MediaPipe 是一个以视觉算法为核心的机器学习工具库，集成了包括人脸及关键点检测、手势和姿态的检测与识别等多种模型的训练数据，识别的运行速度非常快，尤其适用于实时监控和流媒体视频画面内容的检测和识别。

以识别与检测人的单只手掌为例，MediaPipe 中的训练数据会识别出总共21 个手指关键点（标注为0-20），比如0 号点是WRIST（ 腕关节），7 号点是INDEX_FINGER_DIP（食指下第一关节），16 号点是RING_FINGER_TIP（无名指指尖）（如图1）。

一、在Windows中識别关键点与标注

1. 前期的准备工作

台式机接好摄像头或使用笔记本电脑；在CMD 窗口定位至Python3.8 的安装路径， 用“pip install mediapipe” 安装MediaPipe。根据Python 环境安装或升级matplotlib 等相关库，注意确保提前安装好OpenCV， 直至“Successfullyinstalled”的成功提示。

启动PythonIDLE，新建文件开始程序代码的编写及运行测试。

2. 检测单（双）手并进行关键点的标注及连线

导入OpenCV 和MediaPipe 库模块； 定义变量camera， 并赋值为0，如果默认的摄像头编号不是0则更改为1， 打开摄像头； 建立变量hand_detector，用于创建检测人手关键点的检测对象，判断并获取视频画面中是否有符合“手”特征的信息，该参数保持为空时默认状态是“model_complexity=0，min_detection_confidence=0.5，min_tracking_confidence=0.5”，分别表示动态画面跟踪速度增益、检测及跟踪的置信度。

在循环中， 通过语句“ret，img =camera.read（）” 实现对摄像头所拍摄画面的数据读取； 变量img_rgb， 用于将OpenCV 读取的BGR 模式图像转换为常规的RGB 模式； 变量result， 通过检测模型来提取变量img_rgb 所存储的图片信息（比如每帧画面检测出几只手）；每次在检测到画面中出现一只手时，就可以通过语句“print（result.multi_hand_landmarks）”来打印输出对应的数据信息：一个内嵌有21 个字典数据（对应手的21个关键点）的列表，其中的每个字典均包含一组相对位置信息，形式为“landmark{x：0.8149930238723755，y：0.7734243273735046，z：-0.11069273203611374}”，其中的x、y 分别表示该点在视频画面中位置的百分比，z 表示该点距离摄像头的远近。在内嵌的“for handlms in result.multi_hand_landmarks：” 循环中， 语句“mp.solutions.drawing_utils.draw_landmarks（img，handlms，mp.solutions.hands.HAND_CONNECTIONS）”的作用是在img 图片上进行“作画”操作，其中的参数handlms 对应的是每个关键点（默认为红色小圆点），参数mp.solutions.hands.HAND_CONNECTIONS 对应的是相邻两个关键点进行连线（默认为白色细线段）。

语句“cv2.imshow（'Video'，img）” 是Python 调用OpenCV 的常规操作，对应的功能是将摄像头捕获的画面（包括使用MediaPipe 进行画点和连线的内容）输出显示在电脑屏幕上；变量k 的值为“cv2.waitKey（1）”，等待键盘响应事件时间为1毫秒，如果检测到用户按下了q 键（“if k== ord（'q'）：”）则执行break 跳出“whileTrue：”循环；语句“camera.release（）”和“cv2.destroyAllWindows（）”的功能是分别对应释放摄像头资源和关闭Video 监控窗口。

程序保存为“[01]Get_Points_Draw_Lines.py”并运行：当手掌朝向摄像头，在监控窗口中会即时标注有21 个关键点以及白色连接线；当手背朝向摄像头或者同时伸出两只手时，程序能否正常捕捉和标注；此时还会在PythonShell 窗口中不断显示有“Squeezed text（106 lines）”模块信息，双击即可显示其详细数据内容，即对应21 个关键点的landmark 列表（如图2）。