热成像体温检测仪
4适用范围
可广泛应用于各公共场所（包括但不限于如下场所）：
5系统介绍
5.1系统组成
本系统主要由前端数据采集系统、传输网络、后台数据处理及信息监控管理平台组成。
（1）前端数据采集系统
前端数据采集系统主要负责现场图像采集、体温数据的采集、录像存储和网络传输。主要包括分布安装在各个区域的高清热成像摄像机、高清网络摄像机、高精度门框式红外体温检测仪，用于监测各安装区域的体温数据采集和安全防范，满足对现场监控可视化和历史数据可查化的要求。
（2）传输网络
监测点的传输可以采用无线传输方式和有线传输2种方式。
（3）监控平台
监控平台是本系统的核心所在，是执行日常监控、系统管理、应急指挥的场所内部署体温监控综合管理平台。是一个互联网架构的网络化平台，具有对各区域监测点的人员流量和对数据的报警处理、记录、查询、统计、检测数据曲线输出等多种功能。
5.2系统组网图
5.3系统特点
.体温数据与视频画面同步：支持数据与现场视频同步传送到平台，在客户端可以在同一个界面同时显示视频与体温数据。
.维护量小：自动数据保护，自动故障修复、报警，大大减少人工维护。
.响应快速：10秒级数据上传频率。能够展示更多的时间细节。检测的数据反应在异常发生以后，分钟级的监测数据在异常刚开始发生的时候就能定位。
.365天24小时全天候实时在线监测。
.现场可视化管理，可连接多个体温监测点并远程传输至大显示屏。
.设定了报警管理，异常数据可向指定的手机上发送短信，及时预警，提高实时监测的有效性。
.支持LED户外显示屏等实时显示数据。（户外显示屏可根据客户需求定制）
.实现数据的存储管理，对数据图形展示，曲线分析，超标报警统计，异常处理跟踪等，为相关监管部门提供精准的数据决策依据。
.支持多种通讯方式：以太网通讯，可选4G网络。
.支持三级权限划分
5.4平台展示
5.4.2地理位置定位：
5.4.3异常人员体温数据及时间报警显示:
5.4.4对异常数据进行处理和记录
5.4.5人员总流量统计、历史数据曲线、异常人员统计查看
5.4.5图像识别
5.4.6放大后的热成像数据
二、方案推荐
1.热成像体温筛查系统
1.1定义
热成像体温筛查：是指通过热像仪（非接触式方式）初步对人体表面温度进行检测，找出温度异常的个体，发现温度异常目标之后，再进行专业体温测量。举例来说：100个人通过热像仪筛查，发现20-30个温度有异常的目标，再用专业手段测量确认，有效降低检测工作量，提升效率。
1.2热成像体温检测仪-测温原理
测温原理：热成像摄像机是依据物体辐射的能量来测呈温度的设备。根据辐射理论，任何物体只要不处于绝对零度（-273.15℃），那么在其他任意温度下都存在热辐射。处于热平衡状态的黑体在半球方向的单色辐射出射度是波长和温度的函数。在一定的波长下，黑体的单色辐射出射度是温度的单值函数，可以通过某一波长下的单色辐射出射度的测量来得出黑体的温度。这就是辐射测温学的理论基础，黑体辐射的普朗克辐射定律。测温时，将热成像摄像机瞄准被测物体，热成像摄像机的探测器接收到被测物体所辐射的能量，经信号处理电路转换为相应的电信号或进一步通过显示器直接显示出被测物体的温度值。
1.3热成像体温筛查推荐方案
方案分为2种如下：
1.3.1通关体温筛查：
方科通关体温筛查
智能安全人行通道，高精度体温检测设备，安全、稳定、可靠。集成热成像设备可以广泛应用于海关、机场边检等重要场所，实现对人员进行管控。
技术参数：
测温范围0~60℃
测温精度±0.3℃（30~45℃）
电机类型直流无刷伺服电机
机芯寿命＞500万次
物理接口TCP/IP,I/O,RS232,RS485
红外检测对数16对
通行频率20-60/分钟
通道宽度800mm
门翼材质10mm亚克力
通道框体国标304不锈钢壁厚1.5mm
尺寸左边机：长1450mmx宽300mmx高1550mm
右边机：长1450mmx宽300mmx高1680mm
重量150Kg(约)
功率工作＜300W，待机＜100W
电源AC220V±10%/50~60HZ
工作温度-20℃~60℃室内
工作湿度5%-80%（在不凝结水滴状态下）
1.3.2在线体温筛查
部署方案推荐
由于人的表面体温受人当前活动状态，以及环境的影响比较大，所以在在线体温筛查时，建议在稳定环境以及人的状态稳定时进行筛查，准确度更高。如左图所示，建议将入口测温设备部署在入口一段走廊后，此时人的状态较平复，且环境稳定，效果会较好！
返回搜狐，查看更多
基于智能手机的人体跌倒检测系统
目前,跌倒检测方法最常见的是视频图像分析法和穿戴式装置检测法。前者使用视频摄像头,不能保证用户隐私安全;后者是传感器装置,需要基站来服务,外出时易忘记佩戴。使用智能手机进行跌倒检测是一个可行的且有很大发展潜力的技术,智能手机同时结合了跌倒检测系统的两个重要组件:跌倒检测和救助通信,不仅可以降低系统成本,实时监测人体活动,还可以结合GPS确定用户的跌倒位置。现在,国内外已有利用手机进行跌倒检测的相关理论研究,都是使用移动手机内置的加速度传感器和基于人体运动加速度特征的不同算法来检测跌倒的。然而一些较高强度日常活动如慢跑、快速坐下等也会产生一个类似跌倒的大加速度值特征。因此,单独使用加速度传感器进行跌倒检测,采集的数据比较单一,不足以完全反应人体姿态变化,会给跌倒检测带来许多假警报。针对以上问题,本文提出了基于信号向量模和特征量W相结合的跌倒检测算法。该检测算法同时利用加速度传感器和陀螺仪监测人体姿态变化,有效减少了跌倒检测结果的假阳性和假阴性。
1跌倒检测方法设计
加速度传感器和陀螺仪分别能够测量三轴方向运动加速度和角速度大小信息,本文利用智能手机内置的这两种传感器来采集反映人体主要运动姿态变化的信号数据。通过使用信号向量模(magnitudeofsignalvector,SVM)阈值法来识别区分低强度日常生活活动(activitiesofdailyliving,ADL)与跌倒,对于阈值法不能识别的较高强度ADL,则通过对角速度信号向量模数据进一步处理得到的新特征量来判别。
1.1信号数据
人体活动主要分为以下几种:躺下、步行、坐下—起立、上楼梯、下楼梯、慢跑、蹲下—起立以及跌倒等。人体携带的智能手机,其内置的加速度传感器和陀螺仪输出的信号数据可以反映出人体日常运动姿态变化。图1为智能手机在x、y和z三轴的加速度方向及角速度方向。
图1三轴方向上加速度测量和角速度测量
传感器输出信号中掺杂了大量的脉冲噪声,中值滤波是传统的消除脉冲噪声的方法。中值滤波器是一个非线性信号处理技术,它使用一个给定长度的窗依次滑过原始信号序列,然后将窗内居中的样本值用该窗所包含信号序列的中值替代,这里滤波器窗口大小n设为3。图2为加速度传感器输出信号数据经中值滤波后曲线图。
图2中值滤波后曲线图
1.2信号向量模(SVM)
跌倒发生时的加速度及角速度变化主要体现在某空间方向,因为跌倒事件中无法预知跌倒的方向,所以不宜用某一轴的加速度或角速度数据去判断跌倒的发生,采用信号向量模SVM特征量可以将空间的加速度或角速度变化集合为一矢量。加速度信号向量模(SVMA)及角速度信号向量模(SVMW)其定义分别如式(1)和式(2)
其中,ax,ay,az分别为加速度传感器x、y、z三轴方向输出经中值滤波后信号;wx,wy,wz分别为陀螺仪x、y、z三轴方向输出经中值滤波后的信号。
图3和图4为人体处于不同运动状态时SVMA及SVMW变化曲线。
图3不同人体运动SVMA变化曲线图4不同人体运动SVMW变化曲线
如图3、图4所示,跌倒具有大加速度和角速度峰值特征,这是因为摔倒过程中由于和低势物体碰撞产生的SVM峰值比日常活动中步行、上楼梯等大多数一般过程要大。然而人体运动行为过程具有复杂性和随机性,使用单一的加速度相关信息判断人体摔倒行为的发生会带来很大的误判。本文使用SVMA及SVMW相结合的信息阈值法可以区分跌倒与产生SVM峰值较小的低强度运动。通过对人体摔倒过程及其它日常生活行为过程中实验结果数据SVMA和SVMW进行分析,本文识别跌倒的加速度信号向量模阈值取SVMAT=20m/s2和角速度信号向量模阈值取SVMWT=4rad/s。
但是慢跑等动作也具有大加速度和角速度峰值的特征,单独的SVM特征量并不能区分摔倒过程与慢跑或手机日用等较高强度运动过程。
1.3SVMW数据曲线处理
根据人体运动学特征，跌倒过程与慢跑等运动过程的人体俯仰角或者侧翻角变化有很大不同，然而采集人体运动姿态变化信号数据的智能手机在口袋中的放置方位具有随意性，因此无法直接使用陀螺仪单轴方向输出得到的角度变化信息作为跌倒判断的一个特征量。本文对角速度信号向量模数据作进一步处理，来寻找新的特征量。
这里定义一个人体跌倒时躯干倾斜的合角度θ，它是通过对角速度信号向量模数据进行积分得到的，如下式式中：SVMW———人体运动角速度信号向量模。下面以慢跑为例，分析跌倒与慢跑等较高强度运动的合角度曲线变化的不同，图5为跌倒和慢跑两种运动过程合角度变化曲线，从图5中可以看出：跌倒曲线有明显的拐点（图中圆圈所示），而慢跑曲线变化比较均匀平缓。这是因为跌倒过程中人体会和低势物体产生碰撞，短时间内会产生较大的SVM数据值，体现在数据曲线上则有突变的增量点；而慢跑每次动作基本一致，随时间产生的数据曲线点增量也基本一样，数据曲线近似一条直线。
图5跌倒和慢跑时合角度变化曲线
应用智能手机作为跌倒检测系统，易于对数据进行公式化处理，本文中采用数据拟合的方法对合角度曲线数据公式化处理。前面分析中得知，两种运动过程合角度曲线变化趋势有很大不同，且慢跑运动合角度变化曲线近似一条直线，因此使用直线拟合模型可以突出两种曲线与各自拟合曲线相似度的不同。这里使用计算简单的最小二乘法线性拟合，拟合直线表达式为
y＝ax＋b（4）
式中：a，b———拟合直线的斜率和截距。图6和图7分别为跌倒和慢跑两种运动的合角度变化曲线及使用Matlab线性拟合变化曲线。
图6跌倒时合角度曲线和拟合曲线图7慢跑时合角度曲线和拟合曲线
为了反映出两种曲线与各自线性拟合曲线的相似度，这里我们定义一个无量纲量W，也是本文算法的跌倒判断特征量，其计算过程如下式其中，i=1，2，3，…，500，（处理10s内数据样本点），Ci为合角度数据样本点，Ni为合角度线性拟合数据样本点。特征量W反映的是合角度曲线与其拟合曲线之间的相似度，W值越小相似度越高。
由前面的分析得知，跌倒合角度曲线有拐点，慢跑合角度曲线变化平缓，而使用的拟合曲线为一条直线，故跌倒时得到的W值较大，而慢跑时得到的W值会较小。表1所示为一组实验结果的特征值，观察特征值数据可知容易通过设置一个阈值WT来区分这两种运动过程，本文通过对跌倒过程和慢跑等较高强度运动过程中W值的分析取WT=25.
表1跌倒和慢跑时的特征值数据
2系统实现
2.1系统应用程序
Android是一个开源移动操作系统，它有一个强大的基于java框架的软件开发工具包（SDK），还有SQLite数据库管理系统，本文在Android智能手机平台开发实现了跌倒检测应用程序。跌倒应用程序由4大部分组成：
（1）FallDetectionService：Android后台服务应用进程，它长时间运行在手机应用程序进程的主线程内，不会干扰其他组件或用户界面。
（2）FallAlertActivity：与用户交互的Activity组件，该Activity可以被创建、启动、恢复、暂停和销毁，它是应用程序的可见部分。
（3）SensorManager：“SensorManager”允许应用程序使用手机传感器，使用它来读取手机加速度传感器和陀螺仪的读数。
（4）UserLocationManager：使用UserLocationManager可以允许应用程序使用GPS获取定位数据，紧急情况下可以确定用户地理位置。
2.2系统检测流程
本系统跌倒检测算法是基于人体运动加速度和角速度信号设计的，通过分析人体主要运动过程与跌倒过程的SVMA和SVMW数据，以及对SVMW数据的进一步处理来区分日常生活活动与跌倒。图8为跌倒检测算法流程图：①后台服务监测SVMA数值的变化，如果SVMA大于SVMAT，进入下一步；②等待SVMA数值恢复到正常范围内，再设置延时10s，等待用户稳定，进入下一步；③角速度数据分析，如果SVMW大于SVMWT，进入下一步；④对SVMW数据公式化处理得到特征值W，如果W大于WT，确认发生跌倒，触发报警处理。
图8跌倒检测流程
2.3系统主要内容
系统集成了智能手机的传感功能和信号处理技术，它的主要功能是检测意外情况下跌倒，然后与用户的紧急联系人通过电话和SMS信息进行联系。该应用程序还可以获得用户的地理位置，此外它有一个一键紧急救助按钮和紧急警报取消机制，可防止假警报。
当系统检测到一个跌倒，会弹出通知窗口并且有声音警报，用户可以在一个可设置的特定时间范围内取消警报请求。如果没有发生真正的跌倒，用户可以在报警等待时间范围内简单取消请求。如果是一个真正的跌倒，则用户的救助联系人将会立即收到SMS报警信息。
图9为应用程序屏幕截图，主界面有7个主要按钮，“ON/OFF”滑动开关按钮，来控制开始后台跌倒检测服务和停止服务：“紧急联系电话”按钮，可以添加3个紧急救助联系人号码：“紧急联系信息”按钮，用来编辑发送的紧急信息内容：“报警等待时间”按钮，用来设置检测到跌倒发生与发送报警信息之间的等待时间：“一键快速求救”按钮，直接触发跌倒报警事件，当用户发生跌倒而手机未检测到时的手动求救按钮：“设置”按钮用来设置开启GPS服务、设置传感器工作模式以及报警方式、声音选择等：“退出”按钮，则是完全退出应用程序。
图9应用程序屏幕
3实验与结果分析
3.1实验装置及设计
跌倒检测算法测试手机为LGP970，其配置有Android2.3操作系统、德州仪器1GHz的CPU、主屏尺寸4.0英寸。日常生活主要活动动作频率都低于20HZ，设置手机内置加速度传感器和陀螺仪的信号采样频率皆为50HZ，以满足实验的需求。本系统为使实验结果符合人们日常携带手机的方式，选择胸部口袋作为实验过程中手机在人体的佩戴位置。检测算法是对传感器输出数据的信号向量模进行处理，故实验中对手机在口袋中的放置方位没有要求。
实验者为20名青年学生：10男10女，年龄在22-30岁，身高155-185CM，体重40-80KG.出于安全考虑未请老年人参与，实验者模拟老年人日常生活中步行、上下楼梯、慢跑、快速坐下、快速躺下、坐下起立、躺下起立和跌倒等活动动作。实验在不同时间段完成，实验过程中地上放置有厚海绵垫，每个实验者被要求重复实验动作2次，且每个动作要求在10s内完成。实验者的动作描述见表2.
表2实验者的动作描述
3.2结果分析
为评估检测算法的性能，通常定义以下评估方式：跌倒检测中可能出现的4种情况：真阳性（TP）：跌倒发生，设备检测到。假阳性（FP）：设备检测到跌倒，但实际并未发生。真阴性（TN）：正常活动，设备并未检测到跌倒发生。假阴性（FN）：跌倒发生，但设备并未检测到。敏感性体现了算法识别跌倒的能力，测量真实的摔倒被检测到的概率
图10（a）显示了本文系统算法检测结果敏感性的表现，算法能精确地检测到后向跌倒、左侧跌倒和右侧跌倒，前向跌倒假阴性较高是因为向前跌倒时人们下意识弯曲膝盖，两手掌去支地缓冲，所以产生的SVM峰值较小，但这种情况一般损伤不严重，跌倒者大多数保持清醒，如需救助仍可通过应用程序的“一键救助按钮”。靠墙缓慢跌倒过程动作缓慢且比较随意复杂，算法检测结果假阴性较高，然而这种跌倒给跌倒者带来的伤害是有限的。从100例记录中得到算法的敏感性是88%.图10（b）显示了本文算法检测结果特异性的表现，算法可以区分出大多数日常活动，然而快速坐下时带有后仰动作、以较快速度躺下和手机日用有时候会触发假阳性，从180例记录中得到算法特异性为92%.
图10跌倒检测算法性能
4结束语
本文设计了一种基于智能手机的人体跌倒检测系统，利用手机内置加速度传感器和陀螺仪监测人体运动时的加速度和角速度信号，对采集到的信号数据进行处理和分析，提出了基于信号向量模和特征量W相结合的检测算法，同时对该算法的有效性进行了评估。实验结果表明，该系统能够有效区分跌倒与其它日常生活行为动作，且检测结果的假阳性和假阴性较低。本系统方案具有使用简单方便、成本低、使用范围广、实时响应快的优点，此外，系统还能够定位用户跌倒位置及使用报警机制来减少假警报。后续工作中，将会考虑对加速度传感器和陀螺仪信号数据进行数据融合，使算法对人体姿态描述更加准确。
基于人体姿态识别的AI健身系统(浅谈
目录前言一、人体姿态识别的一些入门知识点二、Blazepose算法简介三、AI健身系统的实现前言随着全民健身热潮的兴起,越来越多的人积极参加健身锻炼,但由于缺乏科学的运动指导,使健身难以取得相应的效果。据市场调查显示,没有产品可以自动分析健身运动并提供指导。而近年深度神经网络在人体姿态识别上已经取得了巨大的成功，针对这个现象,本文设计了一个基于OpenCv和MediaPipe中的BlazePose算法的AI健身教练系统。该系统主要内容包括对于单人人体关键点的检测，关键点的连接，以及运动健身关键点的角度变化展示。该AI健身教练系统可以实现从读入图片或者视频文件来处理，显示出该运动健身的关键点的角度变化。
一、人体姿态识别的一些入门知识点什么是人体姿态识别?通过图像或视频，对人体关键点进行检测的过程。人体姿态识别技术的应用前景?1.步态识别安防2.体感游戏3.异常行为检测4.体育训练及分析5.人机交互6.短视频特效AI识别人的五重境界有没有人
人在哪里
这个人是谁
这个人此刻处于什么状态
这个人在当前一段时间里做什么
人体姿态估计问题的难点?确定人体四肢、复杂的自遮挡、自相似部分以及由于服装、体型、照明、以及许多其他因素。由于人体具有相当的柔性，会出现各种姿态和形状，人体任何一个部位的微小变化都会产生一种新的姿态，同时其关键点的可见性受穿着、姿态、视角等影响非常大，而且还面临着遮挡、光照、雾等环境的影响，除此之外，2D人体关键点和3D人体关键点在视觉上会有明显的差异，身体不同部位都会有视觉上缩短的效果（foreshortening）多人姿态估计方法?自上而下(Top-down)首先检测人体，使用前置的目标检测网络标识出画面中的人体的边界框，HRnet()通过多分辨率融合以及保持高分辨率的方法极大的提高了关键点的预测精度。由于Top-down在目标检测阶段就消除了大部分的背景，因此很少有背景噪点或其他人体的关键点，简化了关键点热图估计，但是在人体目标检测阶段会消耗大量的计算成本，并且不是端到端的算法缺点:十分依赖人体姿态检测的结果（假如说有两个人靠的很近，有的时候会只得到一个方框信息，它的最终结果也会少一个人）,算法速度与图片上人的数目成正比，假如说一张图有30个人，它要重复30次单人的人体估计，这样使得这个方法在复杂场景下变得十分缓慢自下而上(Bottom-up)首先预测图像中所有人体关键点位置，然后将关键点连接为不同的人体实例。代表性工作有:DeepCut方法和DeeperCut方法开创性的将关键点关联问题表示为整数线性规划问题，可以有效解决，但是处理时间长达数小时。Openpose方法基本可以做到实时检测，其中的PAF组件用来预测人体不见，链接可能属于同一个人的关键点，PifPaf方法对该方法进一步拓展，提高了连接的准确度。Associativeembeding方法将每个关键点映射一个识别对象所属的"标签"，标签将每个预测的关键点与同一组的其他关键点直接关联，从而得到预测的人体姿态。PersonLab方法采用短距偏移提高关键点预测的精度，再通过贪婪解码和霍夫投票的方法分组，将预测的关键点联合为一个姿态估计实例。Bottom-up普遍比Top-down算法复杂度低，速度更快，而且这是端对端的算法。Top-down的精度相对来说会高一点。二、Blazepose算法简介Demo的灵感起源于谷歌在CVPR2020年发布的一篇论文，Blazepose属于Bottom-up的一种类型，
这个算法的特征就在于整体速度得到了显著的提升，
blaze就是火焰，也就是说这个算法核心点更突出的是它的速率非常的快，而非准确性，相对于传统的openpose，fps是它的好几倍，准确度的差距也不是非常的大，就使得这个算法非常适用于今天的移动设备端的开发
通过fps的比较可以明显看出Blazepose速率上的提升。
(pck@0.2是人体姿态检测的一个经典的指标，表示的是模型预测出来的点的坐标和真实的点坐标的欧氏距离如果小于整个人体躯干距离的百分之二十，判断为是预测对的）
传统的coco数据集竞赛要求的是18个关键点，我们可以看到blazepose可以达到33个关键点，
这个文章的主要贡献点在于:
(1）新型的人体姿态跟踪方案；
(2）轻量化人体姿态估计网络。
1.新型的人体姿态跟踪方法
把传统的人体姿态检测器升级成了人脸检测器，上一帧的图像进行人脸检测器后输出的数据可以作为下一帧图像的输入，这里也就是实现了人体姿态的追踪，只有当上一帧的图像中没有出现人脸时，就会重新进行检测，这会使得整体的速率更高
这个想法起源于达芬奇的《维特鲁威人》的启发图，通过人脸，人两肩的重点，两胯中点练成垂直的线段，以此画外接圆圈出人体的边界框。
2.轻量化人体姿态估计网络
网络模型结合了两种主流技术，
heatmaps(热力图技术和回归编码器(regressionencoder技术，
热力图就是说我输出的是一张灰度图像，大小和原来图像大小一致，但是像素代表着某一个关键点出现的概率，比如说在手肘部的位置，通过热力图可以看到标志着这里是肘部的关键点存在的区域与基于热图（heatmaps）的技术相反，基于回归(regression)的方法虽然对计算的要求较低且可扩展性较高，即使参数数量较少，堆叠式沙漏架构(stackedhourglassarchitecture)也可以大大提高预测的准确性。使用编码器-解码器网络体系结构(encoder-decodernetworkarchitecture)来预测所有关节的热图，随后是另一个直接回归到所有关节坐标的编码器。推理过程中我们可以舍弃热力图输出的图，而是直接获取关键点输出的结果，实线是跳连接(skip-connections，虚线是表示它不会顺着箭头反向传播回去，
真实预测中我们就不需要热力图输出的图，而是直接获取关键点输出的结果，这样就可以达到提升速度的目的
三、AI健身系统的实现
MediaPipe——MediaPipe是一个开源的跨平台框架，用于构建多模型机器学习管道。它可用于实现人脸检测、多手跟踪、头发分割、对象检测和跟踪等前沿模型。
后端主要实现了获取并输出人体姿态33个关键点的数据，因为我做的是一个AI健身系统，就把要锻炼部位的关键点连接，在视觉上可以很明显的看到锻炼部位的弯曲角度，以及旁边的可变化条状图的展示，解决了传统健身模式上健身动作的力量施展不明确的问题
前端部分的GUI是用QtDesigner和pyqt5实现的，这里面的难点就在于这不是普通的视频的暂停播放和恢复播放，这里已经进行了人体姿态的关键点的识别和检测，以及相应的可视化，我们需要的是前后端同步实现暂停和恢复，
首先将视频抽帧，分为一帧一帧的图像。因为目标检测模块与二维人体姿态识别模块以图像作为输入，需要将视频处理为图像。在Mediapipe环境下导入的blazepose网络模型，通过设计人体姿态检测器来获取人体姿态的关键点正如我系统框架设计图所展示的，为了实现前后端同步的暂停和恢复，我用了QTread思想，把视频图像帧中的人体姿态识别和处理，视频的暂停播放和恢复播放也作为线程，通过对线程的休眠启动和中止来完成整个画面的的暂停和恢复播放
视频展示
BlazePose+Pyqt5+OpenCV=>基于人体姿态识别的AI健身系统_哔哩哔哩_bilibili