Openpose 学习总结

这里提出几个问题，以及整个论文流程：

Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields（Openpose）

1. https://blog.csdn.net/weixin_41441682/article/details/81357369

2. https://github.com/assmdx/ComputerVisionDoc/blob/master/openpose/openpose.md，中文论文网站，也就是翻译

3. https://blog.csdn.net/htt789/article/details/80283370，这篇文章分析很透彻，能抓住问题的核心

4. http://jacobkong.github.io/posts/3799204522/ 姿势识别论文总结

openpose的前身就是CPM算法，相比较与CPM算法识别单人，openpose可以识别多人，虽然这么说不太严格，因为CPM算法也是可以通过center map识别出多人的，但openpose提出了PAFs，更加优雅的解决了多人的问题。

 

这里简单介绍一下网络的流程，首先是输入一张原始图片，经过基础网络VGG进行简单的特征提取，得到一个Feature map，然后在stage1，经过两个分支分别预测。第一个分支为关键点的分支，这个分支也为CPM的经典方法，此外在这个分支的基础之上增加了PAF骨骼点走向的分支。之后的阶段与上面的类似，最终得到网络的输出S,L

损失函数的计算，两种loss求和。

       

损失函数为每一层循环网络的损失函数之和，接下来说一下两个步骤吧：

第一个就是关键点检测，用的CPM方法。关键点检测，通过图像中标注的2D点Xj,k计算S的groundtruth(S*)，其中X (j,k)表示图片中第k个人的第 j 种关节 计算方法：Sj*符合正态分布，当像素点P接近注释点Xj,k时，达到正态曲线的峰值，则每张图像中第j种关节的S，为图像中k个人的正态分布峰值。

                 

第二个步骤为PAF的检测：

其中像素P是否落在肢体上需要满足两个条件 
 
每张图像中第c中肢体的Lc*，为k个人在位置p的向量平均值 

评估两个关键点之间的相关性：
关键点dj1,dj2和PAF已知之后，计算两个关键点连线向量和两关键点连线上各像素的PAF向量之间的点积的积分作为两个关键点之间的相关性。 
 
像素p进行采样

接下来就需要通过PAF计算出来的图的关系来得到一个匹配，最大匹配：匹配边数最多 
完美匹配：所有点都是匹配点 
最大权重匹配：所有匹配边权重之和最大 
最大匹配：匹配边数最多 
完美匹配：所有点都是匹配点 
最大权重匹配：所有匹配边权重之和最大 
求解最大匹配方法：匈牙利算法匈牙利算法
https://blog.csdn.net/nineship/article/details/82797557