人体姿态估计(Human Pose Estimation)---优质学习资源

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/chenyuping333/article/details/82901638

目录

0、简介

1、2D人体姿态估计

2、3D人体姿态估计

3、其他知识


                                          这是一个简单的资源仅供参考

0、简介

姿态估计的目标是在RGB图像或视频中描绘出人体的形状,这是一种多方面任务,其中包含了目标检测、姿态估计、分割等等。有些需要在非水平表面进行定位的应用可能也会用到姿态估计,例如图形、增强现实或者人机交互。姿态估计同样包含许多基于3D物体的辨认。

人体姿态估计可以分为二维(2D)和三维(3D)的姿态估计,下面推荐一些简单的资源;

1、2D人体姿态估计

(1)综述2015:A Survey on Human Pose Estimation(人体姿态估计综述)

传送门:https://www.tandfonline.com/doi/abs/10.1080/10798587.2015.1095419

摘要:

人体姿态估计由于其重要的应用价值和理论意义而受到广泛关注。 对人体姿势估计的系统调查将是非常有意义的。 但是,相关研究在这方面明显落后。 为此,我们讨论了人体姿态估计的困难,并给出了数据驱动概述最近进行人体姿态估计的方法,包括基于深度的方法和传统的基于图像的方法。 虽然本研究的重点是使用深度和RGB图像数据的方法,但我们还讨论了基于物体检测和动作识别的人体姿态估计方法。 最后,我们向研究人员提供一些分析建议。

(2)六种人体姿态估计的深度学习模型和代码总结:https://zhuanlan.zhihu.com/p/38597956

(3)人体姿态估计综述:https://blog.csdn.net/qq_36165459/article/details/78320535?locationNum=10&fps=1

(4)人体姿态估计(Human Pose Estimation)文献综述:https://blog.csdn.net/BockSong/article/details/81037059

(5)Paper List:CVPR 2018 人体姿态估计相关:https://blog.csdn.net/BockSong/article/details/80899689

2、3D人体姿态估计

(1)综述2016:3D Human pose estimation: A review of the literature and analysis of covariates(3D人体姿势估计:文献综述和协变量分析)

传送门:https://www.sciencedirect.com/science/article/pii/S1077314216301369

摘要:

在给定图像或视频的情况下估计人体3D姿势最近受到了科学界的极大关注。这种趋势的主要原因是不断增加的新应用范围(例如,人机交互,游戏,运动性能分析),这些应用是由当前的技术进步驱动的。尽管最近的方法已经处理了若干挑战并且已经报告了显着的结果,但是3D姿态估计仍然是一个很大程度上未解决的问题,因为现实生活中的应用带来了一些挑战,现有方法没有完全解决 例如,估计室外环境中多人的3D姿势仍然是一个很大程度上未解决的问题。在本文中,我们回顾了RGB图像或图像序列的3D人体姿态估计的最新进展。我们基于输入(例如,单个图像或视频,单眼或多视图)提出方法的分类,并且在每种情况下,我们根据其关键特征对方法进行分类。为了概述当前的能力,我们对专门为此任务创建的综合数据集进行了广泛的实验评估,并将其基本事实公之于众,以供研究之用。最后,我们对通过审阅文献和实验结果所获得的见解进行了深入的讨论。确定了未来的方向和挑战。为了概述当前的能力,我们对专门为此任务创建的综合数据集进行了广泛的实验评估,并将其基本事实公之于众,以供研究之用。最后,我们对通过审阅文献和实验结果所获得的见解进行了深入的讨论。确定了未来的方向和挑战。为了概述当前的能力,我们对专门为此任务创建的综合数据集进行了广泛的实验评估,并将其基本事实公之于众,以供研究之用。最后,我们对通过审阅文献和实验结果所获得的见解进行了深入的讨论。确定了未来的方向和挑战。

(2)综述2009:Single camera 3D human pose estimation: A Review of current techniques(单摄像机3D人体姿态估计:对当前技术的回顾

传送门:https://ieeexplore.ieee.org/document/5412094

摘要:

在娱乐和游戏行业,体育科学,步态分析和视频监控等许多应用中,基于视觉的技术来估计单人相机的3D人体姿势非常重要。虽然事实上基于光学的运动捕捉系统在估计3D人体姿势时非常准确,但基于视觉的技术提供了更好的选择,因为后者更便宜且非侵入性。在本文中,我们回顾了近期在单相机3D人体姿态估计技术方面取得的重大进展。我们讨论了所面临的挑战,使用的典型图像观察,应对挑战的方法以及突出现有技术的局限性。我们总结本文,推测未来的研究方向以及开放的研究问题。

(3)论文2016:3D Human Pose Estimation = 2D Pose Estimation + Matching(3D人体姿势估计= 2D姿态估计+匹配

一看题目,觉得很有意思的一篇文章。

摘要:

我们从单个RGB图像探索3D人体姿势估计。虽然许多方法试图直接从图像测量预测3D姿态,但我们探索了一种简单的结构,通过中间2D姿势预测来推理。我们的方法基于两个关键观察结果(1)深度神经网络已经彻底改变了2D姿态估计,即使对于具有自遮挡的姿势也能产生精确的2D预测。(2)3D mocap数据的大数据集现在已经很容易获得,因此很容易通过简单的记忆(例如,最近的邻居)将预测的2D姿势提升到3D。利用现成的2D姿态估计系统和3D mocap库实现最终的体系结构是微不足道的。重要的是,我们证明这些方法优于几乎所有最先进的3D姿态估计系统,

(4)3D姿态估计 行为识别:https://zhuanlan.zhihu.com/p/40568462

5)其他资源:自行谷歌搜索(下面的链接为谷歌镜像)

传送门:https://rain.likeso.ml/search?source=hp&ei=sGivW4WFDIHd9QPv2oTwCg&q=human+pose+estimation+overview&btnK=Google+%E6%90%9C%E7%B4%A2

 

3、其他知识

(1)检测与姿态估计的评价标准:https://blog.csdn.net/xiaojiajia007/article/details/78746149

 

展开阅读全文

没有更多推荐了,返回首页