WinUI（WASDK）使用MediaPipe检查手部关键点并通过ML.NET进行手势分类

前言

之所以会搞这个手势识别分类，其实是为了满足之前群友提的需求，就是针对稚晖君的ElectronBot机器人的上位机软件的功能丰富，因为本来擅长的技术栈都是.NET,也刚好试试全能的.NET是不是真的全能就想着做下试试了，MediaPipe作为谷歌开源的机器视觉库，功能很丰富了，而且也支持c++，翻遍社区果然找到了一个基于MediaPipe包装的C#版本,叫MediaPipe.NET,于是就开始整活了。

所用框架介绍

1. WASDK

这个框架是微软最新的UI框架，我主要是用来开发程序的主体，做一些交互和功能的承载，本质上和wpf，uwp这类程序没什么太大的区别，区别就是一些工具链的不同。

2. MediaPipe

MediaPipe offers open source cross-platform, customizable ML solutions for live and streaming media.

我主要使用MediaPipe进行手部的检测和手部关键点坐标的提取，因为MediaPipe只能达到这种程度，对于手势的分类什么的需要我们自己处理计算数据，但是这样也有好处，就是我们可以做出自己想要的手势。

3. ML.NET

开放源代码的跨平台机器学习框架

既然是个机器学习框架，那我们肯定可以通过框架提供的功能进行一些数据的处理学习。

ML.NET包含的一些功能如下：

分类/类别划分自动将客户反馈分为积极和消极两类
回归/预测连续值根据面积和地段预测房价
异常检测检测欺诈性的银行交易
建议根据网购者以前的购买情况，推荐他们可能想购买的产品
时序/顺序数据预测天气/产品销售额
图像分类对医学影像中的病状进行分类
文本分类根据文档内容对文档进行分类
句子相似性测量两个句子的相似程度

我在使用MediaPipe进行手部关键点检测之后，就获取了手部关键点的坐标数据，可以通过坐标数据整理成表格保存下来，然后通过ML.NET进行数据分析，主要使用文本分类功能。

整体的思路，MediaPipe检测是是手部关键点的坐标，即我们的手部保持一个动作的话，坐标点之间的相对关系肯定差别不大，当我们的某个手势的数据量足够的多，那我们就可以通过ML.NET得到一个手势的数据规则，当我们通过数据进行分类的时候就能够匹配到最接近的手势了。

目标我通过ML.NET训练的手势如下图：

手势的数据也上传到仓库了，大家可以进行查看详细的在代码讲解的地方进行介绍。

主要得到启发的项目是下面的仓库，大家可以自行学习。

DJI Tello Hand Gesture control

代码讲解（干货篇）

1. 项目介绍

项目地址

项目结构如下图：

注意由于MSIX打包的WASDK的路径访问为虚拟文件系统所以我们需要在项目里加入VFS目录，将引用的mediapipe的模块和dll放进去，不然会导致代码无法使用。

详情见如下文档：

打包的 VFS 位置

软件处理过程如下：

WinUI（WASDK）项目调用摄像头

=>OpencvSharp处理帧数据

=>转换成ImageFrame

=>MediaPipe处理返回手部关键点数据

=>ML.NET项目分析关键点手势分类

=>返回手势标签

=>软件进行业务处理

由于WASDK的摄像头帧处理事件有点问题，所以我只能先用本地图片做演示了。

2.核心代码讲解

初始化的代码如下图：

核心代码如下：

 private async void CameraHelper_FrameArrived(object sender, CommunityToolkit.WinUI.Helpers.FrameEventArgs e)

    {

        try

        {

            // Gets the current video frame

            VideoFrame currentVideoFrame = e.VideoFrame;

            // Gets the software bitmap image

            SoftwareBitmap softwareBitmap = currentVideoFrame.SoftwareBitmap;

            if (softwareBitmap != null)

            {

                //if (softwareBitmap.BitmapPixelFormat != BitmapPixelFormat.Bgra8 ||

                // softwareBitmap.BitmapAlphaMode == BitmapAlphaMode.Straight)

                //{

                //    softwareBitmap = SoftwareBitmap.Convert(

                //        softwareBitmap, BitmapPixelFormat.Bgra8, BitmapAlphaMode.Premultiplied);

                //}

                //using IRandomAccessStream stream = new InMemoryRandomAccessStream();

                //var encoder = await BitmapEncoder.CreateAsync(BitmapEncoder.PngEncoderId, stream);

                //// Set the software bitmap

                //encoder.SetSoftwareBitmap(softwareBitmap);

                //await encoder.FlushAsync();

                //var image = new Bitmap(stream.AsStream());

                //var matData = OpenCvSharp.Extensions.BitmapConverter.ToMat(image);

                var matData = new OpenCvSharp.Mat(Package.Current.InstalledLocation.Path + $"\\Assets\\hand.png");

                var mat2 = matData.CvtColor(OpenCvSharp.ColorConversionCodes.BGR2RGB);

                var dataMeta = mat2.Data;

                var length = mat2.Width * mat2.Height * mat2.Channels();

                var data = new byte[length];

                Marshal.Copy(dataMeta, data, 0, length);

                var widthStep = (int)mat2.Step();

                var imgframe = new ImageFrame(ImageFormat.Types.Format.Srgb, mat2.Width, mat2.Height, widthStep, data);

                var handsOutput = calculator.Compute(imgframe);

                Bitmap bitmap = BitmapConverter.ToBitmap(matData);

                var ret = await BitmapToBitmapImage(bitmap);

                if (ret.BitmapPixelFormat != BitmapPixelFormat.Bgra8 ||

                        ret.BitmapAlphaMode == BitmapAlphaMode.Straight)

                {

                    ret = SoftwareBitmap.Convert(ret, BitmapPixelFormat.Bgra8, BitmapAlphaMode.Premultiplied);

                }

                if (handsOutput.MultiHandLandmarks != null)

                {

                    var landmarks = handsOutput.MultiHandLandmarks[0].Landmark;

                    Debug.WriteLine($"Got hands output with {landmarks.Count} landmarks" + $" at frame {frameCount}");

                    var result = HandDataFormatHelper.PredictResult(landmarks.ToList(), modelPath);

                    this.DispatcherQueue.TryEnqueue(async() =>

                    {

                        var source = new SoftwareBitmapSource();

                        await source.SetBitmapAsync(ret);

                        HandResult.Text = result;

                        VideoFrame.Source = source;

                    });

                }

                else

                {

                    Debug.WriteLine("No hand landmarks");

                }

            }

        }

        catch (Exception ex)

        {

        }

        frameCount++;

    }

主要注意的点是图片格式的转换，opencv加载出来的格式转换成RGB的时候要看下是BGR2RGB还是BGRA2RGBA。

如果不确定的话，可以使用源码里采用FFmpeg封装的demo代码进行使用，那个包含了摄像头帧读取，和数据转换。

核心代码如下：

   private static async void onFrameEventHandler(object? sender, FrameEventArgs e)

        {

            if (calculator == null)

                return;

            Frame frame = e.Frame;

            if (frame.Width == 0 || frame.Height == 0)

                return;

            converter ??= new FrameConverter(frame, PixelFormat.Rgba);

            Frame cFrame = converter.Convert(frame);

            ImageFrame imgframe = new ImageFrame(ImageFormat.Types.Format.Srgba,

                cFrame.Width, cFrame.Height, cFrame.WidthStep, cFrame.RawData);

            HandsOutput handsOutput = calculator.Compute(imgframe);

            if (handsOutput.MultiHandLandmarks != null)

            {

                var landmarks = handsOutput.MultiHandLandmarks[0].Landmark;

                Console.WriteLine($"Got hands output with {landmarks.Count} landmarks"

                    + $" at frame {frameCount}");

                //await HandDataFormatHelper.SaveDataToTextAsync(landmarks.ToList());

                HandDataFormatHelper.PredictResult(landmarks.ToList());

                //Console.WriteLine(System.Text.Json.JsonSerializer.Serialize(landmarks));

            }

            else

            {

                Console.WriteLine("No hand landmarks");

            }

            frameCount++;

        }

特别感谢的项目就是这个MediaPipe.NET了，没有它就没有我的这篇文章，更没有我的项目了。

个人感悟

又到了个人感悟环节，在最近测试的环节里，发现WASDK还是要有很长一段路要走，开发体验和UWP差太大了，但是好处是它比UWP的自由度高了很多，也可以使用.NET的新特性，和一些轮子，就很舒服。

再者随着.NET社区越来越好，很多好用的轮子就会越来越多了，社区大家记得多多贡献了。

参考推荐文档如下

hand-gesture-recognition-using-mediapipe

Control DJI Tello drone with Hand gestures