【人體姿態(tài)估計】Openpose 2021-02-15

Openpose最早在2017年提出來纸泄,2019年發(fā)布改良版和開源庫,速度和精度分別增加了約200%和7%肢扯。 它屬于多人姿態(tài)檢測中bottom-up的方法误算,先檢測軀體部位,再組成成每個人體迷殿。這類方法中最重要的就是如何組合多人畫面中分散的關(guān)節(jié)點儿礼,而Openpose提出的一個重要策略就是,PAF庆寺,Part Affinity Fields 部位親和場蚊夫, 用來對分散的關(guān)節(jié)點之間建立聯(lián)系。

PAF乍一聽不好理解懦尝,我們拆開來一層一層看:
這是一個向量場的集合知纷,其中每一個向量場從屬于圖像中某一軀體部位,向量場中的每一個向量對應(yīng)軀體部位區(qū)域每一個元素在其中的一個2D向量編碼指向下一個關(guān)鍵關(guān)節(jié)的方向陵霉。

(b) 所有部位的置信度熱圖琅轧。(c) PAF 部位親和向量場 (d) 二分圖匹配來關(guān)聯(lián)各個身體部分。

PAF部位親和場

整個區(qū)域所有像素的編碼向量(一個像素可能對應(yīng)多個軀體部位)求和平均組成了PAF踊挠≌Ч穑看下圖,訓(xùn)練時如果P點在部位區(qū)域內(nèi)效床,P點的向量的ground truth就是歸一化的向量v, 如果不在就是零向量睹酌。

對每個像素進(jìn)行編碼,指明下一個關(guān)節(jié)點的方向

由于多人圖像中有很多個潛在的軀體部位剩檀,最終用來做判斷的是所有軀體部位對應(yīng)的向量場的求和平均憋沿。另外我們還需要判斷關(guān)鍵點之間的 “親和” 度,好進(jìn)行最后的組合沪猴,用E 來表示, 再用p(u)=(1-u){\rm d}_{j1}+u{\rm d}_{j2} 對兩個部位的位置進(jìn)行插補:
對區(qū)域內(nèi)向量場積分得到親和度辐啄,用置信度進(jìn)行權(quán)衡

關(guān)鍵點置信圖

通過標(biāo)記好的2D關(guān)鍵點生成置信圖


圖像位置p在置信圖S中的值采章,j,k為像素坐標(biāo),σ控制峰頂?shù)男螤钤蚺酱笤狡骄?/div>
最終的置信圖可能存在多個相同部位共缕,取最大值

用PAF進(jìn)行多人預(yù)測

匹配用greedy relaxation 計算量會小很多,松弛表示通過逐步接近的方式獲得相關(guān)問題的最佳解法

m,n表示關(guān)鍵點j1,j2的個數(shù)士复,用一個0到1之間的變量z^{mn}_{j1j2}表示兩個關(guān)鍵點之間是否是相連的图谷,那么所有可能的z組成一個集合。這個集合是一個圖形結(jié)構(gòu)(上圖(a))阱洪,每條邊用E_{mn}作為權(quán)重便贵,我們的目標(biāo)就是使用匈牙利算法最大化所有邊的總和。匈牙利算法在openpose的應(yīng)用例子還可以參考這篇博客冗荸。

某個匹配c的權(quán)值總和
所有配對的總和最大值簡化為每個二分圖匹配最優(yōu)解的總和

作者采用了兩個松弛方法簡化問題:

  1. 選擇最小數(shù)量的邊來獲得人體姿勢的樹骨架承璃,而不是使用完整的圖,如上圖(b)和(c)對比蚌本。
  2. 進(jìn)一步將匹配問題分解為一組二分圖匹配子問題盔粹,并獨立地確定相鄰樹節(jié)點中的匹配情況。

模型

模型是基于2016年的Convolutional Pose Maschine, 下圖中F是經(jīng)VGG-19前10層作為主干網(wǎng)絡(luò)處理之后的特征圖程癌,ρ 負(fù)責(zé)預(yù)測所有置信圖 {S^*} (所有相同部位在同一個圖)舷嗡,Φ負(fù)責(zé)預(yù)測所有PAF (每個部位單獨占一個)。2017版使用兩個分支的多級CNN嵌莉,19版加深了網(wǎng)絡(luò)結(jié)構(gòu)进萄,砍掉了置信圖的Refine,另外把7*7卷積核換成了3個相連的3*3卷積核锐峭,這樣既保留了大的感受野又加快了速度中鼠。

2017版

2019版

目前的模型還加入了冗余的PAF連接(例如,耳朵和肩膀沿癞、手腕和肩膀等之間)援雇,特別提高了擁擠圖像中的準(zhǔn)確性。

總結(jié)

openpose 用神經(jīng)網(wǎng)絡(luò)預(yù)測所有軀體關(guān)鍵點的置信圖抛寝,以及關(guān)鍵點與關(guān)鍵點相連軀體部位區(qū)域的PAF部位親和向量場熊杨,再用匈牙利算法最大化兩個關(guān)鍵點之間的親和度總和的方法進(jìn)行關(guān)鍵點之間的二分圖匹配。


PAF拓展到車輛檢測
最后編輯于
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末盗舰,一起剝皮案震驚了整個濱河市晶府,隨后出現(xiàn)的幾起案子,更是在濱河造成了極大的恐慌钻趋,老刑警劉巖川陆,帶你破解...
    沈念sama閱讀 219,427評論 6 508
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件,死亡現(xiàn)場離奇詭異蛮位,居然都是意外死亡较沪,警方通過查閱死者的電腦和手機鳞绕,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 93,551評論 3 395
  • 文/潘曉璐 我一進(jìn)店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來尸曼,“玉大人们何,你說我怎么就攤上這事】亟危” “怎么了冤竹?”我有些...
    開封第一講書人閱讀 165,747評論 0 356
  • 文/不壞的土叔 我叫張陵,是天一觀的道長茬射。 經(jīng)常有香客問我鹦蠕,道長,這世上最難降的妖魔是什么在抛? 我笑而不...
    開封第一講書人閱讀 58,939評論 1 295
  • 正文 為了忘掉前任钟病,我火速辦了婚禮,結(jié)果婚禮上刚梭,老公的妹妹穿的比我還像新娘肠阱。我一直安慰自己,他們只是感情好朴读,可當(dāng)我...
    茶點故事閱讀 67,955評論 6 392
  • 文/花漫 我一把揭開白布辖所。 她就那樣靜靜地躺著,像睡著了一般磨德。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發(fā)上吆视,一...
    開封第一講書人閱讀 51,737評論 1 305
  • 那天典挑,我揣著相機與錄音,去河邊找鬼啦吧。 笑死您觉,一個胖子當(dāng)著我的面吹牛,可吹牛的內(nèi)容都是我干的授滓。 我是一名探鬼主播琳水,決...
    沈念sama閱讀 40,448評論 3 420
  • 文/蒼蘭香墨 我猛地睜開眼,長吁一口氣:“原來是場噩夢啊……” “哼般堆!你這毒婦竟也來了在孝?” 一聲冷哼從身側(cè)響起,我...
    開封第一講書人閱讀 39,352評論 0 276
  • 序言:老撾萬榮一對情侶失蹤淮摔,失蹤者是張志新(化名)和其女友劉穎私沮,沒想到半個月后,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體和橙,經(jīng)...
    沈念sama閱讀 45,834評論 1 317
  • 正文 獨居荒郊野嶺守林人離奇死亡仔燕,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點故事閱讀 37,992評論 3 338
  • 正文 我和宋清朗相戀三年造垛,在試婚紗的時候發(fā)現(xiàn)自己被綠了。 大學(xué)時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片晰搀。...
    茶點故事閱讀 40,133評論 1 351
  • 序言:一個原本活蹦亂跳的男人離奇死亡五辽,死狀恐怖,靈堂內(nèi)的尸體忽然破棺而出外恕,到底是詐尸還是另有隱情杆逗,我是刑警寧澤,帶...
    沈念sama閱讀 35,815評論 5 346
  • 正文 年R本政府宣布吁讨,位于F島的核電站髓迎,受9級特大地震影響,放射性物質(zhì)發(fā)生泄漏建丧。R本人自食惡果不足惜排龄,卻給世界環(huán)境...
    茶點故事閱讀 41,477評論 3 331
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望翎朱。 院中可真熱鬧橄维,春花似錦、人聲如沸拴曲。這莊子的主人今日做“春日...
    開封第一講書人閱讀 32,022評論 0 22
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽澈灼。三九已至竞川,卻和暖如春,著一層夾襖步出監(jiān)牢的瞬間叁熔,已是汗流浹背委乌。 一陣腳步聲響...
    開封第一講書人閱讀 33,147評論 1 272
  • 我被黑心中介騙來泰國打工, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留荣回,地道東北人遭贸。 一個月前我還...
    沈念sama閱讀 48,398評論 3 373
  • 正文 我出身青樓,卻偏偏與公主長得像心软,于是被迫代替她去往敵國和親壕吹。 傳聞我的和親對象是個殘疾皇子,可洞房花燭夜當(dāng)晚...
    茶點故事閱讀 45,077評論 2 355

推薦閱讀更多精彩內(nèi)容