MediaPipeによる人物検出（ソースコードと実行結果）

REM Python をシステム領域にインストール
winget install --scope machine --id Python.Python.3.12 -e --silent
REM Python のパス設定
set "PYTHON_PATH=C:\Program Files\Python312"
set "PYTHON_SCRIPTS_PATH=C:\Program Files\Python312\Scripts"
echo "%PATH%" | find /i "%PYTHON_PATH%" >nul
if errorlevel 1 setx PATH "%PATH%;%PYTHON_PATH%" /M >nul
echo "%PATH%" | find /i "%PYTHON_SCRIPTS_PATH%" >nul
if errorlevel 1 setx PATH "%PATH%;%PYTHON_SCRIPTS_PATH%" /M >nul

winget install --scope machine Codeium.Windsurf -e --silent

# プログラム名: MediaPipe人物検出プログラム
# 特徴技術名: MediaPipe
# 出典: MediaPipe Tasks - Google
# 特徴機能: MediaPipe Tasks Object Detectorによる2Dオブジェクト検出。リアルタイムで動作するオブジェクト検出で人物検出に特化
# 学習済みモデル: EfficientDet-Lite0事前学習済みモデル（COCO 80クラスからPersonクラスのみ抽出）
# 方式設計:
#   - 関連利用技術:
#     - MediaPipe: Googleが開発したマルチプラットフォーム機械学習ソリューション
#     - OpenCV: 画像処理、カメラ制御、描画処理、動画入出力管理
#   - 入力と出力: 入力: 動画（ユーザは「0:動画ファイル，1:カメラ，2:サンプル動画」のメニューで選択．0:動画ファイルの場合はtkinterでファイル選択．1の場合はOpenCVでカメラが開く．2の場合はhttps://raw.githubusercontent.com/opencv/opencv/master/samples/data/vtest.aviを使用）、出力: OpenCV画面でリアルタイム表示（検出した人物をバウンディングボックスで表示）、各フレームごとにprint()による処理結果表示、プログラム終了時にresult.txtファイルに保存
#   - 処理手順: 1.フレーム取得、2.MediaPipe推論実行、3.Personクラスのフィルタリング、4.信頼度閾値による選別、5.バウンディングボックス描画
#   - 前処理、後処理: 前処理：MediaPipe内部で自動実行。後処理：信頼度による閾値フィルタリングのみ実施
#   - 追加処理: 検出結果の信頼度降順ソートにより重要な検出を優先表示
#   - 調整を必要とする設定値: CONF_THRESH（人物検出信頼度閾値、デフォルト0.5）- 値を上げると誤検出が減少するが検出漏れが増加
# 将来方策: CONF_THRESHの動的調整機能。フレーム毎の検出数を監視し、検出数が閾値を超えた場合は信頼度を上げ、検出数が少ない場合は下げる適応的制御の実装
# その他の重要事項: Windows環境専用設計、初回実行時は学習済みモデルの自動ダウンロード
# 前準備:
#   - pip install mediapipe opencv-python numpy pillow

import cv2
import tkinter as tk
from tkinter import filedialog
import os
import numpy as np
import warnings
import time
import urllib.request
from PIL import Image, ImageDraw, ImageFont
import mediapipe as mp
from datetime import datetime

warnings.filterwarnings('ignore')

# ===== 設定・定数管理 =====
# MediaPipe設定
BaseOptions = mp.tasks.BaseOptions
ObjectDetector = mp.tasks.vision.ObjectDetector
ObjectDetectorOptions = mp.tasks.vision.ObjectDetectorOptions
VisionRunningMode = mp.tasks.vision.RunningMode

# モデル選択（0, 2, ssdから選択可能）
MODEL_SIZE = '0'  # 使用するモデルサイズ（0=EfficientDet-Lite0, 2=EfficientDet-Lite2, ssd=SSD MobileNetV2）

# モデル情報
MODEL_INFO = {
    '0': {
        'name': 'EfficientDet-Lite0',
        'desc': 'バランス型（推奨）',
        'url': 'https://storage.googleapis.com/mediapipe-models/object_detector/efficientdet_lite0/int8/1/efficientdet_lite0.tflite',
        'file': 'efficientdet_lite0.tflite'
    },
    '2': {
        'name': 'EfficientDet-Lite2',
        'desc': '高精度',
        'url': 'https://storage.googleapis.com/mediapipe-models/object_detector/efficientdet_lite2/int8/1/efficientdet_lite2.tflite',
        'file': 'efficientdet_lite2.tflite'
    },
    'ssd': {
        'name': 'SSD MobileNetV2',
        'desc': '最軽量',
        'url': 'https://storage.googleapis.com/mediapipe-models/object_detector/ssd_mobilenet_v2/float32/1/ssd_mobilenet_v2.tflite',
        'file': 'ssd_mobilenet_v2.tflite'
    }
}

MODEL_URL = MODEL_INFO[MODEL_SIZE]['url']
MODEL_PATH = MODEL_INFO[MODEL_SIZE]['file']

# 検出パラメータ（調整可能）
CONF_THRESH = 0.5  # 人物検出信頼度閾値（0.0-1.0）
PERSON_CLASS_NAME = 'person'  # COCOデータセットのクラス名

# 人物の表示色（BGR形式）
PERSON_COLOR = (0, 255, 0)  # 緑（バウンディングボックス用）

# フォント設定（Windows環境）
FONT_PATH = 'C:/Windows/Fonts/meiryo.ttc'
FONT_SIZE = 30

# プログラム概要表示（ガイダンス）
print('=== MediaPipe人物検出プログラム ===')
print('概要: リアルタイムで人物を検出し、バウンディングボックスで表示します')
print('機能: MediaPipeによる人物検出（COCOデータセットのPersonクラス）')
print('操作: qキーで終了')
print('注意: Windows環境向け。初回はモデルを自動ダウンロードするためインターネット接続が必要')
print('出力: 各フレームごとに処理結果をprint表示、終了時にresult.txtへ保存')
print()

# システム初期化
print('システム初期化中...')

# モデルダウンロード
if not os.path.exists(MODEL_PATH):
    print(f'{MODEL_INFO[MODEL_SIZE]["name"]}モデルをダウンロード中...')
    urllib.request.urlretrieve(MODEL_URL, MODEL_PATH)
    print('モデルのダウンロードが完了しました')

# MediaPipeモデル初期化
print(f'MediaPipe Object Detector {MODEL_INFO[MODEL_SIZE]["name"]}モデルを初期化中...')
options = ObjectDetectorOptions(
    base_options=BaseOptions(model_asset_path=MODEL_PATH),
    running_mode=VisionRunningMode.VIDEO,
    score_threshold=CONF_THRESH,
    max_results=100  # 全件取得に近い十分大きな値
)
detector = ObjectDetector.create_from_options(options)
print(f'MediaPipe Object Detector {MODEL_INFO[MODEL_SIZE]["name"]}モデルの初期化が完了しました')
print(f'モデル: {MODEL_INFO[MODEL_SIZE]["name"]} ({MODEL_INFO[MODEL_SIZE]["desc"]})')
print('初期化完了')
print()

# グローバル変数
frame_count = 0
results_log = []

def video_frame_processing(frame):
    """
    フレーム処理メイン関数。
    - 入力: OpenCV取得のBGRフレーム（numpy.ndarray）
    - 処理: BGR→RGB変換後にMediaPipeで人物検出。personクラスを抽出し、最大confidenceを用いた存在判定を行う
    - 出力: 描画済みのBGRフレーム（numpy.ndarray）、処理結果文字列、現在時刻
    """
    global frame_count
    current_time = time.time()
    frame_count += 1

    h, w = frame.shape[:2]

    # MediaPipeで検出実行（RGB前提）
    rgb_frame = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)
    mp_image = mp.Image(image_format=mp.ImageFormat.SRGB, data=rgb_frame)

    # タイムスタンプを実際の経過時間から計算（ミリ秒）
    timestamp_ms = int(current_time * 1000)
    detection_result = detector.detect_for_video(mp_image, timestamp_ms)

    persons = []
    max_confidence = 0.0

    if detection_result.detections:
        for detection in detection_result.detections:
            # カテゴリーからpersonクラスを抽出
            for category in detection.categories:
                if category.category_name == PERSON_CLASS_NAME:
                    bbox = detection.bounding_box
                    x1 = int(bbox.origin_x)
                    y1 = int(bbox.origin_y)
                    x2 = int(bbox.origin_x + bbox.width)
                    y2 = int(bbox.origin_y + bbox.height)

                    # 画像境界にクリップ
                    x1 = max(0, min(x1, w - 1))
                    x2 = max(0, min(x2, w - 1))
                    y1 = max(0, min(y1, h - 1))
                    y2 = max(0, min(y2, h - 1))

                    conf = float(category.score)
                    persons.append({'box': (x1, y1, x2, y2), 'detection_conf': conf})
                    if conf > max_confidence:
                        max_confidence = conf
                    break  # 該当クラスが見つかったら次の検出へ

    # 信頼度でソート（降順）
    persons.sort(key=lambda x: x['detection_conf'], reverse=True)

    # 人の存在判定（最大confidenceを使用）
    person_count = len(persons)
    if person_count == 0:
        presence_level = '気配なし'
    elif max_confidence < 0.7:
        presence_level = '人影の可能性'
    else:
        presence_level = '人の存在確認'

    # 結果文字列の作成
    result = f'{person_count}人検出'
    if person_count > 0:
        result += f' | 最大信頼度 {max_confidence:.0%}'
        for i, p in enumerate(persons[:3]):  # 上位3人まで表示
            result += f' | 人物{i+1}: 信頼度{p["detection_conf"]:.0%}'
    result += f' | 判定: {presence_level}'

    # 描画処理（バウンディングボックスとラベル）
    for i, p in enumerate(persons):
        x1, y1, x2, y2 = p['box']
        color = PERSON_COLOR
        cv2.rectangle(frame, (x1, y1), (x2, y2), color, 2)
        label1 = f'Person {i+1}'
        label2 = f'Conf:{p["detection_conf"]:.1%}'
        cv2.putText(frame, label1, (x1, max(0, y1 - 10)), cv2.FONT_HERSHEY_SIMPLEX, 0.7, color, 2)
        cv2.putText(frame, label2, (x1, min(h - 1, y2 + 15)), cv2.FONT_HERSHEY_SIMPLEX, 0.4, (255, 255, 255), 1)

    # 画面情報（英語はOpenCV、和文はPillowで表示）
    cv2.putText(frame, f'MediaPipe | Frame: {frame_count}', (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (255, 255, 255), 2)
    cv2.putText(frame, 'Press: q=Quit', (10, 60), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 255, 0), 1)

    # 日本語表示（Pillow）
    font = ImageFont.truetype(FONT_PATH, FONT_SIZE)
    img_pil = Image.fromarray(cv2.cvtColor(frame, cv2.COLOR_BGR2RGB))
    draw = ImageDraw.Draw(img_pil)
    draw.text((10, 90), presence_level, font=font, fill=(0, 255, 0))
    draw.text((10, 130), f'人数: {person_count}', font=font, fill=(255, 0, 0))
    frame = cv2.cvtColor(np.array(img_pil), cv2.COLOR_RGB2BGR)

    return frame, result, current_time

# 入力選択
print('0: 動画ファイル')
print('1: カメラ')
print('2: サンプル動画')

choice = input('選択: ')

if choice == '0':
    root = tk.Tk()
    root.withdraw()
    path = filedialog.askopenfilename()
    if not path:
        exit()
    cap = cv2.VideoCapture(path)
elif choice == '1':
    cap = cv2.VideoCapture(0, cv2.CAP_DSHOW)
    if not cap.isOpened():
        cap = cv2.VideoCapture(0)
    cap.set(cv2.CAP_PROP_BUFFERSIZE, 1)
else:
    # サンプル動画ダウンロード・処理
    SAMPLE_URL = 'https://raw.githubusercontent.com/opencv/opencv/master/samples/data/vtest.avi'
    SAMPLE_FILE = 'vtest.avi'
    urllib.request.urlretrieve(SAMPLE_URL, SAMPLE_FILE)
    cap = cv2.VideoCapture(SAMPLE_FILE)

if not cap.isOpened():
    print('動画ファイル・カメラを開けませんでした')
    exit()

# メイン処理
print('\n=== 動画処理開始 ===')
print('操作方法:')
print('  q キー: プログラム終了')
try:
    while True:
        ret, frame = cap.read()
        if not ret:
            break

        MAIN_FUNC_DESC = "MediaPipe人物検出"
        processed_frame, result, current_time = video_frame_processing(frame)
        cv2.imshow(MAIN_FUNC_DESC, processed_frame)
        if choice == '1':  # カメラの場合
            print(datetime.fromtimestamp(current_time).strftime("%Y-%m-%d %H:%M:%S.%f")[:-3], result)
        else:  # 動画ファイルの場合
            print(frame_count, result)
        results_log.append(result)
        if cv2.waitKey(1) & 0xFF == ord('q'):
            break
finally:
    print('\n=== プログラム終了 ===')
    cap.release()
    cv2.destroyAllWindows()
    if results_log:
        with open('result.txt', 'w', encoding='utf-8') as f:
            f.write('=== 結果 ===\n')
            f.write(f'処理フレーム数: {frame_count}\n')
            f.write(f'使用モデル: {MODEL_INFO[MODEL_SIZE]["name"]}\n')
            f.write('\n')
            f.write('\n'.join(results_log))
        print(f'\n処理結果をresult.txtに保存しました')