将可穿戴IMU与多视图图像融合以进行人体姿势估计：一种几何方法 安装 克隆此仓库，我们将把您克隆的目录称为$ {POSE_ROOT} 安装依赖项。 下载pytorch imagenet预训练的模型。 请在$ {POSE_ROOT} / models下下载它们，并使它们看起来像这样： ${POSE_ROOT}/models └── pytorch └── imagenet ├── resnet152-b121ed2d.pth ├── resnet50-19c8e357.pth └── mobilenet_v2.pth.tar 可以从以下链接下载它们： 资料准备 对于TotalCapture数据集，请从下载并按照处理数据。 我们无权重新分配该数据集。 请不要要求我们提供副本。 对于预先计算的图形模型成对术语，请从下载，并保存在d

Human Pose Evaluator是一个包含人物图像和躯干标注数据，用以识别图像中的人物轮廓，以头，躯干，左右大臂，左右小臂6个线段表示人体轮廓，图像来自电视剧《Buffy the Vampire Slayer》中的画面进行人工标注。

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

数据是从MPII人类姿势收集的，并转化为一个".csv"文件。 mpii_human_pose.csv

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。

论文