人体姿态估计两种主要思路

      先挂上大佬（旷世余刚）的文章链接：人体姿态估计的过去、现在和未来 ，这篇把人体姿态估计介绍的很好很细了，本文主要对相关的一些代码做了一些链接引导，仅供参考。
      人体姿态估计（Human Pose Estimation）也称为人体关键点检测（Human Keypoints Detection）。对于人体姿态估计的研究，主要有两种思路：Top-down 和Bottom-up

Top-down方法

      Top-down首先利用目标检测算法检测出单个人，得到边界框，然后在每一个边界框中检测人体关键点，连接成一个人形，缺点就是受检测框的影响太大，漏检，误检，IOU大小等都会对结果有影响，算法包括RMPE、Mask-RCNN 等，这种方法一般具有较高的准确率但是处理速度较低，代表性的方法有：

(1) Stacked Hourglass Network（半壁江山）

Github: https://github.com/Naman-ntc/Pytorch-Human-Pose-Estimation (Pytorch)

https://github.com/wbenbihi/hourglasstensorlfow (Tensorflow)

(2) Convolutional Pose Machine

Github: https://github.com/timctho/convolutional-pose-machines-tensorflow (Tensorflow)

https://github.com/JindongJiang/WeightedLoss_Convolutional_Pose_Machines_PyTorch (Pytroch)

(3) Cascaded Pyramid Network

Github: https://github.com/chenyilun95/tf-cpn

(4) Simple Baseline (proposed by MSRA)

Github: https://github.com/Microsoft/human-pose-estimation.pytorch

(5) Multi-Stage Pose Network (MSPN，由Face++提出，2018年coco 关键点检测冠军)

---

Bottom-up方法

      首先对整个图片进行每个人体关键点部件的检测，再将检测到的部件拼接成一个人形，这种方法一般准确率较差，会将不同人的不同部位按一个人进行拼接，但处理速度较快，代表方法就是OpenPose、DeepCut 、PAF。

(1) HighResolution Net (HRNet，CVPR 2019/Proposed by MSRA&USTC)

Github: https://github.com/leoxiaobin/deep-high-resolution-net.pytorch

(2) CMU的Realtime Multi-Person Pose Estimation(OpenPose)

Github：https://github.com/ZheC/Realtime_Multi-Person_Pose_Estimation

(3) Newell（Hourglass的作者）的Associative embedding: End-to-end learning for joint detection and grouping

Github：https://github.com/princeton-vl/pose-ae-train

---

其他参考：

• 常用数据集和主流方法介绍链接：https://blog.csdn.net/buling5143/article/details/79466588
• 人体姿态估计(Human Pose Estimation)文献综述：https://blog.csdn.net/BockSong/article/details/81037059