对象为点 使用中心点检测的对象检测，3D检测和姿态估计： 周兴义，王德全，PhilippKrähenbühl， arXiv技术报告（ ） 联系人： 。 欢迎任何问题或讨论！ 更新 （2020年6月）我们发布了基于Lidar的最新3D检测和跟踪框架 。 （四月，2020）我们发布了一个国家的最先进的（多类别- / pose- / 3D-）跟踪扩展 。 抽象的 检测将对象识别为图像中与轴对齐的框。 最成功的物体检测器会列举出潜在物体位置的几乎详尽的清单，并对每个物体进行分类。 这是浪费，低效的，并且需要附加的后处理。 在本文中，我们采用了不同的方法。 我们将对象建模为单个点-其边界框的中心点。 我们的探测器使用关键点估计来找到中心点，并回归到所有其他对象属性，例如大小，3D位置，方向，甚至姿态。 我们的基于中心点的方法CenterNet与相应的基于边界框的检测器相比，是端到端的可区

Repo for most of CV problems, such as image classification, object detection, pose estimation, segmentation, and so on.

PyTorch实时多人姿态估计项目的实现

头部姿势数据库是1590个单眼面部图像的基准，其具有从-90到+90度的平移和倾斜角度的变化。对于每个人，可以使用2个系列的93个图像（93个不同的姿势）。每人2个系列的目的是能够训练和测试已知和未知面部的算法（参见第2和第3节）。数据库中的人戴或不戴眼镜，并有各种肤色。背景是自愿中立和整洁的，以便专注于面部操作。 该数据集包含了水平方向上的角度标记与垂直方向上的角度标记，是kaggle比赛常用的头部姿态估计训练数据集。

Pointing Data数据库包含 个人的图像, 每个人有 个序列的 张不同姿态时的图像. 数据库中的人的皮肤颜色并不相同. 头部的姿态在水平方向上从正面到全侧面的 种姿态, 垂直方向上有 种姿态. 采集人的年龄在20岁到40岁之间. 头部的位置手工切割得到. N. Gourier, D. Hall, J. L. Crowley Estimating Face Orientation from Robust Detection of Salient Facial Features Proceedings of Pointing 2004, ICPR, International Workshop on Visual Observation of Deictic Gestures, Cambridge, UK

用于3D人体姿态估计的PyTorch实现

UKF姿态估计算法。同时，另有十种论文中常见姿态估计方法如：EKF姿态估计、、Madgwick算法、Mahony算法、PX4姿态估计、四元数、扩展信息滤波、tride、DCM等等 有数据，有参考文献

1.查阅学习了pca主成分分析和svd矩阵奇异值分解的原理； 2.打印棋盘纸用GML软件对相机进行了标定； 3.利用标定好的相机矩阵结合前面所学的sift算法和rasic算法对相机的姿态进行估计。

论文+翻译+PPT+代码+动画视频 PoseCNN：A Convolutional Neural Network for 6D Object Pose Estimation in Cluttered Scenes； 机器人与现实世界进行交互时，对已知目标的6D姿态估计至关重要。由于对象的多样性，以及由于对象之间的杂波和遮挡而导致场景的复杂性，使得该问题具有挑战性。本文介绍了一种用于6D目标姿态估计的新型卷积神经网络PoseCNN。PoseCNN通过在图像中定位物体的中心并预测其与摄像机的距离来估计物体的三维平移。通过回归到四元数(w,x,y,z)表示来估计物体的三维旋转。

人体姿态估计论文（open pose)　Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields ∗