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

作者：荣顶 、github
声明：文章为稀土掘金技术社区首发签约文章，14天内禁止转载，14天后未获授权禁止转载，侵权必究！

👉🏻 本文 demo 在线体验地址
👉🏻 源代码地址

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。

效果

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。