AI姿态识别摄像头

健身/瑜伽姿态纠错场景优先选支持3D深度感知（ToF或结构光）的摄像头，纯RGB单目方案在侧身、遮挡姿态下关键点漂移严重，深度误差应≤2%（1米距离误差＜2cm）

识别关键点数量≥17点（COCO标准骨架）才能覆盖全身主要关节；健身细分动作需要33点（MediaPipe Pose全身）以区分手腕、脚踝朝向，坐姿/离岗检测仅需上半身7-13点即可

深度感知精度越高（结构光/ToF）功耗和成本越高且有效距离越短（通常0.5-4米），而纯RGB单目AI方案可覆盖更远但精度低——家庭客厅健身（人距摄像头2-3.5米）选ToF最平衡

关键点越多、帧率越高，本地算力/延迟压力越大，若摄像头依赖云端推理会带来延迟和隐私风险；实时纠错场景应选带本地NPU边缘计算的设备，牺牲部分识别点数换取＜100ms延迟

小空间（房间＜3米深）不要买标称适用距离4-8米的大场景摄像头，其近距离（＜1.5米）常无法完整框入全身骨架导致关键点丢失，反而选广角+近距优化的机型

若已有健身镜或智能电视自带姿态识别摄像头，不建议再单独购买第三方摄像头——第三方设备通常无法调用镜面/大屏做实时叠加纠错反馈，形成孤岛

养老/居家安全监测（跌倒检测）场景不要只看关键点数量，要确认支持毫米波雷达融合或跌倒专用算法，纯姿态摄像头对夜间/被遮挡跌倒漏报率高，且涉及卧室隐私

选购前先确认APP是否支持：动作库自定义、多人识别（家庭共用）、数据本地存储/导出、以及固件持续更新——很多小品牌上市后停更导致AI模型不再优化

兼容性优先确认接入生态：需接HomeKit/米家/涂鸦等平台的应看协议支持，开发/科研用途需确认是否开放SDK及输出标准格式（如COCO/OpenPose JSON）

居家健身姿态纠错的标准方案：ToF深度摄像头（≥30fps/17-33关键点）+ 支持实时镜像叠加的大屏/APP + 本地边缘计算，摄像头置于距人2-3米、高度1-1.2米正对训练区，避免逆光