姿态跟踪“Pose Flow: Efficient Online Pose Tracking ”

复杂场景下多人关节姿态跟踪，论文设计了一个在线的优化网络建立帧间姿态关系，并形成姿态流，此外设计了一个姿态流非极大值抑制减少冗余姿态流，重新建立时间上不相交姿态的联系。实验在两个姿态跟踪数据库上Pose Tracking datasets
([Iqbal et al., 2017] and [Girdhar et al., 2017])对比。

多人姿态跟踪方法分两种，自上而下的和自下而上的。自上而下的方法首先检测人体bbox，估计关键点，跟踪box。自下而上的方法每帧检测出候选，建立时空图，形成每个人的姿态轨迹。自上而下的方法比较有前景，但受到遮挡、截断、图片模糊等问题，如下图所示，这需要帧间共享信息。

**方法结构**

两步法，pose flow building和pose flow NMS

**基本概念**

1.帧内姿态距离

衡量同一帧两个姿态的相似度，软匹配函数为：

其中$c_1，c_2$是姿态$p_1，p_2$的关键点，关键点直接的空间距离为：

2. 帧间姿态距离使用ORB匹配计算

**Pose Flow Building**

姿态估计通过在帧间建立同一个人的关系建立，对于某个姿态，在后续帧建立候选关联姿态集，即：

其中dc是ORB距离。对于从t到（t+T）帧，最大化目标函数：

其中，s(P)是姿态P的置信度得分，与box得分和关键点得分有关。

**Pose Flow NMS**

1.Pose Flow Distance

对于任意两个姿态流，提取它们时间上相交的子流，两个姿态流的距离为：

其中df()是帧内姿态距离

2.姿态流融合

具有最大置信度得分的姿态流作为参考，通过使用dPF()，融合靠近参考姿态流的其他流，形成新的姿态流，即代表姿态流，代表姿态流的关键点2D坐标和置信度得分分别为：

姿态流NMS的示意图为：

**实验结果**