深度对象姿态估计（DOPE） - ROS推断（CoRL 2018） Deep Object Pose Estimation - ROS Inference 这是官方的 DOPE ROS 包，用于检测和 6-DoF 对来自 RGB 相机的已知物体的姿态估计。 该网络已经在以下 YCB 对象上进行了训练：饼干盒、糖盒、番茄汤罐、芥末瓶、盆栽肉罐和明胶盒。 有关更多详细信息，请参阅我们的 CoRL 2018 论文和视频。 注意：以下说明仅适用于推理。 还提供了培训代码，但不支持。 2020 年 3 月 16 日更新 - 添加了一个 wiki（感谢 @saratrajput） 03/07/2019 - ROS 界面更新（感谢 Martin Günther） 11/06/2019 - 添加了漂白 YCB 权重安装 我们已经在 Ubuntu 16.04 和 18.04 上进行了测试使用 ROS Kinetic 和 Lunar，使用 NVIDIA Titan X 和 RTX 2080ti，使用 python 2.7。 该代码可能适用于其他系统。 以下步骤描述了本机安装。 或者，使用

目标追踪与姿态估计实战课程（2021最新），完整版10章下载 课程主要包括两大核心模块： 1.目标追踪算法及其项目实战； 2.姿态估计算法及其项目实战。 课程通俗解读算法核心知识点，并基于源码进行实战解读，详细分析源码构建与项目流程。基于真实数据集与实际任务进行项目实战。

本设计将基于OpenCV，采用“关键点提取并归一化”与“分类器”相结合的方式，实现多人正常和异常姿态识别的设计。关键词 OpenCV 人体姿态估计 多分类 行为识别；主要功能是通过MoveNet对前期用于训练的视频内容进行人体骨骼关键点信息的提取，MoveNet将在每帧上将人体骨骼关键点的x和y坐标提取出来，通过一定的算法进行归一化，并保存数据。首先，通过OpenCV将视频读取，通过OpenCV进行简单的视频预处理，进行BGR转RGB的操作，然后加载MoveNet的关键点模型将人体骨骼关键点信息提取出来，对每帧的x和y的坐标进行归一化，将不同大小的骨骼标准化，按帧存入数据库中，这个过程将按WALK、STAND、FALL、FIGHT这四类动作分别进行提取与处理。主要功能对前期数据库内容进行数据分割，生成4个LSTM模型，对分割好的数据进行导入，并和导入对应标签进行迭代训练，最后生成Loss值最低的模型。主要功能对前期数据库内容进行数据分割，生成4个LSTM模型，对分割好的数据进行导入，并和导入对应标签进行迭代训练，最后生成Loss值最低的模型。

人体姿态估计hrnet转onnx后的模型，精确度和转换之前的pytorch模型验证丝毫没有下降。

原模型为pytorch转后得到的onnx文件hrnet_coco_w32_256x192.onnx，用的coco val数据集做的量化，输入为（1，3，256，192），输出为（1，17，64，48）的关键点热图，后面通过高斯化函数可得到关键点，结果经测试。

Multi-Stage Pose Network

Matlab实现基于EKF(Extended Kalman Filter, 扩展卡尔曼滤波)的无人机姿态估计 使用EKF(Extended Kalman Filter, 扩展卡尔曼滤波)算法来对四旋翼无人机的姿态进行滤波和估计，姿态包括：俯仰角、滚转角、偏航角的角度值和角速度值。前提：角度值无法直接通过传感器直接测得，角速度值可以测得。 代码说明 test1.m：一维线性卡尔曼滤波的例子 jaccsd.m：用于求解EKF算法中的雅克比矩阵 EKF.m：EKF算法仿真程序 仿真结果 说明： 1.仿真软件采用MATLAB2010b 2.控制量和姿态角速度值采用随机生成的数据(使用实际数据更好) 3.仿真过程偶尔会出现错误结果，原因是EKF计算过程中有几率出现奇异矩阵，导致算法无法进行下去

官方代码自动下载的模型，跑得时候一直出问题，重新下载以后就可以运行了。这里打包一下整个工程，备份一波。

LASOR: Learning Accurate 3D Human Pose and Shape Via Synthetic Occlusion-Aware Data and Neural Mesh Rendering

内容概要：主要利用开源openpose实现对人体19个部位点的识别 适用人群：人资姿态识别初学者，openpose初学者 使用场景及目标：工厂工人操作规范检测 操作指导效果链接：https://blog.csdn.net/weixin_37864926/article/details/124929651