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．append（［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（）
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。
