本文复现的是是发表在ICCV 2017的工作《Learning Feature Pyramids for Human Pose Estimation》，论文提出了一个新的特征金字塔模块，在卷积网络中学习特征金字塔，并修正了现有的网络参数初始化方法，在人体姿态估计和图像分类中都取得了很好的效果。

手势识别代码 MATLAB 写的，从外面转过来的。。

现有的二维姿态估计工作主要集中在某个类别，例如人、动物和车辆。但是，有许多应用场景需要检测看不见的物体类的姿势/关键点。在本文中，我们介绍了与类别无关的姿态估计（CAPE）的任务，该任务旨在创建一个姿态估计模型，该模型能够在仅给定几个具有关键点定义的样本的情况下检测任何类别物体的姿态。为了实现这一目标，我们将姿态估计问题表述为关键点匹配问题，并设计了一种新颖的CAPE框架，称为POse匹配网络（POMNet）。该文提出一种基于变压器的键点交互模块（KIM），用于捕获不同关键点之间的交互以及支持和查询图像之间的关系。我们还介绍了多类别姿势 （MP-100） 数据集，这是一个包含 100 个对象类别的 2D 姿势数据集，包含超过 20K 个实例，专为开发 CAPE 算法而设计。实验表明，我们的方法比其他基线方法大打折扣。

matlab代码循环运行 Realtime_Multi-Person_Pose_Estimation 训练 git clone https://github.com/ZheC/Realtime_Multi-Person_Pose_Estimation.git; cd training 下载，解压后test2014,test2015,train2014,val2014放入(mkdir创建)dataset/COCO/images/ ,两个json文件放入(mkdir创建） dataset/COCO/annotations/, git clone https://github.com/cocodataset/cocoapi.git , 放入（mkdir创建）dataset/COCO/coco/中。 安装matlab ，在终端输入matlab启动matlab。 在matlab软件中运行getANNO.m 文件，把标注文件格式由json 转换成.mat 格式，会存在dataset/COCO/mat/。 在matlab中运行genCOCOMask.m ，获得未标注的人的图像的mask， 可以把程序

谷歌mediapipe不再添加*.tflite模型文件和其他大型二进制文件。这些模型现在是从谷歌云存储中下载。这将加速您对MediaPipe的入门体验(特别是如果您可以使用存储库的浅层克隆)

魔改卡尔曼扩展滤波器 robot_pose_ekf，我用的系统环境ros-noetic，其它环境可以自己测一下，应该没问题；里面有readme详细说明，b站视频中有简要说明 https://b23.tv/WWQRJGF

YOLOv7-Pose姿态估计代码+权重

Buffy pose 人类姿势图像数据.7z

Leeds Sports Pose 是一个体育姿势数据集，其被分为竞技、羽毛球、棒球、体操、跑酷、足球、排球和网球几类，共包含约 2000 个姿势注释，图像均来自于 Flickr 的运动人员。 通过对图像进行缩放，最突出的人长度约 150 像素，并且每个图像都注有 14 个联合位置，其左侧和右侧关节始终以人为中心进行标记，此外，每个图像文件的 JPEG 注释字段中均可发现原始图像的属性和 Flickr 链接。 该数据集由利兹大学计算机学院于 2010 年发布，相关论文有《Clustered Pose and Nonlinear Appearance Models for Human Pose Estimation》。

人体姿态检测梳理。 AI识别人可以分成五个层次，依次为： 1.有没有人？ object detection 2.人在哪里？ object localization & semantic segmentation 3.这个人是谁？ face identification 4.这个人此刻处于什么状态？ pose estimation 5.这个人在当前一段时间里在做什么？ Sequence action recognition