Управление громкостью звука жестами на Python

В данной статье хочу рассказать про один проект из курса по OpenCV Python. Посмотреть полный код можно на Github.

Идея заключается в том, чтобы менять громкость звука на компьютере при помощи жестов. Громкость будет регулироваться расстоянием между указательным и большим пальцами, а сигналом для подтверждения будет согнутый мизинец.

Первым делом установим все необходимые библиотеки:

pip install mediapipe pip install opencv-python pip install numpy pip install pycaw

Создадим файл и назовем его `HandTrackingModule.py`.

import cv2 import mediapipe as mp import time import math  class handDetector(): def __init__(self, mode=False, maxHands=2, modelComplexity=1, detectionCon=0.5, trackCon=0.5): self.mode = mode self.maxHands = maxHands self.modelComplexity = modelComplexity self.detectionCon = detectionCon self.trackCon = trackCon  self.mpHands = mp.solutions.hands self.hands = self.mpHands.Hands(self.mode, self.maxHands, self.modelComplexity, self.detectionCon, self.trackCon) self.mpDraw = mp.solutions.drawing_utils self.tipIds = [4, 8, 12, 16, 20]   def findHands(self, img, draw: True): imgRGB = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) self.results = self.hands.process(imgRGB)  if self.results.multi_hand_landmarks: for handLms in self.results.multi_hand_landmarks: if draw: self.mpDraw.draw_landmarks(img, handLms, self.mpHands.HAND_CONNECTIONS) return img  def findPosition(self, img, handNo=0, draw=True): xList = [] yList = [] bbox = [] self.lmList = [] if self.results.multi_hand_landmarks: myHand = self.results.multi_hand_landmarks[handNo] for id, lm in enumerate(myHand.landmark): #print(id, lm) h, w, c = img.shape cx, cy = int(lm.x*w), int(lm.y*h) xList.append(cx) yList.append(cy) self.lmList.append([id, cx, cy]) if draw: cv2.circle(img, (cx, cy), 5, (255,0,255), cv2.FILLED) xmin, xmax = min(xList), max(xList) ymin, ymax = min(yList), max(yList) bbox = xmin, ymin, xmax, ymax  if draw: cv2.rectangle(img, (bbox[0]-20, bbox[1]-20), (bbox[2]+20, bbox[3]+20), (0, 255, 0), 2) return self.lmList, bbox  def findDistance(self, p1, p2, img, draw=True): x1, y1 = self.lmList[p1][1], self.lmList[p1][2] x2, y2 = self.lmList[p2][1], self.lmList[p2][2] cx, cy = (x1+x2)//2, (y1+y2)//2  if draw: cv2.circle(img, (x1,y1), 15, (255,0,255), cv2.FILLED) cv2.circle(img, (x2,y2), 15, (255,0,255), cv2.FILLED) cv2.line(img, (x1,y1), (x2,y2), (255,0,255), 3) cv2.circle(img, (cx,cy), 15, (255,0,255), cv2.FILLED)  length = math.hypot(x2-x1, y2-y1) return length, img, [x1, y1, x2, y2, cx, cy]  def fingersUp(self): fingers = []  # Thumb if self.lmList[self.tipIds[0]][1] < self.lmList[self.tipIds[0]-1][1]: fingers.append(1) else: fingers.append(0)  # 4 Fingers for id in range(1,5): if self.lmList[self.tipIds[id]][2] < self.lmList[self.tipIds[id]-2][2]: fingers.append(1) else: fingers.append(0) return fingers 

Если внимательно изучить класс, описанный выше, то ничего сложного там нет. Данный класс может быть использован и в других ваших проектах, как шаблонный.

Теперь приступим к самому коду программы.

Импортируем библиотеки:

import cv2 import time import numpy as np import HandTrackingModule as htm import math from ctypes import cast, POINTER from comtypes import CLSCTX_ALL from pycaw.pycaw import AudioUtilities, IAudioEndpointVolume

Настраиваем камеру:

wCam, hCam = 1280, 720 # размер окна  cap = cv2.VideoCapture(0) cap.set(3, wCam) cap.set(4, hCam) pTime = 0

При подключении камеры могут возникнуть ошибки, поменяйте 0 из `cap = cv2.VideoCapture(0)` на 1 или 2.

Определим глобальные переменные:

detector = htm.handDetector(detectionCon=0.7, maxHands=1)  devices = AudioUtilities.GetSpeakers() interface = devices.Activate(IAudioEndpointVolume._iid_, CLSCTX_ALL, None) volume = cast(interface, POINTER(IAudioEndpointVolume)) volRange = volume.GetVolumeRange() volume.SetMasterVolumeLevel(0, None) minVol = volRange[0] maxVol = volRange[1] vol = 0 volBar = 400 volPer = 0 area = 0 colorVol = (255, 0, 0)

Запускаем бесконечный цикл и пробуем получить изображение с камеры.

_, img = cap.read()

Найдем нашу руку в кадре и выделим ее:

img = detector.findHands(img) lmList, bbox = detector.findPosition(img, draw=True)

Для тех, кому не нужно выделять руку, поменяйте значение draw=True на False.

Если список lmList не пустой, то можем вычислять расстояние между указательным и большим пальцами. Для этого в описанном выше классе handDetector реализован метод findDistance.

length, img, lineInfo = detector.findDistance(4, 8, img)

Если оставим так, то смена громкости звука будет работать некорректно, поэтому нужно конвертировать полученные параметры:

# Convert Volume volBar = np.interp(length, [50,200], [400, 150]) volPer = np.interp(length, [50,200], [0, 100])

Последним этапом нужно определить согнут ли мизинец, чтобы подтвердить смену громкости звука.

Получаем положение всех пальцев следующим образом:

fingers = detector.fingersUp()

Если мизинец согнут, то меняем громкость:

if not fingers[4]: volume.SetMasterVolumeLevelScalar(volPer/100, None)

И долгожданный результат:

Полный код можно найти на моем Github. Это моя первая статья и один из первых проектов на OpenCV, поэтому не судите строго =)