OpenPose技术基本理念与应用

介绍

OpenPose人体姿态识别项目是美国卡耐基梅隆大学（CMU）基于卷积神经网络和监督学习并以caffe为框架开发的开源库。可以实现人体动作、面部表情、手指运动等姿态估计。适用于单人和多人，具有极好的鲁棒性。是世界上首个基于深度学习的实时多人二维姿态估计应用，基于它的实例如雨后春笋般涌现。人体姿态估计技术在体育健身、动作采集、3D试衣、舆情监测等领域具有广阔的应用前景，人们更加熟悉的应用就是抖音尬舞机。

亮点

提出Part Affinity Fields (PAFs)，每个像素是2D的向量，用于表征位置和方向信息。基于检测出的关节点和关节联通区域，使用greedy inference算法，可以将这些关节点快速对应到不同人物个体。

   OpenPose是基于卷积神经网络和监督学习并以caffe为框架写成的开源库，可以实现人的面部表情、躯干和四肢甚至手指的跟踪，不仅适用于单人也适用于多人，同时具有较好的鲁棒性。可以称是世界上第一个基于深度学习的实时多人二维姿态估计，是人机交互上的一个里程碑，为机器理解人提供了一个高质量的信息维度。

流程

1. 输入一幅图像，经过卷积网络提取特征，得到一组特征图，然后分成两个岔路，分别使用 CNN网络提取Part Confidence Maps 和 Part Affinity Fields；
2. 得到这两个信息后，我们使用图论中的 Bipartite Matching（偶匹配） 求出Part Association，将同一个人的关节点连接起来，由于PAF自身的矢量性，使得生成的偶匹配很正确，最终合并为一个人的整体骨架；
3. 最后基于PAFs求Multi-Person Parsing—>把Multi-person parsing问题转换成graphs问题—>Hungarian Algorithm(匈牙利算法)
   
       （匈牙利算法是部图匹配的算法，该算法的核心就是寻找增广路径，它是一种用增广路径求二分图最大匹配的算法。)

卷积神经网络

   网络分上下两个分支，分别预测关键点热力图和paf图。每个分支都有t个阶段，表示越来越精细，每个阶段都会将feature maps进行融合。其中ρ φ 表示网络。训练时，每个阶段都会产生loss，避免梯度消失；预测时只使用最后一层的输出。

1. 亮点一：PAF-Part Affinity Fields
   
       PAF（Part Affinity Fields)，部分区域亲和。它负责在图像域编码着四肢位置和方向的2D矢量。同时，使用CMP（Part Detection Confidence Maps）标记每一个关键点的置信度（就是常说的“热图”）。通过两个分支，联合学习关键点位置和他们之间的联系。同时推断这些自下而上的检测和关联的方式，利用贪婪分析算法（Greedy parsing Algorithm），能够对全局上下文进行足够的编码，获得高质量的结果，而只是消耗了一小部分计算成本。并行情况下基本达到实时，且耗时与图片中的人数无强关联。
2. 亮点二：高鲁棒性
   
       CMU家的数据采集设备，一个封闭的大球，可以做到任意角度的人体数据采集。大球上面镶嵌了480 VGA cameras+31 HD cameras+10 Kinect Ⅱ Sensors+5 DLP Projectors. 并且全部实现了硬件同步。海量高质量的数据，使得仅仅基于2D图像就可以实现鲁棒性很好的人体姿态检测。
3. 亮点三：landmarks 三元归一
   
       最开始人体骨骼关节点是行为分析动作识别的人做，人脸landmark提取是人脸识别或者美颜算法开发团队做，手部关节点是手势识别人机交互团队在做，属于不同的细分方向。CMU的团队人体骨骼关节点识别取得了不错的成果，于是把人脸人手都整合了进来，做成了一个统一的graph，效果也还可以。face alignment和pose alignment串起来了，而且根据人体头部的刚体属性及四肢的非刚体特性设计了一套基于caffe的点估计与扩散模型，并建立树状决策加速，据此再加之3D背景分割技术。

单人姿态估计（CPM的算法思想）

CPM的模型采用的大卷积核来获得大的感受野，这对于推断被遮挡的关节是很有效的。网络结构如下：

整个算法的流程是：

a) 首先对图像的所有出现的人进行回归，回归各个人的关节的点

   b) 然后根据center map来去除掉对其他人的响应

   c) 最后通过重复地对预测出来的heatmap进行refine得到最终的结果在进行refine的时候，需要引入中间层的loss，从而保证较深的网络仍然可以训练下去，不至于梯度弥散或者爆炸。通过coarse to fine来逐渐提升回归的准确度。

短板

耗显存

计算量很大，为了达到实时的目的，使用了高并行的策略。基于cuda加速，所以非常吃显存，基本劝退显存低于4G的机器了（GTX 980ti+）

特殊场景监测效果差

图像分辨率低、运动模糊、低亮度、检测目标密集、遮挡严重、不完整目标等，效果都不是很理想。

COCO模型数据集关键点

免责声明：本文系网络转载或改编，未找到原创作者，版权归原作者所有。如涉及版权，请联系删