Поза 33 фото: Неудачные позы для женской фотографии (33 фото)

Я сотрудничаю исключительно с OpenCV.org, чтобы предоставить вам официальные курсы по искусственному интеллекту, компьютерному зрению и глубокому обучению, которые проведут вас по структурированному пути от первых шагов до мастерства.

Учить больше

Цель приложения

Наша цель — обнаружить человека с идеального вида сбоку и измерить наклон шеи и туловища к некоторой опорной оси. Путем контроля угла наклона, когда человек наклоняется ниже определенного порогового угла.

Другие функции включают измерение времени определенной позы и выравнивание камеры. Мы должны убедиться, что камера смотрит на правильный вид сбоку. Следовательно, нам нужна функция выравнивания.

Рабочий процесс приложения для обнаружения и анализа положения тела

Предварительные условия

OpenCV и MediaPipe — основные пакеты, которые нам понадобятся. Используйте файл requirements.txt , который находится в папке с кодом, для установки зависимостей.

 pip install -r требования.txt
 

Для понимания кода вам потребуются практические знания OpenCV Python. Новичок в OpenCV? Вот список специально созданных руководств по OpenCV для начинающих.

Скачать полный код

Скачать код Чтобы легко следовать этому руководству, загрузите код, нажав кнопку ниже. Это бесплатно!

Код загрузки

Убедитесь, что вы прочитали объяснение один раз перед запуском сценария, чтобы избежать ошибок.

Объяснение кода определения положения тела

 import cv2
время импорта
импортировать математику как m
импортировать MediaPipe как mp
 

Для настройки требуется, чтобы человек находился в правильном боковом обзоре. Функция findDistance помогает нам определить расстояние смещения между двумя точками. Это могут быть точки бедер, глаза или плечи.

Эти точки были выбраны, поскольку они всегда более или менее симметричны относительно центральной оси человеческого тела. При этом мы включим функцию выравнивания камеры в сценарий.

 def findDistance(x1, y1, x2, y2):
расстояние = m.sqrt((x2-x1)**2+(y2-y1)**2)
вернуть расстояние
 

3. Функция расчета наклона положения тела

Угол является основным определяющим фактором для положения тела. Мы используем угол, образуемый линией шеи и линией туловища с осью Y. Вырез соединяет плечо и глаз. Здесь мы берем плечо за точку опоры.

Точно так же линия туловища соединяет бедро и плечо, где бедро считается точкой опоры.

Рис. Измерение наклона линии шеи

На примере линии шеи имеем следующие точки.

• P1 (x1, y1): плечо
• P2 (x2, y2): глазок
• P3 (x3, y3): любая точка на вертикальной оси, проходящая через P1

Судя по всему, для P3 x-координата такая же, как и у Р1. Поскольку y3 справедливо для всех y , для простоты возьмем y3 = 0.

Мы используем векторный подход, чтобы найти внутренний угол трех точек. Угол между двумя векторами P ₁₂ и P ₁₃ определяется выражением

.
Def findAngle(x1, y1, x2, y2):
    theta = m.acos( (y2 -y1)*(-y1) / (m.sqrt(
        (x2 - x1)**2 + (y2 - y1)**2 ) * y1) )
    степень = int(180/m.pi)*тета
    степень возврата
 

Используйте эту функцию для отправки предупреждений при обнаружении плохой осанки. Мы оставляем его пустым, чтобы вы занялись им. Не стесняйтесь проявлять творческий подход и настраивать по своему усмотрению. Например, вы можете подключить бота Telegram для оповещений, что очень просто. Ссылка в справочном разделе [6]. Или вы можете подняться на ступеньку выше, создав приложение для Android.

 по умолчанию отправить предупреждение (x):
проходить
 

Инициализация констант и методов здесь. Они должны быть понятными благодаря встроенным комментариям.

 # Инициализировать счетчики кадров.
хорошие_кадры = 0
плохие кадры = 0
# Тип шрифта.
шрифт = cv2.FONT_HERSHEY_SIMPLEX
# Цвета.
синий = (255, 127, 0)
красный = (50, 50, 255)
зеленый = (127, 255, 0)
темно-синий = (127, 20, 0)
светло-зеленый = (127, 233, 100)
желтый = (0, 255, 255)
розовый = (255, 0, 255)
# Инициализировать класс позы mediapipe.
mp_pose = mp.solutions.pose
поза = mp_pose.Pose()
 

Для демонстрации мы используем предварительно записанные образцы видео. Вам нужно будет расположить веб-камеру, чтобы на практике захватить вид сбоку. В следующем фрагменте создаются объекты захвата видео и записи видео.

Как видите, мы получаем метаданные видео для создания объекта захвата видео. Если вы хотите писать в формате mp4 , измените кодек на *’mp4v’ . Для получения более интуитивно понятного руководства по записи видео и работе с кодеками ознакомьтесь со статьей об OpenCV Video Writer.

 # Для ввода с веб-камеры замените имя файла на 0.
    имя_файла = 'вход.mp4'
    крышка = cv2.VideoCapture (имя_файла)
    # Мета.
    fps = интервал (cap.get (cv2.CAP_PROP_FPS))
    ширина = интервал (cap.get (cv2.CAP_PROP_FRAME_WIDTH))
    высота = интервал (cap.get (cv2.CAP_PROP_FRAME_HEIGHT))
    frame_size = (ширина, высота)
    Fourcc = cv2.VideoWriter_fourcc(*'mp4v')
    # Автор видео.
    video_output = cv2.VideoWriter('output.mp4', fourcc, fps, frame_size)
 

Настраиваемые API f решение Pose() не требуют особых настроек. Значений по умолчанию достаточно для обнаружения ориентиров позы. Однако, если мы хотим, чтобы утилита сгенерировала маску сегментации, флаг ENABLE_SEGMENTATION должен быть установлен на True . Ниже приведены некоторые настраиваемые API в решении MediaPipe pose.

• STATIC_IMAGE_MODE : Это логическое значение. Если установлено значение True , обнаружение человека выполняется для каждого входного изображения. Это не обязательно для видео, где обнаружение выполняется один раз, после чего следует отслеживание ориентиров. Значение по умолчанию — False .

Это необходимо для того, чтобы камера правильно захватила вид сбоку человека. Мы измеряем горизонтальное расстояние между левой и правой точками плеча. При правильном выравнивании левая и правая точки должны почти совпадать.

Обратите внимание, что пороговое значение расстояния смещения основано на наблюдении за набором данных, имеющим точные размеры, как образцы видео. Если вы попробуете образцы с более высоким разрешением, это значение изменится. Он не должен быть очень конкретным; вы можете установить пороговое значение на основе своей интуиции.

На самом деле, дистанционный метод вовсе не является правильным способом определения центровки. Он должен быть основан на угле .

Мы используем метод расстояния для простоты.

 # Рассчитать расстояние между точками левого плеча и правого плеча.
смещение = findDistance(l_shldr_x, l_shldr_y, r_shldr_x, r_shldr_y)
# Помогите настроить камеру так, чтобы она указывала на человека сбоку.
# Порог смещения 30 основан на результатах, полученных при анализе более 100 образцов.
если смещение < 100:
    cv2.putText (изображение, str (int (смещение)) + 'Выровнено', (w - 150, 30), шрифт, 0,9, зеленый, 2)
еще:
    cv2.putText (изображение, str (int (смещение)) + «Не выровнено», (w - 150, 30), шрифт, 0,9, красный, 2)
 

Углы наклона получаются с помощью предопределенной функции findAngle . Ориентиры и их соединения рисуются, как показано ниже.

 # Расчет углов.
neck_inclination = findAngle(l_shldr_x, l_shldr_y, l_ear_x, l_ear_y)
torso_inclination = findAngle(l_hip_x, l_hip_y, l_shldr_x, l_shldr_y)
# Нарисуйте достопримечательности.
cv2.circle (изображение, (l_shldr_x, l_shldr_y), 7, желтый, -1)
cv2.circle (изображение, (l_ear_x, l_ear_y), 7, желтый, -1)
# Возьмем y - координату P3 на 100px выше x1, для элегантности отображения.
# Хотя мы принимаем y = 0 при вычислении угла между точками P1,P2,P3.
cv2.circle(изображение, (l_shldr_x, l_shldr_y - 100), 7, желтый, -1)
cv2.circle (изображение, (r_shldr_x, r_shldr_y), 7, розовый, -1)
cv2.circle (изображение, (l_hip_x, l_hip_y), 7, желтый, -1)
# Точно так же здесь мы берем y - координата на 100 пикселей выше x1. Обратите внимание, что
# вы можете взять любое значение y, не обязательно 100 или 200 пикселей.
cv2.circle(изображение, (l_hip_x, l_hip_y - 100), 7, желтый, -1)
# Поместите текст, осанку и угол наклона. 
# Текстовая строка для отображения.
angle_text_string = 'Шея: ' + str(int(neck_inclination)) + 'Торс: ' + str(int(torso_inclination))
 

На основе позы, хорошей или плохой; отображаются результаты. Опять же, пороговые углы основаны на интуиции. Вы можете установить пороги в соответствии с вашими потребностями. При каждом обнаружении счетчики кадров увеличиваются для хорошей и плохой осанки соответственно.

Время определенной позы можно рассчитать, разделив количество кадров на кадров в секунду . Ознакомьтесь с методами измерения частоты кадров в нашем предыдущем сообщении в блоге.

 # Определить, хорошая осанка или плохая.
# Пороговые углы были установлены на основе интуиции.
если шея_наклон < 40 и торс_наклон < 10:
    плохие кадры = 0
    хорошие_кадры += 1
   
    cv2.putText (изображение, angle_text_string, (10, 30), шрифт, 0,9, светло-зеленый, 2)
    cv2. putText (изображение, улица (int (neck_inclination)), (l_shldr_x + 10, l_shldr_y), шрифт, 0,9, светло-зеленый, 2)
    cv2.putText (изображение, str (int (torso_inclination)), (l_hip_x + 10, l_hip_y), шрифт, 0,9, светло-зеленый, 2)
    # Присоединяйтесь к достопримечательностям.
    cv2.line (изображение, (l_shldr_x, l_shldr_y), (l_ear_x, l_ear_y), зеленый, 4)
    cv2.line (изображение, (l_shldr_x, l_shldr_y), (l_shldr_x, l_shldr_y - 100), зеленый, 4)
    cv2.line (изображение, (l_hip_x, l_hip_y), (l_shldr_x, l_shldr_y), зеленый, 4)
    cv2.line (изображение, (l_hip_x, l_hip_y), (l_hip_x, l_hip_y - 100), зеленый, 4)
еще:
    хорошие_кадры = 0
    плохие кадры += 1
    cv2.putText (изображение, angle_text_string, (10, 30), шрифт, 0,9, красный, 2)
    cv2.putText (изображение, str (int (neck_inclination)), (l_shldr_x + 10, l_shldr_y), шрифт, 0,9, красный, 2)
    cv2.putText (изображение, str (int (torso_inclination)), (l_hip_x + 10, l_hip_y), шрифт, 0,9, красный, 2)
    # Присоединяйтесь к достопримечательностям. 
    cv2.line (изображение, (l_shldr_x, l_shldr_y), (l_ear_x, l_ear_y), красный, 4)
    cv2.line (изображение, (l_shldr_x, l_shldr_y), (l_shldr_x, l_shldr_y - 100), красный, 4)
    cv2.line (изображение, (l_hip_x, l_hip_y), (l_shldr_x, l_shldr_y), красный, 4)
    cv2.line (изображение, (l_hip_x, l_hip_y), (l_hip_x, l_hip_y - 100), красный, 4)
# Рассчитать время пребывания в определенной позе.
хорошее_время = (1 / кадр/с) * хорошие_кадры
bad_time = (1 / fps) * bad_frames
# Время позы.
если хорошее_время > 0:
    time_string_good = 'Время хорошей осанки: ' + str(round(good_time, 1)) + 's'
    cv2.putText (изображение, time_string_good, (10, ч - 20), шрифт, 0,9, зеленый, 2)
еще:
    time_string_bad = 'Время плохой осанки: ' + str(round(bad_time, 1)) + 's'
    cv2.putText (изображение, time_string_bad, (10, ч - 20), шрифт, 0,9, красный, 2)
# Если вы остаетесь в плохой позе более 3 минут (180 с), отправьте предупреждение.
если bad_time > 180:
    отправить предупреждение ()
 

ЗАКЛЮЧЕНИЕ

Вот и все о создании приложения для коррекции осанки с помощью MediaPipe Pose.