适用于 Web 的姿势特征点检测指南

借助 MediaPipe 姿势地标任务，您可以检测图片或视频中人体的地标。您可以使用此任务来识别关键身体部位、分析姿势和对动作进行分类。此任务使用可处理单张图片或视频的机器学习 (ML) 模型。该任务会以图片坐标和 3 维世界坐标输出身体姿势地标。

以下说明介绍了如何将姿势地标注入器用于 Web 应用和 JavaScript 应用。如需详细了解此任务的功能、模型和配置选项，请参阅概览。

代码示例

姿势地标注点的示例代码提供了此任务在 JavaScript 中的完整实现，供您参考。此代码可帮助您测试此任务并开始构建自己的姿势地标注点应用。您只需使用网络浏览器即可查看、运行和修改姿势地标注点示例代码。

设置

本部分介绍了专门针对使用姿势地标创建开发环境的关键步骤。如需了解有关设置 Web 和 JavaScript 开发环境的一般信息（包括平台版本要求），请参阅 Web 版设置指南。

JavaScript 软件包

您可以通过 MediaPipe @mediapipe/tasks-vision NPM 软件包获取姿势地标代码。您可以按照平台设置指南中的说明查找和下载这些库。

您可以使用以下命令通过 NPM 安装所需的软件包：

npm install @mediapipe/tasks-vision

如果您想通过内容分发网络 (CDN) 服务导入任务代码，请在 HTML 文件的 <head> 标记中添加以下代码：

<!-- You can replace JSDeliver with another CDN if you prefer -->
<head>
  <script src="https://cdn.jsdelivr.net/npm/@mediapipe/tasks-vision/vision_bundle.js"
    crossorigin="anonymous"></script>
</head>

型号

MediaPipe 姿势地标任务需要与此任务兼容的训练模型。如需详细了解可供使用的人体姿势地标注点训练模型，请参阅任务概览的“模型”部分。

选择并下载模型，然后将其存储在项目目录中：

<dev-project-root>/app/shared/models/

创建任务

使用 Pose Landmarker createFrom...() 函数之一准备任务以运行推理。将 createFromModelPath() 函数与经过训练的模型文件的相对路径或绝对路径搭配使用。如果您的模型已加载到内存中，则可以使用 createFromModelBuffer() 方法。

以下代码示例演示了如何使用 createFromOptions() 函数设置任务。借助 createFromOptions() 函数，您可以使用配置选项自定义姿势地标。如需详细了解配置选项，请参阅配置选项。

以下代码演示了如何使用自定义选项构建和配置任务：

const vision = await FilesetResolver.forVisionTasks(
  // path/to/wasm/root
  "https://cdn.jsdelivr.net/npm/@mediapipe/tasks-vision@latest/wasm"
);
const poseLandmarker = await poseLandmarker.createFromOptions(
    vision,
    {
      baseOptions: {
        modelAssetPath: "path/to/model"
      },
      runningMode: runningMode
    });

配置选项

此任务针对 Web 和 JavaScript 应用提供了以下配置选项：

选项名称 说明 值范围 默认值
runningMode 设置任务的运行模式。有两种模式：

IMAGE：适用于单张图片输入的模式。

视频：视频的解码帧或输入数据（例如来自摄像头）的直播的模式。		 {IMAGE, VIDEO} IMAGE
numPoses 姿势地标点检测器可检测的姿势数量上限。 Integer > 0 1
minPoseDetectionConfidence 姿势检测被视为成功所需的最低置信度得分。 Float [0.0,1.0] 0.5
minPosePresenceConfidence 在姿势地标检测中，姿势存在得分的最小置信度得分。 Float [0.0,1.0] 0.5
minTrackingConfidence 姿势跟踪被视为成功所需的最低置信度得分。 Float [0.0,1.0] 0.5
outputSegmentationMasks 姿势地标检测器是否为检测到的姿势输出分割掩码。 Boolean False

准备数据

姿势地标检测器可以检测主机浏览器支持的任何格式的图片中的姿势。该任务还会处理数据输入预处理，包括调整大小、旋转和值归一化。如需在视频中标记姿势，您可以使用此 API 一次快速处理一帧，并使用帧的时间戳来确定姿势在视频中出现的时间。

运行任务

姿势地标使用 detect()（运行模式为 IMAGE）和 detectForVideo()（运行模式为 VIDEO）方法触发推理。该任务会处理数据，尝试标定关键点，然后报告结果。

对姿势地标 detect() 和 detectForVideo() 方法的调用会同步运行并阻塞用户插入线程。如果您在设备摄像头的视频帧中检测到姿势，则每次检测都会阻塞主线程。您可以通过实现 Web Worker 来在其他线程上运行 detect() 和 detectForVideo() 方法，从而避免这种情况。

以下代码演示了如何使用任务模型执行处理：

Image

const image = document.getElementById("image") as HTMLImageElement;
const poseLandmarkerResult = poseLandmarker.detect(image);

视频

await poseLandmarker.setOptions({ runningMode: "VIDEO" });

let lastVideoTime = -1;
function renderLoop(): void {
  const video = document.getElementById("video");

  if (video.currentTime !== lastVideoTime) {
    const poseLandmarkerResult = poseLandmarker.detectForVideo(video);
    processResults(detections);
    lastVideoTime = video.currentTime;
  }

  requestAnimationFrame(() => {
    renderLoop();
  });
}

如需更完整地实现运行姿势地标任务，请参阅代码示例。

处理和显示结果

姿势地标注点会为每次运行检测返回一个 poseLandmarkerResult 对象。结果对象包含每个姿势地标的坐标。

以下是此任务的输出数据示例：

PoseLandmarkerResult:
  Landmarks:
    Landmark #0:
      x            : 0.638852
      y            : 0.671197
      z            : 0.129959
      visibility   : 0.9999997615814209
      presence     : 0.9999984502792358
    Landmark #1:
      x            : 0.634599
      y            : 0.536441
      z            : -0.06984
      visibility   : 0.999909
      presence     : 0.999958
    ... (33 landmarks per pose)
  WorldLandmarks:
    Landmark #0:
      x            : 0.067485
      y            : 0.031084
      z            : 0.055223
      visibility   : 0.9999997615814209
      presence     : 0.9999984502792358
    Landmark #1:
      x            : 0.063209
      y            : -0.00382
      z            : 0.020920
      visibility   : 0.999976
      presence     : 0.999998
    ... (33 world landmarks per pose)
  SegmentationMasks:
    ... (pictured below)

输出包含每个地标的归一化坐标 (Landmarks) 和世界坐标 (WorldLandmarks)。

输出包含以下归一化坐标 (Landmarks)：

  • x 和 y：地标坐标，已根据图片宽度 (x) 和高度 (y) 标准化为介于 0.0 和 1.0 之间。

  • z：地标深度，以髋部中点的深度为原点。值越小，地标离相机越近。z 的大小与 x 大致相同。

  • visibility：地标在图片中可见的可能性。

输出包含以下世界坐标 (WorldLandmarks)：

  • x、y 和 z：以米为单位的真实 3 维坐标，以髋部中点为原点。

  • visibility：地标在图片中可见的可能性。

下图显示了任务输出的可视化结果：

一位女士在冥想。她的姿势用线框突出显示，线框表示她的四肢和躯干的位置

可选的分割掩码表示每个像素属于检测到的人物的可能性。以下图片是任务输出的分割掩码：

上一张图片的分割掩码，勾勒出女性的形状

姿势地标示例代码演示了如何显示从任务返回的结果，请参阅代码示例