import cv2import mediapipe as mpimport mathimport pandas as pdfrom sklearnneighbors import KNeighborsClassifieri=0# 初始化MediaPipe的人体姿势模型mp_drawing = mpsolutionsdrawing_utilsmp_pose = mpsolutionspose# 打

算法名称：基于KNN分类器的人体姿势识别算法

功能：对输入视频中的人体姿势进行检测和分类，输出每一帧的动作类型。

输入：视频文件，包括帧率和分辨率。

输出：输出视频文件，包括帧率和分辨率，以及每一帧的动作类型。

算法流程：

1. 初始化MediaPipe的人体姿势模型。

2. 加载动作数据集，并将数据集合并为一个大的数据集。

3. 训练KNN分类器。

4. 处理视频文件中的每一帧：

   a. 读取一帧。

   b. 将帧转换为RGB格式。

   c. 处理人体姿势检测。

   d. 判断是否检测到人体。

   e. 获取关键点的信息，并计算角度。

   f. 将数据输入KNN分类器进行预测。

   g. 在输出图片上显示角度值和动作类型。

   h. 绘制头部关键点。

   i. 将帧写入输出视频文件。

   j. 显示当前帧的结果。

   k. 检测是否按下q键退出。

5. 释放资源。

复杂度分析：

时间复杂度：算法的时间复杂度主要来自于人体姿势检测和KNN分类器的训练和预测过程，其中人体姿势检测的时间复杂度为O(n)，KNN分类器的训练和预测的时间复杂度为O(m^2)，其中n为关键点的数量，m为数据集的大小。因此，算法的时间复杂度为O(nm^2)。

空间复杂度：算法的空间复杂度主要来自于存储动作数据集和KNN分类器，其中动作数据集的空间复杂度为O(mn)，KNN分类器的空间复杂度为O(m^2)，其中n为关键点的数量，m为数据集的大小。因此，算法的空间复杂度为O(mn + m^2)