求模型评价指标PCK@a，python代码已实现

作者原创，代码免费公开，多多支持。

一、介绍

正确关键点百分比(Percentage of Correct Keypoint, PCK)是在深度学习领域做人体姿态估计中，常用的指标，许多文献都用了PCK作为模型评价指标。如Can WiFi Estimate Person Pose?

二、公式

其中I(·)是一个二进制指示符，当为真时输出1，当为假时输出0。

N是测试帧的个数。i为人体关节指数。rh和lh分别代表右肩和左髋的位置。因此，2根号 rh2 + lh2可视为上肢长度，用于对预测误差||pdi−gti|| 进行归一化，其中pd为预测坐标，gt为真值（真实坐标）。

简单理解，PCK@10就是归一化预测误差在10以内的点的帧数占总帧数的百分比，显然这个值越高越好。

上述论文的pck指标结果如下图，可以参考参考：

PCK结果的R和L分别代表左和右，共18个关键点。

三、代码

'''
作者：淳
声明：代码实现求PCK指标，但每个人输入数据shape不一样，可能自己需要改成自己需要的数据维度
'''

import numpy as np
import math
#欧式距离
def cal_distance(p1, p2):
    return math.sqrt(math.pow((p2[0] - p1[0]), 2) + math.pow((p2[1] - p1[1]), 2))
#求pck指标，公式见我的博客
def pck(p,g,a,N):
    #p是预测坐标，g是真值，N是总帧数
    length = 0.8 #上肢长度
    total = 0
    for i in range(N):
        d = cal_distance(p[i],g[i])
        # print(d/length)
        I = bool(d/length<=a)
        total = total+int(I)
    # print(total)
    return total/N

if __name__ == '__main__':
    np.random.seed(10)  #这里改换随机种子，得到不同的pck
    batch = 16
    a = 0.7
    #这里只是随机数，之后可以换成自己需要的预测值和真值
    pred = np.random.rand(batch,2)
    ground = np.random.rand(batch,2)
    out = pck(pred,ground,a,batch)
    print('pck = ',out)

可以自己试一试。