概述
OpenPose 论文描述了多人人 2D 姿态估计，包括底部向上关联部件和顶部向下检测失败，当附近的人被遗漏时。图像平面关键点并不建立 3D 深度或医学状态。
深入探讨
原始 OpenPose 论文提出了一个底部向上的系统，联合预测身体部位位置的置信图和部件亲和场（PAFs）用于关联。其解析器使用 PAF 分数在二分匹配中将候选部件组装成特定人物的姿态。论文指出，顶部向下管线可能会遗漏相邻的人；下游姿态估计无法恢复被遗漏的检测。后续 OpenPose 论文描述了身体、脚、手和面部关键点。这些是图像平面输出，而非临床测量或 3D 坐标。
现实世界的实施
Predicting confidence maps for body-part locations.
Associating candidate body parts with Part Affinity Fields and bipartite matching.
Comparing bottom-up parsing with top-down pipelines that depend on person detections.
在 OpenPose 系统中估计身体、脚、手和面部关键点。
人体姿势估计的未来
在目标条件下评估关键点估计，包括拥挤、遮挡和相机变化。任何超出图像平面姿态估计的使用都需要额外证据和任务特定验证。
付诸实践
为什么这很重要
- 速度与规模. 视觉人工智能可以大规模自动化检查、检测和标记任务。
- 构建选择. 创意团队可以通过更少的手动修改更快地构建概念原型。
- 团队与工作流程. 操作可以使用以前难以处理的图像和视频信号。
留意
- 如果出处不明，肖像权和同意可能会成为法律风险。
- 模型性能可能因光照、人口统计和环境的不同而有所不同。
- 除非监控置信阈值，否则误报可能会被忽视。
后续步骤
- 定义精确度、召回率和错误成本的接受标准。
- 使用符合实际生产条件的数据进行测试。
- 为低置信度或高影响力的预测添加人工审核。
- 跟踪模型漂移并在相机或数据集更改后重新验证。
不断探索
常见问题
什么是人体姿势估计？
人体姿态估计在图像中定位身体关键点。OpenPose 论文描述了多人人 2D 姿态估计，包括底部向上关联部件和顶部向下检测失败，当附近的人被遗漏时。图像平面关键点并不建立 3D 深度或医学状态。
人体姿态估计主要检测什么？
姿势估计定位身体关键点，例如肘部、膝盖和肩膀，然后将它们链接成骨架。
自上而下的姿态估计方法如何工作？
自上而下的方法首先用边界框检测每个人，然后估计其中的关节，这是准确的，但对于很多人来说速度会变慢。
OpenPose 预测什么来估计身体部位位置？
OpenPose 的网络预测身体部位位置的置信图，并使用部件亲和场来关联身体部位。
OpenPose 解析器使用什么步骤将候选身体部件关联成完整姿态？
论文描述了一个解析器，使用 PAF 分数进行二分匹配，然后将身体部位候选组装成完整姿态。
OpenPose 论文讨论了顶部向下姿态估计在拥挤场景中的哪种失败模式？
论文指出，顶部向下管线可能会遗漏相邻的人；下游姿态估计器无法恢复被遗漏的检测。