openpose tensorflow版本 原理+项目代码详解

1、训练数据 （很关键用于理解paf）

      训练数据集为coco，该数据集中包含了人体keypoint的坐标、类型信息。根据keypoint信息来生成part和paf的训练样本。

     part的训练样本：令S*j,k为person k的第j part的confidence map。xj,k为第k个人的第j个part的groundtruth坐标信息。对于S*j,k 位置p的value，如下定义：

     sigma是用来控制分布的参数，最终用于训练part的groundtruth confidence map是对各人的confidence map进行求最大操作。

     这样的话，如果有两个不同的人的相同关节比较靠近，它们的最大值也不会受到影响（因为最终是用非最大抑制（NMS）算法来获得峰值作为关节位置）。这样我们最终得到的groundtruth confidence map S* ∈Rw*h*19作为part的训练样本。其中包含18个part和1个背景。

     paf的训练样本：一共定义了19个连接，对于每一个连接，都包含了x方向和y方向的信息。令L*c,k∈Rw*h*2为person k的第c limb的groundtruth paf。该limb对应于part j1和part j2，对于L*c,k上位置p，如果p在limb c上，如下定义：

        L*c,k[xp,yp,2*c]=  (x2- x1)/ [ (x2- x1)2+ (y2- y1)2]1/2

           L*c,k[xp,yp,2*c+1]=  (y2- y1)/ [ (x2- x1)2+ (y2- y1)2]1/2

     如果p不在limb c上：