5. Openpose
直接上干货吧
脖子关键点（17+1）：由左右肩求平均 19
Top-down（自上向下）方法：
① 检测每个人的位置，框选
② 对每一个框分别姿态估计优点： 解决了关键点匹配问题
缺点： 检测人的时候重叠造成 2->1 就也丢失一个目标 + 复杂度高，效率低Bottom-up（自下向上）方法： ① 预测图中所有关键点【高斯（热度图）判分】
② 将属于同一个人的关键点按顺序拼接（PAF）：
共 19 种连接方式。方向由向量决定（x 和 y 两个方向） => 38 个特征图
Bottom-up
确定连接方式（同一个人）：判分
确定连接方向（PAF 标签）：
① 两点求一个向量，转换成单位向量
② 通过距离阈值判断其他点是否在当前这个躯干上。若是则方向同 ①；若不是直接零向量。
③ 这样我们就得到 19 张先验特征图，即 PAF 标签
关键点匹配方法:
二分图 => 匈牙利算法
Final
Final 最后写了一篇，基本算是啥也不懂的，《在 Tensorflow 框架下实现基于 Openpose 算法的人体姿态估计》，的论文。
原理什么的，现在想起来已经是一团浆糊。
不过论文里记载的步骤基本是零基础详解的，还是可以一看。
备注