想象一下，你正在开发一款AI健身教练APP。用户对着摄像头做深蹲，APP需要实时判断：“膝盖弯曲角度够不够？背是不是挺直的？”

计算机看不懂视频里的“人”，它只看得懂数字。如果你把一张照片扔给神经网络，它看到的只是一堆 [255, 128, 30...] 的像素矩阵。

怎么办？我们需要把“人”抽象成数学模型——这就是“姿态向量化”。

今天，我们用 Python + MediaPipe（谷歌开源的黑科技），只用几十行代码，把复杂的人体动作变成一串AI能读懂的数字向量。

---

第一步：理解什么是“姿态向量”

不要被“向量”两个字吓到。其实就是关键点坐标列表。

人类的身体可以被拆解成一个个关节（关键点）：鼻子、左肩、右肘、手腕、膝盖、脚踝……
目前主流的模型（如 COCO 格式）会把人体定义为 17个关键点（2D）或 33个关键点（3D全身）。

每个关键点有 x, y, z 三个坐标值。
向量化，就是把这些坐标按顺序排成一列。比如：
[鼻_x, 鼻_y, 鼻_z, 左肩_x, 左肩_y, 左肩_z, 右肩_x, ...]

这一长串数字，就是你在视频里的“数字分身”。

---

第二步：工具选择——为什么用 MediaPipe？

以前做姿态估计，要么自己训练模型（累死），要么用 OpenPose（配置环境累死）。
现在谷歌的 MediaPipe 是首选：

• 快：在普通笔记本CPU上也能实时运行（30+ FPS）。
• 准：自带3D坐标（z轴），能感知深度。
• 全：支持手部、面部、全身姿态。

安装依赖：

pip install mediapipe opencv-python numpy

---

第三步：实战代码——把人变成数字

我们来写一个脚本：读取摄像头画面，把每一帧画面中的人提取出来，变成向量并打印。

1. 基础版：提取单张图片的姿态向量

import cv2
import mediapipe as mp
import numpy as np

# 初始化 MediaPipe Pose
mp_pose = mp.solutions.pose
pose = mp_pose.Pose(model_complexity=1, enable_segmentation=False) # model_complexity越高越准越慢

# 读取一张图片（或者视频帧）
image = cv2.imread("fitness.jpg") # 换成你的图片路径
if image is None:
    raise FileNotFoundError("找不到图片，请检查路径")

# 转换颜色 BGR -> RGB
rgb_image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)

# 进行姿态估计
results = pose.process(rgb_image)

# --- 核心：向量化过程 ---
if results.pose_landmarks:
    landmarks = results.pose_landmarks.landmark
    
    vector_list = []
    
    # 遍历17个关键点 (nose, left_shoulder, right_shoulder, etc.)
    for landmark in landmarks:
        # landmark 包含 x, y, z, visibility
        # 注意：这里的 x, y 是相对于图像宽高的归一化坐标 (0.0 ~ 1.0)
        # z 是深度坐标，以髋部为原点
        vector_list.extend([landmark.x, landmark.y, landmark.z])
    
    # 转换成 numpy 数组 (这就是最终的向量！)
    pose_vector = np.array(vector_list)
    
    print(f"生成的向量维度: {pose_vector.shape}") # 应该是 17 * 3 = 51
    print(f"向量数据: {pose_vector}")
    
    # 简单的应用：打印左手腕的坐标
    # 左手腕是 landmark index 15，对应向量切片 [15*3 : 15*3+3]
    left_wrist_vec = pose_vector[45:48]
    print(f"左手腕坐标(归一化): {left_wrist_vec}")

else:
    print("没检测到人！")

pose.close()

代码解析：

1. pose.process() 是黑盒子，输入图片，输出结果。
2. results.pose_landmarks.landmark 是一个列表，包含了17个关键点对象。
3. 我们用 extend 把每个点的 x, y, z 拼起来，得到了一个长度为 51 (17x3) 的一维数组。
4. 这就是最基础的姿态向量！

---

第四步：进阶——如何让向量更“智能”？

直接用绝对坐标（像素值或归一化值）有个问题：离镜头近的人显得大，离得远显得小。 AI会误以为这是两个不同的动作。

我们需要做归一化处理，让向量只关注“骨架结构”，不关注“人在画面哪里”。

技巧1：以鼻子为原点（相对坐标）

把所有点的坐标减去鼻子的坐标，这样向量描述的是“手腕离鼻子多远”，而不是“手腕在屏幕左上角还是右下角”。

# 假设 nose_coord = [x_n, y_n, z_n]
# new_wrist_coord = [x_w - x_n, y_w - y_n, z_w - z_n]

技巧2：计算肢体角度（特征工程）

与其给AI原始坐标，不如直接算出“大臂和小臂的夹角”、“大腿和躯干的夹角”。这对判断深蹲动作非常有效。

def calculate_angle(a, b, c):
    # a, b, c 是三个点的坐标 (x, y)
    # 利用反余弦定理计算夹角
    ba = a - b
    bc = c - b
    cosine_angle = np.dot(ba, bc) / (np.linalg.norm(ba) * np.linalg.norm(bc))
    angle = np.arccos(cosine_angle)
    return np.degrees(angle)

# 例如计算肘关节角度
# 左肩(11), 左肘(13), 左腕(15)
angle_elbow = calculate_angle(left_wrist, left_elbow, left_shoulder)
print(f"手肘弯曲角度: {angle_elbow} 度")

现在，你的向量不再是简单的坐标列表，而是 [手肘角度, 膝盖角度, 脊柱弯曲度...]。这才是AI最喜欢的特征！

---

第五步：实时视频流向量化

把上面的逻辑放进 while True 循环，就是一个实时的AI骨架分析器。

import cv2
import mediapipe as mp
import numpy as np

mp_drawing = mp.solutions.drawing_utils
mp_pose = mp.solutions.pose

cap = cv2.VideoCapture(0) # 打开摄像头

with mp_pose.Pose(min_detection_confidence=0.5, min_tracking_confidence=0.5) as pose:
    while cap.isOpened():
        ret, frame = cap.read()
        if not ret: break

        # 翻转画面，像照镜子一样自然
        frame = cv2.flip(frame, 1)
        rgb_frame = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)

        results = pose.process(rgb_frame)

        if results.pose_landmarks:
            # 绘制骨架（可视化）
            mp_drawing.draw_landmarks(frame, results.pose_landmarks, mp_pose.POSE_CONNECTIONS)
            
            # 在这里插入上面的向量提取代码...
            # 你可以把向量实时发送给后端的LSTM或分类模型
            # 比如：if knee_angle < 30: print("深蹲不够深！")

        cv2.imshow('Pose Vectorization', frame)
        if cv2.waitKey(1) & 0xFF == ord('q'):
            break

cap.release()
cv2.destroyAllWindows()

---

总结：向量化之后能干嘛？

当你把人体变成了一串数字（比如每秒30帧，每帧51个数字），你就打开了新世界的大门：

1. 动作分类：把向量丢进随机森林或神经网络，训练它识别“敬礼”、“拳击”、“瑜伽下犬式”。
2. 异常检测：监控工地工人，如果向量显示“手臂举过头顶且身体倾斜”，判定为不安全行为。
3. 动作纠错：像Just Dance或Keep一样，对比用户的向量和标准动作的向量，计算欧氏距离，打分。
4. 虚拟形象驱动：把向量实时发给Unity或Unreal，让游戏里的角色模仿你的动作（Vtuber技术核心）。

Python + MediaPipe 把这一切的门槛降到了极低。现在，去打开你的摄像头，试试把你自己“数字化”吧！