从2d关键点进行3d人体姿势估计 概述 尽管人们通常可以轻松地估计2d图像中人的3d姿势，但是3d姿势估计对于机器来说仍然是一个具有挑战性的问题。 该项目改进了一种算法，该算法以2d关键点作为唯一输入来估计人体姿势的3d关键点。 我将采取三种关键干预措施来改善整个数据集以及基准模型中具有特别高误差的姿势子集的重建精度：a）修改预处理中的数据归一化技术，b）从简单密集地修改神经网络架构将网络连接到以最新的2d姿态估计模型为模型的多级网络，并且c）生成合成数据以增强训练集。 这些干预措施成功地将整个测试集（来自卡耐基梅隆大学的运动捕捉数据库）中的重建误差降低了40％，针对目标的高误差姿势也降低了87％。 全文： （pdf） 依存关系 仅用于从头准备数据： 培训与测试 训练 运行prep_data.py 运行train.py ，注释掉所有您不想训练的模型设置。 日期时间将附加到这些文

video-face-3d 人脸工具包大杂烩，主要整合了近年来的SOTA的一些方法，包括视频人脸追踪，68关键点检测，三维人脸3DMM参数标注，shape-from-shading等 依赖 pytorch 0.4.1以上 tensorflow 1.0 以上 neural_renderer_pytorch 安装 安装本代码前请先确保安装了pytorch,tensorflow以及neural_renderer_pytorch neural_renderer_pytorch安装说明 如果你是Linux或者Mac用户，请直接pip install neural_renderer_pytorch 如果你是Windows10用户，请参考 进行安装 下载本代码依赖的静态资源文件，解压到/VideoFace3D/data，下载链接，密码 rle5 推荐使用develop模式安装代码 python se

司机疲劳驾车会影响车辆的正常行驶，严重时会威胁司机和乘客的生命安全，因此检测司机是否出现疲劳现象可以有效保障人们的出行安全.在现实生活中，一般在夜间光照强度较弱的情况下，司机出现疲劳驾驶的次数较多，但是现有的相关检测算法无法处理灯光问题，导致其在夜间检测时准确率较低.针对此问题，本文提出了基于低光增强的夜间疲劳驾驶检测算法.首先对人脸图像进行低光增强处理，从而提高图像的曝光度；然后使用人脸关键点检测网络获取图像的眼睛区域；之后使用卷积神经网络对眼睛区域进行睁、闭眼分类；最后统计单位时间内睁、闭眼数量的比值，以此判定司机是否处于疲劳状态.实验结果表明，在夜间环境中，本文提出的检测算法相对现有算法在检测成功率上提升了15.38%，取得了更好的效果.

对标商汤和face++的人脸识别关键点/人脸特征点，无抖动和对环境有很好的鲁棒性。

造车新势力4个发展关键点比较分析报告.pdf

手掌关节点定位，基于opencv的深度学习前向 包含模型，配置文件，代码以及测试视频

行业-电子政务-关键点检测方法、神经网络训练方法、装置和电子设备.zip

darknet_face_with_landmark 更新 torch版本： 借鉴AlexeyAB大神的 做适量修改，用于人脸检测以及关键点检测,支持ncnn推理 实现的功能 添加关键点检测分支，使用wing loss 添加 hswish,hsigmode 激活函数 Installation Clone and install git clone 使用scripts/retinaface2yololandmark.py脚本将retinaface的标记文件转为yolo的格式使用 其他编译训练都和原版darknet相同 测试 ./darknet detector test ./data/face.data ./cfg/mbv2_yolov3_face.cfg ./models/mbv2_yolov3_face_final.weights ./test_imgs/input/se

mesh2关键点 命令行模式（）util模式（声明一个类并将输出存储到实例变量中） 相对于输入摄像机视图，将SMPL和MANO网格划分为3D关键点，深度图和人体轮廓。 mesh2keypoint.py --mesh [网格目录或文件的路径] --regressor [mano或smpl回归器] --camera [摄像机视图文件的路径] --write_contour [写入轮廓的路径] --write_depthmap [写入深度的路径贴图] --write_keypoint [写入关键点的路径] --write_all [写入轮廓，深度图和关键点的路径]

pfld_106_face_landmarks 106点人脸关键点检测的PFLD算法实现 :smiling_face_with_smiling_eyes: 转换后的ONNX模型 预训练权重 性能测试 update GhostNet update MobileNetV3 Backbone param MACC nme Link ONNX MobileNetV2 1.26M 393M 4.96% MobileNetV3 1.44M 201.8M 4.40% MobileNetV3_Small 0.22M 13M 6.22% 测试电脑MacBook 2017 13-Inch CPU i5-3.1GHz (single core) backbone FPS(onnxruntime cpu) Time(single face) v2.onnx 60.9 16ms V3.onnx 62.7 15.9ms lite.onnx 255 3.9ms R