OpenCV 是一個用于計算機視覺應用程序的庫。在 OpenCV 的幫助下,我們可以構建大量實時運行更好的應用程序。主要用于圖像和視頻處理�？梢栽诖颂帿@取有關 OpenCV 的更多信息

除了 OpenCV,我們將使用 MediaPipe 庫。MediaPipeMediaPipe是一個主要用于構建音頻、視頻或任何時間序列數據的框架。在 MediaPipe 框架的幫助下,我們可以為不同的媒體處理功能構建管道。MediaPipe 的一些主要應用。多手追蹤人臉檢測對象檢測和跟蹤Objection:3D 對象檢測和跟蹤AutoFlip:自動視頻裁剪管道等。

手地標模型

MediaPipe 使用單次手掌檢測模型,一旦完成,它會對檢測到的手部區域中的 21 個 3D 手掌坐標執行精確的關鍵點定位。MediaPipe 管道使用多個模型,例如,從完整圖像返回定向手邊界框的手掌檢測模型。裁剪后的圖像區域被饋送到由手掌檢測器定義的手部標志模型,并返回高保真 3D 手部關鍵點�，F在讓我們實現手部跟蹤模型。安裝所需的模塊–> pip install opencv-python–> pip install mediapipe首先,讓我們檢查網絡攝像頭的工作情況。import cv2
import time
cap = cv2．VideoCapture(0)
pTime = 0
while True:
   success, img = cap．read()
   imgRGB = cv2．cvtColor(img, cv2．COLOR_BGR2RGB)
   cTime = time．time()
   fps = 1 / (cTime - pTime)
   pTime = cTime
   cv2．putText(img, f'FPS:{int(fps)}', (20, 70), cv2．FONT_HERSHEY_SIMPLEX, 1, (0, 255, 0), 2)
   cv2．imshow("Test", img)
cv2．waitKey(1)

如果任何網絡攝像頭連接到你的 PC,上面的代碼將彈出一個窗口,并在輸出窗口的左上角顯示每秒幀數 (fps)�，F在讓我們開始實施。導入所需的模塊并初始化所需的變量。import cv2
import mediapipe as mp
import time
cap = cv2．VideoCapture(0)
mpHands = mp．solutions．hands
hands = mpHands．Hands(static_image_mode=False,
                     max_num_hands=2,
                     min_detection_confidence=0．5,
                     min_tracking_confidence=0．5)
mpDraw = mp．solutions．drawing_utils
pTime = 0
cTime = 0
在上面這段代碼中,我們在mp．solutions．hand 中聲明了一個名為“hands”的對象來檢測手部,默認情況下,查看類“ Hands() ”內部,要檢測的手部數量設置為2、最小檢測置信度設置為0．5,最小跟蹤置信度設置為0．5。我們將使用mpDraw繪制關鍵點�，F在讓我們編寫一個 while 循環來執行我們的代碼。while True:
   success, img = cap．read()
   imgRGB = cv2．cvtColor(img, cv2．COLOR_BGR2RGB)
   results = hands．process(imgRGB)
   #print(results．multi_hand_landmarks)
   if results．multi_hand_landmarks:
       for handLms in results．multi_hand_landmarks:
           for id, lm in enumerate(handLms．landmark):
               #print(id,lm)
               h, w, c = img．shape
               cx, cy = int(lm．x *w), int(lm．y*h)
               #if id ==0:
               cv2．circle(img, (cx,cy), 3, (255,0,255), cv2．FILLED)
           mpDraw．draw_landmarks(img, handLms, mpHands．HAND_CONNECTIONS)
   cTime = time．time()
   fps = 1/(cTime-pTime)
   pTime = cTime
   cv2．putText(img,str(int(fps)), (10,70), cv2．FONT_HERSHEY_PLAIN, 3, (255,0,255), 3)
   cv2．imshow("Image", img)
   cv2．waitKey(1)
在上面的代碼中,我們從網絡攝像頭讀取幀并將圖像轉換為 RGB。然后我們在“ hands．process()” 函數的幫助下檢測幀中的手。一旦檢測到手,我們將找到關鍵點,然后使用cv2．circle突出顯示關鍵點中的點,并使用mpDraw．draw_landmarks連接關鍵點。整個代碼如下import cv2
import mediapipe as mp
import time
cap = cv2．VideoCapture(0)
mpHands = mp．solutions．hands
hands = mpHands．Hands(static_image_mode=False,
                     max_num_hands=2,
                     min_detection_confidence=0．5,
                     min_tracking_confidence=0．5)
mpDraw = mp．solutions．drawing_utils
pTime = 0
cTime = 0
while True:
   success, img = cap．read()
   imgRGB = cv2．cvtColor(img, cv2．COLOR_BGR2RGB)
   results = hands．process(imgRGB)
   #print(results．multi_hand_landmarks)
   if results．multi_hand_landmarks:
       for handLms in results．multi_hand_landmarks:
           for id, lm in enumerate(handLms．landmark):
               #print(id,lm)
               h, w, c = img．shape
               cx, cy = int(lm．x *w), int(lm．y*h)
               #if id ==0:
               cv2．circle(img, (cx,cy), 3, (255,0,255), cv2．FILLED)
           mpDraw．draw_landmarks(img, handLms, mpHands．HAND_CONNECTIONS)
   cTime = time．time()
   fps = 1/(cTime-pTime)
   pTime = cTime
   cv2．putText(img,str(int(fps)), (10,70), cv2．FONT_HERSHEY_PLAIN, 3, (255,0,255), 3)
   cv2．imshow("Image", img)
   cv2．waitKey(1)
輸出是:

手部追蹤模型輸出現在讓我們創建一個手部跟蹤模塊,以便我們可以在其他項目中使用它。創建一個新的 python 文件,首先讓我們創建一個名為handDetector的類,其中有兩個成員函數,名為findHands 和findPosition。函數findHands將接受一個 RGB 圖像并檢測幀中的手并定位關鍵點,繪制地標,函數findPosition 將給出手的位置和 id。然后是我們初始化模塊的 main 函數,我們還編寫了一個 while 循環來運行模型。你可以在此處將此設置或模塊導入到任何其他相關項目作品中。整個代碼如下import cv2
import mediapipe as mp
import time
class handDetector():
   def __init__(self, mode = False, maxHands = 2, detectionCon = 0．5, trackCon = 0．5):
       self．mode = mode
       self．maxHands = maxHands
       self．detectionCon = detectionCon
       self．trackCon = trackCon
       self．mpHands = mp．solutions．hands
       self．hands = self．mpHands．Hands(self．mode, self．maxHands, self．detectionCon, self．trackCon)
       self．mpDraw = mp．solutions．drawing_utils
       
   def findHands(self,img, draw = True):
       imgRGB = cv2．cvtColor(img, cv2．COLOR_BGR2RGB)
       self．results = self．hands．process(imgRGB)
       # print(results．multi_hand_landmarks)
       if self．results．multi_hand_landmarks:
           for handLms in self．results．multi_hand_landmarks:
               if draw:
                   self．mpDraw．draw_landmarks(img, handLms, self．mpHands．HAND_CONNECTIONS)
       return img
   def findPosition(self, img, handNo = 0, draw = True):
       lmlist = []
       if self．results．multi_hand_landmarks:
           myHand = self．results．multi_hand_landmarks[handNo]
           for id, lm in enumerate(myHand．landmark):
               h, w, c = img．shape
               cx, cy = int(lm．x * w), int(lm．y * h)
               lmlist．append([id, cx, cy])
               if draw:
                   cv2．circle(img, (cx, cy), 3, (255, 0, 255), cv2．FILLED)
       return lmlist
def main():
   pTime = 0
   cTime = 0
   cap = cv2．VideoCapture(0)
   detector = handDetector()
   while True:
       success, img = cap．read()
       img = detector．findHands(img)
       lmlist = detector．findPosition(img)
       if len(lmlist) != 0:
           print(lmlist[4])
       cTime = time．time()
       fps = 1 / (cTime - pTime)
       pTime = cTime
       cv2．putText(img, str(int(fps)), (10, 70), cv2．FONT_HERSHEY_PLAIN, 3, (255, 0, 255), 3)
       cv2．imshow("Image", img)
       cv2．waitKey(1)
if __name__ == "__main__":
   main()
輸出將與上面顯示的相同,以及被跟蹤的手的位置。