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。
