sample_hand_gesture_recognition.py

#!/usr/bin/env python
# -*- coding: utf-8 -*-
import os
import copy
import argparse
from typing import List, Any, Dict, Tuple, Union

import cv2
import numpy as np
import mediapipe as mp  # type:ignore
from mediapipe.tasks import python  # type:ignore
from mediapipe.tasks.python import vision  # type:ignore

from utils import CvFpsCalc
from utils.download_file import download_file


def get_args() -> argparse.Namespace:
    parser = argparse.ArgumentParser()

    parser.add_argument("--device", type=int, default=0)
    parser.add_argument("--video", type=str, default=None)
    parser.add_argument("--width", help='cap width', type=int, default=960)
    parser.add_argument("--height", help='cap height', type=int, default=540)
    parser.add_argument('--unuse_mirror', action='store_true')
    parser.add_argument(
        "--model",
        type=int,
        choices=[0],
        default=0,
        help='''
        0:HandGestureClassifier
        ''',
    )

    args = parser.parse_args()

    return args


def main() -> None:
    # 引数解析
    args = get_args()

    cap_device: Union[int, str] = args.device
    cap_width: int = args.width
    cap_height: int = args.height
    unuse_mirror: bool = args.unuse_mirror
    model: int = args.model

    if args.video is not None:
        cap_device = args.video

    model_url: List[str] = [
        'https://storage.googleapis.com/mediapipe-models/gesture_recognizer/gesture_recognizer/float16/latest/gesture_recognizer.task',
    ]

    # ダウンロードファイル名生成
    model_name: str = model_url[model].split('/')[-1]
    quantize_type: str = model_url[model].split('/')[-3]
    split_name: List[str] = model_name.split('.')
    model_name = split_name[0] + '_' + quantize_type + '.' + split_name[1]

    # 重みファイルダウンロード
    model_path: str = os.path.join('model', model_name)
    if not os.path.exists(model_path):
        download_file(url=model_url[model], save_path=model_path)

    # カメラ準備
    cap: cv2.VideoCapture = cv2.VideoCapture(cap_device)
    cap.set(cv2.CAP_PROP_FRAME_WIDTH, cap_width)
    cap.set(cv2.CAP_PROP_FRAME_HEIGHT, cap_height)

    # GestureRecognizer生成
    base_options: python.BaseOptions = python.BaseOptions(
        model_asset_path=model_path)
    options: vision.GestureRecognizerOptions = vision.GestureRecognizerOptions(
        base_options=base_options)
    recognizer: vision.GestureRecognizer = vision.GestureRecognizer.create_from_options(
        options)  # type:ignore

    # FPS計測モジュール
    cvFpsCalc: CvFpsCalc = CvFpsCalc(buffer_len=10)

    while True:
        display_fps: float = cvFpsCalc.get()

        # カメラキャプチャ
        ret: bool
        frame: np.ndarray
        ret, frame = cap.read()
        if not ret:
            break
        if not unuse_mirror:
            frame = cv2.flip(frame, 1)  # ミラー表示

        # 推論実施
        rgb_frame: mp.Image = mp.Image(
            image_format=mp.ImageFormat.SRGBA,
            data=cv2.cvtColor(frame, cv2.COLOR_BGR2RGBA),
        )
        recognition_result: vision.HandLandmarkerResult = recognizer.recognize(
            rgb_frame)

        # 外接矩形計算
        bboxes: List[List[int]] = calc_bounding_rect(frame, recognition_result)

        # 描画
        debug_image: np.ndarray = copy.deepcopy(frame)
        debug_image = draw_debug(
            debug_image,
            recognition_result,
            bboxes,
            display_fps,
        )

        # 画面反映
        cv2.imshow('MediaPipe Hand Gesture Recognition Demo', debug_image)

        # キー処理(ESC：終了)
        key: int = cv2.waitKey(1)
        if key == 27:  # ESC
            break

    cap.release()
    cv2.destroyAllWindows()


def calc_bounding_rect(
        image: np.ndarray,
        recognition_result: vision.HandLandmarkerResult) -> List[List[int]]:
    image_width, image_height = image.shape[1], image.shape[0]

    bboxes: List[List[int]] = []
    for hand_landmarks in recognition_result.hand_landmarks:
        landmark_array: np.ndarray = np.empty((0, 2), int)
        for landmark in hand_landmarks:
            landmark_x: int = min(int(landmark.x * image_width),
                                  image_width - 1)
            landmark_y: int = min(int(landmark.y * image_height),
                                  image_height - 1)

            landmark_point: np.ndarray = np.array((landmark_x, landmark_y))

            landmark_array = np.append(landmark_array, [landmark_point],
                                       axis=0)

        x, y, w, h = cv2.boundingRect(landmark_array)
        bboxes.append([x, y, x + w, y + h])

    return bboxes


def draw_debug(
    image: np.ndarray,
    recognition_result: vision.HandLandmarkerResult,  # type:ignore
    bboxes: List[List[int]],
    display_fps: float,
) -> np.ndarray:
    image_width, image_height = image.shape[1], image.shape[0]

    landmark_draw_info: Dict[
        int,
        Dict[str, Union[str, Tuple[int, int, int]]],
    ] = {
        0: {  # 手首
            'name': 'WRIST',
            'color': (0, 255, 0)  # 緑
        },
        1: {  # 親指の手根中手関節（CM関節）
            'name': 'THUMB_CMC',
            'color': (255, 0, 0)  # 赤
        },
        2: {  # 親指の中手指節関節（MP関節）
            'name': 'THUMB_MCP',
            'color': (0, 0, 255)  # 青
        },
        3: {  # 親指の指節間関節（IP関節）
            'name': 'THUMB_IP',
            'color': (255, 255, 0)  # 黄
        },
        4: {  # 親指の指先
            'name': 'THUMB_TIP',
            'color': (0, 255, 255)  # シアン
        },
        5: {  # 人差し指の中手指節関節（MP関節）
            'name': 'INDEX_FINGER_MCP',
            'color': (255, 0, 255)  # マゼンタ
        },
        6: {  # 人差し指の近位指節間関節（PIP関節）
            'name': 'INDEX_FINGER_PIP',
            'color': (128, 128, 128)  # グレー
        },
        7: {  # 人差し指の遠位指節間関節（DIP関節）
            'name': 'INDEX_FINGER_DIP',
            'color': (255, 128, 0)  # オレンジ
        },
        8: {  # 人差し指の指先
            'name': 'INDEX_FINGER_TIP',
            'color': (128, 0, 255)  # 紫
        },
        9: {  # 中指の中手指節関節（MP関節）
            'name': 'MIDDLE_FINGER_MCP',
            'color': (0, 128, 255)  # ライトブルー
        },
        10: {  # 中指の近位指節間関節（PIP関節）
            'name': 'MIDDLE_FINGER_PIP',
            'color': (128, 255, 0)  # ライム
        },
        11: {  # 中指の遠位指節間関節（DIP関節）
            'name': 'MIDDLE_FINGER_DIP',
            'color': (255, 128, 128)  # ライトレッド
        },
        12: {  # 中指の指先
            'name': 'MIDDLE_FINGER_TIP',
            'color': (128, 128, 0)  # オリーブ
        },
        13: {  # 薬指の中手指節関節（MP関節）
            'name': 'RING_FINGER_MCP',
            'color': (0, 128, 128)  # ティール
        },
        14: {  # 薬指の近位指節間関節（PIP関節）
            'name': 'RING_FINGER_PIP',
            'color': (128, 0, 128)  # マルーン
        },
        15: {  # 薬指の遠位指節間関節（DIP関節）
            'name': 'RING_FINGER_DIP',
            'color': (64, 64, 64)  # ダークグレー
        },
        16: {  # 薬指の指先
            'name': 'RING_FINGER_TIP',
            'color': (192, 192, 192)  # シルバー
        },
        17: {  # 小指の中手指節関節（MP関節）
            'name': 'PINKY_MCP',
            'color': (255, 69, 0)  # レッドオレンジ
        },
        18: {  # 小指の近位指節間関節（PIP関節）
            'name': 'PINKY_PIP',
            'color': (75, 0, 130)  # インディゴ
        },
        19: {  # 小指の遠位指節間関節（DIP関節）
            'name': 'PINKY_DIP',
            'color': (173, 255, 47)  # グリーンイエロー
        },
        20: {  # 小指の指先
            'name': 'PINKY_TIP',
            'color': (220, 20, 60)  # クリムゾン
        }
    }

    line_info_list: List[List[int]] = [
        [0, 1],  # 手首から親指の手根中手関節（CM関節）
        [1, 2],  # 親指の手根中手関節（CM関節）から親指の中手指節関節（MP関節）
        [2, 3],  # 親指の中手指節関節（MP関節）から親指の指節間関節（IP関節）
        [3, 4],  # 親指の指節間関節（IP関節）から親指の指先
        [0, 5],  # 手首から人差し指の中手指節関節（MP関節）
        [5, 6],  # 人差し指の中手指節関節（MP関節）から人差し指の近位指節間関節（PIP関節）
        [6, 7],  # 人差し指の近位指節間関節（PIP関節）から人差し指の遠位指節間関節（DIP関節）
        [7, 8],  # 人差し指の遠位指節間関節（DIP関節）から人差し指の指先
        [0, 9],  # 手首から中指の中手指節関節（MP関節）
        [9, 10],  # 中指の中手指節関節（MP関節）から中指の近位指節間関節（PIP関節）
        [10, 11],  # 中指の近位指節間関節（PIP関節）から中指の遠位指節間関節（DIP関節）
        [11, 12],  # 中指の遠位指節間関節（DIP関節）から中指の指先
        [0, 13],  # 手首から薬指の中手指節関節（MP関節）
        [13, 14],  # 薬指の中手指節関節（MP関節）から薬指の近位指節間関節（PIP関節）
        [14, 15],  # 薬指の近位指節間関節（PIP関節）から薬指の遠位指節間関節（DIP関節）
        [15, 16],  # 薬指の遠位指節間関節（DIP関節）から薬指の指先
        [0, 17],  # 手首から小指の中手指節関節（MP関節）
        [17, 18],  # 小指の中手指節関節（MP関節）から小指の近位指節間関節（PIP関節）
        [18, 19],  # 小指の近位指節間関節（PIP関節）から小指の遠位指節間関節（DIP関節）
        [19, 20]  # 小指の遠位指節間関節（DIP関節）から小指の指先
    ]

    for handedness, hand_landmarks, _, gestures, bbox in zip(
            recognition_result.handedness,
            recognition_result.hand_landmarks,
            recognition_result.hand_world_landmarks,
            recognition_result.gestures,
            bboxes,
    ):
        # 各ランドマーク情報整理
        landmark_dict: Dict[int, List[Union[int, float]]] = {}
        for index, landmark in enumerate(hand_landmarks):
            if landmark.visibility < 0 or landmark.presence < 0:
                continue
            landmark_x: int = min(int(landmark.x * image_width),
                                  image_width - 1)
            landmark_y: int = min(int(landmark.y * image_height),
                                  image_height - 1)
            landmark_dict[index] = [landmark_x, landmark_y, landmark.z]

        # 接続線描画
        for line_info in line_info_list:
            cv2.line(image, tuple(landmark_dict[line_info[0]][:2]),
                     tuple(landmark_dict[line_info[1]][:2]), (220, 220, 220),
                     3, cv2.LINE_AA)  # type:ignore

        # 各ランドマーク描画
        for index, landmark in landmark_dict.items():
            cv2.circle(image, (landmark[0], landmark[1]), 5,
                       landmark_draw_info[index]['color'], -1,
                       cv2.LINE_AA)  # type:ignore

        # 外接矩形描画
        cv2.rectangle(image, (bbox[0], bbox[1]), (bbox[2], bbox[3]),
                      (0, 255, 0), 2)
        # 左右描画
        gesture_text = handedness[0].display_name
        gesture_text += ': ' + gestures[0].category_name
        gesture_text += '(' + str(round(gestures[0].score, 2)) + ')'
        cv2.putText(image, gesture_text, (bbox[0], bbox[1] - 10),
                    cv2.FONT_HERSHEY_SIMPLEX, 0.8, (0, 255, 0), 2, cv2.LINE_AA)

    # FPS
    cv2.putText(
        image,
        "FPS:" + str(display_fps),
        (10, 30),
        cv2.FONT_HERSHEY_SIMPLEX,
        1.0,
        (0, 255, 0),
        2,
        cv2.LINE_AA,
    )

    return image


if __name__ == '__main__':
    main()