人体姿态检测相关文献列表

AlphaPose 是一个精准的多人姿态估计系统，是首个在 COCO 数据集上可达到 70+ mAP（72.3 mAP，高于 Mask-RCNN 8.2 个百分点），在 MPII 数据集上可达到 80+ mAP（82.1 mAP）的开源系统。为了能将同一个人的所有姿态关联起来，AlphaPose 还提供了一个称为 Pose Flow 的在线姿态跟踪器，这也是首个在 PoseTrack 挑战数据集上达到 60+ mAP（66.5 mAP）和 50+ MOTA（58.3 MOTA）的开源在线姿态跟踪器，精准度高于现有技术的最好结果。

人体姿态估计的模型，用于HOReID，pytorch版本，解压即可使用，注意网络结构必须名字一致否则读取失败！

CPN网络的测试代码，infer推理过程的python实现，https://github.com/chenyilun95/tf-cpn

本文设计的人体姿态检测及数据传输系统系统，采用了ST公司推出的iNEMO模块，该模块包含三轴加速度计、三轴磁力计、三轴陀螺仪和压力传感器，并将10自由度的传感器模块和32位MCU整合在一起，同时还配备多个通信接口。

第一次尝试使用 OpenCV 基于深度学习的人体姿态估计的COCO 模型和MPII 模型

人体姿态检测摔倒检测源码，内含训练好的模型和素材，下载即可运行检测老人行人摔倒，可支持图片检测本地视频检测网络摄像头检测。

win10环境下的openpose版本，基于cudnn5.1,CUDNA8，可用于人体骨骼识别（面部+手+身体各部位）

使用深度学习网络处理人体关节点定位的人体姿态识别

该课题为基于MATLAB差影法的人体姿态识别。带有一个GUI可视化界面。需要准备对应的模板图片作为背景图，然后测试图和背景图进行作差，结合形态学知识，提取出人体轮廓，接上最外接矩形，得出矩形长宽，计算长宽比例，从而判断人体姿态。优点是通俗易懂，缺点是局限性大，因为对背景图片要求比较高。另外可改造成不需要模板图片的纯形态学或者利用帧差法识别的基于视频的人体行为检测。