自学记录鸿蒙 API 13：骨骼点检测应用Core Vision Skeleton Detection

骨骼点检测技术是一项强大的AI能力，能够从图片中识别出人体的关键骨骼点位置，如头部、肩部、手肘等。这些信息在人体姿态分析、动作捕捉、健身指导等场景中有着广泛应用。我决定深入学习HarmonyOS Next最新版本API 13中的Skeleton Detection API，并开发一个简单的骨骼点检测应用。

那么，开整

应用场景的思考

骨骼点检测技术的实际应用场景非常丰富，包括但不限于：

运动健身指导：实时监测运动姿态并提供纠正建议。
游戏交互：捕捉玩家动作，实现体感互动。
医疗辅助：分析步态或姿态，辅助康复训练。
安全监控：通过动作识别检测危险行为。
动画制作：高效捕捉骨骼点，生成动作动画。
教育场景：帮助学生纠正动作姿态，例如舞蹈或体操训练。
工厂自动化：监控员工动作，优化流程，提升生产安全。
智能家居：通过动作识别优化家居设备的人机交互。

这些应用场景启发了我，驱动我开始学习和开发这一技术。通过深入思考，我认识到骨骼点检测不仅是一项单一的技术能力，它还能与其他AI能力结合，为不同领域提供创新的解决方案。尤其在多场景下，骨骼点的检测与其他数据结合，能进一步提升用户体验。

第一步：理解Skeleton Detection API的核心功能

核心功能

Skeleton Detection API提供以下核心能力：

骨骼点检测：识别人体关键点（如头、肩、肘、髋、膝、脚踝等）的坐标和置信度。
边界框输出：返回骨骼点所在区域的边界框。
多人体检测：支持同一图片中多人的骨骼点检测。
高性能端侧计算：骨骼点检测算法在设备端执行，无需上传到云端，保障用户隐私。
实时处理：支持高帧率下的快速骨骼点检测，适用于实时场景。

应用场景

通过Skeleton Detection API，可以实现：

运动识别：用于健身、瑜伽等运动场景的姿态分析。
教育场景：帮助学生纠正动作姿态，例如舞蹈或体操训练。
工业安全：实时检测工人动作是否符合安全规范。
健康监控：分析用户的步态和姿态，提供健康建议。
沉浸式娱乐：结合VR/AR设备，实现虚拟世界中的真实动作交互。
远程互动：在远程会议中，通过识别肢体语言提升交流质量。
无人零售：分析消费者的动作，优化店铺布局和商品陈列。

第二步：项目初始化与配置

权限配置

在项目的config.json中，需要添加以下权限：

复制代码

{
  "module": {
    "abilities": [
      {
        "name": "SkeletonDetectionAbility",
        "permissions": [
          "ohos.permission.INTERNET",
          "ohos.permission.READ_MEDIA",
          "ohos.permission.WRITE_MEDIA"
        ]
      }
    ]
  }
}

这些权限确保应用能够访问图库资源并与设备核心能力交互。此外，在实际应用中，我还需要检查设备是否支持相关功能，并在必要时添加兼容性提示。对于一些低性能设备，可以考虑降级处理以适应其运行能力。

第三步：实现骨骼点检测功能

初始化与销毁骨骼点检测服务

骨骼点检测需要先初始化检测器，以下是初始化和销毁服务的代码：

复制代码

import { skeletonDetection } from '@kit.CoreVisionKit';

let detector: skeletonDetection.SkeletonDetector | undefined = undefined;

async function initializeSkeletonDetector() {
    detector = await skeletonDetection.SkeletonDetector.create();
    console.info('骨骼点检测服务初始化成功');
}

async function releaseSkeletonDetector() {
    if (detector) {
        await detector.destroy();
        console.info('骨骼点检测服务已释放');
    }
}

在实际开发中，我会通过日志跟踪初始化过程，以确保服务能够正常启动。如果初始化失败，可以记录错误日志并引导用户重试。

加载图片并检测骨骼点

以下代码展示了如何加载图片并调用骨骼点检测服务：

复制代码

async function detectSkeleton(imageUri: string) {
    if (!detector) {
        console.error('检测器未初始化');
        return;
    }

    const pixelMap = await loadPixelMap(imageUri);
    const request = {
        inputData: { pixelMap },
        scene: visionBase.SceneMode.FOREGROUND,
    };

    const response = await detector.process(request);

    if (response.skeletons.length === 0) {
        console.info('未检测到骨骼点');
    } else {
        response.skeletons.forEach((skeleton, index) => {
            console.info(`检测到第 ${index + 1} 个骨骼：`);
            console.info(`置信度：${skeleton.score}`);
            skeleton.points.forEach(point => {
                console.info(`  ${skeletonDetection.SkeletonPointType[point.type]}: (${point.point.x}, ${point.point.y}), 置信度：${point.score}`);
            });
        });
    }

    pixelMap.release();
}

通过以上实现，我可以轻松检测图片中的骨骼点，并输出详细的关键点信息。对于多人体场景，可以进一步分析每个人的动作模式。

第四步：构建用户界面

以下代码展示了如何通过ArkUI实现一个简单的用户界面，支持选择图片并检测骨骼点：

复制代码

import { View, Text, Button, Image } from '@ohos.arkui';

export default View.create({
    build() {
        return (
            {
                type: "flex",
                flexDirection: "column",
                children: [
                    {
                        type: Text,
                        content: "骨骼点检测应用",
                        style: { height: "50vp", fontSize: "20vp", textAlign: "center" },
                    },
                    {
                        type: Button,
                        content: "选择图片",
                        style: { height: "50vp", marginTop: "20vp" },
                        onClick: this.onSelectImage,
                    },
                    {
                        type: Button,
                        content: "检测骨骼点",
                        style: { height: "50vp", marginTop: "10vp" },
                        onClick: this.onDetectSkeleton,
                    },
                ],
            }
        );
    },

    onSelectImage() {
        // 模拟图片选择
        this.imageUri = '/data/media/sample_image.jpg';
        console.info('图片已选择:', this.imageUri);
    },

    async onDetectSkeleton() {
        await detectSkeleton(this.imageUri);
    },
});

async function detectSkeleton(imageUri: string) {
    if (!detector) {
        console.error('检测器未初始化');
        return;
    }

    const pixelMap = await loadPixelMap(imageUri);
    const request = {
        inputData: { pixelMap },
        scene: visionBase.SceneMode.FOREGROUND,
    };

    const response = await detector.process(request);

    if (response.skeletons.length === 0) {
        console.info('未检测到骨骼点');
    } else {
        response.skeletons.forEach((skeleton, index) => {
            console.info(`检测到第 ${index + 1} 个骨骼：`);
            console.info(`置信度：${skeleton.score}`);
            skeleton.points.forEach(point => {
                console.info(`  ${skeletonDetection.SkeletonPointType[point.type]}: (${point.point.x}, ${point.point.y}), 置信度：${point.score}`);
            });
        });
    }

    pixelMap.release();
}

async function loadPixelMap(imageUri: string) {
    // 模拟从图库加载图片，并转换为PixelMap格式
    console.info(`加载图片: ${imageUri}`);
    // 这里需要调用实际的加载库，此处为伪代码
    const pixelMap = { /* PixelMap对象的模拟结构 */ };
    return pixelMap;
}

通过这段代码，我可以快速构建一个简单的用户界面，方便用户选择图片并检测骨骼点。在后续版本中，可以通过动态加载模块和实时显示检测结果提升用户体验。

第五步：性能优化与功能扩展

性能优化

减少分辨率：降低图片分辨率以减少检测时间。
限制关键点：针对特定应用场景，仅检测需要的关键点。
批量处理：利用多线程能力同时检测多张图片。
分步处理：在实时场景中分块加载和检测图片，以减少延迟。

此外，我还计划使用缓存机制，避免重复处理相同的图片，从而提升整体性能。

功能扩展

实时检测：结合相机模块，实时检测视频流中的骨骼点。
姿态分析：通过计算骨骼点间的角度和距离进行动作分析。
可视化：在图片或视频上绘制骨骼点和连接线，增强交互体验。
动作识别：基于骨骼点数据，识别用户是否完成特定动作。
数据存储：将检测结果存储到数据库中，方便后续分析。
多模态分析：结合其他传感器数据（如加速度计）提升分析精度。

最后的小总结

整完了这个API，我确实觉得很震撼。这个技术的扩展性让我感到兴奋，比如结合AI算法进一步分析用户行为或健康状况。

未来，我计划将骨骼点检测技术应用到健身指导和智能监控领域，同时探索与其他AI能力的结合，开发更智能的解决方案。如果你也对骨骼点检测感兴趣，不妨从这些基础功能开始，逐步实现自己的创意！

当然如果你也在这一领域研究，不妨关注我，我们一起进步～！