OpenPose的使用

介绍

the first real-time multi-person system to jointly detect human body, hand, facial, and foot keypoints (in total 135 keypoints) on single images.（在一张图片上对人体、手部、面部、足部关节点检测的首个实时多人系统）

下载代码

去Github去clone：https://github.com/CMU-Perceptual-Computing-Lab/openpose

安装CMake

下载：Download | CMake

下载好后默认安装即可，然后添加环境变量

下载pybind11（下载Zip包即可）

GitHub - pybind/pybind11 at 085a29436a8c472caaaf7157aa644b571079bcaa

下载完成后放入openpose的3rdparty\pybind11文件夹下

下载Caffe（下载Zip包即可）

https://github.com/CMU-Perceptual-Computing-Lab/caffe/tree/b5ede488952e40861e84e51a9f9fd8fe2395cc8a

下载完成后放入openpose的3rdparty\caffe文件夹下

安装Cuda

CUDA Toolkit 11.7 Downloads | NVIDIA Developer

默认安装即可

下载Cudnn

cuDNN Archive | NVIDIA Developer

先去到这个地址，然后复制下载链接到迅雷下载即可，因为直接点链接下载经常加载不进去页面（此外，还需要用邮箱注册一下）

解压后有三个文件夹bin、include和lib，依次将三个文件夹中的内容拷贝到cuda的安装目录(默认情况下是C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2)下的bin、include和lib下，这个要一一对应，如下图所示。

找到Visual Studio Installer，点击修改

选择单个组件，搜索Cmake，勾选并点击修改

搜索Windows 10 SDK勾选

编译openpose代码

在openpose文件夹下新建build文件夹

配置路径，第一个框是openpose源码的文件夹，第二个框里填的是生成路径

然后点击Configure，选择VS2022，然后Finish

然后打开Build Python，然后点击Configure

然后点击Generate

然后点击open Project，在VS中打开编译好的项目

然后鼠标右键 OpenposeDemo选择生成

生成完成

我们可以看到，最后生成的exe文件

右键OpenPoseDemo，选择设为启动项目

然后运行，点击本地Windwos调试器，这时就会调用摄像头实时地识别人体关节点了

如果想使用某个视频文件来运行OpenPoseDemo，可以在visual studio中增加命令行参数，方法是右键打开解决方案中的OpenPoseDemo，选择属性

选择调试，然后在命令参数输入：

--video C:\Users\hzkdediannao\Desktop\python\openpose\test.mp4 （这是视频保存的位置）

然后再次运行即可

运行时遇到的问题：

- Failed to parse NetParameter file: models\pose/body_25/pose_iter_584000.caffemodel
0x00007FF9F320286E (ucrtbase.dll) (OpenPoseDemo.exe 中)处有未经处理的异常: 请求了严重的程序退出。
编译遇到这个错误大概率是model没有下载全，去models目录下运行getModels.bat

然后我们尝试使用python调用

右键pyopenpose点击生成

然后将x64/Release下文件和python/openpose/Release下文件拷贝到bin目录下

然后把openpose下地models目录拷贝到bin目录下

然后在bin目录下新建一个data文件夹，来保存需要识别地图片或视频

然后我们先在cmd调用一下

然后我们在bin目录下打开Jupyter Notebook

然后新建一个ipynb文件，参考examples/tutorial_python/body_form_image.py下代码进行自定义编程

import pyopenpose as op
import matplotlib.pyplot as plt
import cv2# Custom Params (refer to include/openpose/flags.hpp for more parameters)
params = dict()
params["model_folder"] = "./models/"# Starting OpenPose
opWrapper = op.WrapperPython()
opWrapper.configure(params)
opWrapper.start()# Process Image
datum = op.Datum()
imageToProcess = cv2.imread('data/test2.jpg')
imageToProcess = cv2.cvtColor(imageToProcess,cv2.COLOR_RGB2BGR)
plt.imshow(imageToProcess)datum.cvInputData = imageToProcess
opWrapper.emplaceAndPop(op.VectorDatum([datum]))# Display Image
print("Body keypoints: \n" + str(datum.poseKeypoints)) #X\Y\C（置信度）plt.imshow(datum.cvOutputData)

可以看到有10个点

在图片中正好也有10个点

对面部和手部的识别

查看命令参数：OpenPoseDemo --help

常用参数举例：

--net_resolution 320*176：是指定分辨率

--face：显示面部关键点

--hand：显示手部关键点

--image_dir examples\media\test.jpg：指定图片位置

--video examples\media\test.mp4：指定视频位置

更多参数解释

-3d（运行OpenPose 3d重建演示：1）从立体相机系统读取。2） 从多个视图执行三维重建。3） 显示三维重建结果。请注意，它将仅显示1人。如果有多人在场，它将失败。）类型：bool默认值：false
-3d_min_views（重建每个关键点所需的最小视图数。默认情况下（-1），需要最多（2个，最小（4个，#摄像头-1））摄像头才能看到关键点以重建它。）int32:default类型：-1
-3d_views（用于“--image_dir”或“--video”的补充选项。OpenPose将在每次迭代中读取尽可能多的图像，允许执行立体相机处理（“--3d”）等任务。请注意，必须设置“--camera_parameter_path”。OpenPose必须在参数文件夹中找到与此数字相同数量的“xml”文件。）类型：int32默认值：-1
-alpha_heatmap（热图和原始帧之间的混合因子（范围0-1））。1只显示热图，0只显示边框。仅对GPU渲染有效。）类型：双默认值：0.69999999996
-alpha_pose（混合因子（范围0-1）。1将完全显示它，0将隐藏它。仅对GPU渲染有效。）类型：双默认值：0.59999999998
-body（选择0禁用身体关键点检测（例如，用于更快但更不准确的人脸关键点检测、自定义手部检测器等），选择1（默认）用于身体关键点估计，选择2禁用其内部身体姿势估计网络，但仍运行贪婪关联解析算法）类型：int32默认值：1
-caffemodel_path（组合“--model_文件夹”+--caffemodel_路径”代表caffemodel文件的整个路径。如果为空，则将使用默认的OpenPose caffemodel文件。）类型：字符串默认值：“
-camera（cv:：VideoCapture的摄像头索引。范围[0,9]内的整数）。选择负数（默认情况下），自动检测并打开第一个可用的摄像头。）类型：int32默认值：-1
-camera_parameter_path（带有摄像头参数所在文件夹的字符串。如果只有一个XML文件（用于同一摄像头的单个视频、网络摄像头或图像），则必须指定整个XML文件路径（以.XML结尾）类型：字符串默认值：“models/cameraParameters/flir/”
-camera_resolution（设置摄像头分辨率（无论是“--camera”还是“--flir\u camera”）`-1x-1`将使用默认的1280x720表示“--camera”，或使用可用于“--flir_camera”的最大flir摄像机分辨率。类型：字符串默认值：“-1x-1”
-cli_verbose（如果为-1，将禁用它（默认）。如果它是一个正整数，它将在命令行中每隔“verbose”帧打印一次。如果数字在（0,1）范围内，它将每隔“verbose”乘以总帧数打印一次进度。）类型：双默认值：-1
-disable_blending（如果启用，它将在黑色背景上渲染结果（关键点骨架或热图），而不是渲染到原始图像中。相关：'part_to_show'、'alpha_pose'、和'alpha_pose'）类型：bool默认值：false
-disable_multi_thread（它将略微降低帧速率，以大大减少延迟。主要用于1）需要低延迟的情况（例如，在使用低范围GPU设备的实时场景中使用网络摄像头）；2）在OpenPose崩溃时调试OpenPose以定位错误。）类型：bool默认值：false
-display（显示模式：-1表示自动选择；0表示不显示（如果没有X服务器，则有用；如果不需要视觉输出，则略微加快处理速度）；2个用于二维显示；3用于三维显示（如果启用了“---3d”；1个用于二维和三维显示。）类型：int32默认值：-1
-face（启用面部关键点检测。它将共享身体姿势的一些参数，例如“model_folder”。请注意，这将大大降低性能并增加所需的GPU内存。此外，图像上的人数越多，打开姿势的速度越慢。）类型：bool默认值：false
-face_alpha_heatmap（类似于'alpha_heatmap'，但适用于face。）类型：双默认值：0.69999999996
-face_alpha_pose（类似于'alpha_pose'，但适用于面部。）类型：双默认值：0.59999999998
-face_detector（一种人脸矩形检测器。选择0（默认值）选择OpenPose body detector（如果body已启用，则选择最精确和最快的一种），1选择OpenCV face detector（不适用于手），2表示将由用户提供，或3也应用手部跟踪（仅适用于手部）。手部跟踪可能会提高网络摄像头（如果帧速率足够高，即每个GPU>7 FPS）和视频的手部关键点检测。这不是人物ID跟踪，它只是在前几帧中手所在的位置查找手，但它不保证帧中的人物ID相同。）类型：int32默认值：0
-face_net_resolution（16的倍数和平方。类似于'net_resolution'，但适用于人脸关键点检测器。320x320通常工作正常，但在图像上出现多个人脸时，速度会大大加快。）类型：字符串默认值：“368x368”
-face_render（类似于“render_pose”，但应用于面部。额外选项：-1使用与“render_pose”相同的配置。）类型：int32默认值：-1
-face_render_threshold（类似于“渲染阈值”，但应用于面关键点。）类型：双默认值：0.40000000000000002
-flir_camera（是否使用flir（点灰）立体摄像头。）类型：bool默认值：false
-flir_camera_index（选择-1（默认值））可同时在所有检测到的flir摄像头上运行。否则，选择要运行的flir相机索引，其中0对应于具有最低序列号的检测到的flir相机，“n”对应于第n个最低序列号的相机。）int32:default类型：-1
-fps_max（最大处理帧速率。默认情况下（-1），OpenPose将尽可能快地处理帧。示例用法：如果OpenPose显示图像的速度太快，这可能会降低速度，因此用户可以更好地分析GUI中的每一帧。）类型：双默认值：-1
-frame_first（从所需的帧号开始。索引基于0，即第一帧的索引为0。）类型：uint64默认值：0
-frame_flip（翻转/镜像每个帧（例如，用于实时网络摄像头演示）类型：bool默认值：false
-frame_last（完成所需的帧编号。选择-1禁用。索引基于0，例如，如果设置为10，它将处理11帧（0-10）。）类型：uint64默认值：18446744073709551615
-frame_rotate（旋转每个帧，4个可能的值：0、90、180、270。）类型：int32默认值：0
-frame_step（已处理帧之间的步骤或间隙。例如，`--frame_步骤5`将读取并处理帧0、5、10等）类型：uint64默认值：1
-frame_undistort（如果为false（默认），则不会对图像进行不失真，如果为true，则会根据“camera_parameter_path”中的相机参数对其进行不失真）类型：bool默认值：false
-frames_repeat（完成后重复帧）类型：bool默认值：false
-fullscreen（在全屏模式下运行（运行时按f键切换）。）类型：bool默认值：false
-hand（启用手关键点检测。它将共享身体姿势中的一些参数，例如“model_folder”。与“face”类似，它还将降低性能，增加所需的GPU内存，其速度取决于人数。）类型：bool默认值：false
-hand_alpha_heatmap（类似于阿尔法热图，但适用于手部。）类型：双默认值：0.69999999996
-hand_alpha_pose（类似于“阿尔法姿势”，但适用于手。）类型：双默认值：0.59999999998
-hand_detector（一种手形矩形检测器，类似于“脸形检测器”）类型：int32默认值：0
-hand_net_resolution（16和平方的倍数。类似于'net_分辨率'，但适用于手部关键点检测器。）类型：字符串默认值：“368x368”
-hand_render（类似于“render_pose”，但应用于手部。额外选项：-1使用与“render_pose”相同的配置。）类型：int32默认值：-1
-hand_render_threshold（类似于“渲染阈值”，但适用于手部关键点。）类型：双默认值：0.200000000001
-hand_scale_number（类似于“刻度号”，但适用于手部关键点检测器。我们的最佳结果是“手部刻度号”=6和“手部刻度范围”=0.4。）类型：int32默认值：1
-hand_scale_range（与“刻度间隙”类似，但适用于手动关键点探测器。最小刻度和最大刻度之间的总范围。刻度将以比率1居中。例如，如果刻度长度=0.4，刻度数=2，则将有两个刻度，即0.8和1.2。）类型：双默认值：0.40000000000000002
-heatmaps_add_PAFs（与“添加热图零件”功能相同，但添加PAF。）类型：bool默认值：false
-heatmaps_add_bkg（功能与“add_heatmaps_parts”相同，但添加与背景对应的热图。）类型：bool默认值：false
-heatmaps_add_parts（如果为true，它将用身体部位的热图填充op:：Datum:：poseHeatMaps数组，并将面部和手部的热图类似地填充到op:：Datum:：faceHeatMaps&op:：Datum:：handHeatMaps。如果启用了多个“add_heatmaps_X”标志，它将按顺序存储顺序放置：身体部位+bkg+PAFs。它将遵循`src/openpose/POSE/POSE/POSE中的姿势和身体部位的映射顺序参数。cpp`。程序速度将大大降低。OpenPose不是必需的，仅当您打算稍后明确使用此信息时才启用它。）类型：bool默认值：false
-heatmaps_scale（将0设置为scale op:：Datum:：poseHeatMaps，范围为[-1,1]，1表示[0,1]；2表示整数取整[0255]；3表示无缩放。）类型：int32默认值：2
-identification（实验性的，还不可用。是否启用跨帧身份识别。）类型：bool默认值：false
-ik_threads（实验性，尚未提供。是否从三维关键点启用反向运动学（ik）以获得三维关节角度。默认情况下（0个线程），它是禁用的。增加线程数将提高速度，但也会增加全局系统延迟。）类型：int32默认值：0
-image_dir（处理一个图像目录。使用'examples/media/`作为包含20个图像的默认示例文件夹。读取所有标准格式（jpg、png、bmp等）类型：字符串默认值：“
-ip_camera（带有ip摄像头URL的字符串。它支持RTSP和HTTP等协议。）类型：字符串默认值：“
-keypoint_scale（最终姿势数据数组的（x，y）坐标的缩放，即将使用“write_json”和“write_keypoint”标志保存的（x，y）坐标的缩放。选择“0”将其缩放到原始源分辨率`1`将其缩放到净输出大小（设置为'net_resolution'）`2`将其缩放到最终输出大小（设置为'resolution'）`3`在[0,1]范围内缩放，其中（0,0）是图像的左上角，（1,1）是右下角；4表示范围[-1,1]，其中（-1，-1）表示图像的左上角，（1,1）表示图像的右下角。与“刻度号”和“刻度间隙”无关。）类型：int32默认值：0
-logging_level（范围[0，255]中的logging level.Integer）。0将输出任何opLog（）消息，而255将不输出任何opLog（）消息。当前OpenPose库消息的范围为0-4：低优先级消息为1，重要消息为4。）类型：int32默认值：3
-maximize_positives（它降低了接受候选人的阈值。它极大地增加了假阳性和真阳性。也就是说，它最大化了平均回忆，但可能会损害平均准确度。）类型：bool默认值：false
-model_folder（文件夹路径（绝对或相对），其中包含模型（姿势、面部等）位置。）类型：字符串默认值：“models/”
-model_pose（要使用的模型。例如，`BODY_25`（CUDA版本最快，最准确，包括脚关键点），`COCO`（18个关键点），`MPI`（15个关键点，最不准确的模型，但在CPU上最快），`MPI_4_layers`（15个关键点，甚至更快，但精确度更低）。）类型：字符串默认值：“BODY\u 25”
-net_resolution（16的倍数。如果增加，精度可能会增加。如果降低，速度会增加。为了获得最大的速度精度平衡，它应该保持与要处理的图像或视频尽可能接近的纵横比。在任何维度中使用“-1”，OP将根据用户的输入值选择最佳纵横比。例如，默认值`-1x368'相当于16:9分辨率的656x368，例如全高清（1980x1080）和高清（1280x720）分辨率。）类型：字符串默认值：“-1x368”
-no_gui_verbose（不要在gui上的输出图像上写入文本（例如，当前帧的数量和人员）。它不会影响姿势渲染。）类型：bool默认值：false
-num_gpu（要使用的gpu设备的数量。如果为负数，它将使用机器中所有可用的gpu。）类型：int32默认值：-1
-num_gpu_start（gpu设备开始编号）类型：int32默认值：0
-number_people_max（此参数将通过保留得分最高的人来限制检测到的最大人数。得分基于图像上的个人区域、身体部位得分以及关节得分（每对连接的身体部位之间）。如果你知道场景中的确切人数，那么它会很有用，这样可以消除误报（如果所有人都被检测到了。但是，它也可能包括误报，通过移除非常小或高度遮挡的人。-1将保留所有人。）类型：int32默认值：-1
-output_resolution（图像分辨率（显示和输出）。使用“-1x-1”强制程序使用输入图像分辨率。）类型：字符串默认值：“-1x-1”
-part_candidates（也可以启用“write_json”以保存此信息。如果为true，它将用身体部位候选者填充op:：Datum:：poseCandidates数组。候选者指的是所有检测到的身体部位，然后再组装成人。请注意，候选者的数量等于或大于最终身体部位的数量（即组装成人之后）。空的身体部位充满了0。程序速度将略有下降。OpenPose不是必需的，仅当您打算显式使用此信息时才启用它。）类型：bool默认值：false
-part_to_show（要可视化的预测通道：0（默认值）用于所有身体部位，1用于背景热图，2用于热图叠加，3用于PAF叠加，4-（4+#关键点）用于每个身体部位热图，以下为每个身体部位对PAF。）类型：int32默认值：0
-process_real_time（允许保持原始源帧速率（例如视频）。如果处理时间过长，它将跳过帧。如果速度太快，就会减慢速度。）类型：bool默认值：false
-profile_speed（如果在CMake或Makefile.config文件中设置了PROFILER_ENABLED，OpenPose将显示此帧号的一些运行时统计信息。）类型：int32默认值：1000
-prototxt_path（组合`--model_folder`+`--prototxt_path`表示prototxt文件的整个路径。如果为空，则将使用默认的OpenPose prototxt文件。）类型：字符串默认值：“
-render_pose（设置为0表示无渲染，设置为1表示CPU渲染（稍快），设置为2表示GPU渲染（速度较慢但功能更强，例如，`alpha_X`标志）。如果为-1，则在仅启用CPU_时选择CPU，如果启用CUDA时选择GPU。如果启用了渲染，它将使用原始图像和要显示的所需身体部位（即关键点、热图或PAF）渲染“outputData”和“cvOutputData”。）int32:default类型：-1
-render_threshold（仅渲染分数置信度高于此阈值的估计关键点。注意：渲染仅指OpenPose basic GUI中的视觉显示，而不是保存的结果。通常，高阈值（>0.5）只会渲染非常清晰的身体部位；虽然小阈值（~0.1）也会输出猜测和遮挡的关键点，但也会输出更多误报（即错误检测）类型：双默认值：0.05000000000000003
-scale_gap（刻度之间的刻度间距。除非刻度数值大于1，否则不会产生任何效果。初始刻度始终为1。如果要更改初始刻度，实际上需要将“净分辨率”乘以所需的初始刻度。）类型：双默认值：0.25
-scale_number（刻度盘数量与平均值之比）类型：int32默认值：1
-tracking（实验性的，还不可用。是否启用跨帧跟踪。该值指示在每个OpenPose关键点检测之间运行跟踪的帧数。选择-1（默认值）将其禁用，或选择0将同时运行OpenPose关键点检测器和跟踪，以获得比仅OpenPose更高的精度。）类型：int32默认值：-1
-udp_host（实验性的，还不可用。udp通信的IP。例如，`192.168.0.1`。）类型：字符串默认值：“
-udp_port（实验性的，还不可用。udp通信的端口号。）类型：字符串默认值：“8051”
-upsampling_ratio（净分辨率和输出净结果之间的上采样率。小于或等于0的值（默认值）将使用网络默认值（建议）。）类型：双默认值：0
-video（使用视频文件而不是相机。使用'examples/media/video.avi'作为默认示例视频。）类型：字符串默认值：“
-write_bvh（实验性的，尚未提供。例如，“~/Desktop/mocapResult.bvh”。）类型：字符串默认值：“
-write_coco_json（使用json coco验证格式写入人体姿势数据的完整文件路径。如果还需要脚、脸、手等json（“--write_coco_json_variants”），它们将以不同的文件名后缀保存。）类型：字符串默认值：“
-write_coco_json_variant（目前，此选项是实验性的，仅对汽车json生成产生影响。它为cocoJsonSaver选择coco变体。）类型：int32默认值：0
-write_coco_json_variants（身体加1，脚加2，脸加4，手加8。使用0使用所有可能的候选项。例如，7表示身体+脚+脸coco json。）类型：int32默认值：1
-write_heatmaps（以PNG格式写入身体姿势热图的目录。必须至少启用1个“add\u heatmaps\u X”标志。）类型：字符串默认值：“
-write_heatmaps_format（write_heatmaps的文件扩展名和格式，类似于write_images_format）。对于无损压缩，建议使用整型“heatmaps_scale”的“png”，浮动值的“float”。有关详细信息，请参阅'doc/output.md'类型：字符串默认值：“png”
-write_images（以“write_images_format”图像格式写入渲染帧的目录。）类型：字符串默认值：“
-write_images_format（文件扩展名和“write_images”的格式，例如png、jpg或bmp。检查OpenCV函数cv:：imwrite以获取所有兼容的扩展名。）类型：字符串默认值：“png”
-write_json（以json格式编写OpenPose输出的目录。它包括身体、手和面部姿势关键点（二维和三维），以及姿势候选（如果启用了“---part_候选”）类型：字符串默认值：“
-write_keypoint（（已弃用，请使用'write_json'）目录来写入关键点数据。使用“write_keypoint_format”设置格式。）类型：字符串默认值：“
-write_keypoint_format（（不推荐使用，使用'write_json'）文件扩展名和'write_keypoint'格式：json、xml、yaml和yml。Json不适用于OpenCV<3.0，请改用“write_Json”。）类型：字符串默认值：“yml”
-write_video（以运动JPEG视频格式写入渲染帧的完整文件路径。如果最终路径未在“.avi”中完成，则可能会失败。它在内部使用cv:：VideoWriter。标志“write_video_fps”控制fps。或者，视频扩展名可以是“.mp4”，从而生成一个小得多的文件，并允许使用“--write_video_with_audio”。但是，这需要：1）Ubuntu或Mac系统，2）安装了FFmpeg库（`sudo apt get install FFmpeg`），3）临时创建一个与最终视频（不带扩展名）文件路径相同的文件夹，以存储中间帧，稍后将用于生成最终MP4视频。）类型：字符串默认值：“
-write_video_3d（类似于“--write_video”，但应用于3d输出。）类型：字符串默认值：“
-write_video_adam（实验性的，尚未提供。类似于“--write_video”，但适用于adam模型。）类型：字符串默认值：“
-write_video_fps（录制视频的帧速率）。默认情况下，它将尝试获取输入帧的帧速率（例如，输入视频或网络摄像头帧速率）。如果输入帧生成器没有设置FPS（例如，如果OpenCV未使用其支持编译，则为image_dir或网络摄像头），则相应地设置该值（例如，设置为OpenPose GUI显示的帧速率）类型：双默认值：-1
-write_video_with_audio（如果输入是视频，输出也是视频，它将用音频保存视频。它要求输出视频文件路径以“.mp4”格式完成（详细信息请参见“写入视频”）类型：bool默认值：false

如何在pycharm中使用Openpose：

只需把bin文件导入项目，然后在新建的py文件中加入sys语句即可引入openpose以来了，后面的代码和jupyter notebook完全一致

import sys
sys.path.append('./')import pyopenpose as op
....

将pycharm项目打包

首先下载pyinstaller

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple Pyinstaller

参考：

windows编译openpose及在python中调用 - 知乎

OpenPose的使用相关推荐

Python+OpenCV+OpenPose实现人体姿态估计（人体关键点检测）
目录 1.人体姿态估计简介 2.人体姿态估计数据集 3.OpenPose库 4.实现原理 5.实现神经网络 6.实现代码 1.人体姿态估计简介人体姿态估计(Human Posture Estimat ...
Openpose+Tensorflow 这样实现人体姿态估计 | 代码干货
作者 | 李秋键出品 | AI科技大本营(ID:rgznai100) 人体姿态估计指从单个 RGB 图像中精确地估计出人体的位置以及检测骨骼关键点的位置.人体姿态估计是计算机视觉领域的研究热点,是诸 ...
实战：基于OpenPose的卡通人物可视化 | CSDN博文精选
作者 | Wuzebiao2016 来源 | CSDN博客前言去年打算用些现成的Pose做些展示,因为以前有在OpenPose做些识别等开发工作,所以这次我就简单在OpenPose上把骨架用动画填 ...
基于 OpenCV 和 OpenPose 的棒球挥杆人体姿势估计
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达介绍人体姿态估计是一个非常有趣的领域,如果我们能够将诸如棒球摆动 ...
基于OpenPose的人体姿态检测两个群众
一.概述 OpenPose最开始由卡内基梅隆大学提出,其主要基于先后发表的几篇文章中提出的模型中进行实现: CVPR 2016: Convolutional Pose Machine(CPM) CVP ...
tensorflow——openpose代码和原理分析
做openpose已经做了两个月了,精度和速度都还没有提上去,但是还是要总结一下. 人体姿态估计(pose estimation)的目标实时地对图片中每个人的姿态进行精准的估计.总结起来,就是实时的 ...
opencv openpose
cpu比较卡,躺着好像不能检测 # To use Inference Engine backend, specify location of plugins: # export LD_LIBRARY_ ...
opencv 图像雾检测_OpenCV图像处理-基于OpenPose的关键点检测
OpenCV基于OpenPose的手部关键点检测概述 ✔️ 手部关键点检测,旨在找出给定图片中手指上的关节点及指尖关节点, 其中手部关键点检测的应用场景主要包括: 手势识别手语识别与理解手部的行 ...
CV之MobiLenet：基于openpose利用CMU/MobilenetV2算法实现对多人体姿态(2019湖人勒布朗詹姆斯扣篮)实时估计检测
CV之MobiLenet:基于openpose利用CMU/MobilenetV2算法实现对多人体姿态(2019湖人勒布朗詹姆斯扣篮)实时估计检测目录输出结果设计思路核心代码输出结果设计思路 ...
CV之PoseEstimation：Pose Estimation人体姿态估计(AI识人,OpenPose+DeepCut+RMPE+Mask RCNN)的简介、案例应用之详细攻略
CV之PoseEstimation:Pose Estimation人体姿态估计(AI识人,OpenPose+DeepCut+RMPE+Mask RCNN)的简介.案例应用之详细攻略目录 Pose E ...

OpenPose的使用

OpenPose的使用相关推荐

最新文章

热门文章