openpose原理以及各种细节的介绍

目录

前言：

效果演示：

视频效果

完整代码+UI界面

---

前言：

   OpenPose是一个基于深度学习的人体姿势估计库，它可以从图像或视频中准确地检测和估计人体的关键点和姿势信息。OpenPose的目标是将人体姿势估计变成一个实时、多人、准确的任务。——本节介绍openpose的原理部分

把关键点按照定义好的规则从上到下把它拼接起来——top-down，先做目标检测，检测到每一个目标框，然后在框里面进行特征点连接，所以不会出现这个人连到另外一个人的部位去

Top-dowm（先做检测再做回归，与传统的目标检测RCNN系列很像）的方法的问题：

相比较与传统的top-dowm来说，openpose是没有进行目标检测的，在目标没有框的时候来做任务。。

通过回归损失，得到每一个关键点的特征图，18个关键点就18张特征图。

在实际打标签的时候就需要把标签做成热度图，而且在实际肩膀的位置是1，如果你打的点远离肩膀，那就是0.9，0.8，0.7，每一个点都要进行高斯分布形成一个热度图

右下角是飞镖游戏举的例子

PAF就是将属于同一个人的不同关键点按顺序拼接，而且是有方向的，重点是这个方向！！！白色衣服人的肩膀的点会与所有的粉色点连接，但是要找到最适合属于同一个人的，就是PAF做的事

分为两个网络。第一个网络预测18个特征图，每一张特征图表示当前预测的是什么部位

19种不同的连接方式规则，每一种连接方式都要预测他们的方向，因为每种连接方式有两个方向，19*2（x，y）=38种不同的连接方向

如何确定关键点的连接？ 下图一个头连接了两个脖子，如果你能告诉我哪个得分高，那就迎刃而解了。匈牙利匹配？二分图

这个匹配与向量大小无关，仅更方向有关，所以在打标签的时候，都是做成了单位向量，它只有方向没有大小。

标签定义，两条垂线是有阈值的，然后做出矩形，但凡落到矩形中的，那就是跟v是同一个方向的，只保留掉落在矩形面积中的点，其他点全部去掉。   

19组连接方式，38个特征图，每个特征图代表x或者y方向。  19是先验，作者规定的，头连鼻子，鼻子连脖子，脖子连肩膀等等。。。。。。。。。

下图 是实际做出了的效果：

得到PFA的标签后（包括所有人该连接处的向量），开始计算方向相同的值，

下图的上方是各种打乱的方向，他们是预测值，调整预测值的方向相同的值，而右下角是标注的图，是同一个方向的

再看看下图的上方，明显右边计算出来的积分（投影的思想）更大也就是权重更大，所以选择这个方向

计算完PAF权值计算后开始连接

如何确定关键点的连接？

如果能给我一个权值（分数，代价矩阵）这件事就能做了

基于上图的预测值和真实标注值后，那怎么判断预测值是左边的可能性大呢，还是右边的可能性大呢？

积分的思想，可以想象成求近似。

左边，计算几个矩形的面积，那简单，计算出来相加就行

但是右边，矩形如果有无限多个，就不好计算了，用积分近似，计算当前xy轴围成的面积

原来投影是这样用的。 当两个向量相同的时候，他们的内积是最大的，因为cos0等于1。也就是投影是最大的，如果有夹角，夹角越大那么投影就越小。现在的目标就是找到最大的投影也就是同个方向的

预测的时候，比如有b这两种点，需要判断a分别到各个绿色的的点的方向，是否跟a与b的方向解决或者相同，越接近的就是这条线的概率就越大。那为什么需要积分呢？ 因为当这个部位非常超级很多个点的时候，单单计算面积之和已经不好使了，需要用积分来近似。

但是为了计算高效性，作者在预测的时候，把文件编译成C，

匹配结果：

先做完这一步

如果同时考虑多种匹配，那太难了

咱们固定好就是二分图，这个固定就是作者预先设定好的那个规则，谁连谁都事先指定好了。这样可以直接套匈牙利算法

然后看看这个例子：第一个红点与下面的三个蓝色点，那肯定是第一个的积分最大，绿色先的积分肯定要小于黄色的

细节说完了。

现在说说整体框架图

首先输入图像a，b帮我们估计18个关键点实际的位置，18个关键点那就会生成 18个特征图（看B，好几张特征图）。

c图也是18张特征图，每张特征图有19*2种？

d图使用积分计算出谁更大就选择谁

e图把所有结果连接起来

网络结构

Convolutional Pose Machines  CPM当年类型的模型（感受野要大层数要深，每个stage都加上了loss）

级联的思想：

Stage1，2，3一层一层的修正，一层一层逐层优化，是当年很流行的做法

序列的作用

多个stage，相当于纠正的过程，不断调整预测结果

制定好谁跟谁连接，按照先后顺序来的

[[1, 8], [8, 9], [9, 10], [1, 11], [11, 12], [12, 13], [1, 2], [2, 3], [3, 4], [2, 14], [1, 5], [5, 6], [6, 7], [5, 15], [1, 0], [0, 14], [0, 15], [14, 16], [15, 17]] 

超过了一定范围，那就是0了，只有中心点是1

整体框架

两个分支都要经过多个阶段，注意每个阶段后要把特征拼接一起

Openpose不仅能估计人体躯干的，人脸的，手的也可以。

效果演示：

视频效果

历史记录

 

完整代码+UI界面

视频，笔记和代码,以及注释都已经上传网盘，放在主页置顶文章