MediaPipe姿态估计教程：自定义关键点可视化样式-程序员充电站

MediaPipe姿态估计教程：自定义关键点可视化样式

1. 引言

1.1 学习目标

本文将带你深入掌握如何基于 Google MediaPipe 的 Pose 模型，实现人体骨骼关键点检测，并重点讲解如何自定义关键点与骨架的可视化样式。通过本教程，你将能够：

快速部署本地化的人体姿态估计系统
理解 MediaPipe 关键点输出结构
自定义关键点颜色、大小、连接线样式
构建个性化的火柴人骨架图（如荧光风格、渐变连线等）

适合计算机视觉初学者、AI 应用开发者以及对动作识别、健身分析、虚拟试衣等场景感兴趣的工程师。

1.2 前置知识

Python 基础语法
OpenCV 与 Matplotlib 图像处理基础
HTML/CSS/Flask（可选，用于 WebUI 扩展）

1.3 教程价值

不同于官方默认的“红点+白线”可视化方案，本文提供完全可编程的渲染控制能力，帮助你在项目中实现更具辨识度和美观性的骨骼图展示，适用于产品级应用集成。

2. 环境准备与基础运行

2.1 安装依赖

确保已安装以下核心库：

pip install mediapipe opencv-python flask numpy

✅ 推荐使用 Python 3.8+ 环境，避免版本兼容问题。

2.2 启动本地服务（WebUI 版）

假设你已获取预置镜像环境，启动后可通过平台 HTTP 按钮访问 Web 界面。若需手动运行，可使用如下 Flask 示例代码构建简易上传接口：

from flask import Flask, request, send_file import cv2 import numpy as np import mediapipe as mp app = Flask(__name__) mp_pose = mp.solutions.pose pose = mp_pose.Pose(static_image_mode=True, model_complexity=2) @app.route('/upload', methods=['POST']) def upload_image(): file = request.files['image'] img = cv2.imdecode(np.frombuffer(file.read(), np.uint8), cv2.IMREAD_COLOR) rgb_img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) results = pose.process(rgb_img) # 使用自定义绘图函数（后续定义） annotated_img = draw_custom_landmarks(img.copy(), results.pose_landmarks) _, buffer = cv2.imencode('.jpg', annotated_img) return send_file(io.BytesIO(buffer), mimetype='image/jpeg') if __name__ == '__main__': app.run(host='0.0.0.0', port=5000)

3. 核心概念快速入门

3.1 MediaPipe Pose 关键点体系

MediaPipe Pose 模型共输出33 个 3D 关键点，覆盖：

面部：鼻尖、左/右眼、耳等
上肢：肩、肘、腕、手部关键点
躯干：脊柱、髋部
下肢：膝、踝、脚尖

每个关键点包含(x, y, z, visibility)四维数据，其中visibility表示该点是否被遮挡。

📌 提示：坐标为归一化值（0~1），需乘以图像宽高转换为像素坐标。

3.2 默认可视化方式

MediaPipe 提供了mp.solutions.drawing_utils模块用于绘制关键点和连接线：

import mediapipe as mp mp_drawing = mp.solutions.drawing_utils mp_pose = mp.solutions.pose # 默认绘制 mp_drawing.draw_landmarks(image, results.pose_landmarks, mp_pose.POSE_CONNECTIONS)

但其样式固定，难以满足个性化需求。

4. 分步实践教程：自定义可视化样式

4.1 自定义关键点绘制函数

我们绕过默认绘图工具，手动实现关键点渲染逻辑，从而实现完全控制。

import cv2 import numpy as np def draw_custom_landmarks(image, landmarks, circle_color=(0, 255, 0), circle_radius=5, font_scale=0.4): """ 自定义关键点绘制函数 :param image: 输入图像 (BGR) :param landmarks: MediaPipe 关键点对象 :param circle_color: 圆点半径颜色 (B, G, R) :param circle_radius: 圆点半径 :param font_scale: 编号字体大小 """ h, w, _ = image.shape if not landmarks: return image for idx, landmark in enumerate(landmarks.landmark): cx, cy = int(landmark.x * w), int(landmark.y * h) # 绘制彩色圆点 cv2.circle(image, (cx, cy), circle_radius, circle_color, -1) # 可选：标注关键点编号 cv2.putText(image, str(idx), (cx + 5, cy + 5), cv2.FONT_HERSHEY_SIMPLEX, font_scale, (255, 255, 255), 1) return image

✅效果：所有关键点变为绿色实心圆，并可显示编号。

4.2 自定义骨架连接线样式

接下来，我们手动绘制骨骼连接线，支持自定义颜色、粗细、透明度。

def draw_custom_connections(image, landmarks, connections, line_color=(255, 255, 0), line_thickness=2, alpha=0.7): """ 自定义连接线绘制（支持半透明） :param image: 输入图像 :param landmarks: 关键点 :param connections: 连接关系列表（如 mp_pose.POSE_CONNECTIONS） :param line_color: 线条颜色 :param line_thickness: 线条粗细 :param alpha: 透明度（0~1） """ overlay = image.copy() h, w, _ = image.shape for connection in connections: start_idx = connection[0] end_idx = connection[1] start = landmarks.landmark[start_idx] end = landmarks.landmark[end_idx] x1, y1 = int(start.x * w), int(start.y * h) x2, y2 = int(end.x * w), int(end.y * h) cv2.line(overlay, (x1, y1), (x2, y2), line_color, line_thickness) # 融合叠加层实现透明效果 cv2.addWeighted(overlay, alpha, image, 1 - alpha, 0, image) return image

✅优势：支持透明线条，避免遮挡原图细节。

4.3 综合调用示例

将上述两个函数组合，实现完整自定义渲染：

# 主流程示例 image = cv2.imread("person.jpg") rgb_image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB) results = pose.process(rgb_image) if results.pose_landmarks: # 先画连接线（底层） image = draw_custom_connections( image, results.pose_landmarks, mp_pose.POSE_CONNECTIONS, line_color=(0, 255, 255), # 青色连线 line_thickness=3, alpha=0.6 ) # 再画关键点（顶层） image = draw_custom_landmarks( image, results.pose_landmarks, circle_color=(0, 0, 255), # 红色圆点 circle_radius=6 ) cv2.imwrite("output_custom_skeleton.jpg", image)

📌输出效果：青色半透明骨架 + 红色高亮关键点，视觉层次清晰。

4.4 高级技巧：按身体区域差异化着色

我们可以根据连接部位（如上肢、下肢）设置不同颜色，增强可读性。

def get_connection_color(connection_idx): """根据连接索引返回颜色""" upper_body = [ (11,13), (13,15), (12,14), (14,16), # 手臂 (11,12), (11,23), (12,24) # 肩背 ] lower_body = [ (23,25), (25,27), (24,26), (26,28), # 腿部 (23,24), (27,29), (28,30) # 跨部与脚 ] conn_tuple = tuple(sorted(connection_idx)) if conn_tuple in [tuple(sorted(c)) for c in upper_body]: return (255, 0, 0) # 蓝色：上肢 elif conn_tuple in [tuple(sorted(c)) for c in lower_body]: return (0, 0, 255) # 红色：下肢 else: return (0, 255, 0) # 绿色：躯干/其他 # 修改 draw_custom_connections 中的颜色获取方式： for connection in connections: # ... 获取 x1,y1,x2,y2 ... color = get_connection_color((start_idx, end_idx)) cv2.line(overlay, (x1, y1), (x2, y2), color, line_thickness)

🎯应用场景：运动康复分析、舞蹈动作评分系统。

5. 常见问题解答

5.1 如何提高小尺寸人物的关键点精度？

使用更高分辨率输入图像（建议 ≥ 640×480）
设置model_complexity=2（最高精度模式）
避免远距离或模糊图像

5.2 如何关闭某些连接线（如面部）？

修改connections参数，传入自定义连接列表：

CUSTOM_CONNECTIONS = [ (11,13), (13,15), (12,14), (14,16), # 只保留手臂 (23,25), (25,27), (24,26), (26,28) # 只保留腿部 ] draw_custom_connections(image, landmarks, CUSTOM_CONNECTIONS, ...)

5.3 如何导出关键点坐标？

landmark_data = [] for i, lm in enumerate(results.pose_landmarks.landmark): landmark_data.append({ 'id': i, 'x': lm.x, 'y': lm.y, 'z': lm.z, 'visibility': lm.visibility })

可保存为 JSON 或 CSV 文件用于后续分析。

6. 总结

6.1 学习路径建议

掌握 MediaPipe Pose 基础 API 调用
实现默认可视化 → 自定义样式过渡
扩展至视频流实时处理（cv2.VideoCapture）
结合动作分类模型（如 LSTM）实现行为识别

6.2 资源推荐

MediaPipe 官方文档
GitHub 示例仓库：google/mediapipe
可视化灵感参考：OpenPose、PoseNet

💡获取更多AI镜像
想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。

MediaPipe姿态估计教程：自定义关键点可视化样式