隨著越來越多的資源和框架針對各種任務(wù)進(jìn)行定制，開始計算機視覺應(yīng)用從未如此簡單。其中一個任務(wù)就是手部追蹤，它在虛擬現(xiàn)實、手語翻譯以及許多其他人機交互相關(guān)應(yīng)用中有著廣泛的用途。在本文中，我將向你展示如何使用Python和網(wǎng)絡(luò)攝像頭輕松開始手部追蹤算法，所有操作都在你的計算機本地運行。我們將直接使用mediapipe手部追蹤解決方案，并了解其基本工作原理。

項目設(shè)置

首先創(chuàng)建一個空的項目目錄。我強烈建議你使用虛擬環(huán)境管理器，例如Miniconda，以分離不同的Python項目。我喜歡通過在項目目錄中創(chuàng)建本地環(huán)境來設(shè)置我的環(huán)境，以避免弄亂我的全局Conda環(huán)境。

conda create -p ./env python=3.12 
conda activate ./env

安裝Mediapipe

接下來我們需要安裝mediapipe pip包。這非常簡單，它會自動安裝所有所需的依賴項。

pip install mediapipe

代碼

現(xiàn)在我們可以開始創(chuàng)建一個main.py文件。首先導(dǎo)入所需的包，我們將使用opencv-python進(jìn)行網(wǎng)絡(luò)攝像頭視頻幀捕獲，以及mediapipe手部解決方案及其繪圖工具。

import cv2
import mediapipe.python.solutions.hands as mp_hands
import mediapipe.python.solutions.drawing_utils as mp_drawing
import mediapipe.python.solutions.drawing_styles as mp_drawing_styles

接下來我們需要設(shè)置網(wǎng)絡(luò)攝像頭的VideoCapture。通過指定索引0，我們獲取第一個可用的網(wǎng)絡(luò)攝像頭。

cap = cv2.VideoCapture(index=0)

現(xiàn)在我們需要創(chuàng)建一個手部追蹤對象。通過使用with語句，我們在幀捕獲循環(huán)周圍創(chuàng)建一個上下文，以便可以使用hands對象。這確保在with語句的上下文結(jié)束時，所有與追蹤相關(guān)的資源都能正確清理。

with mp_hands.Hands(
    model_complexity=0,
    max_num_hands=2,
    min_detection_confidence=0.5,
    min_tracking_confidence=0.5,
) as hands:
  # TODO: video Frame loop

這里我們有幾個配置選項。model_complexity定義是使用簡單模型（0）還是更復(fù)雜的模型（1）。復(fù)雜模型在檢測中通常具有更高的準(zhǔn)確性，但會犧牲延遲。max_num_hands指定將檢測到的手部數(shù)量的上限，例如，如果我們只想識別一只手，可以將其降低到1。min_detection_confidence和min_tracking_confidence分別指模型在首次檢測手部時以及在保持追蹤時的置信度。

為了創(chuàng)建視頻幀循環(huán)，我們使用一個while循環(huán)，只要視頻捕獲打開，它就會運行。我們從視頻捕獲中讀取最新的幀，如果成功，我們將其顯示出來。請注意，我們水平翻轉(zhuǎn)圖像以獲得類似鏡子/自拍的效果。我們還會檢查每一幀是否按下了鍵q，然后退出循環(huán)。最后在循環(huán)結(jié)束后，我們通過釋放視頻捕獲資源來清理它。

with mp_hands.Hands(
    model_complexity=0,
    max_num_hands=2,
    min_detection_confidence=0.5,
    min_tracking_confidence=0.5,
) as hands:
    while cap.isOpened():
        success, frame = cap.read()
        if not success:
            print("Ignoring empty camera frame...")
            continue

        # TODO: check frame for hands
        # TODO: draw detected hand landmarks on frame

        cv2.imshow("Hand Tracking", cv2.flip(frame, 1))
        if cv2.waitKey(1) & 0xFF == ord("q"):
            break

cap.release()

現(xiàn)在唯一剩下要做的就是實現(xiàn)手部關(guān)鍵點檢測及其可視化。唯一需要考慮的是，OpenCV以BGR（藍(lán)、綠、紅顏色通道順序）格式加載圖像，而模型是在RGB上訓(xùn)練的，因此為了獲得最佳結(jié)果，我們也應(yīng)該將幀轉(zhuǎn)換為RGB。

注意：你也可以嘗試在不轉(zhuǎn)換為RGB的情況下運行檢測。在我的情況下，它仍然有效，但檢測的準(zhǔn)確性要低得多。

# Check the frame for hands
frame_rgb = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)
results = hands.process(frame_rgb)

為了檢查這是否有效，我們可以在檢測到手部時添加一個打印語句：

if results.multi_hand_landmarks is None:
    print("No hands detected")
else:
    print(f"Number of hands detected: {len(results.multi_hand_landmarks)}")

最后，我們可以使用mediapipe提供的繪圖工具在幀上注釋，以可視化幀中的手部。通過指定HAND_CONNECTIONS常量，手部關(guān)鍵點之間的連接以及關(guān)鍵點本身將被繪制出來。此外，指定的默認(rèn)繪圖規(guī)范允許對不同手指進(jìn)行明顯的著色。

# Draw the hand annotations on the image
if results.multi_hand_landmarks:
    for hand_landmarks in results.multi_hand_landmarks:
        mp_drawing.draw_landmarks(
            image=frame,
            landmark_list=hand_landmarks,
            connections=mp_hands.HAND_CONNECTIONS,
            landmark_drawing_spec=mp_drawing_styles.get_default_hand_landmarks_style(),
            connection_drawing_spec=mp_drawing_styles.get_default_hand_connections_style(),
        )

mediapipe 工作原理

手部追蹤的架構(gòu)主要由兩個階段組成，一個是手掌檢測，粗略地檢測手部的位置，然后是手部關(guān)鍵點檢測，更精確地定位手部和手指的不同部分。

第一階段的手掌檢測模型基于SSD。因此，該模型將完整圖像的像素值作為輸入，并輸出描述圖像中手掌可能位置的邊界框以及每個框的置信度分?jǐn)?shù)。這里使用了一些技巧，例如將錨框（在網(wǎng)絡(luò)中創(chuàng)建的分類前的提議）限制為正方形圖像。

第二部分，手部關(guān)鍵點模型，是一個回歸模型，它將手掌檢測的邊界框中的裁剪圖像作為輸入，并返回手部所有21個關(guān)鍵點的3D坐標(biāo)。

參考資料：

• mediapipe解決方案：https://mediapipe.readthedocs.io/en/latest/solutions/hands.html
• SSD論文：https://arxiv.org/abs/1512.02325
• 完整代碼：https://github.com/trflorian/hand-tracker