姿态检测简述

姿态估计

姿态估计是通过计算机视觉技术，从给定的图像中识别人物的关键点，以及恢复人物的3D模型。姿态估计的下游应用包括识别动作、驱动动画、人机交互、动物行为分析等。

2D姿态估计

2D姿态估计任务定义为在图像上的定位人体关键点坐标。目前有两种方法可以实现这个任务。

回归问题

首先，可以将2D姿态估计转化为回归问题，但由深度模型直接回归坐标会存在困难，其精度也不高。

基于热力图

其次，预测关键点位于每个位置的概率，这个方法被称为基于热力图的方法。热力图可以与关键点相互转换，相比直接回归坐标，热力图预测更易于实现且具有更高的精度。然而，热力图的计算消耗大于直接回归。

数据标注到热力图

从目标检测器中检测到的bounding box（包围盒）中心后，使用高斯分布对关键点进行标注。这种方法使得热力图中心点的数值最大，其他点降低。

训练过程

训练过程主要包括以下4个步骤：

1. 标注关键点
2. 转换为真值热力图
3. 模型预测热力图
4. 逐点对比计算损失。

在训练过程中，存在两个问题：当两个关键点重合时，求关键点的最大值不一定是最优方法；并且，计算损失的时候需要进行微分，并实现连续无量化误差，才能进行端到端优化。为了解决这些问题，我们采用期望的方式来进行计算，这样可以使得模型更加精确并提高它的效率。

多人姿态估计方法

在实际场景中，通常需要同时处理多个人物的姿态估计。研究人员也提出了许多针对多人姿态估计的方法，这些方法可以大致分为自顶向下和自底向上方法。

自顶向下方法

自顶