郑州市网站建设_网站建设公司_悬停效果_seo优化

AI人体骨骼检测结果导出：CSV/Excel格式转换教程

1. 引言

1.1 学习目标

本文将带你掌握如何从AI 人体骨骼关键点检测系统（基于 Google MediaPipe）中，提取并结构化输出 33 个关节点的坐标数据，最终实现以CSV 和 Excel 文件格式保存的完整流程。无论你是做运动分析、姿态评估还是行为识别研究，本教程都能帮助你快速将视觉检测结果转化为可分析的数据集。

学完本文后，你将能够： - 理解 MediaPipe Pose 输出的关键点数据结构 - 编写 Python 脚本提取关键点坐标（x, y, z, visibility） - 将多帧或多图像的姿态数据批量导出为 CSV 文件 - 使用pandas进一步生成带标签的 Excel 表格 - 在 WebUI 应用中集成“一键导出”功能

1.2 前置知识

建议具备以下基础： - 基础 Python 编程能力 - 了解 NumPy 和 Pandas 数据处理库 - 熟悉 OpenCV 或图像处理基本概念（非必须）

💡 本文适用于本地部署的 MediaPipe Pose 镜像环境，所有代码均可在 CPU 上高效运行。

2. 技术背景与数据结构解析

2.1 MediaPipe Pose 模型简介

MediaPipe Pose 是 Google 开发的轻量级人体姿态估计模型，能够在普通 CPU 上实现实时推理。它通过单张 RGB 图像预测33 个 3D 关键点，包括：

• 面部特征点（如鼻子、眼睛）
• 上肢（肩、肘、腕）
• 下肢（髋、膝、踝）
• 躯干与脊柱连接点

每个关键点包含四个维度： -x,y：归一化图像坐标（0~1） -z：深度信息（相对深度，单位与 x 相同） -visibility：置信度分数（越接近 1 越可靠）

这些数据以landmark列表形式返回，是后续导出的核心来源。

2.2 关键点索引对照表

以下是部分常用关键点的索引编号（共 33 个）：

📌 提示：可通过mp_pose.PoseLandmark枚举类直接调用名称，避免硬编码索引。

3. 实现步骤详解

3.1 环境准备与依赖安装

确保你的环境中已安装以下库：

pip install mediapipe opencv-python pandas openpyxl

• mediapipe：核心姿态检测模型
• opencv-python：图像读取与绘制
• pandas：数据整理与导出
• openpyxl：支持 Excel (.xlsx) 写入

3.2 单张图像关键点提取

以下代码展示如何加载图像、执行检测并提取原始坐标数据：

import cv2 import mediapipe as mp import numpy as np # 初始化 MediaPipe Pose 模型 mp_pose = mp.solutions.pose pose = mp_pose.Pose( static_image_mode=True, model_complexity=1, enable_segmentation=False, min_detection_confidence=0.5 ) # 读取图像 image_path = 'person.jpg' image = cv2.imread(image_path) rgb_image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB) # 执行姿态检测 results = pose.process(rgb_image) # 提取关键点数据 if results.pose_landmarks: landmarks = [] for idx, landmark in enumerate(results.pose_landmarks.landmark): # 将归一化坐标转为像素值（可选） h, w, _ = image.shape cx, cy = int(landmark.x * w), int(landmark.y * h) cz = landmark.z visibility = landmark.visibility landmarks.append({ 'index': idx, 'name': mp_pose.PoseLandmark(idx).name, 'x_norm': landmark.x, 'y_norm': landmark.y, 'z': cz, 'visibility': visibility, 'x_pixel': cx, 'y_pixel': cy }) print(f"✅ 成功提取 {len(landmarks)} 个关键点") else: print("❌ 未检测到人体")

📌说明： - 使用static_image_mode=True保证高精度静态图检测 - 返回的landmark是归一化坐标，乘以图像宽高可得像素位置 -visibility字段可用于后期过滤低置信度点

3.3 导出为 CSV 文件

将上述landmarks列表保存为 CSV 格式，便于后续分析：

import pandas as pd # 转换为 DataFrame df = pd.DataFrame(landmarks) # 保存为 CSV output_csv = 'skeleton_keypoints.csv' df.to_csv(output_csv, index=False) print(f"📁 关键点数据已保存至: {output_csv}")

生成的 CSV 文件包含如下字段：

index,name,x_norm,y_norm,z,visibility,x_pixel,y_pixel 0,nose,0.492,0.312,-0.003,0.998,984,624 1,left_eye_inner,0.488,0.305,...,... ...

3.4 批量处理多张图像并合并数据

若需对多个动作或视频帧进行分析，可遍历文件夹并汇总所有数据：

import os from glob import glob def process_images_in_folder(folder_path): all_data = [] for img_file in sorted(glob(os.path.join(folder_path, "*.jpg"))): image = cv2.imread(img_file) rgb_image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB) results = pose.process(rgb_image) if not results.pose_landmarks: continue frame_data = [] for idx, landmark in enumerate(results.pose_landmarks.landmark): frame_data.append({ 'frame': os.path.basename(img_file), 'index': idx, 'name': mp_pose.PoseLandmark(idx).name, 'x_norm': landmark.x, 'y_norm': landmark.y, 'z': landmark.z, 'visibility': landmark.visibility }) all_data.extend(frame_data) return pd.DataFrame(all_data) # 示例调用 df_batch = process_images_in_folder('./images/') df_batch.to_csv('batch_skeleton_data.csv', index=False) print("📊 批量数据已导出")

此方法适合用于： - 视频逐帧抽样分析 - 不同动作对比实验 - 训练数据预处理

3.5 导出为 Excel 多工作表格式

使用pandas.ExcelWriter可创建结构化 Excel 文件，提升可读性：

with pd.ExcelWriter('skeleton_analysis.xlsx') as writer: # 主表：所有关键点坐标 df.to_excel(writer, sheet_name='Keypoints_Raw', index=False) # 统计表：可见性分布 visibility_stats = df.groupby('name')['visibility'].mean().reset_index() visibility_stats.to_excel(writer, sheet_name='Visibility_Summary', index=False) # 动作摘要（示例） summary_df = pd.DataFrame([{ 'total_frames': 1, 'detected_keypoints': len(df), 'avg_visibility': df['visibility'].mean(), 'notes': 'Standing pose' }]) summary_df.to_excel(writer, sheet_name='Summary', index=False) print("📄 数据已导出至 Excel，含多个工作表")

生成的.xlsx文件包含三个标签页，方便研究人员直接查看和筛选。

4. WebUI 中集成导出功能（进阶）

如果你使用的是带有 WebUI 的镜像平台（如 Gradio 或 Flask），可以添加一个“导出按钮”，让用户点击即可下载 CSV/Excel。

4.1 使用 Gradio 实现导出接口

import gradio as gr def detect_and_export(image): # 执行检测（同上） rgb_image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB) results = pose.process(rgb_image) if not results.pose_landmarks: return None, "未检测到人体" # 构建数据框 landmarks = [] for idx, landmark in enumerate(results.pose_landmarks.landmark): landmarks.append({ 'index': idx, 'name': mp_pose.PoseLandmark(idx).name, 'x': landmark.x, 'y': landmark.y, 'z': landmark.z, 'visibility': landmark.visibility }) df = pd.DataFrame(landmarks) # 临时保存为 CSV csv_path = "output_keypoints.csv" df.to_csv(csv_path, index=False) # 返回图像 + 文件路径 annotated_image = draw_skeleton(image, results.pose_landmarks.landmark) return annotated_image, csv_path # Gradio 界面 demo = gr.Interface( fn=detect_and_export, inputs=gr.Image(type="numpy"), outputs=[ gr.Image(type="numpy", label="骨骼可视化"), gr.File(label="下载关键点数据 (CSV)") ], title="AI 人体骨骼检测 & 数据导出", description="上传图片，自动检测骨骼关键点并支持导出为 CSV" ) demo.launch()

用户上传图像后，不仅能看见火柴人连线图，还能点击“下载”按钮获取结构化数据。

5. 常见问题与优化建议

5.1 常见问题解答（FAQ）

5.2 性能优化建议

• 缓存模型实例：避免重复初始化Pose()，提升批量处理速度
• 降低图像分辨率：在不影响精度前提下缩小输入尺寸（如 640x480）
• 异步导出：Web 场景下使用后台线程生成文件，防止阻塞 UI
• 压缩输出：大量数据时可用gzip压缩 CSV：df.to_csv('data.csv.gz', compression='gzip')

6. 总结

6.1 核心收获回顾

本文系统讲解了如何从 MediaPipe Pose 模型中提取人体骨骼关键点数据，并将其导出为结构化文件格式：

• ✅ 掌握了 MediaPipe 关键点的数据结构与访问方式
• ✅ 实现了单图/批量图像的关键点提取流程
• ✅ 完成了 CSV 和 Excel 格式的自动化导出
• ✅ 在 WebUI 中集成了“一键导出”功能，提升用户体验

这些技能特别适用于： - 运动科学中的姿态分析 - 康复训练的动作评分系统 - 动画制作的角色绑定预处理 - AI 教练系统的反馈引擎构建

6.2 下一步学习建议

• 尝试结合 OpenPose 或 HRNet 对比精度差异
• 将 3D 坐标导入 Blender 实现动作重建
• 使用 LSTM 模型对时序关键点做动作分类
• 构建私有 API 接口供其他系统调用

💡获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。