openpifpaf 经过Linux，MacOS和Windows的持续测试： ： OpenPifPaf：用于语义关键点检测和时空关联的复合字段（ ，（ ，（ ，2021年。 许多基于图像的感知任务可以公式化为检测，关联和跟踪语义关键点，例如人体姿势估计和跟踪。 在这项工作中，我们提出了一个通用框架，该框架可以在单个阶段中共同检测并形成时空关键点关联，这使其成为第一个实时姿势检测和跟踪算法。 我们提出了一种通用的神经网络体系结构，该体系结构使用Composite Fields来检测和构建时空姿势，该姿势是一个单独的连接图，其连接点是多个帧中的语义关键点（例如人的身体关节）。 对于时间关联，我们引入了时间复合关联字段（TCAF），它需要扩展的网络体系结构和训练方法，而不是以前的复合字段。 我们的实验显示出竞争准确性，同时在多个公开可用的数据集（例如COCO，CrowdPose以及

基于COCO数据集的人体姿势估计 该存储库包含使用深度神经网络执行人体姿态估计的SENG 474数据挖掘项目的在建项目。 下面是我们项目建议的简短摘录。 问题 人体姿态估计（HPE）是识别人体关键点以构建人体模型的问题领域。 许多现有系统接受图像作为输入，有些实现接受诸如点云和视频之类的格式。 HPE的应用广泛且使许多行业受益。 特别是，HPE在电影和游戏行业中均用于动画。 HPE的更险恶的应用可用于识别多个帧（即视频）上的个人。 HPE的另一个子集是手势估计，可用于翻译手语。 由于诸多挑战，HPE是一个困难的问题领域。 这些包括人类外观和体格的变化，环境光照和天气，其他物体的遮挡，关节重叠的自我遮挡，人体骨骼运动的复杂性以及2D图像输入的固有信息丢失[1]。 这个很大程度上未解决的问题使我们能够探索许多新颖和创造性的方法，从而丰富我们的学习经验。 我们很高兴探索这些应用程序，但是我们决定

手肘法matlab源码快速人体姿势估计CVPR2019 介绍 这是的官方pytorch实现。 在这项工作中，我们专注于两个问题 如何使用与模型无关的方法来减小模型大小和计算。 如何提高简化模型的性能。 在我们的论文中 我们通过减少网络的宽度和深度来减少模型的大小和计算量。 提出快速姿势精馏（ FPD ）以改善简化模型的性能。 MPII数据集上的结果证明了我们方法的有效性。 我们使用HRNet代码库重新实现了FPD，并在COCO数据集上提供了额外的评估。 我们的方法（FPD）可以在没有地面标签的情况下工作，并且可以利用未标记的图像。 对于MPII数据集 我们首先训练了一个教师模型（沙漏模型，堆栈= 8，num_features = 256，90.520 @ MPII PCKh@0.5）和一个学生模型（沙漏模型，堆栈= 4，num_features = 128，89.040 @ MPII PCKh@0.5）。 然后，我们使用教师模型的预测和真实标签来共同监督学生模型（沙漏模型，堆栈= 4，num_features = 128，87.934 @ MPII PCKh@0.5）。 我们的实验显示

在PyTorch中使用HigherHRNet进行多人人体姿势估计 这是《 》论文的非官方实现。 该代码是的简化版本，同时考虑了易用性。 该代码与完全兼容。 它同时支持Windows和Linux。 该存储库当前提供： 在PyTorch（> = 1.0）中稍高一点的HigherHRNet实现-与官方权重（ pose_higher_hrnet_* ）兼容。 一个简单的类（ SimpleHigherHRNet ）加载HigherHRNet网络以进行自下而上的人体姿势估计，加载预先训练的权重，并对单个图像或一批图像进行人工预测。 支持多GPU推理。 通过设计实现多人支持（HigherHRNet是一种自下而上的方法）。 运行实时演示程序的参考代码，该演示程序从网络摄像头或视频文件中读取帧。 该存储库是根据存储库。 不幸的是，与HRNet相比，HigherHRNet的结果和性能有些令人失

openpifpaf 经过Linux，MacOS和Windows的持续测试： PifPaf：用于人类姿势估计的复合字段 我们提出了一种用于多人2D人体姿势估计的新的自下而上的方法，该方法特别适合于城市机动性，例如无人驾驶汽车和送货机器人。 新方法PifPaf使用“零件强度场”（PIF）定位身体部位，并使用“零件关联场”（PAF）将身体部位彼此关联以形成完整的人体姿势。 由于（i）我们的新复合场PAF编码了细粒度的信息，并且（ii）选择了包含不确定性概念的回归Laplace损失，因此我们的方法在低分辨率以及拥挤，混乱和遮挡的场景中优于以前的方法。 我们的架构基于完全卷积，单发，无盒设计。 我

VNect-Tensorflow版本 该项目是VNect的tensorflow实现 SIGGRAPH 2017 。 这不是官方实施。 请联系论文作者以获取相关模型。 环境环境 Ubuntu 16.04 Python 2.7 Tensorflow 1.3.0 OpenCV 3.3.0 OpenGL（可选） 推理 1.下载模型，放入文件夹models/weights 2.在shell脚本中编辑演示设置--device --demo_type --model_file --test_img --plot_2d --plot_3d 3.如果使用的是OpenGL，则可以运行run_demo

轻量级人体姿态估计lightweight-human-pose-estimation.rar

PoseNet Python 该存储库包含Google TensorFlow.js Posenet模型的纯Python实现（仅限多姿势）。 对于此之后的（略快）PyTorch实现，请参阅（ ） 我首先或多或少地逐字修改了JS代码，发现性能很低，因此对一些关键函数（命名为_fast ）做了一些矢量化的numpy / scipy版本。 进一步优化是可能的 基本的MobileNet型号在GTX 1080 Ti（或更高版本）上具有200-300 fps的吞吐量 多位置后处理代码使该速率大大降低。 使用快速CPU和GTX 1080+： JS后处理代码的字面翻译将性能降低到大约30fps 我的

图像。视频及实时网络摄像头人类动作位点预测

人体姿势估计 这是UCAS的本科生最后一年项目。 该FYP的目标是检测基于OpenPose的某些人类行为。 快速开始 获得预训练的OpenPose Caffe模型 转到文件夹./model并运行getModels.bat或getModels.sh （取决于您的操作系统）。 获取UR跌倒检测数据集 转到此并下载所有秋天的** -cam0-rgb.zip文件。 将zip文件放入文件夹./dataset/UR/ 安装要求 确保您的环境具有OpenCV，Keras，Numpy，Pandas，Sklearn，Matplotlib等。