版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
在研究行为检测时，对tf-pose-estimation进行了测试，它本身比较轻巧，可以利用CPU进行实时的检测，容易跑通。
我在Ubuntu16.04上进行了配置和测试，记录如下：
tf-pose-estimation的github地址为：https://github.com/ildoonet/tf-pose-estimation
tf-pose-estimation依赖项：
- python3
- tensorflow 1.4.1+
- opencv3, protobuf, python3-tk
- slidingwindow
安装：
- 下载代码并安装第三方依赖库：
git clone https://www.github.com/ildoonet/tf-pose-estimation
cd tf-pose-estimation
pip3 install -r requirements.txt
- 编译C++库：
cd tf_pose/pafprocess
swig -python -c++ pafprocess.i && python3 setup.py build_ext --inplace
模型下载：
在运行前，需要下载模型文件。 您可以在移动设备或其他平台上部署此模型文件。
- cmu (trained in 656x368)
- mobilenet_thin (trained in 432x368)
- mobilenet_v2_large (trained in 432x368)
- mobilenet_v2_small (trained in 432x368)
cd models/graph/cmu
bash download.sh
测试：
- 单个图片测试
python run.py --model=mobilenet_thin --resize=432x368 --image=./images/apink3.jpg
- 电脑摄像头测试
python run_webcam.py --model=mobilenet_thin --resize=432x368 --camera=0
-
视频测试
作者没有给出命令，不过自己稍加修改代码即可，我在抖音上下载了一段视频，进行了测试：
