目錄

1、人體姿態(tài)估計(jì)簡(jiǎn)介

2、人體姿態(tài)估計(jì)數(shù)據(jù)集

3、OpenPose庫(kù)

4、實(shí)現(xiàn)原理

5、實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)

6、實(shí)現(xiàn)代碼

1、人體姿態(tài)估計(jì)簡(jiǎn)介

人體姿態(tài)估計(jì)（Human Posture Estimation），是通過(guò)將圖片中已檢測(cè)到的人體關(guān)鍵點(diǎn)正確的聯(lián)系起來(lái)，從而估計(jì)人體姿態(tài)。

人體關(guān)鍵點(diǎn)通常對(duì)應(yīng)人體上有一定自由度的關(guān)節(jié)，比如頸、肩、肘、腕、腰、膝、踝等，如下圖。

?

通過(guò)對(duì)人體關(guān)鍵點(diǎn)在三維空間相對(duì)位置的計(jì)算，來(lái)估計(jì)人體當(dāng)前的姿態(tài)。

進(jìn)一步，增加時(shí)間序列，看一段時(shí)間范圍內(nèi)人體關(guān)鍵點(diǎn)的位置變化，可以更加準(zhǔn)確的檢測(cè)姿態(tài)，估計(jì)目標(biāo)未來(lái)時(shí)刻姿態(tài)，以及做更抽象的人體行為分析，例如判斷一個(gè)人是否在打電話等。

人體姿態(tài)檢測(cè)的挑戰(zhàn)：

1. 每張圖片中包含的人的數(shù)量是未知的。
2. 人與人之間的相互作用是非常復(fù)雜的，比如接觸、遮擋等，這使得聯(lián)合各個(gè)肢體，即確定一個(gè)人有哪些部分變得困難。
3. 圖像中人越多，計(jì)算復(fù)雜度越大（計(jì)算量與人的數(shù)量正相關(guān)），這使得實(shí)時(shí)檢測(cè)變得困難。

2、人體姿態(tài)估計(jì)數(shù)據(jù)集

由于缺乏高質(zhì)量的數(shù)據(jù)集，在人體姿勢(shì)估計(jì)方面進(jìn)展緩慢。在近幾年中，一些具有挑戰(zhàn)性的數(shù)據(jù)集已經(jīng)發(fā)布，這使得研究人員進(jìn)行研發(fā)工作。人體姿態(tài)估計(jì)常用數(shù)據(jù)集：

• COCO Keypoints challenge?
• MPII Human Pose Dataset
• VGG Pose Dataset
• CMU Panoptic Dataset（本案例所用數(shù)據(jù)集）

3、OpenPose庫(kù)

?OpenPose人體姿態(tài)識(shí)別項(xiàng)目是美國(guó)卡耐基梅隆大學(xué)（CMU）基于卷積神經(jīng)網(wǎng)絡(luò)和監(jiān)督學(xué)習(xí)并以Caffe為框架開(kāi)發(fā)的開(kāi)源庫(kù)?？梢詫?shí)現(xiàn)人體動(dòng)作、面部表情、手指運(yùn)動(dòng)等姿態(tài)估計(jì)。適用于單人和多人，具有極好的魯棒性。是世界上首個(gè)基于深度學(xué)習(xí)的實(shí)時(shí)多人二維姿態(tài)估計(jì)應(yīng)用，基于它的實(shí)例如雨后春筍般涌現(xiàn)。

其理論基礎(chǔ)來(lái)自Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields ，是CVPR 2017的一篇論文，作者是來(lái)自CMU感知計(jì)算實(shí)驗(yàn)室的曹哲（http://people.eecs.berkeley.edu/~zhecao/#top）,Tomas Simon,Shih-En Wei,Yaser Sheikh?。

人體姿態(tài)估計(jì)技術(shù)在體育健身、動(dòng)作采集、3D試衣、輿情監(jiān)測(cè)等領(lǐng)域具有廣闊的應(yīng)用前景，人們更加熟悉的應(yīng)用就是抖音尬舞機(jī)。

OpenPose項(xiàng)目Github鏈接：https://github.com/CMU-Perceptual-Computing-Lab/openpose

4、實(shí)現(xiàn)原理

1. 輸入一幅圖像，經(jīng)過(guò)卷積網(wǎng)絡(luò)提取特征，得到一組特征圖，然后分成兩個(gè)岔路，分別使用 CNN網(wǎng)絡(luò)提取Part Confidence Maps 和 Part Affinity Fields；
2. 得到這兩個(gè)信息后，我們使用圖論中的 Bipartite Matching（偶匹配） 求出Part Association，將同一個(gè)人的關(guān)節(jié)點(diǎn)連接起來(lái)，由于PAF自身的矢量性，使得生成的偶匹配很正確，最終合并為一個(gè)人的整體骨架；
3. 最后基于PAFs求Multi-Person Parsing—>把Multi-person parsing問(wèn)題轉(zhuǎn)換成graphs問(wèn)題—>Hungarian Algorithm(匈牙利算法)

（匈牙利算法是部圖匹配最常見(jiàn)的算法，該算法的核心就是尋找增廣路徑，它是一種用增廣路徑求二分圖最大匹配的算法。)

5、實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)

階段一：VGGNet的前10層用于為輸入圖像創(chuàng)建特征映射。

階段二：使用2分支多階段CNN，其中第一分支預(yù)測(cè)身體部位位置（例如肘部，膝部等）的一組2D置信度圖（S）。 如下圖所示，給出關(guān)鍵點(diǎn)的置信度圖和親和力圖 - 左肩。

第二分支預(yù)測(cè)一組部分親和度的2D矢量場(chǎng)（L），其編碼部分之間的關(guān)聯(lián)度。 如下圖所示，顯示頸部和左肩之間的部分親和力。

階段三：?通過(guò)貪心推理解析置信度和親和力圖，對(duì)圖像中的所有人生成2D關(guān)鍵點(diǎn)。

6、實(shí)現(xiàn)代碼

            
              import cv2 as cv
import numpy as np
import argparse

parser = argparse.ArgumentParser()
parser.add_argument('--input', help='Path to image or video. Skip to capture frames from camera')
parser.add_argument('--thr', default=0.2, type=float, help='Threshold value for pose parts heat map')
parser.add_argument('--width', default=368, type=int, help='Resize input to specific width.')
parser.add_argument('--height', default=368, type=int, help='Resize input to specific height.')

args = parser.parse_args()

BODY_PARTS = { "Nose": 0, "Neck": 1, "RShoulder": 2, "RElbow": 3, "RWrist": 4,
               "LShoulder": 5, "LElbow": 6, "LWrist": 7, "RHip": 8, "RKnee": 9,
               "RAnkle": 10, "LHip": 11, "LKnee": 12, "LAnkle": 13, "REye": 14,
               "LEye": 15, "REar": 16, "LEar": 17, "Background": 18 }

POSE_PAIRS = [ ["Neck", "RShoulder"], ["Neck", "LShoulder"], ["RShoulder", "RElbow"],
               ["RElbow", "RWrist"], ["LShoulder", "LElbow"], ["LElbow", "LWrist"],
               ["Neck", "RHip"], ["RHip", "RKnee"], ["RKnee", "RAnkle"], ["Neck", "LHip"],
               ["LHip", "LKnee"], ["LKnee", "LAnkle"], ["Neck", "Nose"], ["Nose", "REye"],
               ["REye", "REar"], ["Nose", "LEye"], ["LEye", "LEar"] ]

inWidth = args.width
inHeight = args.height

net = cv.dnn.readNetFromTensorflow("graph_opt.pb")

cap = cv.VideoCapture(args.input if args.input else 0)

while cv.waitKey(1) < 0:
    hasFrame, frame = cap.read()
    if not hasFrame:
        cv.waitKey()
        break

    frameWidth = frame.shape[1]
    frameHeight = frame.shape[0]
    
    net.setInput(cv.dnn.blobFromImage(frame, 1.0, (inWidth, inHeight), (127.5, 127.5, 127.5), swapRB=True, crop=False))
    out = net.forward()
    out = out[:, :19, :, :]  # MobileNet output [1, 57, -1, -1], we only need the first 19 elements

    assert(len(BODY_PARTS) == out.shape[1])

    points = []
    for i in range(len(BODY_PARTS)):
        # Slice heatmap of corresponging body's part.
        heatMap = out[0, i, :, :]

        # Originally, we try to find all the local maximums. To simplify a sample
        # we just find a global one. However only a single pose at the same time
        # could be detected this way.
        _, conf, _, point = cv.minMaxLoc(heatMap)
        x = (frameWidth * point[0]) / out.shape[3]
        y = (frameHeight * point[1]) / out.shape[2]
        # Add a point if it's confidence is higher than threshold.
        points.append((int(x), int(y)) if conf > args.thr else None)

    for pair in POSE_PAIRS:
        partFrom = pair[0]
        partTo = pair[1]
        assert(partFrom in BODY_PARTS)
        assert(partTo in BODY_PARTS)

        idFrom = BODY_PARTS[partFrom]
        idTo = BODY_PARTS[partTo]

        if points[idFrom] and points[idTo]:
            cv.line(frame, points[idFrom], points[idTo], (0, 255, 0), 3)
            cv.ellipse(frame, points[idFrom], (3, 3), 0, 0, 360, (0, 0, 255), cv.FILLED)
            cv.ellipse(frame, points[idTo], (3, 3), 0, 0, 360, (0, 0, 255), cv.FILLED)

    t, _ = net.getPerfProfile()
    freq = cv.getTickFrequency() / 1000
    cv.putText(frame, '%.2fms' % (t / freq), (10, 20), cv.FONT_HERSHEY_SIMPLEX, 0.5, (0, 0, 0))

    cv.imshow('OpenPose using OpenCV', frame)
            
          

本項(xiàng)目實(shí)現(xiàn)代碼及模型參見(jiàn)網(wǎng)址：https://download.csdn.net/download/m0_38106923/11265524