基于部分亲和字段PAF的实时多人2D图像姿态估计(OpenPose)

最新推荐文章于 2025-03-02 18:15:00 发布
最新推荐文章于 2025-03-02 18:15:00 发布
阅读量2.4k 收藏 11
点赞数
分类专栏： 深度学习 文章标签： 实时2D人体姿势估计 图像识别 PAF
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/candice5566/article/details/103389960
版权

参考论文：OpenPose: Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields

原文地址：https://arxiv.org/abs/1611.08050

源码地址：https://github.com/CMU-Perceptual-Computing-Lab/openpose

主要方法：

使用非参数表示的方法，我们称之为部分亲和域【PAFs】，用它来学习怎么将身体部分和图像中的个体联系起来。

自下而上

算法流程：

整个检测过程如上图所示，输入一幅图像，然后经过7个stage，得到PCM和PAF。然后根据PAF生成一系列的偶匹配，由于PAF自身的矢量性，使得生成的偶匹配很正确，最终合并为一个人的整体骨架。

网络结构：

a.经过VGG-19的前10层网络得到一个特征度F 

b.网络分成两个循环分支&

最低0.47元/天 解锁文章
openpose：Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields ∗
qq_52053775的博客
01-12 2357
姿态估计任务首先需要检测出人体的各个关键点，将人体关键点进行拼接。任务的困难有，首先，对于关键点检测任务，需要处理遮挡的问题，在拼接的过程中，需要处理多人的情况，即不能将不同人的关键点进行拼接。
OpenPose：使用部分亲和力场的实时多人2D姿态估计
dakenan1的博客
08-22 1897
**核心工作：**提出一种使用非参数表示（PAF）进行自下而上检测图像中多人二维姿态的高精度、实时系统。 多人姿态估计难点： 1. 图像中人体的数量与比例未知； 2. 人与人之间由于接触、遮挡等产生的复杂空间干扰，使得各部分关联变得困难； 3. 计算随着估计的人数增加而增大，对实时性能要求很高。 自上而下人体检测： 1. 先利用目标检测算法检测出单个人体，然后逐个进行单人的关键点检测； 2. 特点...
姿态估计——PifPaf:Composite Fields for Human Pose Estimation
乐亦亦乐的博客
11-28 3129
本文仅作为自己学习过程的一个记录。 论文地址：https://arxiv.org/pdf/1903.06593.pdf GitHub地址：https://github.com/vita-epfl/openpifpaf 官方API：https://vita-epfl.github.io/openpifpaf/intro.html 浏览器在线测试：https://vita-epfl.github.io/openpifpafwebdemo/ https://www.cnpython.com/pyp.
OpenPose
最新发布
qq_52684249的博客
03-02 997
OpenPose是由卡内基梅隆大学提出的基于CNN和PAFs技术的人体姿态估计模型，是对早期CPM等模型的改进。它通过PAFs解决了多人姿态估计中关键点检测与图像中的个体相关联的难题，采用多阶段CNN框架逐步优化结果，实现了高精度、鲁棒的多人姿态估计。OpenPose在COCO和MPII等数据集上取得了领先性能，支持人体、手部、面部和动物姿态估计，广泛应用于动作识别、运动分析等领域。
PAF基于PAF（部分亲和字段）的实时多人2D姿态估计-CMU_openpose
zzyy0929的博客
01-05 1万+
这是CVPR2017的一篇文章。 在本文中，文章通过实时算法来检测图像中多个人的二维姿态。 文章提出了关键点关联的明确的非参数表示，其编码人体肢体的位置和方向。 其次，设计了一个联合学习身体部分检测和身体部分关联的框架。 第三，证明一个贪心解析算法足以产生高质量的身体姿势分析，即使随着图像中人数的增加，效率也会保持高效（但是测试时间会随着人数增加而放缓）。 在文章中展示了代表性的失败案例。本
基于部分亲和字段PAF(Part Affinity Field)的2D图像姿态估计(openpose)
热门推荐
年轻即出发，
05-19 2万+
该文章出自2017年的CVPR，Realtime Multi-Person 2D Pose Estimation using Part Affinity Field，是CMU的工作，效果真的amazing。 也许这篇文章的亮点在于，融合了PCM和PAF的级联cascade形网络结构，网络设计思想和RefineNet的网络设计思想很像，以及相应条件约束的偶匹配（bipartite match...
（基于部分亲和域的实时多人二维姿态估计论文摘要部分）Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields
qq_43543515的博客
06-09 485
1、摘要 我们提出了一种有效检测图像中多个人的二维姿态的方法。这种方法使用了一种非参数表示法，我们称之为部分亲合域(pafs) ，来学习将图像中每个人的身体部位联系起来。 （提到这个ＰＡＦ先介绍一下提出该方法的思路：图（ａ）是已知关键点红色和蓝色之后，所有可能的连线结果。图（ｂ）是一种通过额外检测出一个红蓝关键点之间的中间点（黄色）来确定他们之间的联系，但是在人位置过于集中时很容易产生错误的联系。因此本文提出（ｃ）方法，在红蓝关键点之间预测一种新颖的特征表示，称作part affinity field（ＰＡ
人体姿态估计综述（Monocular Human Pose Estimation: A Survey of Deep Learning-based Methods）
加油
09-06 6712
1. 总述 1.1 应用 电影和动画 虚拟现实 人机交互 视频监控 医疗救助 自动驾驶 运动动作分析 1.2 挑战 人体姿势估计所面临的挑战主要体现在三个方面： 灵活的身体构造表示复杂的关节间关节和高自由度肢体，这可能会导致自我闭塞或罕见/复杂的姿势。 身体外观包括不同的衣服和彼此相似的部分。 复杂的环境可能会导致前景遮挡，附近人遮挡或类似的部分，各种视角以及相机视图中的截断。 1.3 已有的方法 根据是否使用设计的人体模型，可以将这些方法分为生成方法（基于模型）和判别方法（无模型）。
【姿态估计】 深度图姿态识别应用调研
sunnyblogs的博客
05-25 3060
人体姿态识别 人体姿态是人体重要的生物特征之一，有很多的应用场景，如：步态分析、视频监控、增强现实、人机交互、金融、移动支付、娱乐和游戏、体育科学等。姿态识别能让计算机知道人在做什么、识别出这个人是谁。特别是在监控领域、在摄像头获取到的人脸图像分辨率过小的情况下是一个很好的解决方案，还有在目标身份识别系统中可以作为一项重要的辅助验证手段，达到减小误识别的效果。 专利相关 基于深度相机识别人体头部姿态的方法及装置 (中国科学院自动化研究所，201810232468.1) 本发明提供一种基于深度相机识别人体头部
综述专栏 | 姿态估计综述
CV技术指南（微信公众号）
08-01 1570
作者：Ilias Mansouri 翻译：仿佛若有光 Introduction 顾名思义，通过姿势估计，我们尝试从图像中推断出物体或人的姿势。这涉及识别和定位身体上的关键点。由于身体的小关节、遮挡和缺乏上下文、旋转和方向，关键点的识别是一项非常具有挑战性的任务。在本文其余部分将主要关注人体姿势估计的情况下，膝盖、肘部、肩部和手腕等主要关节代表这些关键点。 在分类方面，姿态估计器可以分为以下几类： 维度（2D 与 3D） 单姿势和多姿势（检测一个或多个物体） 方法论（基于关键点与基于实例） 我们
人体姿态估计综述
qq_42316533的博客
05-31 1万+
任务介绍 人体姿态估计的目标是从给定的图像或视频中确定人的身体关键点（部位/关节）的位置或空间位置，如图一所示，因此，姿态估计使用基于图像的观察获得关节人体的姿态，关节人体由关节和刚性部分组成。 在估计给定图像中的人体姿势时，最常见的两种方法：1）Top-down的方法，处理从低分辨率到高分辨率进行，首先使用边界框对象检测器检测图像中的各个实例，然后重点确定它们的姿态。如图5： 然而这些方法总是受到早期检测的影响，这意味着如果最开始对个人的检测失败，就没有恢复的可能性。此外，当多个个体有重叠，模型很容易
姿态论文整理--02-Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields
daniaokuye的专栏
11-25 1399
Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields（发表于2017年4月14）可以对多人场景的人体姿态进行识别，得到2D火柴棒。这篇论文是bottom-up（先检测肢干[keypoints or parts]，再归类为不同个体）方法。其中构建肢干间联系是这篇文章的重点。许多方法都是单人姿态估计，这篇是处理多人场景，所
基于部分亲和字段PAF实时多人2D姿态估计
浪浪的博客
03-07 2598
摘要 本文提出一种在图片中高效识别多人2D动作。该方法使用无参函数并通过学习图片中每个人身体相关部分，我们称之为PAFs。该方法编译全局环境，允许一个greed booton-up parsing，在实现实行性能的同时保持高精度，而不论图像中有多少人。该架构旨在通过相同序列预测过程的两个分支联合学习部分位置及其关联。我们的方法在COCO2016骨骼点挑战赛上首次提出，并且以显著的优势超...
Openpose
qq_33690342的博客
09-12 3017
OpenPose基于Part Affinity Fields（PAFs，部件亲和场）的概念，这是一种非参数化的表示方法，用于学习图像中个体的身体部位之间的关联。是否在某个肢体（limb）上的方法主要依赖于部件亲和场（Part Affinity Fields，简称PAFs）。OpenPose是一个开源库，可以用于身体、脚、手和面部关键点的实时检测，广泛应用于需要2D人体姿态估计的计算机视觉和机器学习应用。采用多阶段CNN架构，每个阶段都会迭代预测PAFs和置信度图，并通过中间监督来细化预测结果。
openpose姿态估计详解【学习笔记】
qq_23022733的博客
08-15 7606
整体框架如下，1张图片经过CNN网络后分成2个网络，Parts Detection网络是预测关键点，Parts Association网络是预测方向，人体18个关键点总共需要19个不同的方向，而确定方向至少需要1个平面，即。stage越多相当于层数越深，模型感受野越大，姿态估计需要更大的感受野，因为进行关键点检测需要更多关于人体的信息，所以感受野越大则人体的信息越多，关键点检测越能检测准确。在本项目中，需要检测人体18个关键点，除了下图所标注的17个关键点外，还有1个脖子关键点。2、姿势的‘亲和力’向量。
深度学习论文翻译 -- OpenPose
DAOCHI
03-11 1872
本文翻译为关节点估计论文：OpenPose（2017）， Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields. 论文链接：https://arxiv.org/abs/1812.08008 开源链接：https://github.com/CMU-Perceptual-Computing-Lab/openpose 我们知道，OpenPose是个开源的工程，并且资源丰富完整，无论是windows，还是Linux下，都有相应的完整
【姿态估计文章阅读】PifPaf: Composite Fields for Human Pose Estimation
小欧欧的博客
11-05 4207
一、CVPR2019，内容上还是比较厉害的，代码：https://github.com/vita-epfl/openpifpaf 二、主要思想 1、提出了Part Intensity Field (PIF)来提升heatmap在高分辨率下的精度 2、利用Part Association Field (PAF)来连接joints 3、本文方法主要...
清华&美团提出：DABERT — 双流注意力增强型BERT，自适应融合提升模型效果 | COLING'22...
zenRRan的博客
10-14 1768
每天给你送来NLP技术干货！今天给大家分享一篇 COLING 2022 中关于语义匹配任务的工作，作者分别来自于清华大学和美团????COLING是国际计算语言学会议，是自然语言处理和计算语言学领域的顶级会议之一，于2022年10月12日至17日在韩国庆州举行Paper link：http://arxiv.org/abs/2210.03454文章大纲1. Abstract这篇paper主要是针对于传统的...
OpenPose学习笔记
caixukun110的博客
04-19 5385
OpenPose: Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields简单介绍
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值