姿势检测（PoseDetector）使用指导：识别人体关键点、判断举手

• 它能做什么
• 准备工作
• 案例一：识别关键点
• 案例二：按名称取点，判断左右手是否举起
• 案例三：打开摄像头实时检测，举手立刻有反应
• 案例四：给画面里的人戴礼帽（复刻 MIT TophatMe）
• 结果数据说明
• 常见问题
• 完整 .aia 源码与操作指导

« 返回

机器学习套件(ML Kit)组件在在线版和教育版中提供，离线版（含机房版）不包含。

它能做什么

姿势检测从一张照片里找出一个人的身体关键点：鼻子、眼、耳、肩、肘、腕、髋、膝、踝等共 33 个，每个点给出原图像素坐标 x、y 和「这个点确实在画面里」的可信度。常用于健身动作计数、体感游戏、举手检测。

准备工作

• 只识别一个人：画面里有多人时只取最显著的一个。
• 精确模式：打开后换用精确模型，关键点更准但更慢；实时检测建议用默认的基础模型。
• 实时检测：在设计器里放一个垂直布局当「预览容器」，「打开实时摄像头」后画面上直接画出骨架。
• 联机调试：安卓上用 AI 伴侣调试需要安装 MLKit 版 AI 伴侣（应用宝，包名 cn.fun123.appinventor）；普通版伴侣不含识别引擎，调用时会触发「屏幕.出现错误时」（错误码 4722）。直接打包 APK 安装测试不受影响。
• 安装包体积：只有用到本组件的 App 才会打包它的识别引擎与模型，体积以编译结果为准。
• 鸿蒙：部分支持：鸿蒙系统给出 17 个主要关键点，编号与名称沿用这里的 33 点体系，眼角、嘴角、手指、脚跟等点不出现在结果里；「精确模式」不切换模型；实时摄像头检测暂不支持，「打开实时摄像头」会触发「检测失败时」。

案例一：识别关键点

检测成功事件给出关键点数，数为 0 表示没找到人：

procedure 检测(路径) {
  图像_预览.Picture = 路径
  姿势检测1.DetectFromFile(路径)
}
when 图像选择器_相册.AfterPicking() { 检测(图像选择器_相册.Selection) }
when 照相机1.AfterPicture(图像位址) { 检测(图像位址) }
when 姿势检测1.DetectionSuccess(结果JSON, 关键点数) {
  标签_状态.Text = choose(关键点数 > 0, join("识别到 ", 关键点数, " 个关键点"), "没有找到人")
}

案例二：按名称取点，判断左右手是否举起

写一个函数按名称找点，再比较手腕和肩膀的 y：y 越小越靠上，手腕在肩膀上方就算举起：

function 取点(点表, 名称) {
  var 结果 = makedict()
  foreach 点 in 点表 {
    if dictget(点, "name", "") == 名称 {
      结果 = 点
    }
  }
  return 结果
}
when 姿势检测1.DetectionSuccess(结果JSON, 关键点数) {
  var 点表 = dictget(Web客户端1.JsonTextDecodeWithDictionaries(结果JSON), "landmarks", list())
  var 左腕 = 取点(点表, "LEFT_WRIST")
  var 左肩 = 取点(点表, "LEFT_SHOULDER")
  标签_结果.Text = join("左手：", choose(dictget(左腕, "y", 99999) < dictget(左肩, "y", 0), "举起", "放下"))
}

案例三：打开摄像头实时检测，举手立刻有反应

点「实时检测」时把垂直布局设为「预览容器」再「打开实时摄像头」，画面上直接画出骨架（关键点与连线）。「实时检测到姿势」的结果格式与「检测成功」相同，所以可以复用案例二的「取点」函数，把举手判断抽成过程两处共用：

procedure 显示举手(点表) {
  var 左腕 = 取点(点表, "LEFT_WRIST")
  var 右腕 = 取点(点表, "RIGHT_WRIST")
  var 左肩 = 取点(点表, "LEFT_SHOULDER")
  var 右肩 = 取点(点表, "RIGHT_SHOULDER")
  标签_结果.Text = join("左手：", choose(dictget(左腕, "y", 99999) < dictget(左肩, "y", 0), "举起", "放下"), "　右手：", choose(dictget(右腕, "y", 99999) < dictget(右肩, "y", 0), "举起", "放下"))
}
when 按钮_实时.Click() {
  姿势检测1.PreviewContainer = 垂直布局_预览
  姿势检测1.StartLiveCamera()
}
when 按钮_停止.Click() { 姿势检测1.StopLiveCamera() }
when 姿势检测1.LivePose(关键点数, 图片宽度, 图片高度, 结果JSON) {
  if 关键点数 == 0 {
    标签_状态.Text = "实时：画面里没有人"
  } else {
    显示举手(dictget(Web客户端1.JsonTextDecodeWithDictionaries(结果JSON), "landmarks", list()))
  }
}

案例四：给画面里的人戴礼帽（复刻 MIT TophatMe）

姿势检测也能贴图：锚点用关键点名，头部的点按两耳距离缩放、按两眼连线旋转。礼帽贴在 NOSE 上方 1.1 个两耳距离处，人走到哪帽子跟到哪；不用画布、不用自己换算坐标：

when 按钮_帽子.Click() { 姿势检测1.AddSticker("礼帽", "tophat.png", "NOSE", 1.6, 0, -1.1) }
when 按钮_摘下.Click() { 姿势检测1.RemoveSticker("礼帽") }
when 按钮_保存.Click() { 姿势检测1.CaptureLiveFrame() }
when 姿势检测1.LiveFrameCaptured(图片地址) {
  图像_照片.Picture = 图片地址
}

结果数据说明

结果JSON：{"landmarks":[{"type":11,"name":"LEFT_SHOULDER","x":312.5,"y":420.1,"z":-35.2,"inFrameLikelihood":0.99}, …]}。常用名称：NOSE 鼻子、LEFT_SHOULDER/RIGHT_SHOULDER 肩、LEFT_WRIST/RIGHT_WRIST 腕、LEFT_HIP/RIGHT_HIP 髋、LEFT_KNEE/RIGHT_KNEE 膝、LEFT_ANKLE/RIGHT_ANKLE 踝。深蹲计数可以比较髋和膝的 y。

常见问题

完整 .aia 源码与操作指导

下载 .aia 源码

导入 PoseDetectorDemo.aia 后可以直接打包 APK 运行；用 AI 伴侣联机调试请安装 MLKit 版 AI 伴侣。源码文件已通过正式编辑器载入、后台导入和 APK 编译校验；真机识别效果请以实际设备为准。

案例界面与积木源码在仓库 docs/markdown/reference/components/guide/examples/PoseDetectorDemo/，SHA-256：b0add47a201811ad899e663562efaf8ef9c7f914fce1032a98dba3c4a151a244。