基于Python与MediaPipe实现引体向上自动计数：从姿态估计到状态机逻辑-平芜编程栈

简介：本资源是一套基于Python的引体向上动作自动计数算法实现方案，面向计算机科学、电子工程及应用数学等相关专业本科生与研究生，解决健身动作识别与运动次数量化中的姿态检测与轨迹分析问题，适用于课程实践、学期项目或毕业设计等中阶编程与CV结合场景。压缩包共8个文件，含2个核心Python脚本（姿态检测与计数逻辑）、2段MP4演示视频（原始动作与算法输出效果）、1个说明文档及辅助配置文件，整体大小为47.26MB，结构简洁、开箱即用。已有34人学习下载，资源突出算法可复现性与代码可扩展性——提供完整推理流程、关键参数注释及常见优化入口，便于读者理解人体关键点建模思路、调试阈值逻辑，并基于自身数据集进行迁移适配。

1. 项目概述：从健身痛点到一个Python程序员的解决方案

最近在健身房，我总能看到一些朋友在做引体向上时，要么自己数着数着就忘了，要么得依赖手机录像事后回放计数，既麻烦又打断了训练的连贯性。作为一个常年泡在代码里的程序员，我就在想，能不能用自己最熟悉的工具——Python，来解决这个小小的、但很实际的健身烦恼？于是，就有了这个“基于Python的引体向上计数算法实现”的项目。

这个项目的核心目标很简单：让电脑通过摄像头“看懂”你的引体向上动作，并自动、准确地为你计数。它不依赖任何昂贵的智能健身设备，只需要一台普通的电脑（甚至是一台树莓派）和一个摄像头（笔记本自带的或USB摄像头都行）。你只需要在单杠前开始训练，程序就会在后台默默工作，实时在视频画面上标注你的身体关键点，并在你完成一次标准动作后，自动增加计数。

听起来是不是有点像那些高端健身镜或智能健身App的功能？没错，原理是相通的。但我们的实现完全开源、透明，你可以清楚地知道每一行代码在做什么，如何调整算法以适应你自己的动作习惯，甚至把它改造成深蹲计数、俯卧撑计数。这对于健身爱好者、计算机视觉的初学者，或者任何想将编程应用于实际生活场景的朋友来说，都是一个绝佳的练手项目。它涉及了Python编程、OpenCV图像处理、以及轻量级的人体姿态估计等多个有趣的技术点。接下来，我就把自己从零搭建这个项目的完整思路、踩过的坑和最终可运行的源码，毫无保留地分享给你。

2. 核心思路与技术选型：为什么是“姿态估计”而不是“目标检测”

当你决定用计算机视觉来计数引体向上时，第一个面临的技术抉择就是：我们到底要识别什么？

最直观的想法可能是“识别人”或者“识别单杠”。这就是目标检测的思路，比如用YOLO或SSD模型在画面里框出人和单杠。但这个方法对于计数来说，精度远远不够。因为计数依赖的是动作的周期性变化，仅仅知道“那里有个人”是不够的，我们需要知道这个人身体各部位的具体位置和角度变化。

举个例子：一个人挂在单杠上轻微晃动，和完成一次标准的引体向上（下巴过杠），在目标检测框里看起来可能差不多，但关节点的运动轨迹却有天壤之别。

因此，我选择了人体姿态估计作为本项目的技术基石。它的目标是识别出人体的一系列关键点，例如：鼻子、左右肩、左右肘、左右腕、左右髋、左右膝、左右踝等。通过追踪这些关键点（尤其是肩、肘、腕）在垂直方向上的运动轨迹，我们就可以清晰地定义出一个“引体向上”动作的周期。

技术栈的确定：

编程语言：Python。这是计算机视觉和机器学习领域的事实标准，库生态极其丰富，从快速原型开发到性能优化都有成熟的工具链。
核心视觉库：OpenCV。用于视频流的读取、图像的基本处理（缩放、裁剪、颜色转换）、以及最终结果的绘制（画关键点、画计数文字）和输出。
姿态估计模型：MediaPipe Pose。这是本项目成功的关键。为什么选择它而不是OpenPose或HRNet？
- 轻量级与高效率：MediaPipe是Google推出的一个跨平台框架，其Pose解决方案在CPU上就能达到实时推理的速度（30+FPS），完全不需要GPU。这对于我们希望在普通笔记本电脑上流畅运行的需求至关重要。
- 开箱即用的精度：MediaPipe Pose提供了33个3D人体关键点，对于引体向上这种大肢体运动，其2D投影的精度已经绰绰有余，且模型鲁棒性很好，在部分遮挡（如侧面拍摄时一只手被身体挡住）下也能保持稳定输出。
- 极简的API：几行代码就能完成模型的初始化和推理，让我们能把精力集中在动作逻辑的判断上，而不是复杂的模型部署上。

项目工作流程简述：

输入：摄像头实时视频流或本地视频文件。
处理：对每一帧图像，使用MediaPipe Pose模型检测出人体的33个关键点。
分析：提取关键点（如双肩中点、手腕）的Y轴（垂直方向）坐标，计算其相对位置和运动速度。
逻辑判断：根据关键点的运动轨迹，设计一个状态机来判断用户当前处于“悬挂起始”、“上升”、“顶峰锁定”、“下降”中的哪个阶段，从而在完成一个完整周期后计数。
输出：在原始视频帧上绘制出骨骼关键点和连线，并实时显示当前计数，最后输出处理后的视频。

这个流程清晰地将一个复杂的视觉任务分解为可逐个击破的模块，接下来我们就进入具体的实现环节。

3. 环境搭建与依赖安装：一步到位的配置指南

工欲善其事，必先利其器。为了避免大家在不同操作系统上遇到各种奇怪的依赖问题，我整理了一份经过验证的、清晰的环境配置清单。我们使用conda来创建独立的Python环境，这是管理项目依赖的最佳实践。

步骤1：创建并激活虚拟环境打开你的终端（Windows用Anaconda Prompt或CMD，Mac/Linux用Terminal），执行以下命令。环境名pullup_counter你可以随意替换。

# 创建名为 pullup_counter 的 Python 3.8 环境（3.7-3.10均可，推荐3.8） conda create -n pullup_counter python=3.8 -y # 激活环境 conda activate pullup_counter

激活后，你的命令行提示符前面应该会显示(pullup_counter)，表示你已经在这个独立的环境中工作了。

步骤2：安装核心依赖库我们将使用pip来安装所需的包。请按顺序执行以下命令：

# 1. 安装OpenCV。这是处理图像和视频的基础。 pip install opencv-python # 2. 安装MediaPipe。这是实现姿态估计的核心。 pip install mediapipe # 3. （可选但推荐）安装NumPy。MediaPipe和OpenCV都会用到它，通常会自动安装，但明确安装可以避免版本问题。 pip install numpy

注意：关于MediaPipe安装的坑如果你在安装MediaPipe时遇到编译错误或版本冲突，大概率是因为Python版本或系统架构问题。最稳妥的解决方案是直接安装预编译的wheel包。访问 https://pypi.org/project/mediapipe/ 查看与你Python版本和系统匹配的版本号，然后用pip install mediapipe==[版本号]来安装。对于绝大多数用户，直接pip install mediapipe就能成功。

步骤3：验证安装创建一个简单的Python脚本test_env.py，输入以下内容：

import cv2 import mediapipe as mp import numpy as np print(f"OpenCV version: {cv2.__version__}") print(f"MediaPipe version: {mp.__version__}") print(f"NumPy version: {np.__version__}") print("环境测试成功！所有核心库均已就绪。")

运行它：

python test_env.py

如果成功输出版本号且没有报错，那么恭喜你，最磨人的环境配置环节已经顺利通过。接下来就是激动人心的编码部分了。

4. 代码实现深度解析：从关键点提取到状态机逻辑

让我们打开代码编辑器，新建一个名为pull_up_counter.py的文件。我将分模块、逐行解释核心代码，并穿插我在开发过程中总结的注意事项。

4.1 初始化与视频流读取

首先，导入必要的库并初始化MediaPipe Pose模型。

import cv2 import mediapipe as mp import numpy as np # 初始化MediaPipe Pose解决方案 mp_drawing = mp.solutions.drawing_utils # 用于绘制关键点和连线 mp_pose = mp.solutions.pose # 姿态估计模型 # 创建Pose模型实例 # static_image_mode: 对于视频流，设为False以提升速度 # model_complexity: 复杂度，0（快），1（中），2（慢且准）。引体向上用1或0足够。 # smooth_landmarks: 平滑关键点，减少抖动，必须设为True # min_detection_confidence: 检测置信度阈值，高于此值才认为检测到人体 # min_tracking_confidence: 跟踪置信度阈值，用于视频流中维持跟踪 pose = mp_pose.Pose(static_image_mode=False, model_complexity=1, smooth_landmarks=True, min_detection_confidence=0.5, min_tracking_confidence=0.5) # 初始化计数器与状态 counter = 0 stage = None # 动作阶段：'up', 'down'

实操心得：参数调优min_detection_confidence和min_tracking_confidence是影响体验的关键参数。设得太低（如0.3），容易产生误检测，画面里走过一个人都可能被计数；设得太高（如0.8），在动作快速或光线稍暗时容易丢失跟踪。0.5是一个在大多数场景下都比较稳健的折中值。如果在你自己的环境中计数不稳定，可以优先调整这两个参数。

接下来，设置视频源。你可以使用摄像头（cv2.VideoCapture(0)）或者本地视频文件（cv2.VideoCapture(‘your_video.mp4’)）。

# 使用默认摄像头（编号0）。如果是外接摄像头，可能需要尝试1或2。 cap = cv2.VideoCapture(0) # 设置摄像头分辨率，更高的分辨率有助于提升关键点检测精度，但会增加计算量。 cap.set(cv2.CAP_PROP_FRAME_WIDTH, 1280) cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 720) # 如果你有一个录制好的引体向上视频用于测试，可以注释掉上面两行，用下面这行 # cap = cv2.VideoCapture('pullup_demo.mp4')

4.2 关键点提取与核心逻辑：如何定义一次“引体向上”

这是整个项目的“大脑”。我们需要从MediaPipe返回的33个关键点中，选取合适的点来计算和判断。

MediaPipe Pose的关键点索引定义可以在其官方文档找到。对于我们计数引体向上，最有用的是：

左肩：11
右肩：12
左腕：15
右腕：16
左肘：13
右肘：14

一个稳健的策略是使用双肩中点和双腕中点来判定。因为有些人做引体向上时身体会扭转，单侧手腕可能被遮挡，取中点可以增加鲁棒性。

while cap.isOpened(): ret, frame = cap.read() if not ret: break # 如果视频流结束，退出循环 # 为了提升性能，可以将图像尺寸缩小。但注意，缩小会影响远处小目标的检测精度。 # frame = cv2.resize(frame, (640, 360)) # MediaPipe需要RGB格式的图像，但OpenCV默认是BGR image = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB) image.flags.writeable = False # 设置为False可以提升一点性能 # 核心：进行姿态估计检测！ results = pose.process(image) # 改回BGR格式以便OpenCV显示 image.flags.writeable = True image = cv2.cvtColor(image, cv2.COLOR_RGB2BGR)

现在，results.pose_landmarks里就包含了检测到的关键点坐标（归一化到[0,1]的坐标）。我们来提取并计算：

try: # 1. 提取关键点坐标 landmarks = results.pose_landmarks.landmark # 获取左右肩和左右腕的坐标 left_shoulder = [landmarks[mp_pose.PoseLandmark.LEFT_SHOULDER.value].x, landmarks[mp_pose.PoseLandmark.LEFT_SHOULDER.value].y] right_shoulder = [landmarks[mp_pose.PoseLandmark.RIGHT_SHOULDER.value].x, landmarks[mp_pose.PoseLandmark.RIGHT_SHOULDER.value].y] left_wrist = [landmarks[mp_pose.PoseLandmark.LEFT_WRIST.value].x, landmarks[mp_pose.PoseLandmark.LEFT_WRIST.value].y] right_wrist = [landmarks[mp_pose.PoseLandmark.RIGHT_WRIST.value].x, landmarks[mp_pose.PoseLandmark.RIGHT_WRIST.value].y] # 2. 计算双肩中点和双腕中点的Y坐标（图像坐标系，原点在左上角，Y向下增大） shoulder_center_y = (left_shoulder[1] + right_shoulder[1]) / 2 wrist_center_y = (left_wrist[1] + right_wrist[1]) / 2 # 3. 计算“手腕相对于肩膀的高度差”。这是判断上升下降的核心指标。 # 注意：Y坐标越大，位置越靠下。所以当手腕在肩膀下方时，这个差值为正。 vertical_diff = wrist_center_y - shoulder_center_y # 4. 状态机逻辑判断 # 阈值需要根据你的拍摄距离和身高进行调整！这是调参的重点。 DOWN_THRESHOLD = 0.05 # 手腕低于肩膀多少时，算作“下放到底”（悬挂状态） UP_THRESHOLD = -0.02 # 手腕高于肩膀多少时，算作“上升到顶”（下巴过杠） # 状态判断 if vertical_diff > DOWN_THRESHOLD: current_stage = "down" elif vertical_diff < UP_THRESHOLD: current_stage = "up" else: # 处于中间过渡状态，保持原阶段不变 current_stage = stage if stage is not None else None # 5. 计数逻辑：完成一个从“down” -> “up” -> “down”的循环，计数+1 if stage == "down" and current_stage == "up": # 检测到从下到上的转换，表示开始上升 pass elif stage == "up" and current_stage == "down": # 检测到从上到下的转换，表示完成了一次完整的引体向上！ counter += 1 print(f"计数！当前总数：{counter}") # 在控制台也输出，便于调试 # 更新阶段状态 stage = current_stage except Exception as e: # 如果检测不到人体（landmarks为None），或者计算出错，就跳过这一帧 # print(f"Error: {e}") # 调试时可以打开 pass

核心难点与调参经验：阈值（THRESHOLD）的设定这是整个算法最需要根据实际场景调整的部分。DOWN_THRESHOLD和UP_THRESHOLD不是固定值。
它们代表什么？代表手腕Y坐标 - 肩膀Y坐标的归一化差值。因为坐标是归一化的，所以这个值与你的实际身高、距离摄像头的远近无关，只与动作幅度有关。
如何确定？最好的方法是打印日志。在调试阶段，在while循环里加上：
print(f"垂直差值: {vertical_diff:.3f}, 阶段: {stage}")
然后你对着摄像头做几个引体向上，观察在“悬挂最低点”和“下巴过杠最高点”时，vertical_diff的典型值是多少。将“最低点”的值稍加一点余量作为DOWN_THRESHOLD，将“最高点”的值稍减一点余量作为UP_THRESHOLD。
一个常见的误区：不要设得过于苛刻。因为人体在运动时会有晃动，阈值设得太接近实际极值，可能导致状态在阈值附近来回跳动，造成误计数。适当放宽阈值，利用状态机的“记忆性”（只有完整的状态转换才计数），是保证计数稳定的关键。

4.3 结果可视化与输出

逻辑判断完成后，我们需要把结果直观地展示在视频画面上。

# 6. 使用MediaPipe提供的工具绘制姿态骨架和关键点 if results.pose_landmarks: mp_drawing.draw_landmarks(image, results.pose_landmarks, mp_pose.POSE_CONNECTIONS, mp_drawing.DrawingSpec(color=(245,117,66), thickness=2, circle_radius=2), # 关键点样式 mp_drawing.DrawingSpec(color=(245,66,230), thickness=2, circle_radius=2)) # 连线样式 # 7. 在画面上绘制计数和状态信息 # 绘制一个半透明的矩形作为文字背景 cv2.rectangle(image, (0,0), (300, 120), (245,117,16), -1) # -1表示填充矩形 # 显示计数 cv2.putText(image, 'REPS', (15,25), cv2.FONT_HERSHEY_SIMPLEX, 0.8, (0,0,0), 2, cv2.LINE_AA) cv2.putText(image, str(counter), (15,80), cv2.FONT_HERSHEY_SIMPLEX, 1.5, (255,255,255), 3, cv2.LINE_AA) # 显示当前阶段 cv2.putText(image, 'STAGE', (130,25), cv2.FONT_HERSHEY_SIMPLEX, 0.8, (0,0,0), 2, cv2.LINE_AA) cv2.putText(image, stage if stage else 'N/A', (130,80), cv2.FONT_HERSHEY_SIMPLEX, 1.2, (255,255,255), 3, cv2.LINE_AA) # 显示垂直差值（调试用，正式版可注释掉） cv2.putText(image, f'Diff: {vertical_diff:.3f}' if 'vertical_diff' in locals() else 'Diff: N/A', (10, image.shape[0] - 20), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (255,255,255), 1, cv2.LINE_AA) # 8. 显示最终图像 cv2.imshow('Pull-up Counter', image) # 按‘q’键退出 if cv2.waitKey(10) & 0xFF == ord('q'): break # 释放资源 cap.release() cv2.destroyAllWindows()

至此，一个完整的、实时的引体向上计数器就完成了！运行python pull_up_counter.py，对着摄像头试试看吧。

5. 性能优化与高级功能扩展

基础版本已经能工作，但要做到“好用”，我们还需要考虑更多。这里分享几个优化和扩展的方向。

5.1 提升计数准确性的滤波技巧

原始的关键点坐标可能存在抖动，导致vertical_diff值波动，进而引发状态误判。一个简单有效的改进是加入滑动平均滤波。

在初始化部分加入：

import collections # 创建一个队列来存储最近的垂直差值 diff_history = collections.deque(maxlen=5) # 保存最近5帧的值 filtered_diff = 0

在计算完vertical_diff后，进行滤波：

diff_history.append(vertical_diff) filtered_diff = sum(diff_history) / len(diff_history) # 计算简单移动平均 # 后续的状态判断使用 filtered_diff 代替 vertical_diff if filtered_diff > DOWN_THRESHOLD: current_stage = "down" elif filtered_diff < UP_THRESHOLD: current_stage = "up" else: current_stage = stage if stage is not None else None

这样，偶然的单帧跳动就会被平滑掉，状态转换会更加稳定。

5.2 支持离线视频分析与结果保存

很多时候，我们可能想分析一段已经录好的训练视频。修改视频源很简单，但更进一步，我们可以将处理后的视频保存下来，方便分享或复盘。

在初始化cv2.VideoCapture之后，定义视频写入器：

# 获取原视频的帧宽、帧高和帧率 frame_width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH)) frame_height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT)) fps = int(cap.get(cv2.CAP_PROP_FPS)) if fps == 0: # 有些摄像头获取不到FPS，给一个默认值 fps = 30 # 创建VideoWriter对象，用于保存处理后的视频 # ‘XVID’是编码器，输出文件为‘output_pullup_counted.avi’ fourcc = cv2.VideoWriter_fourcc(*'XVID') out = cv2.VideoWriter('output_pullup_counted.avi', fourcc, fps, (frame_width, frame_height))

在主循环中，将最终要显示的image帧写入文件：

# ... (所有处理逻辑之后，imshow之前) out.write(image) # 将绘制好的帧写入视频文件 cv2.imshow('Pull-up Counter', image)

程序结束后，记得释放写入器：

cap.release() out.release() # 释放视频写入器 cv2.destroyAllWindows()

5.3 动作标准度评估的初步思路

一个更有挑战性也更有价值的扩展是评估动作标准度。例如，检测是否“耸肩”、“摆动借力”或“下落未放直”。

这需要引入更多的关键点和几何计算：

检测耸肩：计算肩膀（11，12）与耳朵（7，8）在垂直方向上的距离。在引体向上过程中，这个距离不应显著缩短。
检测身体摆动：计算髋部中点（23，24）的横向（X轴）移动速度或幅度。如果幅度过大，可以给出“摆动借力”的提示。
检测下落幅度：我们已经在用vertical_diff和DOWN_THRESHOLD判断是否下放到底。可以增加一个“动作幅度不足”的警告，如果vertical_diff始终小于一个更小的阈值，则提示“未完全下放”。

实现这些功能，需要更复杂的状态管理和阈值设定，但核心方法论是一致的：提取关键点 -> 计算几何或运动特征 -> 设定逻辑规则进行判断。这为将本项目升级为一个初级的“AI健身教练”提供了可能。

6. 常见问题排查与实战调试技巧

在实际运行中，你几乎一定会遇到一些问题。下面是我在开发和测试中遇到的典型问题及解决方法。

问题现象	可能原因	排查与解决思路
程序报错，无法导入mediapipe	1. 虚拟环境未激活或安装不正确。 2. Python版本不兼容。	1. 确认终端前有`(pullup_counter)`环境标识。 2. 执行`pip list`检查`mediapipe`和`opencv-python`是否存在。 3. 尝试使用Python 3.8或3.9重新创建环境。
摄像头黑屏或打不开	1. 摄像头被其他程序占用。 2. 摄像头索引号错误。	1. 关闭其他可能使用摄像头的软件（微信、Zoom等）。 2. 尝试将`cv2.VideoCapture(0)`中的`0`改为`1`或`2`。 3. 在代码开头加入`cap = cv2.VideoCapture(0, cv2.CAP_DSHOW)`（仅Windows）试试。
检测不到人体，没有骨架绘制	1. 人物离摄像头太远或光线太暗。 2. 置信度阈值`min_detection_confidence`设得太高。 3. 背景杂乱，干扰模型。	1. 确保人物在画面中清晰可见，光线充足。 2. 尝试将`min_detection_confidence`和`min_tracking_confidence`暂时调低至0.4。 3. 尝试面对纯色墙壁进行测试。
计数不准（漏数或多计）	1.`UP_THRESHOLD`和`DOWN_THRESHOLD`设置不合理。 2. 关键点抖动导致状态跳变。 3. 动作不标准（如摆动太大）。	1.这是最可能的原因！务必使用“打印日志法”调试阈值。在循环中打印`vertical_diff`和`stage`，观察动作极值点对应的数值，重新设定阈值。 2. 引入滑动平均滤波（见5.1节），平滑数据。 3. 调整摄像头角度，尽量保持人物正面或侧面，避免严重遮挡。
程序运行很卡，帧率很低	1. 图像分辨率太高。 2.`model_complexity`参数设为2。 3. 电脑性能不足。	1. 将`cv2.VideoCapture`读取的分辨率降低（如640x480）。 2. 将`model_complexity`设为0（最快）或1。 3. 在主循环中，可以对图像进行缩放（如`frame = cv2.resize(frame, (640, 360))`），注意：缩放要在`pose.process`之前进行，且缩放后绘制骨架的坐标需要相应换算。
保存的视频无法播放或花屏	1. 编解码器‘XVID’不支持。 2. 写入的帧尺寸与`VideoWriter`初始化尺寸不匹配。	1. 尝试更换编解码器，如`‘MJPG’`：`fourcc = cv2.VideoWriter_fourcc(*'MJPG')`，文件后缀改为`.avi`。 2. 确保`out.write(image)`中的`image`尺寸与创建`VideoWriter`时指定的`(frame_width, frame_height)`完全一致。一个稳妥的做法是使用`image.shape[1]`和`image.shape[0]`来获取尺寸。

终极调试心法：可视化与日志当程序行为不符合预期时，最强大的工具就是print()和cv2.putText()。

把关键数据画在屏幕上：就像示例代码中显示vertical_diff一样，把stage、counter、甚至左右手腕的原始Y坐标都实时显示出来。这样你一眼就能看到程序“认为”的数值是什么。
在控制台打印详细日志：在状态改变、计数等关键节点打印信息，方便你复盘程序逻辑的执行流程。
录制一小段测试视频：用手机录制一段自己做引体向上的视频（10-15秒即可），然后用程序分析这个本地视频文件。这样可以让你反复、暂停地观察程序在每一帧的处理结果，是调整阈值和逻辑的黄金手段。

7. 项目总结与未来展望

通过这个项目，我们完成了一个从实际问题出发，利用现代计算机视觉库快速构建解决方案的完整流程。它麻雀虽小，五脏俱全：从环境配置、模型调用、数据提取、逻辑设计、到可视化交互。最重要的是，它提供了一个可运行的、能够解决真实需求的代码原型。

我个人在反复调试这个项目后，最深的体会是：在AI应用开发中，数据和逻辑的质量往往比模型本身更重要。MediaPipe Pose已经提供了一个非常强大的“眼睛”，但如何用好它提供的“关键点”数据，设计出鲁棒的业务逻辑（状态机），才是项目成败的关键。这其中的阈值设定、滤波处理、异常处理，都需要开发者对业务（引体向上动作）本身有深刻的理解，并通过大量的实验和观察来打磨。这个过程，是任何预训练模型都无法替代的。

这个项目完全可以作为一个起点，进行更多有趣的扩展：