用 AI 记录每一次深蹲：健身姿态识别入门

训练里最难的从来不是坚持一次，而是每一次都做对。一个人练深蹲，最缺的其实是一双能在旁边提醒你的眼睛。于是我想：能不能让一颗普通的摄像头，成为那双眼睛。

这篇文章记录我做 AI 智能健身助手时，姿态识别部分从零到可用的思路。它不追求炫技，只想把「动作对不对」这件模糊的事，变成可被看见、可被纠正的小步骤——像劈竹一样，第一节最难，之后顺势而下。

为什么是姿态识别

传统的计次 App 只知道你「动了」，却不知道你「动得对不对」。而大多数运动损伤，恰恰来自那些没被察觉的细节：膝盖内扣、腰椎代偿、幅度不够。

姿态识别的价值在于，它能把身体的关键点实时抽取出来，让「发力是否到位」这种主观感受，第一次拥有了客观的度量。

能被测量的东西，才能被温柔地改进。

整体流程

从一帧画面到一句提示，中间只需要四步。用一张图就能说清：

flowchart LR
  A[摄像头帧] --> B[关键点检测]
  B --> C[关节角度计算]
  C --> D{是否达标}
  D -->|是| E[记录一次有效动作]
  D -->|否| F[实时纠正提示]

整个链路刻意保持轻量：检测在本地完成，不上传任何画面，既快又让人安心。

计算关节角度

判断深蹲是否到位，核心是膝关节的角度。给定髋、膝、踝三个关键点，我们用向量夹角求出膝盖弯曲的程度：

$$\theta = \arccos\left( \frac{(\vec{a} \cdot \vec{b})}{\lVert \vec{a} \rVert \, \lVert \vec{b} \rVert} \right)$$

其中 $\vec{a}$ 是膝到髋的向量，$\vec{b}$ 是膝到踝的向量。当 $\theta$ 小于设定阈值时，说明蹲得足够深。

落到代码里，它其实很短：

import numpy as np

def joint_angle(hip, knee, ankle):
    """返回膝关节角度（度）。三个点均为 (x, y)。"""
    a = np.array(hip) - np.array(knee)
    b = np.array(ankle) - np.array(knee)
    cos = np.dot(a, b) / (np.linalg.norm(a) * np.linalg.norm(b) + 1e-8)
    return np.degrees(np.arccos(np.clip(cos, -1.0, 1.0)))

def is_valid_squat(angle, threshold=95.0):
    # 角度越小，蹲得越深；小于阈值视为一次有效深蹲
    return angle <= threshold

1e-8 是为了避免除零；np.clip 则确保浮点误差不会让 arccos 收到超出 [-1, 1] 的输入。这些小心思，往往是稳定运行的关键。

阈值不是拍脑袋定的

不同身高、不同柔韧度的人，「标准深蹲」的角度并不一样。我采集了一小批样本，观察有效与无效动作的角度分布：

动作质量	平均膝角	建议阈值	提示语气
过浅	118°	> 100°	「再往下一点」
达标	88°	85°–95°	「很好，保持」
过深	62°	< 70°	「注意膝盖压力」

于是阈值从固定值，变成了一个会根据个人历史微调的区间。这一步之后，误报明显少了。

一些还没解决的事

• 侧面遮挡时，踝关节的关键点会抖动，需要做时序平滑；
• 光线很暗时检测置信度下降，得给用户一个诚实的「暂时看不清」状态；
• 计划把「一组动作」的节奏也纳入评估，而不只是单次。

这些留待下一篇慢慢写。做产品和练身体一样，忍耐便是必修课——先把一节竹子劈开，剩下的自然会顺。

如果你也在做类似的事，欢迎在评论里聊聊你的思路。