概述
这是一篇关于肢体识别的非常经典的文章，本实验运用了caffe深度学习框架 （http://caffe.berkeleyvision.org），运用了 MPII (http://human-pose.mpi-inf.mpg.de 人体姿态数据集)和 COCO（http://cocodataset.org 微软发布的 一个大型图像数据集）这些数据集可以帮助进行2D人体姿态评估。
为什么要着重来讲这篇论文，因为当时参加华中hackthon的时候，正是因为这篇文章的启发，才激发我们设计出了一款dancepose的学习跳舞的产品，并且获得了第一名，致敬作者
姿态识别逐渐应用到众多领域，比如游戏，动画电影姿态捕捉等，传统的姿态识别方法需要借助传感器，景深摄像头等高科技设备， 或者传统的神经网络识别方法经常会带来大的误差，错误。
本论文则提出了新的方法，旨在对2D视频影像中的动作行为进行关键点，关键域，捕捉识别拼接，从而实现姿态识别的效果 。
整体架构
传统方法：自上而下
思路：先检测人，再对每一个人进行姿态识别。
缺点： 1. 当人离得比较近时，检测人体的方法极易失效。
2.运行时间与人物数量成比例，难以达到实时要求。
新的方法：自下而上
思路：先识别出关键点和关节域，然后通过算法组合成个体 的姿势图。
优点：保证精度的同时达到近乎实时的效果。
图a,b,c 分别代表经过一系列优化后识别的效果，c则是预期，符合本文观点
具体实现流程：
1：求所有关键点（头部，肩膀，关节，手腕...）
2：求所有关联区域( 手臂，大腿）
3：根据关键点和关联区域进行矢量连接
架构分析：
上面图片和公示展示了本文所述的图片处理网络架构，主要包括这么几个过程：
1. 输入原图像
2. 利用VGG-19的前10层对图片进行处理，得到图片的特征F；
3. 特征F输入到多阶段网络进行处理， 卷积结束，分别输出
St(Part Confidence Map)关键点：比如关节，肩膀..
Lt(Part Affinity Map)关键域，代表胳膊等躯干部分。
4. 运用拼接方法以Lt为基础，将St连接，拼接成整个人的模型
具体剖析
关键点识别：
S∗j(p)实际上就是求出一张图像上身体j部位分布置信图(也称热点图)，分布类似高斯分布 两个曲线的顶点代表热点最集中的部分，则代表各个关键点。 如上图（嘻嘻）
关键域识别
如果在图像中确定某人(k)一段手臂(标记为c)，那么这幅图中任意位置p的 L∗c(p)为：
此函数则协助判断此点是否在关键域中。
关节拼接
从上面的识别bcd看来
1, 构造全连接图
2, 仅保留有链接可能的边 也是NP-HARD 问题
3, 转化为最大化二分权值匹配问题，通俗的语言讲，从躯干开始，大臂的两端一定是肩膀和胳膊肘
所以我们基于之前得出的PAFs （part affinity fields）信息按这个思路进行躯干连接。
关节组合
第一步，找出图中所有的小腿
第二步，按照第一步的方法，分别去找出大臂、小臂等其他器官
第三步，两个相邻的躯干必定有共享关节点，通过关节点再把所有的躯干结合起来得到躯体
实验难点及可改进地方
姿态识别的挑战：
1.图片中人的数量、位置、尺寸均未知。
2.人们之间的互动产生的接触、遮挡等影响识别。
3.个体数量增加使识别更困难，对实时性是一个挑战。
在实验过程中，我们取消无用点的识别 提高帧数，同时也可以花十几万组装一个坦克来运行这个代码 （手动滑稽）
代码大概分析
本代码需要在ubuntu或者windows环境下，并且需要NVIDA的一些配置，分为CPU和GPU两个版本，可以对图片，视频，2Dwebcame摄像头三种形式进行识别，但是识别结果可想而知，没有很好的设备帧率会非常的低，官方发论文的时候给出的GPU识别19人帧率也不过8.8，随着人的增加，关键点的增多，会非常的卡，CPU就更不用说了，需要你闭眼补帧。
windows下 需要在powershell里面打开相对应的cpu/gpu文件 然后输入相关不同的命令进行操作：
https://github.com/CMU-Perceptual-Computing-Lab/openpose/blob/v1.3.0/doc/quick_start.md 文档详细讲述了用法
https://blog.csdn.net/JerryZhang__/article/details/76208871 OpenPose 安装配置与测试
https://github.com/CMU-Perceptual-Computing-Lab/openpose github 下载
如果您有更多的问题 欢迎给我留言联系，我会第一时间回复您
工作邮箱：[email protected]