原文：https://blog.csdn.net/chenyuping333/article/details/82901638#2、3D人体姿态估计
目录
这是一个简单的资源仅供参考
0、简介
姿态估计的目标是在RGB图像或视频中描绘出人体的形状，这是一种多方面任务，其中包含了目标检测、姿态估计、分割等等。有些需要在非水平表面进行定位的应用可能也会用到姿态估计，例如图形、增强现实或者人机交互。姿态估计同样包含许多基于3D物体的辨认。
人体姿态估计可以分为二维（2D）和三维（3D）的姿态估计，下面推荐一些简单的资源；
1、2D人体姿态估计
（1）综述2015：A Survey on Human Pose Estimation(人体姿态估计综述)
传送门：https://www.tandfonline.com/doi/abs/10.1080/10798587.2015.1095419
摘要：
人体姿态估计由于其重要的应用价值和理论意义而受到广泛关注。 对人体姿势估计的系统调查将是非常有意义的。 但是，相关研究在这方面明显落后。 为此，我们讨论了人体姿态估计的困难，并给出了数据驱动概述最近进行人体姿态估计的方法，包括基于深度的方法和传统的基于图像的方法。 虽然本研究的重点是使用深度和RGB图像数据的方法，但我们还讨论了基于物体检测和动作识别的人体姿态估计方法。 最后，我们向研究人员提供一些分析建议。
（2）六种人体姿态估计的深度学习模型和代码总结：https://zhuanlan.zhihu.com/p/38597956
（3）人体姿态估计综述:https://blog.csdn.net/qq_36165459/article/details/78320535?locationNum=10&fps=1
（4）人体姿态估计(Human Pose Estimation)文献综述:https://blog.csdn.net/BockSong/article/details/81037059）
（5）Paper List：CVPR 2018 人体姿态估计相关：https://blog.csdn.net/BockSong/article/details/80899689
2、3D人体姿态估计
（1）综述2016：3D Human pose estimation: A review of the literature and analysis of covariates（3D人体姿势估计：文献综述和协变量分析）
传送门：https://www.sciencedirect.com/science/article/pii/S1077314216301369
摘要：
在给定图像或视频的情况下估计人体3D姿势最近受到了科学界的极大关注。这种趋势的主要原因是不断增加的新应用范围（例如，人机交互，游戏，运动性能分析），这些应用是由当前的技术进步驱动的。尽管最近的方法已经处理了若干挑战并且已经报告了显着的结果，但是3D姿态估计仍然是一个很大程度上未解决的问题，因为现实生活中的应用带来了一些挑战，现有方法没有完全解决 例如，估计室外环境中多人的3D姿势仍然是一个很大程度上未解决的问题。在本文中，我们回顾了RGB图像或图像序列的3D人体姿态估计的最新进展。我们基于输入（例如，单个图像或视频，单眼或多视图）提出方法的分类，并且在每种情况下，我们根据其关键特征对方法进行分类。为了概述当前的能力，我们对专门为此任务创建的综合数据集进行了广泛的实验评估，并将其基本事实公之于众，以供研究之用。最后，我们对通过审阅文献和实验结果所获得的见解进行了深入的讨论。确定了未来的方向和挑战。为了概述当前的能力，我们对专门为此任务创建的综合数据集进行了广泛的实验评估，并将其基本事实公之于众，以供研究之用。最后，我们对通过审阅文献和实验结果所获得的见解进行了深入的讨论。确定了未来的方向和挑战。为了概述当前的能力，我们对专门为此任务创建的综合数据集进行了广泛的实验评估，并将其基本事实公之于众，以供研究之用。最后，我们对通过审阅文献和实验结果所获得的见解进行了深入的讨论。确定了未来的方向和挑战。
（2）综述2009：Single camera 3D human pose estimation: A Review of current techniques（单摄像机3D人体姿态估计：对当前技术的回顾）
传送门：https://ieeexplore.ieee.org/document/5412094
摘要：
在娱乐和游戏行业，体育科学，步态分析和视频监控等许多应用中，基于视觉的技术来估计单人相机的3D人体姿势非常重要。虽然事实上基于光学的运动捕捉系统在估计3D人体姿势时非常准确，但基于视觉的技术提供了更好的选择，因为后者更便宜且非侵入性。在本文中，我们回顾了近期在单相机3D人体姿态估计技术方面取得的重大进展。我们讨论了所面临的挑战，使用的典型图像观察，应对挑战的方法以及突出现有技术的局限性。我们总结本文，推测未来的研究方向以及开放的研究问题。
（3）论文2016：3D Human Pose Estimation = 2D Pose Estimation + Matching（3D人体姿势估计= 2D姿态估计+匹配）
一看题目，觉得很有意思的一篇文章。
摘要：
我们从单个RGB图像探索3D人体姿势估计。虽然许多方法试图直接从图像测量预测3D姿态，但我们探索了一种简单的结构，通过中间2D姿势预测来推理。我们的方法基于两个关键观察结果（1）深度神经网络已经彻底改变了2D姿态估计，即使对于具有自遮挡的姿势也能产生精确的2D预测。（2）3D mocap数据的大数据集现在已经很容易获得，因此很容易通过简单的记忆（例如，最近的邻居）将预测的2D姿势提升到3D。利用现成的2D姿态估计系统和3D mocap库实现最终的体系结构是微不足道的。重要的是，我们证明这些方法优于几乎所有最先进的3D姿态估计系统，
（4）3D姿态估计 行为识别：https://zhuanlan.zhihu.com/p/40568462
（5）其他资源：自行谷歌搜索（下面的链接为谷歌镜像）
3、其他知识
（1）检测与姿态估计的评价标准：https://blog.csdn.net/xiaojiajia007/article/details/78746149
目录