人体识别_计算机视觉“探奇”：深度剖析基于飞桨的人体姿态识别算法

随着深度学习技术的发展，人体骨骼关键点的检测效果也在不断提升，且被广泛应用于计算机视觉相关领域，成为许多计算机视觉任务的基础，包括安防，新零售，动作捕捉，人机交互等等。现在，大火的人体姿态识别也有了飞桨(PaddlePaddle)的实现。我们来带小伙伴们学习一下怎么利用飞桨(PaddlePaddle)来实现人体姿态的识别任务。

项目地址：

https://github.com/PaddlePaddle/models/tree/develop/PaddleCV/human_pose_estimation

应用背景

人体姿态识别(Human pose estimation)是指还原给定的一段视频或者是一张照片中人体关键点的位置。近年来研究人员对姿态识别深入研究，使得该领域得到了重大发展。伴随的是整体的算法和系统复杂性的增加，这导致了算法分析和比较变得更加困难。在这里我们用飞桨(PaddlePaddle)实现了简单有效的基准方法(baseline methods)，并在有挑战性的 benchmark 上实现了最先进的结果，这会有助于激发一些新的 ideas 和简化评估方式。

人类姿态识别可以应用在众多领域，比如应用在安防领域，判断画面中的人是否有过激行为并及时报警。应用在新零售领域判断人们的购买行为。或者应用于步态分析，评估运动员的运动状况，进而提升运动员成绩。以及应用于人机交互领域，用户可以隔空控制家电设备等等方面。

下面的视频是一个基于 Paddle Fluid，应用 MSRA 提供的用于人体姿态识别和跟踪的简单基准论文 [1] 的重新实现的简单演示