oh my 毕设-人体姿态估计-简介应用场景

毕设题目为人体姿态估计，之前主要关注在目标检测上，这方面不太熟悉，于是想做一个系列专栏，从0到1学习姿态估计。

参考于大佬-同济子豪兄

姿态估计本质是关键点检测。

人体姿态的估计常常首先预测出人体各个关键点的位置坐标，然后根据先验知识确定关键点之间的空间位置关系，从而得到预测的人体骨架。

2D姿态估计

2D姿态估计就是为每个关键点预测一个二维坐标；

不光是人，所有动物或其他任何物体，只要有关键点的都使用姿态估计

https://github.com/DeepLabCut/DeepLabcut
这个库就是一个动物姿态估计的开源框架，通过少量的标注，即可训练自己的模型。

关键点检测的应用非常之多，如下是检测人的耳朵，将自己耳朵上的穴位准确的定位出来，然后根据提示贴上耳贴。

下面是子豪兄大佬开发的运动检测

通过人体关键点检测可以进行音量控制，隔空点击等有趣的操作。

下面是识别人脸，比如检测到人脸关键点后，在相关位置画上一个迷宫，再添加一个物理引擎，即可控制走迷宫。

这个是自己摆个姿势，从模型库中挑选一个有累死姿势的图像

3D姿态检测

3D姿态检测比2D的增加了一维深度信息，每个关键点预测一个三维坐标。

视频行为理解也属于3D的，只是空间上一个坐标给了时间。

综上所述，姿态检测的场景非常多。

https://www.v7labs.com/blog/human-pose-estimation-guide
这篇文章写的很好很基础，之后我会将其翻译成中文
已翻译：oh my 毕设-人体姿态估计综述

https://www.analyticsvidhya.com/blog/2022/01/a-comprehensive-guide-on-human-pose-estimation/
这个博客与上面的差不多

多目标姿态检测主要有两种方式，一种是自顶向下的（Top Down）：即先检测目标框，再检测目标框内的关键点；另一种是定下而上的（Bottle Up）：即先检测关键点，再根绝关键点分离出目标。

再关键点检测时，主要用基于热力图和回归两种方式

再没有用深度学习时，专家们一般是根据人体的姿态位置特征建一个弹簧模型，当然这种模型鲁棒性非常差，一般换一个角度深知换一个光照强度就不work了。

目前主要是用高分辨率卷积神经网络

姿态估计加上sort算法可以进行多目标跟踪

也可以将多个姿态检测组合在一块生成一种模型

这个是通过2D图像，进行姿态估计，然后预测\映射到三维空间