一，openpose是一種自底向上的演算法：
openpose人體姿態識別專案是美國卡耐基梅隆大學（cmu）基於卷積神經網路和監督學習並以caffe為框架開發的開源庫。可以實現人體動作、面部表情、手指運動等姿態估計。適用於單人和多人，具有極好的魯棒性。是世界上首個基於深度學習的實時多人二維姿態估計應用，基於它的實例如雨後春筍般湧現。
檢測所有的關鍵點，再group成不同的人，是當前比較流行的人體姿態評估演算法之一。
openpose 大獲成功的一部分原因是它在 github 上開源了其實現**（並配有詳細的說明文件。
和很多自底向上的方法一樣，openpose 首先檢測出影象中所有人的關節（關鍵點），然後將檢出的關鍵點分配給每個對應的人。下圖展示了 openpose 模型的架構。
二，openpose演算法：
1.輸入一幅影象，經過vgg19卷積網路提取特徵，得到一組特徵圖，然後分成兩個岔路branch1&2，分別使用 cnn網路提取part confidence maps（置信度） 和 part affinity fields（關聯度）；
2.得到這兩個資訊後，我們使用圖論中的 bipartite matching（偶匹配） 求出part association，將同乙個人的關節點連線起來，由於paf自身的向量性，使得生成的偶匹配很正確，最終合併為乙個人的整體骨架；
3.最後基於pafs求multi-person parsing—>把multi-person parsing問題轉換成graphs問題—>hungarian algorithm(匈牙利演算法)（匈牙利演算法是部圖匹配最常見的演算法，該演算法的核心就是尋找增廣路徑，它是一種用增廣路徑求二分圖最大匹配的演算法。)
三，關鍵點熱圖與向量圖（heatmap&vectmap）：
如，一共有19個關鍵點，就會生成19個通道的熱圖，每乙個通道為某個關節的熱圖分布（也就是概率圖）。同時會生成192個通道的向量圖，為什麼是192呢？因為向量圖分為兩個方向，乙個是x方向、乙個是y方向。
heatmap生成關鍵點熱力圖，未在圖內且未標註的關鍵點生成的heatmap所有值都為0。一共19個heatmap，其中最後乙個代表背景。
vectormap 向量叉乘，vectormap是heatmap的兩倍為38個（19*2），因為有19條的關鍵點連線線，每一條線使用向量表示，分別有x軸的map,以及y軸的map。
四，coco keypoints 標註 以及tf-openpose的標註的不同
人體姿態估計總述
人體姿態估計簡述 一 總述 人體姿態估計分為單人姿態估計和多人姿態估計，其中單人姿態估計的識別率達到了90 加，已經沒有很大提公升空間，近些年來比較熱門的是在coco資料集上做多人姿態估計識別率的提公升。多人姿態估計分為bottom up和top down。其中bottom up運算速度快，幾乎能做...
人體姿態估計 CPN（三）
個人解讀 模型結構 演算法效果 出處 曠世科技 face 2018cvpr tensorflow pytorch 這篇文章開發的多人姿態估計模型cpn級聯金字塔網路，是2017年coco人體關鍵點挑戰賽的冠軍，使用top down策略，那麼同樣適用於單人姿態估計，在coco測試集上取得map 73....
通道估計演算法
對通道估計的演算法也有了諸多了解，包括常見的rls lms mmse等，還有最近在研究的壓縮感知通道估計，包括貪婪演算法的mp omp sp以及凸優化演算法中的ls0 ls0 bfgs ls0 fr。總的來說，對於快衰落 通道隨時間變化比較快的，短波無線通道就是 通道通道的估計都需要用到已知序列。在...