论文：Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields
github地址：&&&
论文地址：×××
参考文章：
1. https://blog.csdn.net/weixin_41441682/article/details/81357369
2. github 中文论文，https://github.com/assmdx/ComputerVisionDoc/blob/master/openpose/openpose.md，中文论文网站，也就是翻译
3. https://blog.csdn.net/htt789/article/details/80283370，这篇文章分析很透彻，能抓住问题的核心
4. http://jacobkong.github.io/posts/3799204522/ 姿势识别论文总结
自上而下的方法，也就是先用目标检测检测出人物，然后再计算出关键点信心，和自下而上的方法，这种方法是先检测出具体的关键点和具体的胳膊腿等构件，然后再合成到一起。
Figure 1.顶部：多人姿势估计。 同一个人的身体部位之间用线相连。 左下：部分亲和力字段（PAFs）对应于连接右肘和右侧的肢体腕。 颜色编码方向。 右下：放大预测的PAF的视图。 在场中的每个像素处，2D矢量编码四肢的位置和方向
Figure 2.整体过程。 我们将整个图像作为双分支CNN的输入来联合预测置信图,（b）中所示的身体部位检测，以及（c）中所示的部位关联的部分亲和力字段。 解析步骤执行一组二分匹配身体部位候选人的匹配（d）。 我们最终将它们组装成图像中所有人的全身姿势。
网络结构：
模型运作流程：
1.以w*h大小的彩色图像作为输入
2.经过VGG的前10层网络得到一个特征度F
3.网络分成两个循环分支，一个分支用于预测置信图S：关键点（人体关节），一个分支用于预测L：像素点在骨架中的走向（肢体）
4.第一个循环分支以特征图F作为输入，得到一组S1，L1
5.之后的分支分别以上一个分支的输出St-1,Lt-1和特征图F作为输入
6.网络最终输出S,L
损失函数的计算，两种loss求和。
损失函数为每一层循环网络的损失函数之和，接下来说一下两个步骤吧：
第一个就是关键点检测，用的CPM方法。关键点检测，通过图像中标注的2D点Xj,k计算S的groundtruth(S*)，其中X (j,k)表示图片中第k个人的第 j 种关节 计算方法：Sj*符合正态分布，当像素点P接近注释点Xj,k时，达到正态曲线的峰值，则每张图像中第j种关节的S，为图像中k个人的正态分布峰值。
第二个步骤为PAF的检测：
其中像素P是否落在肢体上需要满足两个条件 
每张图像中第c中肢体的Lc*，为k个人在位置p的向量平均值
评估两个关键点之间的相关性：
关键点dj1,dj2和PAF已知之后，计算两个关键点连线向量和两关键点连线上各像素的PAF向量之间的点积的积分作为两个关键点之间的相关性。 
像素p进行采样：
接下来就需要通过PAF计算出来的图的关系来得到一个匹配，最大匹配：匹配边数最多
完美匹配：所有点都是匹配点
最大权重匹配：所有匹配边权重之和最大
最大匹配：匹配边数最多
完美匹配：所有点都是匹配点
最大权重匹配：所有匹配边权重之和最大
求解最大匹配方法：匈牙利算法匈牙利算法