Key Development in human Pose Estimation for Kinect 总结

最新推荐文章于 2019-09-04 08:24:48 发布
最新推荐文章于 2019-09-04 08:24:48 发布
阅读量221 收藏
点赞数
分类专栏： 深度相机 文章标签： Kinect 姿态估计
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/roobiebird/article/details/80147566
版权
  • 1 对以下所有内容的概括
  • 2 图像分割 姿态估计问题被视为身体部分标记问题(曾经拍电影是穿上各关节贴了标记点的衣服，只要摄像头分辨出这些点，便能知道演员现在的姿态是什么样子，所以作者这么说)
    • 2.1 训练数据的生成(为了保证算法的精确性，一般会用个很大的测试数据集来运行下程序，统计下准确率之类的。由于需要的数据真的很多，你总不能让一个人不停的在摄像头前晃吧，所以需要用计算机模拟人的动作来生成数据集。还需要满足有高矮胖瘦啊~又考虑到肤色跟衣物不会有影响吧~之类的问题)
    • 2.2 随机森林分类算法(用以区分人体部分)最后能生成一个骨架
  • 3 随机森林回归算法 原方法无法处理被遮挡的部分，所以升级方法
  • 4 确定各身体部分之间的从属关系 大概是再次改进了算法吧
  • 5 一种模型来确定关节 将观察所得数据与骨架模型进行拟合(把节点之间的关系确定下来。比如两个手掌的点是要经过肩膀的点进行连接的啊~手臂的长度大概是多少啊~之类的)    
  • 6 仍存在的问题
    • 如何适用于不同体型任意站姿？
    • 如何用便宜摄像头也能完成？
    • 如何辨别更细致的部分？如头发面部
roobiebird
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
论文翻译：Recognizing Human Actions as the Evolution of Pose Estimation Maps
com_fang_bean的博客
08-03 531
大多数基于视频的动作识别方法选择从整个视频中提取特征来识别动作。杂乱的背景和非动作的运动限制了这些方法的性能，因为它们缺乏对人体运动的明确建模。根据人体姿态估计的最新进展，本文提出了一种新的识别人体动作的姿态估计地图的进化方法。我们观察到，姿态估计图作为姿态估计的副产品，保留了更丰富的人体线索，从而有利于动作识别，而不是依赖视频中不准确的人体姿态估计。具体来说，位姿估计图的演化可以分解为热图的演化，例如概率地图的演化，以及二维人体位姿估计的演化，分别表示身体形态和姿态的变化。考虑到热图的稀疏性，我们采用空间
3D Human Pose Estimation = 2D Pose Estimation + Matching(2017)
01-07
3D Human Pose Estimation = 2D Pose Estimation + Matching(2017) Abstract Many approaches try to directly predict 3D pose from image measurements,we explore a simple architecture that reasons through ...
论文《Kinectrack:3D Pose Estimation Using a Projected Dense Dot Pattern》学习
Orange_Wu的博客
09-04 441
摘要 Kinectrack是一种新颖的六自由度跟踪方法，仅使用普通硬件即可提供灵活的实时姿态估计。
Recognizing Human Actions as the Evolution of Pose Estimation Maps[CVPR 2018]
NEUXia的博客
11-01 702
利用人体姿态估计的结果进行行为识别 相比较常见的行为识别，基于骨骼的视频分类或者行为识别可以减少更多的冗余信息。本文利用heatmap和pose联合预测。 1. 作者将14个关节点heatmaps整合成单通道heatmap如图b，对视频多帧进行spatial rank pooling，先将heatmap转化为特征向量，在信息融合一张特征向量图以代替整个视频的所有信息。 2.heatmap...
Recognizing Human Actions as the Evolution of Pose Estimation Maps
杨6的博客
03-01 297
  对整个视频提取特征进行动作识别有两个阻碍：背景杂乱和非动作的运动。因此，可以先对视频进行姿势估计，再根据姿势结果的估计进行动作识别。   姿势估计得到heatmaps，可以分为probabilistic maps和estimated 2D human poses两部分来用，前者表示了body shape，后者表示了body pose。结合shape和pose来进行动作识别。   由于heatm...
读书笔记23：Recognizing Human Actions as the Evolution of Pose Estimation Maps（CVPR2018）
b224618的博客
09-11 1398
http://openaccess.thecvf.com/content_cvpr_2018/papers/Liu_Recognizing_Human_Actions_CVPR_2018_paper.pdf 这篇文章和skeleton based action recognition有关系，差别在于这篇文章不使用pose estimation估计好的人体关节坐标值，而是使用pose estima...
Motionlet LLC coding for discriminative human pose estimation
02-09
As for discriminative human pose estimation, the main goal is to learn a nonlinear mapping from image descriptors to 3D human pose configurations, which is difficult due to the high-dimensionality of...
DeepPose: Human Pose Estimation via Deep Neural Networks
06-05
《DeepPose ： Human Pose Estimation via Deep Neural Networks 》原始论文，其为第一篇应用深度神经网络于姿态估计领域（Human Pose Estimation）的文章。发表于CVPR2014。
cvpr18-3D Human Pose Estimation in the Wild by Adversarial Learning
07-04
Recently, remarkable advances have been achieved in 3D human pose estimation from monocular images because of the powerful Deep Convolutional Neural Networks (DC- NNs). Despite their success on large-scale datasets col- lected in the constrained lab environment, it is difficult to obtain the 3D pose annotations for in-the-wild images. Therefore, 3D human pose estimation in the wild is still a challenge. In this paper, we propose an adversarial learn- ing framework, which distills the 3D human pose structures learned from the fully annotated dataset to in-the-wild im- ages with only 2D pose annotations. Instead of defining hard-coded rules to constrain the pose estimation results, we design a novel multi-source discriminator to distinguish the predicted 3D poses from the ground-truth, which helps to enforce the pose estimator to generate anthropometri- cally valid poses even with images in the wild. We also observe that a carefully designed information source for the discriminator is essential to boost the performance. Thus, we design a geometric descriptor, which computes the pair- wise relative locations and distances between body joints, as a new information source for the discriminator. The ef- ficacy of our adversarial learning framework with the new geometric descriptor has been demonstrated through exten- sive experiments on widely used public benchmarks. Our approach significantly improves the performance compared with previous state-of-the-art approaches.
pose estimate 姿态估计
03-19
opencv中的姿态估计的例子，使用opengl的库。里面有例子与要用的库文件。可以让大家书序opencv的姿态估计。 在opencv中，好多资料是没有例子的，这里我提供一个例子，让大家下载。
Flowing ConvNets for Human Pose Estimation in Videos
cv_family_z的博客
12-09 3869
ICCV 2015 code available http://www.robots.ox.ac.uk/~vgg/software/cnn_heatmap/本文主要用CNN网络来进行人体姿态估计，加入了temporal 信息以提高精度。 网络框架如下： 本文对于关节位置的估计提出了一个 heatmap概念，而不是一个坐标的回归。这样做可以提高关节定位的鲁棒性。Spatial fusion
[姿态预测] Flowing ConvNets for Human Pose Estimation in Videos
02-24 441
ICCV 2015 code available http://www.robots.ox.ac.uk/~vgg/software/cnn_heatmap/ 本文主要用CNN网络来进行人体姿态估计，加入了temporal 信息以提高精度。  网络框架如下：  本文对于关节位置的估计提出了一个 heatmap概念，而不是一个坐标的回归。这样做可以提高关节定位的鲁棒性。 Spatial fusi...
论文阅读：《Flowing ConvNets for Human Pose Estimation in Videos》ICCV 2015
青青韶华
10-23 7137
概述本文主要用CNN网络来进行人体姿态估计，加入了temporal 信息以提高精度。本文的四个贡献： 1. 提出了一个更深的CNN网络（相比于Alex-Net），不同于之前的回归坐标，而是回归heatmap，这样可以提高关节点定位的鲁棒性，并且更利于在训练过程中的可视化观察。 2. 提出一种空间融合层，用来学习隐式空间模型，即用来提取关节点之间的内在联系 3. 使用光流信息，用来对准
身体姿势估计 - Human Pose Estimation
MyArrow的专栏
07-19 7762
1. 简介    人体姿势估计主要采用：数据驱动、从下到上的方法；在此方法中，像素被独立地标记为身体的某一部分，或投票决定关节的位置。
论文阅读：Structured Feature Learning for Pose Estimation
一亩半分地
07-06 7062
王晓刚组的论文CVPR2016 一、论文所解决的问题 本文要解决的是在CNN中如何对关节之间的依赖进行建模，主要是引入几何变换核（单单用几何变换核，是不行的，因为会受到关节之间的距离限制，所以后面提出了双向树模型），这个核是用在卷积层的。此外还提出了双向的树结构模型（还是传统的基于图模型的玩法,将关节的树模型集成进了CNN，所谓的树模型就是把人的关节看成是一个树状的模型），这样每个关节的fea
matlab怎么下载human pose estimation包
最新发布
05-04
您可以通过以下步骤在 MATLAB 中下载 Human Pose Estimation 包： 1. 打开 MATLAB 并在命令窗口中输入以下命令： ``` >> addpath(genpath('https://github.com/AliaksandrSiarohin/pose-hg-train')) ``` 这将添加...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
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