代码收藏家 姿态识别+康复训练矫正（AI 健身教练姿态分析） Python结合MediaPipe和OpenCV库来实现
姿态识别+康复训练矫正（AI 健身教练姿态分析）
目录
本文旨在构建一个 AI 健身教练，帮助判断姿态标准与否，并且矫正姿态！无论您是初学者还是专业人士，它都可以帮助您无缝地进行深蹲。为了完成这项任务，我们可以利用基于深度学习的人类姿态估计算法的强大功能。
身体姿态估计
用于姿势分析的正面和侧视图的直觉]
姿势构建 AI 健身教练来分析深蹲
深蹲时的状态图解释]
AI Fitness Trainer 的应用流程]
设计应用程序时的关键概念
角度计算
AI Fitness Trainer 应用程序的反馈操作](
计算非活动时间]
AI Fitness Trainer 应用程序中的测试用例]
深蹲模式 – 初学者与专业人士
姿态估计
使用检测器，管道首先定位帧内的人物/姿势感兴趣区域 （ROI）。跟踪器随后使用 ROI 裁剪的帧作为输入来预测 ROI 中的姿态地标和分割掩码。
姿势分析的正面和侧视图的直觉
在设计一个应用程序来分析各种健身锻炼时，人们可能会好奇地执行各种计算，同时牢记相机对物体（人）的视野。
使用正面视图，我们可以访问左侧和右侧，因此可以利用各种地标点的坡度和角度，例如膝臀线和膝臀线之间的角度等。这些信息可能有助于分析头顶推举、侧板支撑、仰卧起坐、卷曲等练习。
我们可以使用侧视图来更好地估计有关垂直或水平的各种倾斜度。这些信息有助于分析硬拉、俯卧撑、深蹲、俯卧撑等运动。
由于我们正在分析深蹲和所有关于垂直方向适当倾斜度的重要计算，因此我们选择了侧视图。
为确保健康的生活方式，罗马尼亚主动向进行 20 次深蹲的人提供免费巴士票。看看这个Instagram帖子
姿势构建 AI 健身教练来分析深蹲
下图描述了我们的应用程序所需的地标。
我们将考虑髋-膝、膝-踝和肩-髋线与垂直线的角度，以计算状态（在后续部分中解释）并执行适当的反馈消息。如下图所示。
用于姿势分析的正面和侧视图的直觉
[
在设计一个应用程序来分析各种健身锻炼时，人们可能会好奇地执行各种计算，同时牢记相机对物体（人）的视野。
使用正面视图，我们可以访问左侧和右侧，因此可以利用各种地标点的坡度和角度，例如膝臀线和膝臀线之间的角度等。这些信息可能有助于分析头顶推举、侧板支撑、仰卧起坐、卷曲等练习。
我们可以使用侧视图来更好地估计有关垂直或水平的各种倾斜度。这些信息有助于分析硬拉、俯卧撑、深蹲、俯卧撑等运动。
由于我们正在分析深蹲和所有关于垂直方向适当倾斜度的重要计算，因此我们选择了侧视图。
为确保健康的生活方式，罗马尼亚主动向进行 20 次深蹲的人提供免费巴士票。看看这个Instagram帖子！
使用 MediaPipe 姿势构建 AI 健身教练来分析深蹲
下图描述了我们的应用程序所需的地标。
我们将考虑髋-膝、膝-踝和肩-髋线与垂直线的角度，以计算状态（在后续部分中解释）并执行适当的反馈消息。如下图所示。
此外，我们将计算偏移角度（鼻子和肩膀所占的角度），并发出适当的警告，以保持良好的侧视图。
此外，我们还将考虑计算不活动的时间，根据这些时间，正确和不正确的深蹲计数器将被重置。
该应用程序还将提供两种模式：初学者和专业;人们可以选择其中任何一个并开始无缝地进行深蹲，无论他是初学者还是专家。
人体姿态估计是计算机视觉中最令人兴奋的研究领域之一。它在广泛的应用中具有重要意义。我们可以用它来构建一个简单而令人兴奋的应用程序来[分析不良的坐姿]
深蹲时的状态图解释
状态转换图解释了执行深蹲时保持的各种状态。
请注意，所有状态都是根据髋膝线和垂直线之间的角度计算的（为简单起见，我们将此阶段压缩为膝盖和垂直线之间的角度）.
以下 gif 说明了过渡的各个阶段。
我们将处理应用程序的三种状态：s1、s2 和 s3。
状态 s1： 如果膝盖与垂直方向的夹角落在32°以内，则处于正常阶段，其状态为s1。它本质上是更新正确和不当深蹲计数器的状态。
状态 s2： 如果膝盖和垂直方向之间的角度落在 35° 和 65° 之间，则处于过渡阶段，随后进入状态 s2.
状态 s3： 如果膝盖和垂直方向之间的角度在特定范围内（例如，在 75° 和 95° 之间），则它处于通过阶段，随后进入状态 s3.
我们最终也可以提供状态转换图。
注意：
与反馈相关的所有计算都是针对状态 s2 和 s3 计算的。
在实施过程中，我们维护一个列表：state_sequence。它包含人员从状态 s1 到 s3 再回到 s1 时的一系列状态。state_sequence 中的最大状态数 为 3 （[s2**， s3， s2]**）。此列表确定是否执行正确或不正确的深蹲。
一旦遇到状态 s1，我们将state_sequence重新初始化为空列表，以便进行后续的深蹲计数。
设计应用程序时的关键概念
角度计算
3 点之间的角度，其中 1 个是参考点，如下所示。
该等式由下式给出：
例如，要计算偏移角，我们将找到鼻子和肩膀之间的角度，鼻子的坐标是参考点。
当偏移角度超过某个OFFSET_THRESH时，我们假设该人面向相机前方，并显示相应的警告消息。
同样，可以参考下图来计算肩臀线与垂直线之间的夹角.
AI Fitness Trainer 应用程序的反馈操作
我们的应用程序应提供五条反馈消息，而一条执行深蹲，即：
向前弯曲
向后弯曲
降低臀部
膝盖从脚趾上掉下来
深蹲
当髋部与髋部的垂直角度（即肩髋线与垂直线之间的夹角）低于阈值（例如 20°）时，将显示反馈 1，如下图所示。
当髋部垂直角度高于阈值（例如 45°）时，将显示反馈 2， 如下所示
总结
到目前为止，我们已经展示了如何使用 姿态识别解决方案构建一个简单的应用程序来分析深蹲。该应用程序的关键组件包括：
计算角度，例如肩-髋、髋-膝和膝-踝线及其相应的垂直线。
我们保持各种状态以显示适当的反馈并区分正确和不适当的深蹲。
计算重置相应计数器期间的非活动状态。
该应用程序假设该人应保持相机的良好侧视图。如果一个人完全面对镜头前，我们会显示适当的警告信息。
姿态识别**解决方案构建一个简单的应用程序来分析深蹲。该应用程序的关键组件包括：
计算角度，例如肩-髋、髋-膝和膝-踝线及其相应的垂直线。
我们保持各种状态以显示适当的反馈并区分正确和不适当的深蹲。
计算重置相应计数器期间的非活动状态。
该应用程序假设该人应保持相机的良好侧视图。如果一个人完全面对镜头前，我们会显示适当的警告信息。
我们希望本文能为您提供足够的直觉，以构建一个简单但重要的应用程序，以使用人体姿势估计来分析深蹲。我们计划在未来加入更多的练习。
AI健身教练：姿态识别与康复训练矫正
本文旨在探讨如何构建一个基于AI技术的健身教练系统，该系统能够通过姿态识别技术来分析用户的运动姿态，并提供即时反馈以帮助用户矫正姿态，特别是在进行深蹲等运动时。以下是对这一系统的详细介绍：
身体姿态估计
在设计应用程序之初，首先需要考虑的是使用正面和侧面视角来进行姿态分析。正面视图有助于我们分析左右方向上的姿势特征，如膝臀线的角度等；而侧视图则更适合于评估垂直或水平方向的姿态倾斜度，这对于像深蹲这样的动作尤为重要。
使用MediaPipe构建AI健身教练
利用MediaPipe等开源框架，我们可以轻松地定位视频帧中的人物，并跟踪其关键点位置。这些关键点包括髋、膝、踝以及肩部等，它们对于计算角度至关重要。例如，通过比较髋-膝线与垂直线之间的角度，可以判断深蹲过程中膝盖是否超过了脚尖，这是一个常见的错误。
角度计算与状态转换
为了准确评估用户的深蹲姿态，我们需要计算多个角度，比如髋-膝线、膝-踝线及肩-髋线与垂直线之间的夹角。根据这些角度的变化，我们可以定义不同的状态（s1, s2, s3），并据此给出反馈。例如：
反馈机制
AI健身教练会根据上述角度计算结果为用户提供实时反馈。如果检测到用户存在前倾或后仰过度、臀部下落不足等问题，系统将立即发出警告，指导用户调整姿态。此外，若用户长时间未移动，系统也会提示重新开始锻炼，以此保证训练效果。
应用前景
随着人们对健康生活方式追求的提升，结合姿态识别技术的AI健身教练不仅能够帮助普通用户正确完成健身动作，还能为康复治疗中的患者提供科学指导。通过精准的姿态分析，医生和理疗师可以远程监控患者的恢复情况，并及时调整治疗方案。
总之，借助现代计算机视觉技术，特别是深度学习驱动的人体姿态估计方法，我们有能力开发出既实用又高效的AI健身教练系统，这无疑将大大促进全民健身事业的发展，并为康复医学领域带来新的可能性。
构建一个AI健身教练，用于姿态识别与康复训练矫正，特别是针对深蹲动作的分析，我们可以使用Python结合MediaPipe和OpenCV库来实现。以下是一个简单的示例代码，展示了如何利用这些工具来检测人体姿态，并根据特定的角度计算给出反馈。
首先，请确保你已经安装了必要的库：
pip install opencv-python mediapipe numpy
接下来是完整的Python代码示例：
import cv2
import mediapipe as mp
import numpy as np
# 初始化MediaPipe Pose解决方案
mp_pose = mp.solutions.pose
pose = mp_pose.Pose(static_image_mode=False, min_detection_confidence=0.5, min_tracking_confidence=0.5)
# 初始化绘图模块
mp_drawing = mp.solutions.drawing_utils
def calculate_angle(a, b, c):
"""计算三个点之间的角度"""
a = np.array(a) # 第一个点
b = np.array(b) # 中间点
c = np.array(c) # 最后一个点
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)
if angle > 180.0:
angle = 360-angle
return angle
cap = cv2.VideoCapture(0)
while cap.isOpened():
ret, frame = cap.read()
# 将图像从BGR转换为RGB
image = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)
image.flags.writeable = False
# 进行姿态检测
results = pose.process(image)
# 将图像从RGB转换回BGR
image.flags.writeable = True
image = cv2.cvtColor(image, cv2.COLOR_RGB2BGR)
try:
landmarks = results.pose_landmarks.landmark
# 获取关键点坐标
shoulder = [landmarks[mp_pose.PoseLandmark.LEFT_SHOULDER.value].x,
landmarks[mp_pose.PoseLandmark.LEFT_SHOULDER.value].y]
hip = [landmarks[mp_pose.PoseLandmark.LEFT_HIP.value].x,
landmarks[mp_pose.PoseLandmark.LEFT_HIP.value].y]
knee = [landmarks[mp_pose.PoseLandmark.LEFT_KNEE.value].x,
landmarks[mp_pose.PoseLandmark.LEFT_KNEE.value].y]
# 计算肩-髋-膝角度
angle = calculate_angle(shoulder, hip, knee)
# 反馈机制：基于角度提供反馈
if angle < 32:
feedback = "状态s1: 正常"
elif 35 <= angle <= 65:
feedback = "状态s2: 过渡中"
elif 75 <= angle <= 95:
feedback = "状态s3: 深蹲到底"
else:
feedback = "调整姿势"
# 显示反馈
cv2.putText(image, feedback, (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2, cv2.LINE_AA)
except:
pass
# 绘制姿态标记
mp_drawing.draw_landmarks(image, results.pose_landmarks, mp_pose.POSE_CONNECTIONS,
mp_drawing.DrawingSpec(color=(245,117,66), thickness=2, circle_radius=2),
mp_drawing.DrawingSpec(color=(245,66,230), thickness=2, circle_radius=2))
cv2.imshow('Mediapipe Feed', image)
if cv2.waitKey(10) & 0xFF == ord('q'):
break
cap.release()
cv2.destroyAllWindows()
这段代码实现了以下几个功能：
作者：计算机C9硕士_算法工程师
