一、前言

前面我们介绍了手势检测以及手势识别，今天要说的是姿势检测及识别。

因为我个人有运动的习惯，所以就以最基础的俯卧撑为例，实现以下三个目标：

1.检测到俯卧撑姿势

2.俯卧撑计数

3.检测结果输出。（push-up：计数）

二、算法原理

1.俯卧撑姿势检测

我么还是沿用谷歌的mediapipe模块来获取身体各个部位的三维坐标。mediapipe会给我们返回以下内容。

如图所示，返回值总共有33个点的信息，每个点包含了该点的横轴，纵轴以及深度信息，也就是该点三维信息。有了这些点的信息我们就可以设计算法来对姿势进行识别。

俯卧撑姿势很明显的特点就是身体处于水平状态，也就是腰部弯曲度接近于180，并且腰，肩，膝盖大约处于同一个水平度。基于这个特征我们就可以按照以下算法来判定是否为俯卧撑姿势：

①肩，腰以及膝盖组成的三角形中，腰部的夹角是否接近于180度（参考上一节三维空间坐标夹角算法）

②根据肩，腰以及膝盖的水平高度的标准偏差来判定姿势是否属于平卧状态。

※标准偏差(Std Dev,Standard Deviation) -统计学名词。一种度量数据分布的分散程度之标准，用以衡量数据值偏离算术平均值的程度。标准偏差越小，这些值偏离平均值就越少，反之亦然。标准偏差的大小可通过标准偏差与平均值的倍率关系来衡量。

2.俯卧撑计数

标准俯卧撑必然是一个手肘关节不断弯曲伸直的过程。在顶点时肘部弯曲度约为180度，最低点时肘部小于90度（根据个人力量不同会有偏差）。所以我的思路是

①比较当前帧图像和前一帧图像的手肘弯曲度，如果前后两帧图像的肘部弯曲度分别处于90度两侧，则可以判定为完成了一次俯卧撑。当然这个并不严谨，以后等有时间来再做一个高精度高通用的算法。

②有时候数据会有一些波动，导致连续很短的时间内，肘部弯曲角度在90度左右连续波动，这样子就会误判为多次俯卧撑。为了防止这个问题，设定前后两次俯卧撑动作之间的帧数差阈值，只有大于这个阈值才会计数+1。

③肘部弯曲度依然采用三维空间夹角算法

三、效果视频

效果还不错，完美的检测到姿势并且准确的进行了计数

四、源码

https://www.deepvisionzero.com/download

·图像处理第三弹