人体姿态估计常用数据集介绍

已于 2025-04-29 16:33:33 修改
阅读量747 收藏 9
点赞数 6
分类专栏： # 数据集介绍整理 文章标签： 人体姿态估计 深度学习 数据集
于 2025-04-29 15:07:26 首次发布
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/qq_54556560/article/details/147612269
版权

目录

一、人体姿态估计研究方向简介

二、人体姿态估计常用数据集介绍 

1. COCO Keypoints

2. MPII Human Pose

3. Human3.6M

4. AI Challenger Human Keypoint Detection

5. Leeds Sports Pose (LSP) 及其扩展版 LSP Extended

6. PoseTrack

7. CrowdPose

8. OCHuman

9. 3DPW (3D Poses in the Wild)

10. SURREAL

数据集分类总结

研究方向趋势

一、人体姿态估计研究方向简介

人体姿态估计（Human Pose Estimation）是计算机视觉领域的核心任务之一，旨在从图像或视频中检测并定位人体的关键解剖部位（如关节、头部、四肢等），构建人体骨架模型。其核心目标包括：

  • 2D姿态估计：在图像平面上预测人体关键点的二维坐标。

  • 3D姿态估计：进一步恢复关键点的三维空间位置，或估计关节角度。

  • 多人姿态估计：在复杂场景中同时检测多人的姿态，解决遮挡、密集人群等问题。

应用场景广泛，包括动作识别、人机交互、运动分析、虚拟现实、医疗康复等。近年来，随着深度学习技术的进步，姿态估计在精度和实时性上均取得显著突破。

二、人体姿态估计常用数据集介绍 

1. COCO Keypoints

  • 数据规模：超过20万张图像，25万标注人体实例，包含17个关键点（头、四肢、躯干）。

  • 标注特点：提供2D关键点坐标、遮挡标签、人体检测框，覆盖室内外复杂场景。

  • 应用场景：通用多人姿态估计基准，支持目标检测与姿态估计联合任务。

  • 挑战：遮挡、小目标、复杂背景，多人密集场景下的歧义性。

  • 官网：COCO - Common Objects in Context

2. MPII Human Pose

  • 数据规模：约25,000张图像，40,000人体实例，16个关键点标注。

  • 标注特点：包含丰富的日常活动（如运动、烹饪）和3D关节角度（部分数据）。

  • 应用场景：适用于单人姿态估计，尤其关注复杂动作的多样性。

  • 挑战：大范围肢体形变、非对称姿态、罕见动作。

  • 官网：http://human-pose.mpi-inf.mpg.de/

3. Human3.6M

  • 数据规模：360万帧视频，11名演员，17个关键点的3D坐标。

  • 标注特点：多视角同步视频（4个摄像机）、3D运动捕捉数据、动作类别标签（如走路、打电话）。

  • 应用场景：3D姿态估计与动作识别的黄金基准，常用于模型泛化能力测试。

  • 挑战：从单目图像恢复3D姿态的深度歧义性，光照与服装变化。

  • 官网：http://vision.imar.ro/human3.6m/

4. AI Challenger Human Keypoint Detection

  • 数据规模：31万张图像，38个关键点（包含手部细节）。

  • 标注特点：中文场景数据，覆盖多种体型、年龄、光照条件。

  • 应用场景：细粒度姿态估计，适用于手势识别等任务。

  • 挑战：多样化的服饰（如长袖遮挡手部）、复杂背景。

  • 官网：https://challenger.ai/

5. Leeds Sports Pose (LSP) 及其扩展版 LSP Extended

  • 数据规模：LSP含2,000张运动场景图像，LSP Extended增至11,000张。

  • 标注特点：14个关键点，专注于体育动作（如田径、体操）。

  • 应用场景：研究运动姿态的极端形变和遮挡问题。

  • 挑战：高难度动作下的关键点可见性低，快速运动导致的模糊。

  • 官网：LSPe - Leeds Sports Pose Extended — dbcollection 0.2.6 documentation

6. PoseTrack

  • 数据规模：视频片段超过1,500段，30万帧，多人标注。

  • 标注特点：2D关键点与跨帧人体ID跟踪标签。

  • 应用场景：视频中的多人姿态估计与跟踪联合任务。

  • 挑战：长时遮挡、跨帧姿态一致性、快速运动导致的ID切换。

7. CrowdPose

  • 数据规模：20,000张图像，包含80,000个高度拥挤场景中的人体实例。

  • 标注特点：14个关键点，强调密集人群中的遮挡与重叠。

  • 应用场景：优化拥挤环境下的多人姿态估计算法。

  • 挑战：极端拥挤导致的关键点误匹配、检测框重叠。 

8. OCHuman

  • 数据规模：5,000张图像，13个关键点，专注于严重遮挡场景。

  • 标注特点：80%以上实例存在重度遮挡（如被物体或其他人遮挡）。

  • 应用场景：测试模型在遮挡条件下的鲁棒性。

  • 挑战：关键点可见性极低，依赖上下文推理。

9. 3DPW (3D Poses in the Wild)

  • 数据规模：60段室外视频，3D姿态与形状参数（SMPL模型）。

  • 标注特点：单目视频中的3D姿态、相机参数、背景动态变化。

  • 应用场景：室外环境下的单目3D姿态估计与人体建模。

  • 挑战：动态光照、复杂背景干扰、无标记3D重建。

  • 官网：3DPW | Real Virtual Humans

10. SURREAL

  • 数据规模：合成数据，600万张图像，3D关键点与人体形状。

  • 标注特点：通过CG生成多样化人体动作、光照与纹理。

  • 应用场景：3D姿态估计模型的预训练与域适应研究。

  • 挑战：合成到真实场景的泛化能力。

数据集分类总结

类别代表性数据集核心特点
通用2D姿态COCO, MPII, AI Challenger多样场景、多人检测
3D姿态Human3.6M, 3DPW, SURREAL多视角、运动捕捉、合成数据
视频姿态跟踪PoseTrack跨帧ID关联、时序一致性
遮挡与拥挤CrowdPose, OCHuman极端遮挡、密集人群
特定动作LSP, Human3.6M运动姿态、复杂动作

研究方向趋势

未来研究将更关注：

  1. 弱监督/自监督学习：减少对高成本3D标注的依赖。

  2. 多模态融合：结合IMU、深度传感器等多源数据。

  3. 实时性与轻量化：部署到移动端或边缘设备。

  4. 复杂场景泛化：解决遮挡、光照变化、动态背景等问题。

 如果此文章对您有所帮助，那就请点个赞吧，收藏+关注 那就更棒啦，十分感谢！！！ 

人体姿态估计相关的开源数据集汇总与介绍
QromMatlab的博客
09-21 1907
COCO数据集提供了丰富的姿态变化和复杂场景的图像，是人体姿态估计领域的重要基准数据集。在本文中，我们将介绍一些常用的开源数据集，这些数据集广泛应用于人体姿态估计的研究和开发。除了以上提到的数据集，还有一些其他的开源数据集也被广泛应用于人体姿态估计的研究和开发中，如Penn Action数据集、FLIC数据集等。这些数据集提供了丰富多样的图像和姿态样本，可以用于训练和评估不同的人体姿态估计算法。总结而言，人体姿态估计领域的开源数据集提供了丰富的图像和姿态样本，为算法的开发和评估提供了重要的基础。
3D人体姿态识别数据集
cz_bykz的博客
04-08 1万+
    最近看3D人体姿态识别方面论文，在数据处理阶段，3D比2D复杂很多。2D人体姿态识别在dataset和model方面都比3D成熟，2Dmodel也有很多户外，自然界的dataset，但是3D的dataset几乎都是indoor的。因为3D标注、识别的复杂，所以需要大量的传感器，摄像头去采集数据。收集了几个最近看到的数据集分享给大家。1、Human3.6M数据集    Human3.6M数据...
2D姿态估计整理：从DeepPose到HRNet
qwj的博客
03-11 4055
转载自 https://www.it610.com/article/1296586736012435456.htm 2D姿态估计整理：从DeepPose到HRNet 2D姿态估计 2D姿态估计（2 Demensional Human Pose Estimation）的目标是定位人体解剖学上的关键点（如肘部、腕部等）或部位。 现阶段人体姿态识别主流的通常有2个思路： 1）Top-Down（自上而下）方法：将人体检测和关键点检测分离，在图像上首先进行人体检测，找到所有的人体框，对每个人体框图再使用
使用这些常用的人体姿态检测数据集进行人体姿态估计的详细步骤。这些数据集包括 COCO、MPII、CrowdPose、OCHuman 和 PoseTrack。如何准备数据集、安装必要的依赖
2401_88440984的博客
11-06 1076
人体姿态检测数据集 添加图片注释，不超过 140 字（可选） 人体姿态估计 数据集 包括coco数据集，mpii数据集，crowdpose数据集，ochuman数据集以及posetrack数据集 做人体姿态估计方向常用的几个数据集 如何使用这些常用的人体姿态检测数据集进行人体姿态估计的详细步骤。这些数据集包括 COCO、MPII、CrowdPose、OCHuman 和 PoseTrack。我们将详细介绍如何准备数据集、安装必要的依赖、训练模型以及评估模型性能。 一、数据集介绍 1. COCO (Comm
人脸姿态估计数据集
07-22
Pointing Data数据库包含 个人的图像, 每个人有 个序列的 张不同姿态时的图像. 数据库中的人的皮肤颜色并不相同. 头部的姿态在水平方向上从正面到全侧面的 种姿态, 垂直方向上有 种姿态. 采集人的年龄在20岁到40岁之间. 头部的位置手工切割得到. N. Gourier, D. Hall, J. L. Crowley Estimating Face Orientation from Robust Detection of Salient Facial Features Proceedings of Pointing 2004, ICPR, International Workshop on Visual Observation of Deictic Gestures, Cambridge, UK
人体姿态估计数据集整理（Pose Estimation/Keypoint）
热门推荐
青青韶华
10-24 3万+
LSP 地址：http://sam.johnson.io/research/lsp.html 样本数：2K 关节点个数：14 全身，单人 FLIC 地址：https://bensapp.github.io/flic-dataset.html 样本数：2W 关节点个数：9 全身，单人 MPII 地址：http://human-pose.mpi-inf.mpg.de/ 样本数：25K 关节点个数：16
yolov8训练pose（人体姿态）数据集
m0_63493883的博客
08-07 1830
在ultralytics/models/yolo/pose路径下新建一个pose_train_my.py，将以下内容复制进去。如果你是训练非人体的目标，需要修改关键点的名字，数量，以及目标的类名；运行pose_train_my.py开始训练，参数可以用我设置的，也可以自己修改。标注完毕后的数据集格式，图片和json放一起。数据集的存放位置如图。*** 可以只标注看得见的关节点***看不见的可以不用标注。运行后得到分割好的数据集，以及用于训练的yaml文件。修改数据集路径（*** 需要用绝对路径 ***）
Python-获取Human36M3D人体姿态数据集
08-12
Human 3.6M 3D human pose dataset fetcher
头部姿态估计数据集
12-21
头部姿势数据库是1590个单眼面部图像的基准，其具有从-90到+90度的平移和倾斜角度的变化。对于每个人，可以使用2个系列的93个图像（93个不同的姿势）。每人2个系列的目的是能够训练和测试已知和未知面部的算法（参见第2和第3节）。数据库中的人戴或不戴眼镜，并有各种肤色。背景是自愿中立和整洁的，以便专注于面部操作。 该数据集包含了水平方向上的角度标记与垂直方向上的角度标记，是kaggle比赛常用的头部姿态估计训练数据集。
人体姿态估计-基于Tensorflow实现的人体姿态估计算法-附项目源码-优质项目分享.zip
05-14
1. 人体姿态估计：这涉及到图像处理和计算机视觉，常用的方法包括OpenPose、DeepCut等，旨在准确识别出图像中人体各部位的位置。 2. Tensorflow：Google开发的开源机器学习库，广泛用于构建和训练深度学习模型，具有...
最新《深度学习人体姿态估计》综述论文
12-30
论文中提到了评估人体姿态估计方法性能的一些常用数据集和指标。这些工具为研究人员提供了统一的标准来衡量和比较不同方法的性能，从而推动了领域内技术的进步。 8. 未来研究方向和挑战 该综述论文总结了当前的研究...
人体姿态估计-基于人体关键点检测的人体姿态估计算法实现-附项目源码-优质项目实战.zip
09-01
随着深度学习技术的发展，基于人体关键点检测的人体姿态估计算法得到了极大的提升。关键点检测是人体姿态估计的基础，通过定位人体各部位的关键点，如头部、肩膀、肘部、手部、腰部、膝盖和脚部等，从而对整个人体的...
Human Pose Estimation_人体python_estimation_人体姿态估计_human_人体姿态_
09-29
《Python实现人体姿态估计——PifPaf复合场解析》 在计算机视觉领域，人体姿态估计是一项关键的技术，它能够识别图像或视频中人物的关键关节位置，如头部、肩部、肘部等。这一技术广泛应用于动作识别、人机交互、...
目标检测算法——人体姿态估计数据集汇总（附下载链接）
加勒比海带66——【YOLO魔法搭配&论文投稿咨询】
12-07 4210
🎄🎄近期，小海带在空闲之余收集整理了一批人体姿态估计数据集供大家参考。整理不易，小伙伴们记得一键三连喔！！！🎈🎈
人体姿态估计MPII数据集详解
qq_43646281的博客
11-02 2583
MPII人体姿势数据集是用于评估关节人体姿势估计的最先进的基准。该数据集包括大约25K张图像，其中包含超过40K个带有注释的身体关节的人。这些图像是使用建立的每天人类活动的分类法系统地收集的。总体而言，该数据集涵盖410个人类活动，并且每个图像都提供了一个活动标签。每一张图片都是从YouTube视频中提取的，并提供了前后未加注释的帧。此外，对于测试集，我们获得了更丰富的注释，包括身体部分闭塞和3D躯干和头部方向。官网中对数据集的标注的最后生成形式是用MATLAB打开的.mat格式·
人体姿态估计(人体关键点检测)2D Pose训练代码和Android源码
AI吃大瓜的博客
08-12 2万+
目录目录人体姿态估计(人体关键点检测)2D Pose训练代码和Android源码1.人体姿态估计2D Pose方法2.人体姿态估计数据集（1）COCO数据集（2）MPII数据集（3）关键点示意图（ID序号）3.人体(行人)检测4.人体姿态估计训练Pipeline（1）Environment（2）数据准备：COCO和MPII数据集（3）模型训练（4） 测试Demo（5） 检测效果展示5.人体姿态估计模型Android部署（1） 将Pytorch模型转换ONNX模型（2） 将ONNX模型转换为TNN模型（3）
【三维人体姿态估计】数据集合集
Kyzy_1919的博客
08-07 1675
所有的舞蹈动作都有相应的音乐。在我们的数据集上建立了四项具有挑战性的任务，旨在将多媒体和计算机视觉社区的研究人员聚集在一起，从三个方面提高人体运动、姿势和动作分析方法的性能： • 通过以人为中心的综合分析任务来组织我们大规模数据集上的挑战，并促进以人为中心的理解中的多媒体和人工智能研究和应用。DNA-Rendering 数据集涵盖多人种，多年龄段，多民族，多朝代及多种特殊技能的人体数据特性，是目前对人体形态、动作、衣物等细节多视角、高分辨采集中规模最大的数据集，以多样性、高保真、动态性为优势。
人体姿态估计相关开源数据集介绍及汇总
05-11 1471
人体姿态估计相关开源数据集介绍及汇总
Pycharm（十九）深度学习
最新发布
higerwy的博客
05-06 1031
深度学习是机器学习中的一种特殊方法，它使用称为神经网络的复杂结构，特别是“深层”的神经网络，来学习和做出预测。深度学习特别适合处理大规模和高维度的数据，如图像、声音和文本。深度学习、机器学习和人工智能之间的关系如下图所示：深度学习⊆机器学习⊆人工智能优点：1）精度高，性能优于其他的机器学习算法，甚至在某些领域超过了人类；2）随之计算机硬件的发展，可以近似任意的非线性函数；3）近年来在学界和业界受到了热捧，有大量的框架和库可供调。缺点：1）黑箱。
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