引言
本文主要是基于OpenCV+MediaPipe实现了视频与摄像头中人体仰卧起坐检测与实时计数。附完整源码与实现步骤讲解，供小伙伴们学习。感谢大家的点赞关注，更多干活内容持续更新~
实现效果
实现步骤说明
引入所需库
首先，我们导入必要的库来处理视频流、人体姿态估计和基本数学运算。
import cv2 # OpenCV库用于视频处理 import mediapipe as mp # Mediapipe库用于人体姿态检测 import numpy as np # NumPy库用于数学计算
计算角度函数
定义一个函数来计算三个关键点之间的角度，用于判断仰卧起坐动作的完成状态。
def calculate_angle(a, b, c): # 将输入的坐标转换为NumPy数组 a, b, c = np.array(a), np.array(b), np.array(c) # 使用arctan2计算角度，并转换为度数 radians = np.arctan2(c[1]-b[1], c[0]-b[0]) - np.arctan2(a[1]-b[1], a[0]-b[0]) angle = np.abs(radians * 180.0 / np.pi) # 确保角度在0到180之间 if angle > 180.0: angle = 360 - angle return angle
主程序逻辑
接下来是程序的主要部分，包括初始化视频捕获、姿态估计设置、循环读取视频帧并分析姿态数据以计算仰卧起坐次数。
- 初始化姿态估计模块：
mp_pose = mp.solutions.pose mp_drawing = mp.solutions.drawing_utils
- 打开视频文件：
cap = cv2.VideoCapture("demo.mp4")
- 初始化计数器和阶段标记：
counter = 0 # 计数器初始化为0 stage = None # 动作阶段（"down" 或 "up"）
- 姿态检测核心代码
while cap.isOpened(): # 读取视频的下一帧 ret, frame = cap.read() # 将BGR图像转换为RGB，因为MediaPipe需要RGB图像 image = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB) # 设置图像为不可写，以提高处理效率 image.flags.writeable = False # 使用MediaPipe Pose模型处理图像，检测姿态 results = pose.process(image) # 处理完后再设置图像为可写，以便后续绘图操作 image.flags.writeable = True # 转换回BGR色彩空间，以便OpenCV显示 image = cv2.cvtColor(image, cv2.COLOR_RGB2BGR) # 尝试性执行，以防姿态数据未成功检测 try: landmarks = results.pose_landmarks.landmark # 提取关键点坐标 hip = [landmarks[mp_pose.PoseLandmark.LEFT_HIP.value].x, landmarks[mp_pose.PoseLandmark.LEFT_HIP.value].y] shoulder = [landmarks[mp_pose.PoseLandmark.LEFT_SHOULDER.value].x, landmarks[mp_pose.PoseLandmark.LEFT_SHOULDER.value].y] knee = [landmarks[mp_pose.PoseLandmark.LEFT_KNEE.value].x, landmarks[mp_pose.PoseLandmark.LEFT_KNEE.value].y] # 计算角度 angle = calculate_angle(shoulder, hip, knee) # 根据角度变化判断动作阶段并计数 if angle > 100: # 下降阶段（腿部下降） stage = "down" elif angle < 50 and stage == 'down': # 上升阶段（腿部抬起，且之前已记录下降） stage = "up" counter += 1 # 增加计数 print("Sit-up count: ", counter) # 打印当前计数 except AttributeError: # 如果没有检测到姿态，忽略此次迭代 pass # 在图像上显示计数 cv2.putText(image, "Counter: " + str(counter), (50, 50), cv2.FONT_HERSHEY_SIMPLEX, 1, (255, 0, 0), 2, cv2.LINE_AA) # 绘制姿态关键点和连线 mp_drawing.draw_landmarks(image, results.pose_landmarks, mp_pose.POSE_CONNECTIONS) # 显示处理后的图像 cv2.imshow('Sit-Up Counter', image) # 按'q'键退出 if cv2.waitKey(10) & 0xFF == ord('q'): break
- 读取与转换图像：每一帧视频图像被读取后，首先由BGR格式转换为RGB格式，这是由于MediaPipe Pose模型的要求。
- 姿态检测：调用
pose.process(image)来处理图像，检测其中的人体姿态。这一步会返回姿态检测的结果，包括身体各部位的关键点坐标。 - 关键点提取与角度计算：从姿态检测的结果中提取左髋、左肩和左膝的坐标，并利用
calculate_angle函数计算这三个点形成的夹角。这个角度是判断仰卧起坐动作完成情况的重要依据。 - 计数逻辑：
- 当角度超过100度时，认为是“下蹲”阶段，标记
stage为"down"。 - 若角度小于50度，并且之前记录了“下蹲”阶段（即
stage为"down"），则认为完成了一次完整的仰卧起坐动作，counter`增加1，并打印当前的计数。
- 异常处理：当没有检测到有效的姿态信息时（例如，人体部分或全部未出现在画面中），通过捕获
AttributeError避免程序崩溃。 - 图像展示：在每帧图像上绘制计数信息和姿态关键点及连线，最后通过OpenCV的
imshow函数实时显示处理结果。 - 退出循环：用户可以通过按下’q’键随时终止循环，结束程序。
- 清理工作：释放视频资源，关闭所有OpenCV窗口。
通过上述步骤，该程序实现了基于视频的人体姿态识别，进而自动计数仰卧起坐的完成次数。这是一种结合计算机视觉和运动分析技术的实用应用，适合健身监测和训练辅助场景。
