OpenPose -- stage1

最新推荐文章于 2022-10-13 13:41:35 发布

转载最新推荐文章于 2022-10-13 13:41:35 发布 · 275 阅读

Linux 专栏收录该内容

27 篇文章

订阅专栏

本文介绍在Ubuntu 16.04系统下搭建TensorFlow人体姿态估计环境。先安装TensorFlow GPU版和CUDA，激活环境后安装OpenCV，从GitHub拉取源码，安装Swig并进行代码处理。最后给出测试命令，可对图片、视频进行测试，还能调用摄像头实时获取视频。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

环境：Ubuntu16.04

Anaconda3

tensorflow 1.9.0

CUDA 9.0

首先安装tensorflow gpu版本，具体过程请参考链接【Tensorflow】（一）：环境配置(Anaconda)。

CUDA的安装过程请参考链接：【CUDA】linux ubuntu16.04 卸载cuda8.0 安装cuda9.0。

安装完成之后激活tensorflow环境，使用下面的命令：

source activate tensorflow_gpu
接下来还需要安装opencv，具体的安装过程请参考链接：【Tensorflow】tensorflow中添加opencv支持。

下面就可以从github上拉取源码了。

git clone git@github.com:ildoonet/tf-pose-estimation.git
cd tf-pose-estimation
pip install -r requirements.txt
下面还需要swig支持，所以

cd tf_pose/pafprocess
安装swig，

sudo apt install swig
现在可以swig代码了，

swig -python -c++ pafprocess.i && python3 setup.py build_ext --inplace
环境已经搭建好了，下面可以进行测试，

python run.py --model=mobilenet_thin --resize=432x368 --image=./images/p2.jpg

另外还可以测试视频，

python run_video.py --model=mobilenet_thin --resolution=432x368 --video=test.mp4
或者调用摄像头，实时获取视频，

python run_webcam.py --model=mobilenet_thin --resolution=432x368 --camera=0

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

会飞到空中的鱼

关注关注

1
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

openpose：Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields ∗

qq_52053775的博客

01-12

2380

姿态估计任务首先需要检测出人体的各个关键点，将人体关键点进行拼接。任务的困难有，首先，对于关键点检测任务，需要处理遮挡的问题，在拼接的过程中，需要处理多人的情况，即不能将不同人的关键点进行拼接。

人工智能之姿态估计OpenPose算法源码分析(vgg19,backbone,高斯热度图,单位向量叉乘,向量累加和后求平均,感受野,多个stage纠错)

weixin_58351028的博客

02-15

627

每个躯干到时候都要预测它的单位向量(即x与y二个方向),因为一个关键点(构成的特征图)没方向,那二个关键点(二张特征图)连接成的向量就有x与y方向了。在标签中标注出关键点后,我们还需要设计PAF来表示关键点之间的连接向量(这是GT),如果关键点是相交到一起时,连接这关键点时方向将如何进行？至此(5)-----(8)就把躯干标签就做好了，(3)-----(4)是做关键点的高斯标签。它本身是19个躯干的,但每种躯干都要构建2个方向的向量(x与y方向),所以就是19*2=38个躯干。

参与评论您还未登录，请先登录后发表或查看评论

Openpose推断阶段原理

风翼冰舟的博客

01-19

7079

前言之前出过一个关于openpose配置的博客，不过那个代码虽然写的很好，而且是官方的，但是分析起来很困难，然后再opencv相关博客中找到了比较清晰的实现，这里分析一波openpose的推断过程。国际惯例，参考博客： opencv官方文档，只有单人大佬的实现，包括多人解读直接使用opencv的dnn库调用openpose的caffe模型，然后对输出进行后处理。重点是代表关节连接亲密度的...

openpose的细节处理

daniaokuye的专栏

12-17

2万+

最近使用openpose，但是有一些细节论文中没有给出，还有一些不太重要但也挺关键的细节需要搞清楚，这篇文章就把用到的这些细节一并及下来。1 VGG基础网络的输入输出论文中说vgg基础网络用到了前10层，但是看源码的话，他是用了12层的。相关的输入输出维度如下: vgg_cfg = [64, 64, ‘M’, 128, 128, ‘M’, 256, 256, 256, 256, ‘M’,

openpose改进策略

年轻即出发，

08-02

9362

论文：Improving Multi-Person Pose Estimation using Label Correction 论文提出了一种openpose人体关键点算法的改进策略。由于官方的coco数据集中存在下面的问题，图片之后的人体区域没有关键点的标注遮挡情况下的人体区域没有关键点的标注有些可见的关键点区域没有进行相应的关键点标注可以忽略的区域的mask标注缺...

openpose实验总结

热门推荐

NoMorningstar的博客

08-15

2万+

有人总结l六种人体姿态估计的深度学习模型和代码：DensePose、OpenPose、Realtime Multi-Person Pose Estimation、AlphaPose、Human Body Pose Estimation、DeepPose。详情可参考链接 openpose下载可参考链接安装与调试可参考链接（亲测有效）这里整理理一下论文Realtime Multi-Person ...

论文《Real-time 2D Multi-Person Pose Estimation on CPU: Lightweight OpenPose》阅读，基于openpose的轻量级cup实时运行实现

heweiting123的博客

04-30

2238

论文原地址：https://arxiv.org/pdf/1811.12004.pdf 原openpose分析作者一开始就分析原openpose的网络算法，原openpose的backbone是VGG-19。原openpose的refinement stage有5个阶段。并且坐着把5个refinement stage的正确率测试了一下，发现从第一个refinement stage1之后，正确率...

lightweight-openpose学习笔记--源码解析（1）demo.py

XXX2YYY的博客

10-13

1554

学习笔记

chainer-人体姿态检测-openpose

09-20

OpenPose的模型结构包含了一系列卷积层，这些层的名称在文件列表中可见，如`conv5_1_CPM_L2`、`Mconv5_stage3_L2`等。这些名称暗示了模型中的一些关键组件： 1. **CPM（Convolutional Pose Machines）**：这是...

《Real-time 2D Multi-Person Pose Estimation on CPU：Lightweight OpenPose》论文笔记

m_buddy的博客

08-24

1674

参考代码：lightweight-human-pose-estimation.pytorch 1. 概述导读：这篇文章是在OpenPose的基础上进行轻量化改进，从而使得整体网络能在Intel的CPU上达到实时的运行效果。对此文章的算法也是相当轻量级的只有410w的参数90亿的浮点运算，是含有两阶段优化OpenPose的15%，但是其AP（Average Precision）只降低了1个点。自然文章对原有OpenPose进行了加多的改进，从而使其在速度上得到提升。 2. 方法设计 OpenPose是b

openpose学习

weixin_45074568的博客

06-23

2247

openpose过程分析 Openpose是一种botton-up的方法，就是对于一张图片，首先找到图像中的所有人的所有点，然后再对这些点进行匹配连接，让同一个人的点进行相连，具体过程如下图： OpenPose的pipeline主要有两个部分： **** 在inference阶段，输入图像，输出两个tensor，分别是关键点的heatmap和关键对应的连接关系（part affinity field, paf），这些输出的heatmap都是只有原图的8分之一。 ****根据keypoint和paf的hea

2020-09-03-openpose分析

qq_35740095的博客

09-05

826

openpose分析 OpenPose是一种bottom-up的方法，就是对于一张图片，首先找到图像中的所有人的所有点，然后再对这些点进行匹配连接，让同一个人的点进行相连。具体过程如下图： OpenPose的pipeline主要有两个部分： • 在inference阶段，输入图像，输出两个tensor，分别是关键点的heatmap和关键对应的连接关系（part affinity field, paf），这些输出的heatmap都是只有原图的8分之一。 • 根据keypoint和paf的heatma

OpenPose MobileNet V1 作为Backbone的模型结构（3）

二分掌柜的

02-21

1066

OpenPose MobileNet V1 作为Backbone的模型结构（3）两个Branch的合并 flyfish 论文原文 To produce new estimation of keypoint heatmaps and pafs the refinement stage takes features from backbone concatenated with previous e...

动作分析姿态估计_姿态估计之Openpose_原理部分

weixin_27015375的博客

01-14

2401

姿态估计中位置十分显眼的巨作:OpenposeAbstract重点查看论文，需要看下它的abstract，本文提出了一个2D的单张图片的多人姿态估计，(现在都出3D的姿态估计了)，后面主要采用了PAF的方法以及组合数学中的K分图匹配方法，很优雅的解决了CPM中的多人肢干连接的问题。本文提出的网络结构，首先对全图进行了一个encode，在达到实时性要求的情况下，同时保持了很高的accuracy。本文...

【tf-pose-estimation】人体姿态识别tensorflow版OpenPose Ubuntu16.04安装全过程

番茄锅涮代码

04-08

4810

3记录一下openpose tf版本的安装全流程，踩了所有的坑，希望你可以一次性安装成功。环境：Ubuntu16.04+Anaconda3 code：https://github.com/ildoonet/tf-pose-estimation paper：https://arxiv.org/pdf/1611.08050.pdf 1）创建虚拟环境+安装cuda+cudnn+tensorf...

Tensorflow——用openpose进行人体骨骼检测

芝士就是力量

05-03

2万+

参考资料code：https://github.com/ildoonet/tf-pose-estimationpaper：https://arxiv.org/pdf/1611.08050.pdfMark的教学视频：https://www.youtube.com/watch?v=nUjGLjOmF7o （视频里特别详细，从conda环境，安装tenso...

「Computer Vision」Note on Lightweight OpenPose

小锋子Shawn

02-16

731

QQ Group: 428014259 Tencent E-mail：403568338@qq.com http://blog.youkuaiyun.com/dgyuanshaofeng/article/details/87475539 [1] Real-time 2D Multi-Person Pose Estimation on CPU: Lightweight OpenPose 2018 [paper]...

肢体语言识别系统OpenPose问世，它甚至能明白你的表情

一点码客

08-15

1万+

4月23日，卡内基梅隆大学感知计算实验室将其打造的OpenPose——一套可以读懂人类肢体语言的库放在了GitHub上，并于6月和7月相继开源了核心的面部和手部识别源代码。源码网址:https://github.com/CMU-Perceptual-Computing-Lab/openpose 据放在GitHub上的资料显示，OpenPose是世界上第一个实时多人关键点检测和多线程的C++库...

logback-classic-1.4.11.jar中文文档.zip

最新发布

08-09

1、压缩文件中包含：中文文档、jar包下载地址、Maven依赖、Gradle依赖、源代码下载地址。 2、使用方法：解压最外层zip，再解压其中的zip包，双击【index.html】文件，即可用浏览器打开、进行查看。 3、特殊说明：（1）本文档为人性化翻译，精心制作，请放心使用；（2）只翻译了该翻译的内容，如：注释、说明、描述、用法讲解等；（3）不该翻译的内容保持原样，如：类名、方法名、包名、类型、关键字、代码等。 4、温馨提示：（1）为了防止解压后路径太长导致浏览器无法打开，推荐在解压时选择“解压到当前文件夹”（放心，自带文件夹，文件不会散落一地）；（2）有时，一套Java组件会有多个jar，所以在下载前，请仔细阅读本篇描述，以确保这就是你需要的文件。 5、本文件关键字： jar中文文档.zip,java,jar包,Maven,第三方jar包,组件,开源组件,第三方组件,Gradle,中文API文档,手册,开发手册,使用手册,参考手册。

openpose网络

01-16

### OpenPose 网络架构及原理 #### 一、概述 OpenPose 是一种广泛应用于人体姿态估计的技术，能够实时检测多人的关键点位置并构建骨架连接。该技术不仅限于单人场景，在复杂背景下也能保持较高的准确性[^1]。 #### 二、网络架构特点 OpenPose 的核心在于采用了自底向上的方法(bottom-up)，即先独立识别图像中的各个身体部位（如手肘、膝盖等），再通过关联字段(Part Affinity Fields, PAFs)将这些局部特征组合成完整的个体姿态模型。 - **卷积神经网络(CNN)**：作为基础框架，用于提取输入图片的高层次语义信息； - **Stage 模块**：由多个相同结构的子网组成，每个stage负责预测一次关键点热力图和PAFs；随着层数加深，精度逐渐提高。 - **跳跃链接(Skip Connections)**：为了保留更多细节，不同层次间存在短路连接机制，使得浅层特征可以直接传递给深层部分参与计算。 ```python import cv2 from openpose import pyopenpose as op params = dict() params["model_folder"] = "./models/" opWrapper = op.WrapperPython() opWrapper.configure(params) datum = op.Datum() imageToProcess = cv2.imread("test.jpg") datum.cvInputData = imageToProcess opWrapper.emplaceAndPop([datum]) print("Body keypoints: \n" + str(datum.poseKeypoints)) ``` #### 三、工作流程解析整个过程大致分为两个主要步骤： - 预测阶段：利用训练好的CNN模型对输入图像进行前向传播运算，得到每种可能的身体部件对应的置信度分布(heatmaps)以及它们之间的相对位移关系(PAFs)[^2]； - 解析阶段：基于上述两组数据，采用贪心算法寻找最佳匹配方案来重建每个人物实例的位置与形态。