前言
你可能会想，作为一个前端开发员,既没有人工智能和机器学习的基础，又没有深厚的学术理论功底能做深度学习吗？
答案是肯定的。 为什么呢？
首先，我们要知道的是，目前社区中已经有很多非常成熟并且已经训练好的模型，比如：人脸识别、人体姿态识别、图像分类、图像分割、目标检测等等等等，非常多，这些模型都是经过大量的数据训练得到的，我们只需要学会如何使用这些模型，并不需要自己去写算法，去训练模型。它就像 npm 的包一样，安装它，看文档，使用它，就可以了。
如果我们只是从应用深度学习的角度出发，去使用现成的模型，来解决我们现实中存在的问题。那么就像前后端分离一样，让专业的人去做专业的事，深度学习也是如此，我们并不需要去花很多时间，深入了解深度学习的原理，也不需要自己去训练复杂的算法模型。
而 Tensorflow.js 就是一扇前端开发人员进入深度学习领域最好的大门，它提供了一套完整的 API，让我们可以很方便的使用深度学习模型。它可以在浏览器中运行，也可以在 node.js 中运行。它的 API 设计非常简单，而且它的文档也非常详细，我们可以很快的上手。
一些常见的深度学习模型可以看 👉🏻 开箱即用的 TensorFlow.js 预训练模型,它们都是开源的👉🏻 Github 地址。
社区中所有的模型可以在这里找到 👉🏻 TensorFlow Hub
人体姿态识别
在这篇文章中，我们将会介绍如何使用 WebRTC 相关 API 结合 Tensorflow.js 来实现一个运动直播的应用。
TensorFlow.js 与 WebRTC 结合，可以实现实时的人体姿态检测，从而可以在运动健康的直播中实现人体姿态的跟踪和识别。这样“老师”，或者“学员”能够更加直观的感受到自己和他人的身体姿态是否一致，能更清晰的观察动作的准确性，一致性。当然，这个应用还可以用于其他的场景，比如：健身房、瑜伽教室、舞蹈教室等等。
人体姿态估计的方法有很多，如：基于深度学习的方法、基于传统机器学习的方法、基于几何的方法、基于动态规划的方法、基于粒子滤波的方法、基于模板匹配的方法、基于图像分割的方法、基于人体姿态模型的方法等。
基于深度学习的方法是目前最流行的人体姿态估计方法。基于深度学习的方法可以分为两类：一类是基于 CNN 的方法，如：OpenPose、PoseNet 等；另一类是基于 RNN 的方法，如：PoseFlow 等。
本文将介绍基于深度学习的方法，使用 Tensorflow.js 的 posenet 模型来实现人体姿态估计。
ok，相关铺垫就到这里，下面我们开始正式的实现。
开搞
安装相关依赖
首先，我们需要安装 Tensorflow.js 相关的依赖。
npm i @tensorflow-models/pose-detection @tensorflow/tfjs-backend-webgl
其中 @tensorflow-models/pose-detection 这个包提供了多个最先进的模型来运行实时姿势检测。@tensorflow/tfjs-backend-webgl 这个包为 TensorFlow.js 实现了一个 GPU 加速的 WebGL 后端。可以让我们在浏览器中运行 Tensorflow.js。
安装好后，引入它们
import * as poseDetection from '@tensorflow-models/pose-detection'
import '@tensorflow/tfjs-backend-webgl'
一开始我不知道使用@tensorflow/tfjs-backend-webgl,后来发现不引入会有以下错误
准备工作都做好了，下面我们开始正式的实现。
加载模型，创建检测器
目前@tensorflow-models/pose-detection 已有 3 种可选模型，分别是：
BlazePose、MoveNet、PoseNet。其中 BlazePose 是基于 CNN 的方法，MoveNet 和 PoseNet 是基于 RNN 的方法。
然后它们大概的特点为：
- MoveNet：是一种速度快、准确率高的姿态检测模型，可检测人体的 17 个关键点，能够以 50+ fps 的速度在笔记本电脑和手机上运行。
- BlazePose：MediaPipe BlazePose 可以检测人体 33 个关键点，除了 17 个 COCO 关键点之外，它还为脸部、手和脚提供了额外的关键点检测。
- PoseNet：可以检测多个姿态，每个姿态包含 17 个关键点。
人体关键点
到这里，我们需要了解下人体关键点的定义：
人体姿态估计的原理是通过检测人体的关键点来估计人体的姿态。人体的关键点包括：头部、颈部、肩部、手臂、腰部、腿部等。人体的姿态包括：站立、坐着、躺着、跑步、跳跃等。
MoveNet, PoseNet（COCO 关键点）
COCO 关键点包括：鼻子、左眼、右眼、左耳、右耳、左肩、右肩、左肘、右肘、左手腕、右手腕、左臀、右臀、左膝、右膝、左脚踝、右脚踝。
BlazePose
BlazePose 返回的关键点更多， 有 33 个关键点，除了 17 个 COCO 关键点之外，它还为脸部、手和脚提供了额外的关键点检测。
相关逻辑
PoseNet最简单了，这里作为演示，直接使用 PoseNet让大家更容易理解。 另外两个，我也会在 demo 中更新。 完整源码在这里：frontend-park
好，我们继续，PoseNet模型后，创建检测器。
其中 createDetector，接收两个参数，第一个是模型，第二个是模型的相关配置。
可配置项有很多，大家可以直接 ctrl + 鼠标左键 点击 createDetector 查看。
这里我就不一一列举了，我这里主要用到的是modelType,它有三种模型的类型可供选择，分别为：”lite”、”full “和 “heavy”。这些改变了检测模型的大小。Lite 的检测精度最低，但性能最好，而 “heavy “的检测精度最好，但更消耗性能，而 “full “则处于中间位置。我们选择了它 。
然后我们可以定义一个初始化的函数，在这里面，把一些初始化操作都完成，比如：打开摄像头，获取媒体流，并且将媒体流赋值给 video 标签...
<video id="video" autoplay playsinline class="w-[360px] h-[270px] object-fill"></video>
<canvas id="output" width="360" height="270"></canvas>
// 其他地方要用到的公共变量
let posenetInput: HTMLVideoElement | HTMLImageElement | HTMLCanvasElement
let posenetOutput: HTMLCanvasElement
let posenetOutputCtx: CanvasRenderingContext2D
let detector: PoseDetector
let model: poseDetection.SupportedModels.PoseNet
// 初始化
const init = async () => {
// 获取 canvas 元素
posenetOutput = document.getElementById('output') as HTMLCanvasElement
posenetOutputCtx = posenetOutput.getContext('2d')!
// 获取视频流
posenetInput = document.getElementById('video') as HTMLVideoElement
const stream = await navigator.mediaDevices.getUserMedia({
audio: false,
video: true,
})
posenetInput.srcObject = stream
// 定义模型
model = poseDetection.SupportedModels.PoseNet
// 加载模型
detector = await poseDetection.createDetector(model, {
modelType: 'full',
})
// 开始检测
detectPose()
}
然后我们可以定义一个检测的函数，这里我们需要传入一个检测器，然后在这个函数里面，我们可以获取到检测到的结果，然后我们可以根据结果，来绘制我们的画布。
// 开始检测
const detectPose = async () => {
// 获取检测结果
const poses = await detector.estimatePoses(posenetInput, {
flipHorizontal: false, // 是否水平翻转
maxPoses: 1, // 最大检测人数
scoreThreshold: 0.5, // 置信度
nmsRadius: 20, // 非极大值抑制
})
// 将 pose 上的 17 个关键点的坐标信息存入 pointList
const pointList = poses[0]?.keypoints || []
console.log('🚀🚀🚀 / pointList', pointList)
// 。。。绘制画布
}
这里我们可以通过 detector.estimatePoses 获取到检测到的结果，这里我们需要传入两个参数，第一个是我们的输入，第二个是我们的配置项，例如其中的 maxPoses，它表示最大检测人数，我们这里设置为 1，因为我们只需要检测到一个人。
检测的结果信息打印出来，如下图所示：
绘制画布
从上面的返回信息可以看到，因为我们设置最多只检测一个人，所以检测到的结果是一个长度为 1 的数组，里面 keypoints 中有 17 个关键点的坐标信息，我们可以通过这些坐标信息，来绘制我们的画布。
// 开始检测
const detectPose = async () => {
// 。。。接上面的代码
// 将 pose 上的 17 个关键点的坐标信息存入一个数组中
const pointList = poses[0]?.keypoints || []
// 绘制视频
posenetOutputCtx.drawImage(posenetInput, 0, 0, canvas.width, canvas.height)
// 将这 17 个关键点的坐标信息 画到 canvas 上
// 画出所有关键点
pointList.forEach(({ x, y, score, name }: any) => {
if (score > 0.5) {
// 画点
drawPoint(x, y, 5, '#f00000', posenetOutputCtx)
}
})
// 获取相邻的关键点信息
const adjacentPairs = poseDetection.util.getAdjacentPairs(model)
// 画出所有连线
adjacentPairs.forEach(([i, j]: any) => {
const kp1 = pointList[i]
const kp2 = pointList[j]
// score 不为空就画线
const score1 = kp1.score != null ? kp1.score : 1
const score2 = kp2.score != null ? kp2.score : 1
if (score1 >= 0.5 && score2 >= 0.5) {
// 画出所有连线
drawSegment([kp1.x, kp1.y], [kp2.x, kp2.y], 'aqua', 1, posenetOutputCtx)
}
})
// requestAnimationFrame(() => detectPose(detector))
setTimeout(() => {
detectPose()
}, 50)
}
封装好一个画点和画线段的函数，方便上面使用。↑
// 画点
function drawPoint(x: number, y: number, r: number, color: string, ctx: CanvasRenderingContext2D) {
ctx.beginPath()
ctx.arc(x, y, r, 0, 2 * Math.PI)
ctx.fillStyle = color
ctx.fill()
}
// 画线段
function drawSegment([ax, ay]: number[], [bx, by]: number[], color: string, scale: number, ctx: CanvasRenderingContext2D) {
ctx.beginPath()
ctx.moveTo(ax * scale, ay * scale)
ctx.lineTo(bx * scale, by * scale)
ctx.lineWidth = 4
ctx.strokeStyle = color
ctx.stroke()
}
拿到 17 个点的信息后，我们先将视频绘制到画布上，然后再将这 17 个关键点的坐标信息画到画布上，其中只有在 score 大于 0.5 的时候，才会绘制到画布上。 然后我们通过 poseDetection.util.getAdjacentPairs 获取到相邻的关键点信息，然后再将这些关键点进行连线，绘制到画布上。
然后再尾部递归调用 detectPose 函数，这样就可以实现实时的检测了。你可以用 requestAnimationFrame 来实现，也可以用 setTimeout 来实现，requestAnimationFrame 通常是每秒 60 次 , 也就是常说的 60 帧（60FPS），如果计算量特别大导致你电脑卡的话，你也可以用 setTimeout 自己定义间隔时长，这样就可以控制帧数了。 通常来说人眼能够感知的帧数是 24 帧，电影院的帧数也是 24 帧，所以 24 帧左右够够了。
然后我们可以看到效果图：👉🏻 体验地址在这里
将视频流传输给对端
媒体流处理，创建连接和信令服务相关的逻辑，我在这个专栏前三篇文章中都有写，这里就不再赘述了。
然后我们就可以通过captureStream API 从 canvas 中拿到视频流，然后通过 RTCPeerConnection 提供的 API 将视频流轨道 加到 peerConnection 中传输给对端。
const peerConnection = new RTCPeerConnection({
iceServers: [
{
urls: 'stun:stun.voipbuster.com ',
},
],
})
// 获取output 中的视频流
const getVideo = () => {
const output = document.getElementById('output') as HTMLCanvasElement
const stream = output.captureStream()
return stream
}
// 传输视频流
const transfer = () => {
const stream = getVideo()
stream.getTracks().forEach((track) => {
peerConnection.addTrack(track, stream)
})
}最后
这篇文章主要是介绍了如何使用 WebRTC 与 TensorFlow.js 的结合，实现实时的人体姿态检测。这里只是简单的做了一个 demo，实际上这方面的可玩性非常高。体感游戏，换装，语音识别，人脸识别，都可以结合这个思路来实现。
好了，这篇文章就到这里了，如果你觉得这篇文章对你有帮助或者有任何疑问，欢迎点赞或者在下方评论区留言，我会及时回复的。感谢支持。
