当前位置：首页 > news >正文

用MediaPipe Pose模块做个AI健身教练：Python+OpenCV实时分析深蹲动作（附完整代码）

news 2026/4/21 20:59:23

用MediaPipe Pose打造智能深蹲教练：从关节点检测到动作标准度分析实战

居家健身时最头疼的莫过于动作是否标准——膝盖有没有内扣？背部是否保持挺直？今天我们就用Python+MediaPipe构建一个实时深蹲动作分析系统，通过计算机视觉技术让手机摄像头变身AI私教。这个项目不仅能输出关节角度数据，还会在画面中用颜色标记动作错误，适合想将计算机视觉落地到健身场景的开发者。

1. 环境搭建与MediaPipe基础

首先需要安装必要的库，建议使用Python 3.8+环境：

pip install mediapipe opencv-python numpy

MediaPipe的Pose模块提供33个人体关节点检测，包括四肢、躯干和面部特征点。初始化时这几个参数需要特别注意：

import mediapipe as mp mp_pose = mp.solutions.pose pose = mp_pose.Pose( static_image_mode=False, # 视频流模式 model_complexity=1, # 平衡精度与速度 smooth_landmarks=True, # 平滑处理 min_detection_confidence=0.5, min_tracking_confidence=0.5 )

关键点坐标以比例值形式返回（0-1之间），需要转换为像素坐标才能绘制到图像上。这个转换过程需要注意图像宽高的获取时机：

h, w = image.shape[:2] # 必须先获取图像尺寸 landmark_px = int(landmark.x * w), int(landmark.y * h) # 像素坐标转换

2. 深蹲动作的 biomechanics 分析

一个标准的深蹲需要监控三个关键指标：

膝盖位置：膝盖不应超过脚尖垂直线
背部姿态：脊椎应保持自然生理弯曲
下蹲深度：大腿至少与地面平行

通过MediaPipe获取的关节点，我们可以计算这些指标：

检测指标	相关关节点	计算方法
膝盖前伸	脚踝、膝盖、髋关节	膝盖到脚尖的水平距离
背部弯曲	肩、髋、膝三点	三点连线形成的角度
下蹲深度	髋关节高度	与站立时髋高的比值

计算关节角度的实用函数示例：

def calculate_angle(a, b, c): """计算三点形成的夹角（度）""" a, b, c = np.array(a), np.array(b), np.array(c) 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) return angle if angle <= 180 else 360-angle

3. 实时反馈系统实现

完整的处理流程应该包括：

摄像头帧捕获
关节点检测
动作分析
可视化反馈

核心处理循环代码结构：

cap = cv2.VideoCapture(0) while cap.isOpened(): success, image = cap.read() if not success: continue # 关节点检测 image.flags.writeable = False results = pose.process(cv2.cvtColor(image, cv2.COLOR_BGR2RGB)) if results.pose_landmarks: # 获取关键关节点坐标 landmarks = results.pose_landmarks.landmark left_hip = [landmarks[mp_pose.PoseLandmark.LEFT_HIP].x, ...] right_knee = [landmarks[mp_pose.PoseLandmark.RIGHT_KNEE].x, ...] # 计算各项指标 knee_angle = calculate_angle(left_hip, left_knee, left_ankle) # 可视化反馈 if knee_angle < 160: cv2.putText(image, "DEEP ENOUGH", (100,100), cv2.FONT_HERSHEY_SIMPLEX, 1, (0,255,0), 2)

可视化技巧：

用不同颜色线条区分动作状态（绿色=标准，红色=错误）
在关节位置添加实时角度数值显示
在画面侧边添加动作完成度进度条

4. 性能优化与常见问题

提升实时性的几个关键点：

分辨率调整：将输入图像缩小到640x480再处理
帧率控制：设定固定处理频率（如15fps）
多线程处理：将图像采集与计算分离

# 设置摄像头分辨率 cap.set(cv2.CAP_PROP_FRAME_WIDTH, 640) cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 480) # 固定帧率处理 frame_count = 0 process_every_n_frame = 2 # 每2帧处理一次

常见问题解决方案：