链接。

本次涉及的模型有：hand和pose-coco模型

手部：22个关键点（21个骨骼点，第22个表示背景），骨骼：coco模型18个特征点

前文讲述了安装和基本使用方法，本文来将骨骼和手势融合在一张图片中同时检测并标记。

二、标记

1.标记骨骼特征

1）剔除不必要点

上一次是基于危险驾驶的探讨：

本次我需要手语图像识别，那么这里需要标记的上半身参考点的关键信息更多了。

图中是我训练时的截图，可以发现手语所表达的肢体动作均在上半身，所以我们参考点可忽略（点9,10,12,13） 。

(图片参考于：中国手语数据集DEVISIGN 数据集以及手语公益网站视频)

2）特征

图像识别，需要以上流程，目前我们在（特征提取和选择阶段），提取哪些特征是有价值的特征呢？

示例：

1. 危险驾驶判断标准：

   • 抽烟：可以用双手到鼻的距离来进行判断，即点4,7到点0的距离。
   • 接电话：可以计算右手到右耳的距离（左手倒左耳的距离）来进行判断，即点4到点16的距离（点7到点17的距离）。
     

2. 基于普通摄像头的太极姿势识别
   太极姿势分为23式，原作者根据需求提取手臂姿势、腿部姿势：
   原作者笔记：十五组人体姿态骨骼关键点之间的距离作为特征，同时选择
   了十五组夹角作为角度特征整合到一个数组中去。
   
   为什么需要角度作为辅助判断参数呢？

   仅选择距离判断因素，当人离摄像头更远一些，人就会缩小，距离会变短；人靠近摄像头，距离会变大，距离因素远远不够。

   通过引入角度信息，我们都知道：一条直线不能确定其方向和大小，若是一个向量（有方向有大小的定点线段），那么这就可以在图像表示唯一。所以，这里是通过角度来约束距离。

   引入角度有哪些弊端呢？

   出自太极手势识别：
   组合特征：距离和角度，能够提高复杂关系的拟合能力，同时由于有些角度在某些情况下的值为零值，比如 2-3-4（整个手臂：手，胳膊肘，肩膀之间的夹角的余弦值）夹角为直角的时候余弦值是零值，当 OpenPose 丢失一个点比如说 4 号位置手的信息没有检测出来的时候，返回零值，它的余弦值就和肩膀之间的夹角的余弦值）夹角为直角的时候余弦值相同了，因此仅仅依据距离信息有时候也会对数据训练产生一定的误导作用，所以就按照距离约束角度，角度约束距离的设计思路设计了独特的太极姿态识别的训练数据。

通过上述的分析，我们暂且提炼出25组关键特征，如图：

现在特征点也规划好了，上代码——在其中连线，圈圈画画，计算长度角度。

三、实现

1.获取关键点坐标

主要还是参考前一文：Openpose驾驶员危险驾驶检测（抽烟打电话）

前文是单独提取骨骼特征点和手势特征点，这里对其进行一个融合，思路是：

1. 传入原图像，获取骨骼的coco模型18特征点
   

2. 手势特征点：通过骨骼特征点point[4]和point[7]标注出两只手首的位置，以手首为中心，取小臂长范围对图片进行分割；再别对两个图片进行识别。
   
   手势检测：
   
   (当然这张图片里的dancer戴了手套，会影响手势部分的检测。)
   此部分代码：
   1. 在裁剪的时候注意左右相反的，我一开始弄错了，裁剪框老不对
   rimg = img_cv2[y1:y2,x1:x2]# 裁剪坐标为[y0:y1, x0:x1]
   2. 注意判断图像中没有显示左手和右手的情况，以及标注框范围过大时，只裁取到图像边缘：

     def getHandROI(self,imgfile,bonepoints):
           """hand手部感兴趣的区域寻找到双手图像
           
           :param 图像路径，骨骼关键点
           :return 左手关键点，右手关键点坐标集合
           """
           img_cv2 = cv2.imread(imgfile)#原图像
           img_height, img_width, _ = img_cv2.shape
           rimg = img_cv2.copy()#图像备份
           limg = img_cv2.copy()
           # 以右手首为中心，裁剪长度为小臂长的图片
           if bonepoints[4] and bonepoints[3]:#右手
               h = int(self.__distance(bonepoints[4],bonepoints[3]))#小臂长
               x_center = bonepoints[4][0]
               y_center = bonepoints[4][1]
               x1 = x_center-h
               y1 = y_center-h
               x2 = x_center+h
               y2 = y_center+h
               print(x1,x2,x_center,y_center,y1,y2)
               if x1< 0:
                   x1 = 0
               if x2>img_width:
                   x2 = img_width
               if y1< 0:
                   y1 = 0
               if y2>img_height:
                   y2 = img_height
               rimg = img_cv2[y1:y2,x1:x2]# 裁剪坐标为[y0:y1, x0:x1]
               
           if bonepoints[7] and bonepoints[6]:#左手
               h = int(self.__distance(bonepoints[7],bonepoints[6]))#小臂长
               x_center = bonepoints[7][0]
               y_center = bonepoints[7][1]
               x1 = x_center-h
               y1 = y_center-h
               x2 = x_center+h
               y2 = y_center+h
               print(x1,x2,x_center,y_center,y1,y2)
               if x1< 0:
                   x1 = 0
               if x2>img_width:
                   x2 = img_width
               if y1< 0:
                   y1 = 0
               if y2>img_height:
                   y2 = img_height
               limg = img_cv2[y1:y2,x1:x2]# 裁剪坐标为[y0:y1, x0:x1]    
           
           plt.figure(figsize=[10, 10])
           plt.subplot(1, 2, 1)
           plt.imshow(cv2.cvtColor(rimg, cv2.COLOR_BGR2RGB))
           plt.axis("off")
           plt.subplot(1, 2, 2)
           plt.imshow(cv2.cvtColor(limg, cv2.COLOR_BGR2RGB))
           plt.axis("off")
           plt.show()
           # 分别获取手部特征点
           rhandpoints = self.getHandKeypoints(rimg)
           lhandpoints = self.getHandKeypoints(limg)
           #显示
           pose_model.vis_hand_pose(rimg, rhandpoints)
           pose_model.vis_hand_pose(limg, lhandpoints)
           
           return rhandpoints,lhandpoints
   

   ok，现在你已经get了手势和骨骼的坐标了

2.计算特征

1）距离

我们图片是二维的，

    def __distance(self,A,B):
        """距离辅助函数
        
        :param 两个坐标A(x1,y1)B(x2,y2)
        :return 距离d=AB的距离
        """
        if A is None or B is None:
            return 0
        else:
            return math.sqrt((A[0]-B[0])**2+(A[1]-B[1])**2)

在openpose返回的关键点坐标中，未识别的关键点返回None；因此，我们这里也要做一个简单的None判断，坐标都没有了，还怎么计算距离呢？🤣

2）角度

我们之前保留的参考点为三个点：A-B-C式（2-3-4代表右手的手臂角度）

这里采用余弦定理：（a，b，c分别是A,B,C的对边长度）

关于角B的计算公式：
、
其中，我们计算先根据三个点的坐标信息，计算各边长；再计算余弦的弧度值：

弧度值转角度值：math.degrees()，均可（这里为了我方便观察，我暂时转换了，实际运用时，不用转换，多一份计算，减慢一分运行速度！）

  def __myAngle(self,A,B,C):
        """角度辅助函数
        
        :param 三个坐标A(x1,y1)B(x2,y2)C(x3,y3)
        :return 角B的余弦值（转换为角度）
        """
        if A is None or B is None or C is None:
            return 0
        else:
            a=self.__distance(B,C)
            b=self.__distance(A,C)
            c=self.__distance(A,B)
            if 2*a*c !=0:
                return math.degrees(a**2/+c**2-b**2)/(2*a*c)#计算出cos弧度，转换为角度
            return 0

根据我之前的25个（距离+角度）信息，存放那个在list中，还是比较好理解。

为了演示，做了部分特征值参数显示，大致就是这个意思，这些数据都需要保存收集，为后面生成模型和识别做准备。

3.演示

4.完整代码

#!/usr/bin/python3
#!--*-- coding: utf-8 --*--
from __future__ import division# 精确除法
import cv2
import os
import time
import math
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif']=['SimHei'] #用来正常显示中文标签
plt.rcParams['axes.unicode_minus']=False #用来正常显示负号

class general_pose_model(object):
    def __init__(self, modelpath):
        # 指定采用的模型
        #   hand: 22 points（21个手势关键点，第22个点表示背景）
        #   COCO:   18 points（）
        self.inWidth = 368
        self.inHeight = 368
        self.threshold = 0.1
        self.pose_net = self.general_coco_model(modelpath)
        self.hand_num_points = 22
        self.hand_point_pairs = [[0,1],[1,2],[2,3],[3,4],
                            [0,5],[5,6],[6,7],[7,8],
                            [0,9],[9,10],[10,11],[11,12],
                            [0,13],[13,14],[14,15],[15,16],
                            [0,17],[17,18],[18,19],[19,20]]
        self.hand_net = self.get_hand_model(modelpath)
        self.MIN_DESCRIPTOR = 32  # surprisingly enough, 2 descriptors are already enough

    """提取骨骼特征点，并可视化显示"""

    def general_coco_model(self, modelpath):
        self.points_name = {
            "Nose": 0, "Neck": 1, 
            "RShoulder": 2, "RElbow": 3, "RWrist": 4,
            "LShoulder": 5, "LElbow": 6, "LWrist": 7, 
            "RHip": 8, "RKnee": 9, "RAnkle": 10, 
            "LHip": 11, "LKnee": 12, "LAnkle": 13, 
            "REye": 14, "LEye": 15, 
            "REar": 16, "LEar": 17, 
            "Background": 18}
        self.bone_num_points = 18
        self.bone_point_pairs = [[1, 0], [1, 2], [1, 5], 
                            [2, 3], [3, 4], [5, 6], 
                            [6, 7], [1, 8], [8, 9],
                            [9, 10], [1, 11], [11, 12], 
                            [12, 13], [0, 14], [0, 15], 
                            [14, 16], [15, 17]]
        prototxt   = os.path.join(modelpath,"pose/coco/pose_deploy_linevec.prototxt")
        caffemodel = os.path.join(modelpath, "pose/coco/pose_iter_440000.caffemodel")
        coco_model = cv2.dnn.readNetFromCaffe(prototxt, caffemodel)

        return coco_model

    def getBoneKeypoints(self, imgfile):
        """COCO身体关键点检测
        
        :param 图像路径
        :return 关键点坐标集合
        """
        img_cv2 = cv2.imread(imgfile)
        img_height, img_width, _ = img_cv2.shape
        inpBlob = cv2.dnn.blobFromImage(img_cv2,1.0 / 255,(self.inWidth, self.inHeight),(0, 0, 0), swapRB=False, crop=False)
        self.pose_net.setInput(inpBlob)
        self.pose_net.setPreferableBackend(cv2.dnn.DNN_BACKEND_OPENCV)
        self.pose_net.setPreferableTarget(cv2.dnn.DNN_TARGET_OPENCL)

        output = self.pose_net.forward()

        H = output.shape[2]
        W = output.shape[3]
        print("形状：")
        print(output.shape)

        # vis heatmaps
        self.vis_bone_heatmaps(img_file, output)

        #
        points = []
        for idx in range(self.bone_num_points):
            probMap = output[0, idx, :, :] # confidence map.

            # 提取关键点区域的局部最大值
            minVal, prob, minLoc, point = cv2.minMaxLoc(probMap)

            # Scale the point to fit on the original image
            x = (img_width * point[0]) / W
            y = (img_height * point[1]) / H

            if prob > self.threshold:
                points.append((int(x), int(y)))
            else:
                points.append(None)
        #print(points)
        return points
    
    def __distance(self,A,B):
        """距离辅助函数
        
        :param 两个坐标A(x1,y1)B(x2,y2)
        :return 距离d=AB的距离
        """
        if A is None or B is None:
            return 0
        else:
            return math.sqrt((A[0]-B[0])**2+(A[1]-B[1])**2)
        
    def __myAngle(self,A,B,C):
        """角度辅助函数
        
        :param 三个坐标A(x1,y1)B(x2,y2)C(x3,y3)
        :return 角B的余弦值（转换为角度）
        """
        if A is None or B is None or C is None:
            return 0
        else:
            a=self.__distance(B,C)
            b=self.__distance(A,C)
            c=self.__distance(A,B)
            if 2*a*c !=0:
                return math.degrees(a**2/+c**2-b**2)/(2*a*c)#计算出cos弧度，转换为角度
            return 0
    
    def bonepointDistance(self, keyPoint):
        """距离辅助函数
        :param keyPoint:
        :return:list
        :distance:
        """
        distance0 = self.__distance(keyPoint[4],keyPoint[8])#右手右腰
        distance1 = self.__distance(keyPoint[7],keyPoint[11])#左手左腰
        distance2 = self.__distance(keyPoint[2],keyPoint[4])#手肩
        distance3 = self.__distance(keyPoint[5],keyPoint[7])
        distance4 = self.__distance(keyPoint[0],keyPoint[4])#头手
        distance5 = self.__distance(keyPoint[0],keyPoint[7])
        distance6 = self.__distance(keyPoint[4],keyPoint[7])#两手
        distance7 = self.__distance(keyPoint[4],keyPoint[16])#手耳
        distance8 = self.__distance(keyPoint[7],keyPoint[17])
        distance9 = self.__distance(keyPoint[4],keyPoint[14])#手眼
        distance10 = self.__distance(keyPoint[7],keyPoint[15])
        distance11 = self.__distance(keyPoint[4],keyPoint[1])#手脖
        distance12 = self.__distance(keyPoint[7],keyPoint[1])
        distance13 = self.__distance(keyPoint[4],keyPoint[5])#左手左臂
        distance14 = self.__distance(keyPoint[4],keyPoint[6])#右手左肩
        distance15 = self.__distance(keyPoint[7],keyPoint[2])#右手左肩
        distance16 = self.__distance(keyPoint[7],keyPoint[3])#左手右臂

        return [distance0, distance1, distance2, distance3, distance4, distance5, distance6, distance7,distance8,
                distance9, distance10, distance11, distance12, distance13, distance14, distance15, distance16]

    def bonepointAngle(self, keyPoint):
        """角度辅助函数
        
        :param keyPoint:
        :return:list
        :角度:
        """
        angle0 = self.__myAngle(keyPoint[2], keyPoint[3], keyPoint[4])#右手臂夹角
        angle1 = self.__myAngle(keyPoint[5], keyPoint[6], keyPoint[7])#左手臂夹角
        angle2 = self.__myAngle(keyPoint[3], keyPoint[2], keyPoint[1])#右肩夹角
        angle3 = self.__myAngle(keyPoint[6], keyPoint[5], keyPoint[1])
        angle4 = self.__myAngle(keyPoint[4], keyPoint[0], keyPoint[7])#头手头
        if keyPoint[8] is None or keyPoint[11] is None:
            angle5 = 0
        else:
            temp = ((keyPoint[8][0]+keyPoint[11][0])/2,(keyPoint[8][1]+keyPoint[11][1])/2)#两腰的中间值
            angle5 = self.__myAngle(keyPoint[4], temp, keyPoint[7])#手腰手
        angle6 = self.__myAngle(keyPoint[4], keyPoint[1], keyPoint[8])#右手脖腰
        angle7 = self.__myAngle(keyPoint[7], keyPoint[1], keyPoint[11])#右手脖腰

        return [angle0, angle1, angle2, angle3, angle4, angle5, angle6, angle7]

    def vis_bone_pose(self,imgfile,points):
        """显示标注骨骼点后的图像
        
        :param 图像路径，COCO检测关键点坐标
        """
        img_cv2 = cv2.imread(imgfile)
        img_cv2_copy = np.copy(img_cv2)
        for idx in range(len(points)):
            if points[idx]:
                cv2.circle(img_cv2_copy, points[idx], 5, (0, 255, 255), thickness=-1,lineType=cv2.FILLED)
                cv2.putText(img_cv2_copy, "{}".format(idx), points[idx], cv2.FONT_HERSHEY_SIMPLEX,1,(0, 0, 255),4, lineType=cv2.LINE_AA)
        h = int(self.__distance(points[4],points[3]))#小臂周长
        if points[4]:
            x_center = points[4][0]
            y_center = points[4][1]
            cv2.rectangle(img_cv2, (x_center-h, y_center-h), (x_center+h, y_center+h), (255, 0, 0), 2)#框
            cv2.circle(img_cv2,(x_center, y_center), 3, (0, 0, 255), thickness=-1,lineType=cv2.FILLED)#坐标点
            cv2.putText(img_cv2,"%d,%d" % (x_center,y_center),(x_center, y_center), cv2.FONT_HERSHEY_SIMPLEX,
                            0.6, (0, 0, 255), 2, lineType=cv2.LINE_AA)#右手首
        if points[7]:
            x_center = points[7][0]
            y_center = points[7][1]
            cv2.rectangle(img_cv2, (x_center-h, y_center-h), (x_center+h, y_center+h), (255, 0, 0), 2)
            cv2.putText(img_cv2,"%d,%d" % (x_center,y_center),(x_center, y_center), cv2.FONT_HERSHEY_SIMPLEX,
                            0.6, (0, 0, 255), 2, lineType=cv2.LINE_AA)#左手首
            cv2.circle(img_cv2,(x_center-h, y_center-h), 3, (225, 225, 255), thickness=-1,lineType=cv2.FILLED)#对角点
            cv2.putText(img_cv2, "{}".format(x_center-h),(x_center-h, y_center-h), cv2.FONT_HERSHEY_SIMPLEX,
                            0.6, (255, 0, 0), 2, lineType=cv2.LINE_AA)
            cv2.circle(img_cv2,(x_center+h, y_center+h), 3, (225, 225, 255), thickness=-1,lineType=cv2.FILLED)
            cv2.putText(img_cv2, "{}".format(x_center+h),(x_center+h, y_center+h), cv2.FONT_HERSHEY_SIMPLEX,
                            0.6, (255, 0, 0), 2, lineType=cv2.LINE_AA)#对角点
        
        # 骨骼连线
        for pair in self.bone_point_pairs:
            partA = pair[0]
            partB = pair[1]

            if points[partA] and points[partB]:
                cv2.line(img_cv2, points[partA], points[partB], (0, 255, 255), 3)
                cv2.circle(img_cv2, points[partA],4, (0, 0, 255),thickness=-1, lineType=cv2.FILLED)

        plt.figure(figsize=[10, 10])
        plt.subplot(1, 2, 1)
        plt.imshow(cv2.cvtColor(img_cv2, cv2.COLOR_BGR2RGB))
        plt.axis("off")
        plt.subplot(1, 2, 2)
        plt.imshow(cv2.cvtColor(img_cv2_copy, cv2.COLOR_BGR2RGB))
        plt.axis("off")
        plt.show()
        
    def vis_bone_heatmaps(self, imgfile, net_outputs):
        """显示骨骼关键点热力图
        
        :param 图像路径，神经网络
        """
        img_cv2 = cv2.imread(imgfile)
        plt.figure(figsize=[10, 10])
        for pdx in range(self.bone_num_points):
            probMap = net_outputs[0, pdx, :, :]#全部heatmap都初始化为0
            probMap = cv2.resize(probMap,(img_cv2.shape[1], img_cv2.shape[0]))
            plt.subplot(5, 5, pdx+1)
            plt.imshow(cv2.cvtColor(img_cv2, cv2.COLOR_BGR2RGB))# background
            plt.imshow(probMap, alpha=0.6)
            plt.colorbar()
            plt.axis("off")
        plt.show()
    
    """提取手势图像（在骨骼基础上定位左右手图片），handpose特征点，并可视化显示"""
    def get_hand_model(self, modelpath):

        prototxt   = os.path.join(modelpath, "hand/pose_deploy.prototxt")
        caffemodel = os.path.join(modelpath, "hand/pose_iter_102000.caffemodel")
        hand_model = cv2.dnn.readNetFromCaffe(prototxt, caffemodel)

        return hand_model
    
    def getOneHandKeypoints(self, handimg):
        """hand手部关键点检测（单手）
        
        :param 手部图像路径，手部关键点
        :return 单手关键点坐标集合
        """
        img_height, img_width, _ = handimg.shape        
        aspect_ratio = img_width / img_height

        inWidth = int(((aspect_ratio * self.inHeight) * 8) // 8)
        inpBlob = cv2.dnn.blobFromImage(handimg, 1.0 / 255, (inWidth, self.inHeight), (0, 0, 0), swapRB=False, crop=False)

        self.hand_net.setInput(inpBlob)

        output = self.hand_net.forward()

        # vis heatmaps
        self.vis_hand_heatmaps(handimg, output)

        #
        points = []
        for idx in range(self.hand_num_points):
            probMap = output[0, idx, :, :] # confidence map.
            probMap = cv2.resize(probMap, (img_width, img_height))

            # Find global maxima of the probMap.
            minVal, prob, minLoc, point = cv2.minMaxLoc(probMap)

            if prob > self.threshold:
                points.append((int(point[0]), int(point[1])))
            else:
                points.append(None)

        return points
        
    def getHandROI(self,imgfile,bonepoints):
        """hand手部感兴趣的区域寻找到双手图像
        
        :param 图像路径，骨骼关键点
        :return 左手关键点，右手关键点坐标集合
        """
        img_cv2 = cv2.imread(imgfile)#原图像
        img_height, img_width, _ = img_cv2.shape
        rimg = img_cv2.copy()#图像备份
        limg = img_cv2.copy()
        # 以右手首为中心，裁剪长度为小臂长的图片
        if bonepoints[4] and bonepoints[3]:#右手
            h = int(self.__distance(bonepoints[4],bonepoints[3]))#小臂长
            x_center = bonepoints[4][0]
            y_center = bonepoints[4][1]
            x1 = x_center-h
            y1 = y_center-h
            x2 = x_center+h
            y2 = y_center+h
            print(x1,x2,x_center,y_center,y1,y2)
            if x1< 0:
                x1 = 0
            if x2>img_width:
                x2 = img_width
            if y1< 0:
                y1 = 0
            if y2>img_height:
                y2 = img_height
            rimg = img_cv2[y1:y2,x1:x2]# 裁剪坐标为[y0:y1, x0:x1]
            
        if bonepoints[7] and bonepoints[6]:#左手
            h = int(self.__distance(bonepoints[7],bonepoints[6]))#小臂长
            x_center = bonepoints[7][0]
            y_center = bonepoints[7][1]
            x1 = x_center-h
            y1 = y_center-h
            x2 = x_center+h
            y2 = y_center+h
            print(x1,x2,x_center,y_center,y1,y2)
            if x1< 0:
                x1 = 0
            if x2>img_width:
                x2 = img_width
            if y1< 0:
                y1 = 0
            if y2>img_height:
                y2 = img_height
            limg = img_cv2[y1:y2,x1:x2]# 裁剪坐标为[y0:y1, x0:x1]    
        
        plt.figure(figsize=[10, 10])
        plt.subplot(1, 2, 1)
        plt.imshow(cv2.cvtColor(rimg, cv2.COLOR_BGR2RGB))
        plt.axis("off")
        plt.subplot(1, 2, 2)
        plt.imshow(cv2.cvtColor(limg, cv2.COLOR_BGR2RGB))
        plt.axis("off")
        plt.show()
        
        return rimg,limg
    
    def getHandsKeypoints(self,rimg,limg):
        """双手图像分别获取特征点
        
        :param 图像路径，骨骼关键点
        :return 左手关键点，右手关键点坐标集合
        """
        # 分别获取手部特征点
        rhandpoints = self.getOneHandKeypoints(rimg)
        lhandpoints = self.getOneHandKeypoints(limg)
        #显示
        pose_model.vis_hand_pose(rimg, rhandpoints)
        pose_model.vis_hand_pose(limg, lhandpoints)
        
        return rhandpoints,lhandpoints
    
    def vis_hand_heatmaps(self, handimg, net_outputs):
        """显示手势关键点热力图（单手）
        
        :param 图像路径，神经网络
        """
        plt.figure(figsize=[10, 10])

        for pdx in range(self.hand_num_points):
            probMap = net_outputs[0, pdx, :, :]
            probMap = cv2.resize(probMap, (handimg.shape[1], handimg.shape[0]))
            plt.subplot(5, 5, pdx+1)
            plt.imshow(cv2.cvtColor(handimg, cv2.COLOR_BGR2RGB))
            plt.imshow(probMap, alpha=0.6)
            plt.colorbar()
            plt.axis("off")
        plt.show()

    def vis_hand_pose(self, handimg, points):
        """显示标注手势关键点后的图像（单手）
        
        :param 图像路径，每只手检测关键点坐标
        """
        img_cv2_copy = np.copy(handimg)
        for idx in range(len(points)):
            if points[idx]:
                cv2.circle(img_cv2_copy, points[idx], 2, (0, 255, 255), thickness=-1,lineType=cv2.FILLED)
                cv2.putText(img_cv2_copy, "{}".format(idx), points[idx], cv2.FONT_HERSHEY_SIMPLEX,0.3,
                            (0, 0, 255), 1, lineType=cv2.LINE_AA)

        # Draw Skeleton
        for pair in self.hand_point_pairs:
            partA = pair[0]
            partB = pair[1]

            if points[partA] and points[partB]:
                cv2.line(handimg, points[partA], points[partB], (0, 255, 255), 2)
                cv2.circle(handimg, points[partA], 2, (0, 0, 255), thickness=-1, lineType=cv2.FILLED)

        plt.figure(figsize=[10, 10])
        plt.subplot(1, 2, 1)
        plt.imshow(cv2.cvtColor(handimg, cv2.COLOR_BGR2RGB))
        plt.axis("off")
        plt.subplot(1, 2, 2)
        plt.imshow(cv2.cvtColor(img_cv2_copy, cv2.COLOR_BGR2RGB))
        plt.axis("off")
        plt.show()


if __name__ == '__main__':
    print("[INFO]Pose estimation.")

    img_file = "images/letter/melon.jpg"
    #
    start = time.time()
    modelpath = "models/"
    pose_model = general_pose_model(modelpath)
    print("[INFO]Model loads time: ", time.time() - start)

    start = time.time()
    bone_points = pose_model.getBoneKeypoints(img_file)
    print("[INFO]Model predicts time: ", time.time() - start)
    pose_model.vis_bone_pose(img_file, bone_points)
    print("骨骼关键距离信息: ")
    DistanceList = pose_model.bonepointDistance(bone_points)
    print(DistanceList)
    print("骨骼关键角度信息: ")
    AngleList = pose_model.bonepointAngle(bone_points)
    print(AngleList)
    # 手势
    rimg,limg = pose_model.getHandROI(img_file,bone_points)# 左右手图像
    rhandpoints,lhandpoints = pose_model.getHandsKeypoints(rimg,limg)#特征点
    print("左右手关键点信息: ")
    print(rhandpoints)
    print(lhandpoints)