人体姿态 3D姿态 使用笔记

已于 2024-11-29 10:34:32 修改
阅读量3.5k 收藏 3
点赞数
分类专栏： 深度学习宝典 姿态检测 文章标签： 3d 人工智能
于 2019-08-02 15:43:59 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/jacke121/article/details/98208007
版权
本文介绍3D人体姿态检测，包括rtmp姿态检测、mmpose库的应用，以及VideoPose3D和posec3d-video-structuralize的测试。提供了3D Human Pose Demo with Inferencer的使用，并探讨了不同推理测试代码，如mmaction2/demo_skeleton.py。此外，还分享了相关数据集和模型权重资源。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

目录

rtmp 姿态检测：

mmpose 

3D Human Pose Demo with Inferencer

测试代码：

posec3d-video-structuralize 可以跑通

推理测试代码：

VideoPose3D 2019年

rtmp 姿态检测：

RTMO 姿态识别-优快云博客

mmpose 

GitHub - open-mmlab/mmpose: OpenMMLab Pose Estimation Toolbox and Benchmark.

模型：

C:\Users\xxx/.cache\torch\hub\checkpoints\motionbert_ft_h36m-d80af323_20230531.pth

During 2D pose detection, for multi-frame inference that rely on extra frames to get the final results of the current frame, try this:


                

        

        

    

  


        

            

                

                

                了解本专栏
                
                
                  
                订阅专栏 解锁全文
                 
                
                    
                    超级会员免费看
                
            

            
            
            
        


    



                



	

		

			

				
					
3d人体姿态

				
			

			

				

					jacke121的专栏
				

				

					11-04
					
					3180
					
				

			

		

		

			
				
论文列表：

https://github.com/trumDog/3d-human-pose-estimation

有权重：

https://github.com/ssfootball04/generative_pose



https://github.com/garyzhao/SemGCN

有权重，在下载页面的上面





微软开源的：

这个是讲解：https://blog....

			
		

	



                

            
              



	

		

			

				
					
3d pose 指标和数据集SMPL-X

					
最新发布

				
			

			

				

					jacke121的专栏
				

				

					03-28
					
					293
					
				

			

		

		

			
				
3d pose 指标和数据集SMPL-X

			
		

	



              


  
              

                


	

		

			

				
					
3dpose

				
			

			

				

					jacke121的专栏
				

				

					04-05
					
					2788
					
				

			

		

		

			
				
有权重，100m

https://github.com/mkocabas/VIBE


			
		

	





	

		

			

				
					
3D姿态估计——ThreeDPose项目简单易用的模型解析

					
热门推荐

				
			

			

				

					风翼冰舟的博客
				

				

					07-22
					
					1万+
					
				

			

		

		

			
				
前言
之前写过tensorflow官方的posenet模型解析，用起来比较简单，但是缺点是只有2D关键点，本着易用性的原则，当然要再来个简单易用的3D姿态估计。偶然看见了ThreeDPose的项目，感觉很强大的，所以把模型扒下来记录一下调用方法。
参考博客：
ThreeDPose官方代码
微软的ONNX模型解析库
ONNX解析库的pythonAPI文档
3D姿态估计最大的好处就是卡通角色的肢体驱动了，其实就是单目摄像头的动捕方法。

理论和代码解析
可以从官方去下载模型,戳这里，或者在文末的百度网盘下载。


			
		

	



		

			
		



	

		

			

				
					
3D姿态估计（GAST）

				
			

			

				

					weixin_45436729的博客
				

				

					05-17
					
					797
					
				

			

		

		

			
				
1.下载数据集，只用到human3.6m数据集中的2D数据集和3D数据集。将数据集划分为训练集和测试集。（直接将2D数据集输入进行训练，得出的prediction和3D的groundtruth做比较）

2.在数据集中提取数据，得相机参数，2D关键点和3D关键点。


cameras_valid, poses_valid, poses_valid_2d = fetch(subjects_test, action_filter, dataset, keypoints, args.downsample)

3.

			
		

	





	

		

			

				
					
人体姿态估计与MMPose学习笔记

				
			

			

				

					cjywzj123的博客
				

				

					06-02
					
					268
					
				

			

		

		

			
				
模型预测热力图比直接回归坐标相对容易，模型精度相对更高，因此主力算法更多基于热力图，但预测热力图的计算消耗大于直接回归。一种生成建模方法，通过一系列可学习的可逆的映射，将标准分布的随机变量映射成复杂分布的随机变量，可用于建模复杂的概率分布。思路2：基于热力图（Heatmap Based），并不直接回归关键点的坐标，而是预测关键点位于每个位置的概率，即。RLE的思路即是将简单的高斯分布替换为一个可学习的、表达能力更强的分布，更好拟合关键点位置的实际分布。2.不需要维持高分辨率特征图，计算层面更高效。

			
		

	





	

		

			

				
					
3d人体姿态 2024 笔记

				
			

			

				

					jacke121的专栏
				

				

					03-30
					
					2723
					
				

			

		

		

			
				
PoseFormer



该文提出了“第一个”纯基于Transformer的 3D 人体姿态估计网络 （PoseFormer), 算法在 Human3.6M 和 MPI-INF-3DHP 数据库上达到SOTA performance. 

论文 ：3D Human Pose Estimation with Spatial and Temporal Transformers
https://arxiv.org/pdf/2103.10455.pdf

已经开源：https://github.com/...

			
		

	





	

		

			

				
					
Openpose-pytorch开源项目用于姿态检测、人体关键点识别

				
			

			

				

					08-14
				

			

		

		

			
				
./notebooks - 原理笔记 ./src - 算法源码 ./demo.py - 测试图像demo ./demo_camera.py - 测试摄像头程序 ./demo_video.py - 测试视频程序  openpose用于人体关键点(即骨架)提取识别十分有效，可在此基础上用于其他...

			
		

	





	

		

			

				
					
江大白 | 万字长文！人体姿态估计入门详细教程（推荐收藏！）

				
			

			

				

					csdn_xmj的博客
				

				

					10-23
					
					2983
					
				

			

		

		

			
				
基于视觉的单目人体姿势估计，是计算机视觉中最基本和最具挑战性的问题之一，旨在从输入图像或视频序列中获取人体姿势。本文作者总结了人体姿态估计入门需要学习的一些知识，在学习过程中的一些感悟和踩过的坑，列举主要的工作脉络和一些细节。全文较长，建议先收藏再阅读！

			
		

	





	

		

			

				
					
【七班】人体姿态估计概论笔记【OpenMMLab AI实战营第二期Day2】

				
			

			

				

					chenghong1的专栏
				

				

					06-02
					
					325
					
				

			

		

		

			
				
【课程说明】人体姿态估计（Human Pose Estimation）是计算机理解人类动作、行为必不可少的一步，本次课程涵盖人体姿态估计的介绍与应用、2D 姿态估计、3D 姿态估计、DensePose、Body Mesh 以及 MMPose 等内容。【讲师介绍】卢策吾 上海交通大学电院计算机系教授、博士生导师。【课程地址】【ToDo】本课作为概论性质的介绍，内容挺多，因此打算再分为两到三次笔记进行学习和总结，敬请期待！0. 人体姿态估计的介绍与应用什么是姿态估计？

			
		

	





	

		

			

				
					
3D-pose学习笔记

				
			

			

				

					Leon_____的博客
				

				

					03-14
					
					990
					
				

			

		

		

			
				
3D human pose estimation in video with temporal convolutions and semi-supervised training

			
		

	





	

		

			

				
					
RealTime3DPoseTracker-OpenPose:使用OpenPose，Python机器学习工具包，Realsense和Kinect库进行实时3D姿势跟踪和手势识别

				
			

			

				

					05-15
				

			

		

		

			
				
RealTime3DPoseTracker-OpenPose
 使用OpenPose，Python机器学习工具包，Realsense和Kinect库进行实时3D姿势跟踪和手势识别。
 安装步骤：OpenPose和PyOpenPose机器：4 GPU，GeForce GTX 1080操作系统：Ubuntu 16.04
 克隆OpenPose存储库：“ git clone  ”
 通过以下链接从PyOpenPose检查当前集成的OpenPose版本：https://github.com/FORTH-ModelBasedTracker/PyOpenPose
 通过以下方式将OpenPose版本重置为此提交：git reset --hard #version
 下载并安装CMake GUI：sudo apt-get install cmake-qt-gui
 安装CUDA 8：sudo apt-g

			
		

	





	

		

			

				
					
3d姿势基线：张量流中3d人体姿势估计的简单基线。 在ICCV 17上发表

				
			

			

				

					02-06
				

			

		

		

			
				
3D姿势基线
这是论文的代码
朱丽叶·马丁内斯（Julieta Martinez），雷亚特·侯赛因（Rayat Hossain），哈维尔·罗梅罗（Javier Romero），詹姆斯·J·利特尔（James J.Little）。 3d人体姿势估计的简单而有效的基准。 在ICCV，2017年 。
 该存储库中的代码主要由 ， 和编写。
 我们为3D人体姿势估计提供了强有力的基准，也为当前方法的挑战提供了启示。 我们的模型是轻量级的，我们努​​力使我们的代码透明，紧凑且易于理解。
依存关系
Python≥3.5
 1.0或更高版本
首先
观看我们的视频：  : 
 克隆此存储库
git clone

			
		

	





	

		

			

				
					
基于深度学习的3D pose estimation总结（包括几篇2D pose estimation）

				
			

			

				

					tcll321的专栏
				

				

					09-01
					
					1621
					
				

			

		

		

			
				
3D pose 检测识别方案

			
		

	





	

		

			

				
					
探索人体姿态新维度：3D姿势估计的PyTorch实践 —— `3d_pose_baseline_pytorch`项目推荐...

				
			

			

				

					gitblog_00280的博客
				

				

					08-18
					
					438
					
				

			

		

		

			
				
探索人体姿态新维度：3D姿势估计的PyTorch实践 —— 3d_pose_baseline_pytorch项目推荐
 3d_pose_baseline_pytorchA simple baseline for 3d human pose estimation in PyTorch.项目地址:https://gitcode.com/gh_mirrors/3d/3d_pose_baseline_py...

			
		

	





	

		

			

				
					
二维已经 OUT 了？3DPose 实现三维人体姿态识别真香 | 代码干货

				
			

			

				

					AI科技大本营
				

				

					07-14
					
					4388
					
				

			

		

		

			
				
作者|李秋键出品|AI科技大本营(ID:rgznai100)引言人体姿态估计是计算机视觉领域很多研究工作的基础，也是研究的热点问题，在行为识别、人机交互、姿态跟踪等领域有着广泛的应用前景。...

			
		

	





	

		

			

				
					
推荐开源项目：3D人体姿态估计——3d_pose_baseline_pytorch

				
			

			

				

					gitblog_00045的博客
				

				

					05-08
					
					695
					
				

			

		

		

			
				
推荐开源项目：3D人体姿态估计——3d_pose_baseline_pytorch
项目地址:https://gitcode.com/gh_mirrors/3d/3d_pose_baseline_pytorch
项目简介
3d_pose_baseline_pytorch是一个基于PyTorch实现的3D人体姿态估计算法简单基准模型。该模型源自Julieta Martinez等人的TensorFlo...

			
		

	





	

		

			

				
					
【笔记】A simple yet effective baseline for 3d human pose estimation

				
			

			

				

					weixin_50862344的博客
				

				

					01-26
					
					1281
					
				

			

		

		

			
				
【笔记】A simple yet effective baseline for 3d human pose estimation

			
		

	





	

		

			

				
					
python-单目3d人体姿态检测 需要什么摄像头

				
			

			

				

					07-18
				

			

		

		

			
				
### 回答1：
在进行Python的单目3D人体姿态检测时，我们需要使用具备一定性能和特性的摄像头。

首先，摄像头需要具备高清晰度的图像采集能力，以确保捕捉到的人体图像能够提供足够详细的信息。一般来说，采用至少1080p分辨率的摄像头是很常见的选择，以保证图像质量较高。

其次，摄像头应具备高帧率的拍摄功能，能够在短时间内连续捕捉到多个图像帧。这对于单目3D人体姿态检测来说非常重要，因为姿态检测算法需要对连续帧之间的变化进行分析和计算，高帧率能够提供更精确的结果。

此外，摄像头还需要具备适应不同环境光照条件的能力，以确保图像质量在各种光照条件下都能得到保证。一些摄像头可能具备自动曝光和自动对焦功能，可以根据环境光照自动调整参数，提供更好的图像质量。

最后，摄像头应该具备稳定性和可靠性，能够在长时间工作中保持良好的运行状态。这样能够确保姿态检测算法的运行稳定性，并且减少因为摄像头自身问题对检测结果造成的影响。

综上所述，进行Python的单目3D人体姿态检测时，我们需要选择一款具备高清晰度、高帧率、适应不同光照条件、稳定可靠的摄像头来进行图像采集。  

### 回答2：
对于使用Python进行单目3D人体姿态检测，摄像头的选择是非常重要的。下面是一些常见的摄像头类型，可供选择：

1. USB摄像头：这是最常见的摄像头类型，适用于PC或笔记本电脑。Python可以通过OpenCV库来对USB摄像头进行图像捕获和处理。一般来说，具有较高分辨率和帧率的USB摄像头可以提供更准确的人体姿态检测结果。

2. IP摄像头：这种类型的摄像头通过网络连接，可以通过IP地址来访问视频流。Python可以使用OpenCV库或其他网络摄像头库来访问IP摄像头的视频流，并进行人体姿态检测。IP摄像头通常具有更高的分辨率和增强的图像处理能力，可以提供更高质量的视频流。

3. 深度摄像头：深度摄像头可以获取场景中每个像素的距离信息，可以用于更准确地估计人体姿态。例如，Intel RealSense深度摄像头使用Python可以进行实时深度图像捕获和处理。深度摄像头可以通过计算距离并结合图像处理算法来提供更准确的人体姿态检测结果。

4. 红外摄像头：红外摄像头可以捕获人体的红外热图像，通过检测人体的热力分布来推断姿态。Python可以使用OpenCV库或其他红外图像处理库来处理红外摄像头的图像。使用红外摄像头进行人体姿态检测可以在低光或无光的情况下提供可靠的结果。

综上所述，对于Python单目3D人体姿态检测，可以根据项目需求选择合适的摄像头类型。常见的选择包括USB摄像头、IP摄像头、深度摄像头和红外摄像头。根据应用场景的特点和要求，选择适合的摄像头能够提高人体姿态检测的准确性和可靠性。

			
		

	



              




          




        



    





    



      

      

        
      

      





	

		
评论 1

	

	
	




  

    

      添加红包
      
    

    

      

        
        

          
          
        

        
请填写红包祝福语或标题

      

      

        
        

          
          个
        

        
红包个数最小为10个

      

      

        
        

          
          元
        

        
红包金额最低5元

      

      

        
        

          当前余额3.43元
          前往充值 >
        

      

      

        

          需支付：10.00元
        

        
        
      

    

  





  

    
    
  

  

    
    
  








  

    

      

        

          

            
            
成就一亿技术人!

          

          

        

        

          

          

            领取后你会自动成为博主和红包主的粉丝
            规则
          

        

      

      

        

          

            
              
            
            

              
hope_wisdom
 发出的红包
            

          

        

        

          

          

          

        

      

    

    

  





	
打赏作者

	

		

		
			
		
		

		

			
AI算法网奇

			
你的鼓励将是我创作的最大动力

		

	

	

			

	

	

    ¥1
    ¥2
    ¥4
    ¥6
    ¥10
    ¥20
	

	

		

			

				

					扫码支付：¥1
				

				

					

					
					获取中
					

				

				

					
					
					扫码支付
				

			

		

		

			
您的余额不足，请更换扫码支付或充值

			
打赏作者

		

	



      
      

      
实付元

      
使用余额支付

      

        

          

            
            点击重新获取
          

        

        
扫码支付

      

      

        
          
            
          
          
        
      

      

        
        钱包余额
          0
          

            
            

              

                
抵扣说明：

                
 1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
 2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

              

            

          

      

      余额充值