人体姿态估计（人体关键点检测）分类与经典方法分析（附GitHub地址）

人体姿态估计（Human Pose Estimation）也称为人体关键点检测（Human Keypoints Detection）。对于人体姿态估计的研究，大致可做如下分类。

1. RGB vs RGBD

后者多一项Depth信息，常用于3D人体姿态估计的研究。

2. 2D Human Pose Estimation vs 3D Human Pose Estimation

3. Singe Person vs Multiple Persons

4. Image vs. Video

对于Video，除了人体姿态估计算法外，要增加对于关键点的Tracking（追踪）的研究。

5. Top-down vs. Bottom-up

以上为深度学习方法中两个主要的研究思路。

Top-down首先利用目标检测算法检测出单个人，然后对proposal进行关键点的检测。这种方法一般具有较高的准确率但是处理速度较低。代表性的方法有：

（1） Stacked Hourglass Network（半壁江山）

Github: https://github.com/Naman-ntc/Pytorch-Human-Pose-Estimation (Pytorch)

https://github.com/wbenbihi/hourglasstensorlfow (Tensorflow)

（2） Convolutional Pose Machine

Github: https://github.com/timctho/convolutional-pose-machines-tensorflow (Tensorflow)

https://github.com/JindongJiang/WeightedLoss_Convolutional_Pose_Machines_PyTorch (Pytroch)

（3） Cascaded Pyramid Network

Github: https://github.com/chenyilun95/tf-cpn

（4） Simple Baseline (proposed by MSRA)

Github: https://github.com/Microsoft/human-pose-estimation.pytorch

（5） Multi-Stage Pose Network (MSPN，由Face++提出，2018年coco 关键点检测冠军)。The code will be released.

（6）HighResolution Net (HRNet，CVPR 2019/Proposed by MSRA&USTC)

Github: https://github.com/leoxiaobin/deep-high-resolution-net.pytorch

Bottom-up首先检测出测试图像中所有的关键点信息，然后分配给单个的人，这种方法一般准确率较差，但处理速度较快。代表性的方法有：

（1） CMU的Realtime Multi-Person Pose Estimation。

Github：https://github.com/ZheC/Realtime_Multi-Person_Pose_Estimation

（2） Newell（Hourglass的作者）的Associative embedding: End-to-end learning for joint detection and grouping.

Github：https://github.com/princeton-vl/pose-ae-train

6. Single Stage vs. Multiple Stages, 多阶段还是单阶段。这个分类在MSPN论文讲解的很清楚，后续我会总结并补充。

7.Multi-scale Feature Extraction，多尺度特征提取是所有方法中都要实现的一个过程，原因就在于不同尺度的图像对于不同关键点的检测效果是不同的。例如，在更低尺度的图像中，具有更丰富的语义信息，对头部等关键点的检测效果较好，在更高尺度的图像中，空间纹理信息更加丰富，对于检测踝关节等部位关键点的效果较好。因此，在所有人体关键点检测算法中，必不可少的一个过程就是多尺度特征的提取。

今天就先写在这里，后续我会继续补充文章内容，对具体算法进行分析，还会对多阶段特征提取过程中常用的中继监督方法进行分析。

人体姿态估计（人体关键点检测）分类与经典方法分析（附GitHub地址）相关推荐

人体姿态估计(人体关键点检测)2D Pose训练代码和Android源码
人体姿态估计(人体关键点检测)2D Pose训练代码和Android源码目录人体姿态估计(人体关键点检测)2D Pose训练代码和Android源码 1.人体姿态估计2D Pose方法 2.人体姿 ...
融合人体姿态估计和目标检测的学生课堂行为识别
融合人体姿态估计和目标检测的学生课堂行为识别_参考网摘要: 在課堂教学中 , 人工智能技术可以帮助实现学生行为分析自动化 , 让教师能够高效且直观地掌握学生学习行为投入的情况 , 为后续优化教学设计 ...
MediaPipe人体姿态、手指关键点检测
MediaPipe人体姿态.手指关键点检测文章目录 MediaPipe人体姿态.手指关键点检测前言一.手指关键点检测二.姿态检测三.3D物体案例检测案例前言 Mediapipe是googl ...
格物钛数据平台国内外经典开源数据汇总（自动驾驶、目标检测、人脸识别、人体姿态估计、文本检测、NLP、医疗）
本文整理了国内外经典的开源数据,包含了目标检测.自动驾驶.人脸识别.自然语言处理.文本检测.医疗等方向,具体如下. 一.自动驾驶领域数据集 KITTI数据集 KITTI数据集由德国卡尔斯鲁厄理工学院和 ...
用OpenPose进行单个或多个人体姿态估计
在计算机视觉中,人体姿态估计(关键点检测)是一个很常见的问题,在体育健身.动作采集.3D试衣.舆情监测等领域具有广阔的应用前景,本文要使用的检测方法就是基于OpenPose的人体姿态估计方法. 一.O ...
关键点检测方法、人体姿态估计
综述类人体骨骼关键点检测综述 2019深度学习人体姿态估计指南人体骨骼关键点检测(姿态估计)综述2019 深度学习人体姿态估计:2014-2020全面调研论文链接:https://arxiv.o ...
LIVE 预告 | CVPR 2021 预讲 · 旷视专场，覆盖目标检测、蒸馏、图像降噪、人体姿态估计等...
CVPR 2021 大会将于6月19日至 25日线上举行.为促进同行之间的交流与合作,智源社区近期举办了系列CVPR 2021预讲报告,其中实验室系列将汇聚国内顶尖高校和企业实验室的研究人员为大家分享 ...
MMPose姿态估计+人体关键点识别效果演示
MMPose--开源姿态估计算法库(附人体关键点识别效果演示) 一.简介 1.1 背景首先姿态估计属于计算机视觉领域的一个基础研究方向.MMPose是基于Pytorch的姿态估计开源算法库,功能全, ...
2D人体姿态估计综述
本文主要介绍2D人体姿态估计的基本概念和相关算法,其中算法部分着重介绍基于深度学习的人体姿态估计算法的两个方向,即自上而下(Top-Down)的检测方法和自下而上(Bottom-Up)的检测方法. 前 ...

人体姿态估计（人体关键点检测）分类与经典方法分析（附GitHub地址）

人体姿态估计（人体关键点检测）分类与经典方法分析（附GitHub地址）相关推荐

最新文章

热门文章