Human Pose Estimation浅述

0.摘要

在实际求解时，对人体姿态的估计常常转化为对人体关键点的预测问题，即首先预测出人体各个关键点的位置坐标，然后根据先验知识确定关键点之间的空间位置关系，从而得到预测的人体骨架。
姿态估计问题可以分为两大类：2D姿态估计和3D姿态估计。顾名思义，前者是为每个关键点预测一个二维坐标 （x,y) ；后者是为每个关键点预测一个三维坐标 (x,y,z) ，增加了一维深度信息。

1. 2D姿态估计

对于2D姿态估计，当下研究的多为多人姿态估计，即每张图片可能包含多个人。解决该类问题的思路通常有两种：top-down和bottom-up：

top-down的思路是首先对图片进行目标检测，找出所有的人；然后将人从原图中crop出来，resize后输入到网络中进行姿态估计。换言之，top-down是将多人姿态估计的问题转化为多个单人姿态估计的问题。
bottom-up的思路是首先找出图片中所有关键点，然后对关键点进行分组，从而得到一个个人。

1.1Top-down

网络的输入就是包含一个人的bounding box，
网络的输出的是人的 k个关键点坐标，因为有横纵坐标轴，所以一共要回归2k个数字。有两种预测思路：
1.直接对坐标进行回归：网络的输出是经过fc层输出的2k个数字
2.heatmap：对featuremap每个点进行热力值预测，可以获得heatmap，heatmap上最大值即为关键点的坐标

参考文献：
https://zhuanlan.zhihu.com/p/104917833