【vMaker Edge AI專欄 #05】Google MediaPipe快速上手 ─ 浮空手勢也能用來當作簡報播放器

21 min readMay 26, 2023

作者：Jack OmniXRI, 2023/05/15

2019年6月時Google在電腦視覺頂級研討會CVPR上展示了MediaPipe[1]的預覽版本，提出了可供移動裝置運行手部追蹤、人臉追蹤及物體偵測等功能的輕量模型開源程式。這項工具不僅可在Android, iOS, Web, Windows等平台上運行，亦支援如C++, Python, JavaScript等程式語言開發。由於它非常輕量，所以可輕鬆佈署在像樹莓派、Nvidia Jetson Nano等小型單板微電腦上，非常適合想學習AI應用的新手朋友。

接下來我們就簡單幫大家認識一下MediaPipe及其手部追蹤、手部特徵點提取及手勢辨識的原理，最後再用一個浮空手勢辨識來控制PowerPoint簡報播放的實例讓大家可以感受一下這項方便的工具神奇好用之處。

1. MediaPipe簡介及開發環境建置

MediaPipe歷經數年的改善，增減了許多功能，原本官方網站[2]是依附在其Github[3]下，但2023/4/3後已正式獨立出來了[1]。新版停止支持一些不常用的電腦視覺功能，如Box Tracking, Instant Motion Tracking, Objectron, KNIFT, AutoFlip, MediaSequence, Youtube 8M等，但同時也新增了對文字及聲音辨識的支持。最新支持的解決方案如Fig. 1所示。

Fig. 1 MediaPipe解決方案。[4] (OmniXRI整理製作,2023/05/15)

如果大家想感受一下這些功能，新版官網有提供線上體驗版[4]，不必安裝，不用寫程式，可直接上傳測試影像或聲音檔案，或直接開啟電腦上的網路攝影機或麥克風就能進行測試。

如果想要自己寫點程式來玩玩的朋友，使用Python開發算是最方便的，以下就以Windows為例進行說明。首先在自己的電腦上先安裝Python(3.7 ~ 3.10版)，再使用PIP(19.0版以上)安裝即可。建議先在自己電腦上開一個Python虛擬環境再安裝，以免污染原先Python的開發環境。另外由於後續要使用到模擬鍵盤滑鼠輸入的功能，所以這裡會一起安裝PyAutoGUI[5]的套件。完整安裝步驟如下所示。

# 切換到想要工作的磁碟 x (可略過，可直接使用啟動命令列模式時的路徑)
x:
# 建立Python虛擬環境
python -m venv mediapipe_env
# 啟動Python虛擬環境
mediapipe_env\Scripts\activate
# 進入後命令列提示會變成 (mediapipe_env) x:\
# 安裝Mediapipe (已包含numpy, matplotlib, opencv-contrib_python等)，可忽略版本設定（==0.10.0)則會安裝最新版本。
pip install -q mediapipe==0.10.0
# 安裝PyAutoGui （處理鍵盤輸入及訊息輸出）
pip install pyautogui
# 檢查已安裝套件 （可略過）
pip list
# 啟動Python檢查模組是否安裝正確
python
>>> import mediapipe as mp
>>> import pyautogui as ag
>>> import cv2
>>> print(mp.__version__) # 列印MediaPipe版本 ==> 0.10.0
>>> print(ag.__version__) # 列印PyAutoGui版本 ==> 0.9.53
>>> print(cv2.__version__) # 列印OpenCV版本 ==> 4.7.0
#按 Ctrl+Z 再按Enter 結束Python程式編輯環境
# 於命令列輸入 deactivate 即可退出Python虛擬環境回到 x:\

2. 手部特徵點提取

目前MediaPipe可協助提取手部特徵點(Hand Landmark)共21點，完整的節點及名稱如Fig. 2所示[6]，而左手和右手也是可以區分出來的。如果想要練習一下程式但又還沒安裝開發環的朋友，官方也很貼心的提Colab版本給大家試一下，使用前請先登入自己的Google帳號，點擊下列網址開啟範例程式，再點擊選單「執行階段」下的「全部執行」便可得到測試結果，看到載入的影像已被繪上手部特徵點及骨架了，如Fig.2 左圖所示。

Google Colab範例程式： https://colab.research.google.com/github/googlesamples/mediapipe/blob/main/examples/hand_landmarker/python/hand_landmarker.ipynb

Fig. 2 手部特徵點(Hand Landmark)定義及偵測結果示意圖。(OmniXRI整理製作,2023/05/15)

整個程式架構非常簡單，略過下載模型、測試影像及繪製特徵點到影像函式外，只需理解最後一格的「Run inference and visualizing the results」就足夠了。大致分為五個動作，如程式註解說明。如果想更完整理解，可參考官方提供之說明[7]。

# 步驟一：導入必要函式庫
import mediapipe as mp
from mediapipe.tasks import python
from mediapipe.tasks.python import vision

# 步驟二：建立手部特徵點物件
# 載入手部特徵點偵測模型
base_options = python.BaseOptions(model_asset_path='hand_landmarker.task')
# 建立手部特徵點偵測基本參數
options = vision.HandLandmarkerOptions(base_options=base_options, num_hands=2)
# 建立手部特徵點偵測器
detector = vision.HandLandmarker.create_from_options(options)
# 步驟三：載入測試影像（可自行修改成待測試影像名稱）
image = mp.Image.create_from_file("image.jpg")
# 步驟四：偵測手部特徵點
detection_result = detector.detect(image)
# 步驟五：產生結果影像並顯示
# 將偵測到的結果（特徵點及連結線）繪製到新影像上
annotated_image = draw_landmarks_on_image(image.numpy_view(), detection_result)
# 顯示時需將色彩格式RGB轉回BGR才能正確顯示。
cv2_imshow(cv2.cvtColor(annotated_image, cv2.COLOR_RGB2BGR))

3. 常用靜態手勢辨識

有了這些手部特徵點後，還可以更進一步把特定形狀解讀為有意義的靜態手勢，但如果要自己解讀21個特徵點的相對位置來辨識手勢，可能不是這麼容易，所以MediaPipe提供了七種常見手勢辨識[8]，以便大家直接使用，包括：

None 未知手勢
Closed_Fist 握拳
Open_Palm 打開手掌
Pointing_Up 食指向上
Thumb_Down 姆指向下（爛）
Thumb_Up 姆指向上（讚）
Victory 勝利（食指、中指呈V字型）
ILoveYou 愛心（姆指、食指呈愛心）

同樣地，這裡也有提供Colab格式的範例，如下連結。

https://colab.research.google.com/github/googlesamples/mediapipe/blob/main/examples/gesture_recognizer/python/gesture_recognizer.ipynb#scrollTo=Iy4r2_ePylIa

Fig. 3 常見手勢辨識(Gesture Recognitiaon)定義及辨識結果示意圖。(OmniXRI整理製作,2023/05/15)

而程式的內容和手部特徵點偵測類似，只是換了模型檔「gesture_recognizer.task」和繪製結果影像的函式和輸出辨識結果及置信度，這裡就略過說明，如果想更完整理解，可參考官方提供之說明[9]。

4. 模擬鍵盤滑鼠輸出

接下來為了讓手勢（影像）能取代手按鍵盤及移動滑鼠，這裡使用了一個常見的Python套件包PyAutoGUI[5]。我們可以透過它來操作一些滑鼠及鍵盤動作，如下幾個範例。

import pyautogui as ag

ag.PAUSE=3 # 延遲3秒，方便切換工作視窗 
ag.position() # 讀取目前滑鼠游標位置並輸出
ag.moveTo(x,y,n) # 用n秒把滑鼠座標移到(x,y)位置
ag.click() # 模擬滑鼠點擊
# 按住滑鼠 key 再拖曳到座標 x,y 位置，key 可為滑鼠三個按鍵 'left', 'middle', 'right'
ag.dragTo(x, y, button='key') 
# 模擬按下 key 鍵，如'1', 'k', 'f1', 'shift' 等
# 更多按鍵（key）的名稱可參考 https://pyautogui.readthedocs.io/en/latest/keyboard.html#keyboard-keys
ag.keyDown('key') # 按下 key
ag.keyUp('key') # 放開 key
ag.press('key') # 點擊 key, 包括 keyDown, keyUp
ag.press('key', presses=n) # 按下 key n秒後再放開
# 同時按下 ctrl, shift, esc ，相當於執行下面六個動作
# ag.keyDown('ctrl')
# ag.keyDown('shift')
# ag.keyDown('esc')
# ag.keyUp('esc')
# ag.keyUp('shift')
# ag.keyUp('ctrl')
ag.hotkey('ctrl', 'shift', 'esc')

更多鍵盤按鍵的名稱可參考[10]。

5. 手勢控制簡報播放範例

一般我們在使用Microsoft PowerPoint進行簡報時常會搭配一組無線的簡報操作遙控器，方便我們控制下一頁的播放。這裡我們將利用網路攝影機作為影像輸入裝置，並採用 MediaPipe 的手勢辨識套件來偵測控制播放的手勢，最後使用 PyAutoGUI 來控制滑鼠、鍵盤，取代簡報遙控器播放簡報。

首先我們要知道PowerPoint 常用快捷鍵，如下所示。

【Page Up】或【↑】或【←】上一張投影片
【Page Down】或【↓】或【→】下一張投影片
【F5】開始播放簡報
【Home】回到簡報首頁
【Esc】結束簡報

接下來的範例中，我們僅簡單定義使用「打開手掌」的手勢代替【Page Down】按鍵按下，作為播放下一頁的動作。當然大家可自行選用比較好操作的手勢並修改相關程式，也可以自行增加其它手勢來控制其它動作。

另外由於以上章節的範例都必須在雲端 Google Colab 上運行，不方便控制本地（電腦）端 PowerPoint 的播放，所以這裡要改用 Python 程式來運行。運行前請先確認已依第一節文章所述，將開發環境建置好並依下列步驟啟動及運行程式，如Fig. 4所示。

1. 進入命令列模式 cmd，注意不要讓視窗最大化，可調整到畫面2/3大小大約置於螢幕中間即可。
2. 切換到想要工作的磁碟 x （依安裝磁碟決定）
   x:
3. 啟動 Python 虛擬環境
   mediapipe_env\Scripts\activate
4. 下載本範例並進入範例路徑
   git clone --depth=1 https://github.com/OmniXRI/PPT_Gesture_Demo.git
   cd PPT_Gesture_Demo
5. 開啟 PowerPoint 簡報並最大化
6. 執行範例程式，執行後游標會移到視窗最上方並點擊 PowerPoint 檔案並進入播放模式。而範例程式及視窗會自動移到背景執行（不可視）。
   python ppt_gesture_demo.py
7. 當偵測到「打開手掌」動作就能自動播放下一頁。
8. 當欲結束控制時，點擊網路攝影機視窗後，再按「q」或「ESC」鍵即可離開程式

Fig. 4 程式運行結果示意圖。(OmniXRI整理製作, 2023/05/15)

完整範例程式連結及說明如下所示。
https://github.com/OmniXRI/PPT_Gesture_Demo

# ppt_gesture_demo.py
#
# 利用網路攝影機作為影像輸入裝置，並採用 MediaPipe 的手勢辨識套件來偵測控制播放的手勢，最後使用 PyAutoGUI 來控制滑鼠、鍵盤，取代簡報遙控器播放簡報。
# 作者：Jack OmniXRI, 2023/05/15

# 引入必要函式庫
import mediapipe as mp
from mediapipe.tasks import python
from mediapipe.tasks.python import vision
from mediapipe.framework.formats import landmark_pb2
from matplotlib import pyplot as plt
import cv2 # 引入 OpenCV 函式庫
import numpy # 引入numpy函式庫
import pyautogui as ag # 引入PyAutoGui函式庫
# 宣告繪製手勢相關物件
mp_hands = mp.solutions.hands
mp_drawing = mp.solutions.drawing_utils
mp_drawing_styles = mp.solutions.drawing_styles
# 定義顯示手勢及手部特徵點函式 display_gesture_and_hand_landmarks
# 輸入原始影像、手勢及手部特徵點資料
# 輸出繪製好手部特徵點及連結之影像及手勢名稱
def display_gesture_and_hand_landmarks(images, gestures, hand_landmarks):
    image = images.numpy_view()  # 將numpy格式影像轉回opencv格式影像
    top_gestures = [gestures for gestures in gestures] # 取得手勢資料陣列
    hand_landmarks_list = [hand_landmarks for hand_landmarks in hand_landmarks] # 取得手部21個特徵點資料
 
    title = '' # 存放手勢名稱及置信度字串
    gesture_name = '' #存放手勢名稱
    # 若手勢內容不空則產生「手勢名稱加置信度」字串
    if numpy.size(top_gestures) != 0:
      gesture_name = top_gestures[0][0].category_name
      gesture_score = top_gestures[0][0].score
      title = f"{gesture_name}({gesture_score:.2f})"
    annotated_image = image.copy() # 複製一份影像再開始繪製內容
    
    # 若手部特徵點座標不空則繪製點及線於影像上
    if numpy.size(hand_landmarks_list) != 0:
      # 逐點繪製手部特徵點及連結線段
      for hand_landmarks in hand_landmarks_list:
        hand_landmarks_proto = landmark_pb2.NormalizedLandmarkList()
        hand_landmarks_proto.landmark.extend([
        landmark_pb2.NormalizedLandmark(x=landmark.x, y=landmark.y, z=landmark.z) for landmark in hand_landmarks
        ])
        mp_drawing.draw_landmarks(
          annotated_image,
          hand_landmarks_proto,
          mp_hands.HAND_CONNECTIONS,
          mp_drawing_styles.get_default_hand_landmarks_style(),
          mp_drawing_styles.get_default_hand_connections_style())
    
    # 繪製手勢名稱及置信度字串到影像左上角
    cv2.putText(annotated_image, f"{title}",
                (20, 30), cv2.FONT_HERSHEY_DUPLEX,
                1, (0, 0, 255), 1, cv2.LINE_AA)
    # 回傳結果影像及手勢名稱
    return annotated_image, gesture_name 
    
# 先開啟PowerPoint 並最大化等待啟動（F5鍵）及操作命令
# 令滑鼠移到PowerPoint視窗位置並點擊
ag.moveTo(960, 10, 1)
ag.click()
ag.press('f5')
# 宣告手勢辨識器及初使化相關參數
base_options = python.BaseOptions(model_asset_path='gesture_recognizer.task')
options = vision.GestureRecognizerOptions(base_options=base_options)
recognizer = vision.GestureRecognizer.create_from_options(options)
# 開啟網路攝影機擷取影像
cap = cv2.VideoCapture(0) 
# 開始連續取像並推論及控制簡報播放
while(True): 
    # 從網路攝影機擷取一張影像
    ret, frame = cap.read()
    # 轉換影像格式以滿足 MediaPipe 
    mp_image = mp.Image(image_format=mp.ImageFormat.SRGB, data=frame)
  
    # 進行手勢辨識並取得手勢及手部特徵資料
    recognition_result = recognizer.recognize(mp_image) 
    top_gesture = recognition_result.gestures
    hand_landmarks = recognition_result.hand_landmarks
    # 呼叫顯示手勢及手部特徵點函式並取得結果影像及手勢名稱
    annotated_image, gesture_name = display_gesture_and_hand_landmarks(mp_image, top_gesture, hand_landmarks)
    cv2.imshow('frame', annotated_image)
    # 若偵測到「打開手掌」手勢則模擬「Page Down」按鍵按下，令簡報往下一頁播放。
    # 模擬按鍵按下後，等待1秒，再繼續偵測手勢，以免重覆觸發。
    # 這裡的手勢可換成其它手勢，如 "Closed_Fist", "Open_Palm", "Pointing_Up", "Thumb_Down", "Thumb_Up", "Victory"等。
    if gesture_name == "Open_Palm":
      ag.press('pagedown')
      ag.PAUSE = 1
     
    # 當按下 q 或 ESC 鍵則離開迴圈
    key = cv2.waitKey(1)
    if key == ord('q') or key == 27:
        break
# 釋放網路攝影機
cap.release()
# 關閉所有 OpenCV 視窗
cv2.destroyAllWindows()

小結

Google MediaPipe是一種很輕量的AI人機互動工具函式庫，此次更新版讓大家很容易上手及應用。本文範例只是牛刀小試了一下手勢辨識，讓播放簡報瞬間就變得很神奇，只需揮揮手就能切換頁面，不用再拿著簡報播放遙控器。相信在大家的巧思下，未來一定可以開發出更多不一樣的用法，打造人機互動新境界。

參考文獻

[1] Google MediaPipe （新版官網）
https://developers.google.com/mediapipe

[2] Google MediaPipe (舊版官網)
https://google.github.io/mediapipe/

[3] Google MediaPipe Github
https://github.com/google/mediapipe

[4] Google MediaPipe Demos
https://mediapipe-studio.webapps.google.com

[5] PyAutoGUI documentation
https://pyautogui.readthedocs.io/en/latest/index.html

[6] Google MediaPipe — Hand landmark detection guide
https://developers.google.com/mediapipe/solutions/vision/hand_landmarker

[7] Google MediaPipe — Hand landmarks detection guide for Python
https://developers.google.com/mediapipe/solutions/vision/hand_landmarker/python

[8] Google MediaPipe — Gesture recognition task guide
https://developers.google.com/mediapipe/solutions/vision/gesture_recognizer

[9] Google MediaPipe — Gesture recognition guide for Python
https://developers.google.com/mediapipe/solutions/vision/gesture_recognizer/python

[10] PyAutoGUI — Keyboard Control Functions — KEYBOARD_KEYS
https://pyautogui.readthedocs.io/en/latest/keyboard.html#keyboard-keys

[11] Github / OmniXRI — PPT_Gesture_Demo
https://github.com/OmniXRI/PPT_Gesture_Demo

延伸閱讀

[A] CAVEDU 教育團隊，Python程式打造Google MediaPipe 深蹲偵測互動遊戲
https://makerpro.cc/2023/03/google-mediapipe-squat-detection/

[B] CAVEDU 教育團隊，Google Mediapipe 深蹲偵測結合 Arduino 首次接觸就上手
https://makerpro.cc/2022/06/use-mediapipe-to-do-squat-pose-detection/

[C] CAVEDU 教育團隊，Google Mediapipe 手勢控制LED呼吸燈
https://makerpro.cc/2022/03/use-google-mediapipe-to-make-a-gesture-recognition-control-led-light/

[D] CAVEDU 教育團隊，在Jetson Nano上執行Google Mediapipe 立即可用的辨識方案超好用！
https://makerpro.cc/2021/08/execute-google-mediapipe-on-jetson-nano/

本文同步發表在【台灣自造者 vMaker】