Python如何把人体姿态向量化-平芜编程栈

想象一下，你正在开发一款AI健身教练APP。用户对着摄像头做深蹲，APP需要实时判断：“膝盖弯曲角度够不够？背是不是挺直的？”

计算机看不懂视频里的“人”，它只看得懂数字。如果你把一张照片扔给神经网络，它看到的只是一堆[255, 128, 30...]的像素矩阵。

怎么办？我们需要把“人”抽象成数学模型——这就是“姿态向量化”。

今天，我们用 Python +MediaPipe（谷歌开源的黑科技），只用几十行代码，把复杂的人体动作变成一串AI能读懂的数字向量。

第一步：理解什么是“姿态向量”

不要被“向量”两个字吓到。其实就是关键点坐标列表。

人类的身体可以被拆解成一个个关节（关键点）：鼻子、左肩、右肘、手腕、膝盖、脚踝……
目前主流的模型（如 COCO 格式）会把人体定义为17个关键点（2D）或33个关键点（3D全身）。

每个关键点有x, y, z三个坐标值。
向量化，就是把这些坐标按顺序排成一列。比如：
[鼻_x, 鼻_y, 鼻_z, 左肩_x, 左肩_y, 左肩_z, 右肩_x, ...]

这一长串数字，就是你在视频里的“数字分身”。

第二步：工具选择——为什么用 MediaPipe？

以前做姿态估计，要么自己训练模型（累死），要么用 OpenPose（配置环境累死）。
现在谷歌的MediaPipe是首选：

快：在普通笔记本CPU上也能实时运行（30+ FPS）。
准：自带3D坐标（z轴），能感知深度。
全：支持手部、面部、全身姿态。

安装依赖：

pipinstallmediapipe opencv-python numpy

第三步：实战代码——把人变成数字

我们来写一个脚本：读取摄像头画面，把每一帧画面中的人提取出来，变成向量并打印。

1. 基础版：提取单张图片的姿态向量

importcv2importmediapipeasmpimportnumpyasnp# 初始化 MediaPipe Posemp_pose=mp.solutions.pose pose=mp_pose.Pose(model_complexity=1,enable_segmentation=False)# model_complexity越高越准越慢# 读取一张图片（或者视频帧）image=cv2.imread("fitness.jpg")# 换成你的图片路径ifimageisNone:raiseFileNotFoundError("找不到图片，请检查路径")# 转换颜色 BGR -> RGBrgb_image=cv2.cvtColor(image,cv2.COLOR_BGR2RGB)# 进行姿态估计results=pose.process(rgb_image)# --- 核心：向量化过程 ---ifresults.pose_landmarks:landmarks=results.pose_landmarks.landmark vector_list=[]# 遍历17个关键点 (nose, left_shoulder, right_shoulder, etc.)forlandmarkinlandmarks:# landmark 包含 x, y, z, visibility# 注意：这里的 x, y 是相对于图像宽高的归一化坐标 (0.0 ~ 1.0)# z 是深度坐标，以髋部为原点vector_list.extend([landmark.x,landmark.y,landmark.z])# 转换成 numpy 数组 (这就是最终的向量！)pose_vector=np.array(vector_list)print(f"生成的向量维度:{pose_vector.shape}")# 应该是 17 * 3 = 51print(f"向量数据:{pose_vector}")# 简单的应用：打印左手腕的坐标# 左手腕是 landmark index 15，对应向量切片 [15*3 : 15*3+3]left_wrist_vec=pose_vector[45:48]print(f"左手腕坐标(归一化):{left_wrist_vec}")else:print("没检测到人！")pose.close()

代码解析：

pose.process()是黑盒子，输入图片，输出结果。
results.pose_landmarks.landmark是一个列表，包含了17个关键点对象。
我们用extend把每个点的x, y, z拼起来，得到了一个长度为51(17x3) 的一维数组。
这就是最基础的姿态向量！

第四步：进阶——如何让向量更“智能”？

直接用绝对坐标（像素值或归一化值）有个问题：离镜头近的人显得大，离得远显得小。AI会误以为这是两个不同的动作。

我们需要做归一化处理，让向量只关注“骨架结构”，不关注“人在画面哪里”。

技巧1：以鼻子为原点（相对坐标）

把所有点的坐标减去鼻子的坐标，这样向量描述的是“手腕离鼻子多远”，而不是“手腕在屏幕左上角还是右下角”。

# 假设 nose_coord = [x_n, y_n, z_n]# new_wrist_coord = [x_w - x_n, y_w - y_n, z_w - z_n]

技巧2：计算肢体角度（特征工程）

与其给AI原始坐标，不如直接算出“大臂和小臂的夹角”、“大腿和躯干的夹角”。这对判断深蹲动作非常有效。

defcalculate_angle(a,b,c):# a, b, c 是三个点的坐标 (x, y)# 利用反余弦定理计算夹角ba=a-b bc=c-b cosine_angle=np.dot(ba,bc)/(np.linalg.norm(ba)*np.linalg.norm(bc))angle=np.arccos(cosine_angle)returnnp.degrees(angle)# 例如计算肘关节角度# 左肩(11), 左肘(13), 左腕(15)angle_elbow=calculate_angle(left_wrist,left_elbow,left_shoulder)print(f"手肘弯曲角度:{angle_elbow}度")

现在，你的向量不再是简单的坐标列表，而是[手肘角度, 膝盖角度, 脊柱弯曲度...]。这才是AI最喜欢的特征！

第五步：实时视频流向量化

把上面的逻辑放进while True循环，就是一个实时的AI骨架分析器。

importcv2importmediapipeasmpimportnumpyasnp mp_drawing=mp.solutions.drawing_utils mp_pose=mp.solutions.pose cap=cv2.VideoCapture(0)# 打开摄像头withmp_pose.Pose(min_detection_confidence=0.5,min_tracking_confidence=0.5)aspose:whilecap.isOpened():ret,frame=cap.read()ifnotret:break# 翻转画面，像照镜子一样自然frame=cv2.flip(frame,1)rgb_frame=cv2.cvtColor(frame,cv2.COLOR_BGR2RGB)results=pose.process(rgb_frame)ifresults.pose_landmarks:# 绘制骨架（可视化）mp_drawing.draw_landmarks(frame,results.pose_landmarks,mp_pose.POSE_CONNECTIONS)# 在这里插入上面的向量提取代码...# 你可以把向量实时发送给后端的LSTM或分类模型# 比如：if knee_angle < 30: print("深蹲不够深！")cv2.imshow('Pose Vectorization',frame)ifcv2.waitKey(1)&0xFF==ord('q'):breakcap.release()cv2.destroyAllWindows()