OpenPose代表了第一个在单幅图像上联合检测人体、手部、面部和足部关键点（共 135 个关键点）的实时多人系统。 特征 主要功能： 2D实时多人关键点检测： 15、18 或25 关键点身体/脚关键点估计，包括6 脚关键点。运行时对检测到的人数不变。 2x21-keypoint 手部关键点估计。运行时间取决于检测到的人数。有关运行时不变的替代方案，请参阅OpenPose 训练。 70-keypoint 人脸关键点估计。运行时间取决于检测到的人数。有关运行时不变的替代方案，请参阅OpenPose 训练。 3D实时单人关键点检测： 来自多个单一视图的 3D 三角测量。 已处理 Flir 相机的同步。 兼容 Flir/Point Grey 相机。 校准工具箱：失真、内在和外在相机参数的估计。 单人跟踪以进一步加速或视觉平滑。 输入：图像、视频、网络摄像头、Flir/Point Grey、IP 摄像头，并支持添加您自己的自定义输入源（例如深度摄像头）。 输出：基本图像+关键点显示/保存（PNG，JPG，AVI，...），关键点保存（JSON，XML，YML，...），关键点作为数组类，

基于yolov5和openpose人体骨骼关键点实现的摔倒姿态识别检测系统源码+模型+项目操作说明(可训练其他姿态模型).zip 【项目介绍】 主要使用yolov5算法与openpose算法模型相结合，并非直接使用yolov5检测摔倒和站立两种状态！ 项目中提供了yolov5s.pt人形检测模型(可自己再训练)，摔倒姿态openpose.git模型（可训练其他姿态模型）。 通过open pose 可以获得人体的关键点图 提供了项目操作说明文档，按照操作配置好环境，修改路径运行即可。另外可以自定义修改摔倒检测阈值、判别条件等，代码关键位置有注释解释！容易理解~ 使用过程有相关问题，可以留言或者私信！请放心下载！！！

  驾驶员注意力不集中或者分心是道路交通事故的主要原因。 为了减少道路交通事故，设计开发驾驶员疲劳检测系统至关重要。本次实现的应用运用开源库Dlib训练好的模型“shape_predictor_68_face_landmarks.dat”进行68点标定，利用OpenCv进行图像化处理，在人脸上画出68个点，并标明序号。当检测到驾驶员的眼睛闭上4-5 秒时候，就会产生警报。 点击驾驶员困倦检测时，系统会自动打开电脑摄像头，你便可以模拟驾驶室的角色进行测试，当驾驶员在驾驶过程中闭眼，且超过5s系统会触 环境配置：python3.7、配置以下包 tensorflow>=1.12* keras==2.2.4 等。 人脸关键点检测是人脸识别任务中重要的基础环节，人脸关键点精确检测对众多科研和应用课题具有关键作用，如：表情识别、疲劳监测等。因此，如何获取高精度人脸关键点，一直以来都是计算机视觉、模式识别、图像处理等领域的热点研究问题。然而人脸关键点检测方法根据是否需要参数化模型可分为以下两类，基于参数化形状模型的方法和基于非参数形状模型的方法。目前，最为常用的是基于非参数形状模型的深度学习方法。

基于pytorch的中国交通警察指挥手势识别项目源码+训练好的模型+数据集+项目操作说明.zip 识别8种中国交通警察指挥手势的Pytorch深度学习项目 带训练好的模型以及数据集 下载模型参数文件checkpoint和生成的骨架generated 放置在: ctpgr-pytorch/checkpoints ctpgr-pytorch/generated 下载交警手势数据集（必选） 交警手势数据集下载： 放置在： (用户文件夹)/PoliceGestureLong (用户文件夹)/AI_challenger_keypoint # 用户文件夹 在 Windows下是'C:\Users\(用户名)'，在Linux下是 '/home/(用户名)' 安装Pytorch和其它依赖： # Python 3.8.5 conda install pytorch torchvision torchaudio cudatoolkit=10.2 -c pytorch conda install ujson pip install visdom opencv-python imgaug

使用google制作的开源框架检测人脸关键点

在编写人脸的探测和标识程序之前，我们要先把“68”点人脸探测模型添加到pycharm工程中。具体操作是先复制本文件夹，然后进入pycharm鼠标右键点击工程名，最后再选择粘贴。

SOLD² - Self-supervised Occlusion-aware Line Description and Det

对服装关键点检测的网络模型对比与优化。

使用mask-rcnn进行人体实例分割和关键点检测的官方模型mask_rcnn_coco.h5，为了提高下载速度，因此在csdn上进行了上传，有需要的可以进行下载

针对目前三维点云关键点检测方法检测的关键点的可描述性和再现性不强，且检测的关键点数量较少的问题，提出了一种新颖的关键点检测算法。首先为提高算法的效率，利用均匀采样方法减少三维点云中点的数量，降低三维点云的复杂度。然后利用具有良好描述性的方向直方图签名(SHOT)描述子对均匀采样的点进行多尺度描述，分析每个点多尺度SHOT描述子的独特性，选取SHOT描述子离散程度较大的点作为关键点。本文方法利用描述性较强的SHOT描述子对关键点的邻域进行描述，增强了关键点的可描述性。实验结果表明，本文方法的均匀采样时间效率高，满足关键点检测的时间要求，且本文检测关键点的方法比Harris3D、尺度不变特征变换（SIFT）、内部形状签名（ISS）关键点检测算法具有更好的再现性。因此，本文方法可以有效、快速地在三维点云模型和场景中检测出高质量的关键点。