AI武术教学系统：骨骼关键点检测+动作评分完整教程

AI武术教学系统：骨骼关键点检测+动作评分完整教程

引言

传统武术馆想要数字化教学，但动辄20万的IT开发费用让人望而却步。其实借助AI技术，我们可以用更低的成本验证核心功能的可行性。本文将带你一步步搭建一个AI武术教学系统，通过骨骼关键点检测技术，自动分析学员的动作标准度，实现数字化教学。

这个系统能做什么？ - 实时检测学员的骨骼关键点（如头、肩、肘、腕、膝等） - 将学员动作与标准动作进行对比 - 给出动作评分和改进建议 - 所有功能都可以在普通电脑上运行，无需昂贵设备

学完本教程，你将掌握： 1. 如何快速部署骨骼关键点检测模型 2. 如何计算动作相似度评分 3. 如何构建一个简易的武术教学系统

1. 环境准备

1.1 硬件要求

虽然骨骼关键点检测可以在CPU上运行，但为了更好的实时性能，建议使用带有GPU的电脑。CSDN算力平台提供了预置环境的镜像，可以一键部署。

1.2 软件环境

我们将使用Python和几个关键的AI库：

pip install opencv-python numpy mediapipe scikit-learn

这些库分别是： - OpenCV：处理图像和视频 - NumPy：数值计算 - MediaPipe：谷歌开源的骨骼关键点检测解决方案 - scikit-learn：用于计算动作相似度

2. 快速实现骨骼关键点检测

2.1 使用MediaPipe检测关键点

MediaPipe是谷歌提供的一个轻量级解决方案，可以实时检测人体33个关键点。下面是一个简单的实现代码：

import cv2 import mediapipe as mp mp_pose = mp.solutions.pose pose = mp_pose.Pose() # 打开摄像头 cap = cv2.VideoCapture(0) while cap.isOpened(): success, image = cap.read() if not success: continue # 转换为RGB格式 image_rgb = cv2.cvtColor(image, cv2.COLOR_BGR2RGB) # 检测关键点 results = pose.process(image_rgb) # 绘制关键点 if results.pose_landmarks: mp.solutions.drawing_utils.draw_landmarks( image, results.pose_landmarks, mp_pose.POSE_CONNECTIONS) # 显示结果 cv2.imshow('MediaPipe Pose', image) if cv2.waitKey(5) & 0xFF == 27: break cap.release()

这段代码会打开你的摄像头，实时检测并显示人体的骨骼关键点。每个关键点都有特定的编号，比如： - 0: 鼻子 - 11: 左肩 - 12: 右肩 - 13: 左肘 - 14: 右肘 - 15: 左手腕 - 16: 右手腕

2.2 保存标准动作

为了后续评分，我们需要先录制一个标准动作：

def record_standard_pose(duration=5): cap = cv2.VideoCapture(0) frames = [] start_time = time.time() while time.time() - start_time < duration: success, image = cap.read() if not success: continue image_rgb = cv2.cvtColor(image, cv2.COLOR_BGR2RGB) results = pose.process(image_rgb) if results.pose_landmarks: # 提取关键点坐标 landmarks = [[lm.x, lm.y, lm.z] for lm in results.pose_landmarks.landmark] frames.append(landmarks) cap.release() return frames

3. 动作评分系统

3.1 计算动作相似度

有了标准动作和学员动作后，我们可以计算两者的相似度。这里使用动态时间规整(DTW)算法来处理时间序列的相似度：

from sklearn.metrics.pairwise import cosine_similarity from dtaidistance import dtw def compare_poses(standard, student): # 将三维坐标转换为二维(忽略深度z) standard_2d = [pose[:2] for pose in standard] student_2d = [pose[:2] for pose in student] # 计算DTW距离 distance = dtw.distance(standard_2d, student_2d) # 转换为相似度分数(0-100) max_distance = 10 # 经验值，可根据实际情况调整 score = max(0, 100 - (distance / max_distance * 100)) return score

3.2 实时评分系统

将上述功能整合，实现实时评分：

standard_pose = record_standard_pose() # 先录制标准动作 cap = cv2.VideoCapture(0) while cap.isOpened(): success, image = cap.read() if not success: continue image_rgb = cv2.cvtColor(image, cv2.COLOR_BGR2RGB) results = pose.process(image_rgb) if results.pose_landmarks: current_pose = [[lm.x, lm.y, lm.z] for lm in results.pose_landmarks.landmark] score = compare_poses(standard_pose[-1], current_pose) # 与标准动作最后一帧比较 # 在画面上显示评分 cv2.putText(image, f"Score: {score:.1f}", (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 255, 0), 2) cv2.imshow('Pose Evaluation', image) if cv2.waitKey(5) & 0xFF == 27: break cap.release()

4. 进阶优化技巧

4.1 提高检测精度

MediaPipe在大多数情况下表现良好，但在复杂场景下可能会丢失关键点。可以通过以下方法提高精度：

1. 确保良好的光照条件
2. 学员穿着与背景对比明显的服装
3. 调整摄像头角度，确保全身可见
4. 使用更高分辨率的摄像头

4.2 多角度评分

单一角度可能无法全面评估动作质量。可以：

1. 设置多个摄像头从不同角度拍摄
2. 为每个角度建立独立的评分标准
3. 综合多个角度的评分给出最终评价

def multi_angle_evaluation(angles): scores = [] for angle in angles: score = evaluate_from_angle(angle) scores.append(score) # 使用加权平均计算最终分数 final_score = sum(s * w for s, w in zip(scores, weights)) / sum(weights) return final_score

4.3 动作分解评分

武术动作通常由多个阶段组成。可以对每个阶段单独评分：

1. 将标准动作分解为关键帧
2. 检测学员动作所处的阶段
3. 比较当前阶段与标准关键帧
4. 提供阶段性的改进建议

5. 常见问题解决

5.1 关键点检测不稳定

如果检测到的关键点跳动严重，可以：

1. 使用卡尔曼滤波平滑关键点轨迹
2. 增加检测置信度阈值
3. 降低视频分辨率以提高处理速度

# 使用简单移动平均平滑关键点 def smooth_landmarks(current, previous, alpha=0.5): return [alpha * c + (1 - alpha) * p for c, p in zip(current, previous)]

5.2 评分系统过于严格

如果发现评分系统对微小差异过于敏感：

1. 调整相似度计算中的权重
2. 忽略不重要的关键点（如手指）
3. 增加评分容错范围

# 只关注重要关节 IMPORTANT_JOINTS = [11, 12, 13, 14, 15, 16, 23, 24, 25, 26, 27, 28] # 肩、肘、腕、臀、膝、踝 def compare_important_joints(standard, student): standard_important = [standard[i] for i in IMPORTANT_JOINTS] student_important = [student[i] for i in IMPORTANT_JOINTS] return compare_poses(standard_important, student_important)

5.3 系统延迟明显

实时性对教学系统很重要。如果发现明显延迟：

1. 降低视频分辨率
2. 使用更轻量的模型
3. 启用GPU加速
4. 减少不必要的可视化

总结

通过本教程，我们实现了一个简易但功能完整的AI武术教学系统。核心要点包括：

• 低成本验证：用开源工具和普通硬件就能验证数字化教学的可行性，避免前期大额投入
• 实时检测：MediaPipe提供了高效的人体关键点检测方案，适合实时应用
• 灵活评分：通过相似度算法，可以量化评估动作标准度
• 易于扩展：系统可以进一步发展为多角度评估、动作分解教学等高级功能

现在你就可以按照教程步骤，搭建自己的武术教学系统了。实测下来，这套方案对大多数基础武术动作都能给出合理的评估。

💡获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。