import cv2 import mediapipe as mp mpDraw = mp.solutions.drawing_utils mpPose = mp.solutions.pose pose = mpPose.Pose(static_image_mode=False, model_complexity=2, min_detection_confidence=0.5, min_tracking_confidence=0.5) cap = cv2.VideoCapture(0) while True: success, img = cap.read() imgRGB = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) results = pose.process(imgRGB) if results.pose_landmarks: for landmark_list in results.pose_landmarks: for idx, landmark in enumerate(landmark_list.landmark): h, w, c = img.shape cx, cy = int(landmark.x * w), int(landmark.y * h) cv2.circle(img, (cx, cy), 5, (0, 255, 0), -1) cv2.imshow("Image", img) if cv2.waitKey(1) == ord('q'): break cap.release() cv2.destroyAllWindows()

这段代码是使用OpenCV和MediaPipe库进行实时人体姿势估计的示例代码。它使用计算机的摄像头捕获图像，并通过姿势估计模型检测和跟踪人体姿势关键点，并在图像上绘制出来。

首先，通过导入必要的库（cv2和mediapipe），创建一个姿势估计对象（mpPose.Pose）。然后，通过cv2.VideoCapture(0)创建一个视频捕获对象，指定使用计算机的摄像头作为视频源。

接下来，使用while循环不断读取摄像头捕获的图像。将图像转换为RGB格式，并使用pose.process()方法对图像进行姿势估计。

如果检测到人体姿势关键点，就遍历关键点列表，并通过计算将关键点位置映射到图像上，并使用cv2.circle()方法在图像上绘制关键点的圆圈。

最后，使用cv2.imshow()方法显示带有绘制关键点的图像。如果按下键盘上的'q'键，循环终止。

在结束时，释放视频捕获对象并关闭所有窗口。

请注意，这段代码只是一个简单的示例，可能需要根据具体需求进行修改和优化。