twiceDetect.py

import os
import sys
from sys import platform

import cv2
import numpy as np

# import pyopenpose:
# platform这句也可以不写,因为自己的电脑已经确定是windows系统的了

# 获取当前该文件所在文件夹的绝对路径
file_path = os.path.dirname(os.path.realpath(__file__))
if platform == 'win32':
    # 我已经将openpose相关的库和环境都放在该文件目录下的Release和bin/x64中了,接下来获取它们的路径:
    lib_dir = 'Release'
    bin_dir = 'bin'
    x64_dir = 'x64'
    lib_path = os.path.join(file_path, lib_dir)
    bin_path = os.path.join(file_path, bin_dir)
    x64_path = os.path.join(file_path,
                            x64_dir)  # 注意这里需要加入环境变量的是x64文件下的Release文件夹

    # 测试区
    # print(file_path)
    # print(lib_path)
    # print(bin_path)
    # print(x64_path)

    # 将以上的路径添加到环境变量中:
    sys.path.append(lib_path)  # 系统变量

    # 环境变量:
    os.environ[
        'PATH'] += ';' + bin_path + ';' + x64_path + '\Release;'
    # print(os.environ['PATH'])

    try:
        # 导入pyopenpose:
        import pyopenpose as op
    except ImportError as e:
        print("fail to import pyopenpose!")
        raise e
else:
    print(f"当前电脑环境:\n{platform}\n")
    sys.exit(-1)
# 模型导入
params = dict()
# 这里的models用的是我们当前工程下的models文件夹
params['model_folder'] = file_path + r'\models'  # 模型地址

# params[
# "net_resolution"] = '1280x720'  # 分辨率,需要是16的倍数，降低这个参数可以以准确率为代价显著提升处理速度。
params[
    "net_resolution"] = '320x240'
params["number_people_max"] = 1

params["body"] = 1  # 0禁用身体检测，1启用

params["disable_blending"] = False  # 如果为True，只显示骨骼关键点，背景为黑

params[
    "model_pose"] = "BODY_25"  # 参数设置"BODY_25“表示使用25点的检测模式，CUDA
# 版本中最快最准的模式。此外设置"COCO"使用18
# 点的检测模式，设置"MPI"使用15点的检测模式，最不精确，但在CPU上最快。设置"MPI_4_layers"使用15点的检测模式，甚至比上一种更快，但不够准确。

params[
    "keypoint_scale"] = 0  # 最终姿态数据数组(x,y)坐标的缩放，即(x,y)的缩放。"将以' write_json '和'


# write_keypoint '标记保存的坐标。"选择“0”将其缩放到原始源分辨率;' 1 '将其缩放到净输出" "大小(用'
# net_resolution '设置);' 2 '将其缩放到最终的输出大小(设置为" " '分辨率');' 3 '将其缩放到[0,1]的范围内，其中(
# 0,0)将是图像左上角的“”角，(1,1)是右下角的“”角;4表示范围[-1,1]，其中" "(-1，-1)是图像的左上角，(1,
# 1)是右下角。与“scale_number”和“scale_gap”相关的非。


def detect(imgPath, isShow=False):
    # 启动pyopenpose:
    opWrapper = op.WrapperPython()
    opWrapper.configure(params)
    opWrapper.start()
    # 传入一张图片
    datum = op.Datum()

    imageToProcess = cv2.imread(imgPath, cv2.IMREAD_ANYCOLOR)

    datum.cvInputData = imageToProcess
    opWrapper.emplaceAndPop(op.VectorDatum([datum]))
    pose = datum.poseKeypoints

    # print(hand)
    if isShow:
        try:
            # print(type(pose))
            # print(datum.cvOutputData)
            # print("Body keypoints: \n" + str(pose))
            print(pose.shape)
            for jg in pose:
                print('pose[4]:' + str(jg[4]))
                print("pose[3]:" + str(jg[3]))
                print('pose[6]:' + str(jg[6]))
                print('pose[7]:' + str(jg[7]))
                print()
            # print(pose[0][4][0])
        except AttributeError:
            print("没有检测出人体")
        with open('pose.csv', 'w') as file:
            for b1 in pose:
                np.savetxt(file, b1, delimiter=",")
        # b,g,r = cv2.split(datum.cvOutputData)#分别提取B、G、R通道
        # img= cv2.merge([r,g,b])	#重新组合为R、G、B
        # plt.imshow(img)
        # plt.axis('off')
        # plt.show()
        cv2.namedWindow('opStudy', 0)

        cv2.resizeWindow("opStudy", 600, 600)
        cv2.moveWindow("opStudy", 100, 100)
        cv2.imshow("opStudy", datum.cvOutputData)
        cv2.waitKey(0)
    return pose, datum.cvOutputData