WebRTC + Tensorflow.js 在运动健康类项目中的前端应用🔥

作者：荣顶、github
声明：文章为稀土技术社区首发签约文章，14天内制止转载，14天后未获授权制止转载，侵权必究！

本文 demo 在线体会地址
源代码地址

前语

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？

首要，咱们要知道的是，现在社区中已经有许多十分老练并且已经练习好的模型，比方：人脸辨认、人体姿势辨认、图画分类、图画切割、目标检测等等等等，十分多，这些模型都是经过大量的数据练习得到的，咱们只需求学会怎么运用这些模型，并不需求自己去写算法，去练习模型。它就像 npm 的包相同，装置它，看文档，运用它，就能够了。

如果咱们仅仅从运用深度学习的视点出发，去运用现成的模型，来处理咱们实际中存在的问题。那么就像前后端分离相同，让专业的人去做专业的事，深度学习也是如此，咱们并不需求去花许多时刻，深化了解深度学习的原理，也不需求自己去练习杂乱的算法模型。

而 Tensorflow.js 便是一扇前端开发人员进入深度学习范畴最好的大门，它供给了一套完整的 API，让咱们能够很便利的运用深度学习模型。它能够在浏览器中运转，也能够在 node.js 中运转。它的 API 规划十分简单，并且它的文档也十分具体，咱们能够很快的上手。

一些常见的深度学习模型能够看 开箱即用的 TensorFlow.js 预练习模型,它们都是开源的 Github 地址。

社区中所有的模型能够在这儿找到 TensorFlow Hub

人体姿势辨认

在这篇文章中，咱们将会介绍怎么运用 WebRTC 相关 API 结合 Tensorflow.js 来完结一个运动直播的运用。

TensorFlow.js 与 WebRTC 结合，能够实实际时的人体姿势检测，然后能够在运动健康的直播中完结人体姿势的跟踪和辨认。这样“老师”，或许“学员”能够更加直观的感受到自己和他人的身体姿势是否共同，能更明晰的观察动作的准确性，共同性。当然，这个运用还能够用于其他的场景，比方：健身房、瑜伽教室、舞蹈教室等等。

人体姿势估量的办法有许多，如：根据深度学习的办法、根据传统机器学习的办法、根据几何的办法、根据动态规划的办法、根据粒子滤波的办法、根据模板匹配的办法、根据图画切割的办法、根据人体姿势模型的办法等。

根据深度学习的办法是现在最流行的人体姿势估量办法。根据深度学习的办法能够分为两类：一类是根据 CNN 的办法，如：OpenPose、PoseNet 等；另一类是根据 RNN 的办法，如：PoseFlow 等。

本文将介绍根据深度学习的办法，运用 Tensorflow.js 的 posenet 模型来完结人体姿势估量。

ok，相关铺垫就到这儿，下面咱们开端正式的完结。

开搞

装置相关依靠

首要，咱们需求装置 Tensorflow.js 相关的依靠。

npm i @tensorflow-models/pose-detection @tensorflow/tfjs-backend-webgl

其间 @tensorflow-models/pose-detection 这个包供给了多个最先进的模型来运转实时姿势检测。@tensorflow/tfjs-backend-webgl 这个包为 TensorFlow.js 完结了一个 GPU 加速的 WebGL 后端。能够让咱们在浏览器中运转 Tensorflow.js。

装置好后，引入它们

import * as poseDetection from '@tensorflow-models/pose-detection'
import '@tensorflow/tfjs-backend-webgl'

一开端我不知道运用@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，下面咱们开端正式的完结。

加载模型，创立检测器

现在@tensorflow-models/pose-detection 已有 3 种可选模型，分别是：

BlazePose、MoveNet、PoseNet。其间 BlazePose 是根据 CNN 的办法，MoveNet 和 PoseNet 是根据 RNN 的办法。

然后它们大概的特色为：

• MoveNet：是一种速度快、准确率高的姿势检测模型，可检测人体的 17 个要害点，能够以 50+ fps 的速度在笔记本电脑和手机上运转。
• BlazePose：MediaPipe BlazePose 能够检测人体 33 个要害点，除了 17 个 COCO 要害点之外，它还为脸部、手和脚供给了额定的要害点检测。
• PoseNet：能够检测多个姿势，每个姿势包含 17 个要害点。

人体要害点

到这儿，咱们需求了解下人体要害点的界说：

人体姿势估量的原理是经过检测人体的要害点来估量人体的姿势。人体的要害点包含：头部、颈部、肩部、手臂、腰部、腿部等。人体的姿势包含：站立、坐着、躺着、跑步、跳跃等。

MoveNet, PoseNet（COCO 要害点）

COCO 要害点包含：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 回来的要害点更多， 有 33 个要害点，除了 17 个 COCO 要害点之外，它还为脸部、手和脚供给了额定的要害点检测。

相关逻辑

PoseNet最简单了，这儿作为演示，直接运用 PoseNet让咱们更简单理解。 另外两个，我也会在 demo 中更新。 完整源码在这儿：frontend-park

好，咱们继续，PoseNet模型后，创立检测器。

其间 createDetector，接纳两个参数，第一个是模型，第二个是模型的相关装备。
可装备项有许多，咱们能够直接 ctrl + 鼠标左键 点击 createDetector 查看。

这儿我就不一一列举了，我这儿主要用到的是modelType,它有三种模型的类型可供挑选，分别为：”lite”、”full “和 “heavy”。这些改变了检测模型的巨细。Lite 的检测精度最低，但功能最好，而 “heavy “的检测精度最好，但更耗费功能，而 “full “则处于中心位置。咱们挑选了它 。

然后咱们能够界说一个初始化的函数，在这儿面，把一些初始化操作都完结，比方：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
  // 界说模型
  model = poseDetection.SupportedModels.PoseNet
  // 加载模型
  detector = await poseDetection.createDetector(model, {
    modelType: 'full',
  })
  // 开端检测
  detectPose()
}

然后咱们能够界说一个检测的函数，这儿咱们需求传入一个检测器，然后在这个函数里边，咱们能够获取到检测到的成果，然后咱们能够根据成果，来制作咱们的画布。

// 开端检测
const detectPose = async () => {
  // 获取检测成果
  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, // 非极大值按捺
  })
  // 将 pose 上的 17 个要害点的坐标信息存入 pointList
  const pointList = poses[0]?.keypoints || []
  console.log(' / pointList', pointList)
  // 。。。制作画布
}

这儿咱们能够经过 detector.estimatePoses 获取到检测到的成果，这儿咱们需求传入两个参数，第一个是咱们的输入，第二个是咱们的装备项，例如其间的 maxPoses，它表示最大检测人数，咱们这儿设置为 1，由于咱们只需求检测到一个人。

检测的成果信息打印出来，如下图所示：

制作画布

从上面的回来信息能够看到，由于咱们设置最多只检测一个人，所以检测到的成果是一个长度为 1 的数组，里边 keypoints 中有 17 个要害点的坐标信息，咱们能够经过这些坐标信息，来制作咱们的画布。

// 开端检测
const detectPose = async () => {
  // 。。。接上面的代码
  // 将 pose 上的 17 个要害点的坐标信息存入一个数组中
  const pointList = poses[0]?.keypoints || []
  // 制作视频
  posenetOutputCtx.drawImage(posenetInput, 0, 0, canvas.width, canvas.height)
  // 将这 17 个要害点的坐标信息 画到 canvas 上
  // 画出所有要害点
  pointList.forEach(({ x, y, score, name }: any) => {
    if (score > 0.5) {
      // 画点
      drawPoint(x, y, 5, '#f00000', posenetOutputCtx)
    }
  })
  // 获取相邻的要害点信息
  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，便利上面运用。↑

// 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，咱们先将视频制作到画布上，然后再将这 17 个要害点的坐标信息画到画布上，其间只要在 score 大于 0.5 的时分，才会制作到画布上。 然后咱们经过 poseDetection.util.getAdjacentPairs 获取到相邻的要害点信息，然后再将这些要害点进行连线，制作到画布上。

然后再尾部递归调用 detectPose 函数，这样就能够实实际时的检测了。你能够用 requestAnimationFrame 来完结，也能够用 setTimeout 来完结，requestAnimationFrame 一般是每秒 60 次 , 也便是常说的 60 帧（60FPS），如果计算量特别大导致你电脑卡的话，你也能够用 setTimeout 自己界说间隔时长，这样就能够控制帧数了。 一般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。

然后咱们能够看到效果图： 体会地址在这儿

将视频撒播输给对端

媒体流处理，创立衔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，这儿就不再赘述了。

然后咱们就能够经过captureStream API 从 canvas 中拿到视频流，然后经过 RTCPeerConnection 供给的 API 将视频流轨迹 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怎么运用 WebRTC 与 TensorFlow.js 的结合，实实际时的人体姿势检测。这儿仅仅简单的做了一个 demo，实际上这方面的可玩性十分高。体感游戏，换装，语音辨认，人脸辨认，都能够结合这个思路来完结。

好了，这篇文章就到这儿了，如果你觉得这篇文章对你有协助或许有任何疑问，欢迎点赞或许在下方评论区留言，我会及时回复的。感谢支撑。