该课题为基于MATLAB的人体动作识别，读取测试图片，提取前景，框定目标，根据长宽比例判别。

识别人体行为。如行走，端坐，卧躺等。matlab实现。

密集连接的注意力金字塔残差网络用于人体姿势估计。

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

MS-论文-针对人类平衡的ADP

手肘法matlab源码快速人体姿势估计CVPR2019 介绍 这是的官方pytorch实现。 在这项工作中，我们专注于两个问题 如何使用与模型无关的方法来减小模型大小和计算。 如何提高简化模型的性能。 在我们的论文中 我们通过减少网络的宽度和深度来减少模型的大小和计算量。 提出快速姿势精馏（ FPD ）以改善简化模型的性能。 MPII数据集上的结果证明了我们方法的有效性。 我们使用HRNet代码库重新实现了FPD，并在COCO数据集上提供了额外的评估。 我们的方法（FPD）可以在没有地面标签的情况下工作，并且可以利用未标记的图像。 对于MPII数据集 我们首先训练了一个教师模型（沙漏模型，堆栈= 8，num_features = 256，90.520 @ MPII PCKh@0.5）和一个学生模型（沙漏模型，堆栈= 4，num_features = 128，89.040 @ MPII PCKh@0.5）。 然后，我们使用教师模型的预测和真实标签来共同监督学生模型（沙漏模型，堆栈= 4，num_features = 128，87.934 @ MPII PCKh@0.5）。 我们的实验显示

使用姿势估计进行跌倒检测 介绍 基于跌倒检测模型 PyPI库： ：//pypi.org/project/openpifpaf/ 该检测可以在GPU和CPU上，多个视频，RTSP流以及网络摄像头/ USB摄像机上运行。 与大多数适用于单个大对象的开源跌倒检测模型不同，此改进的模型集成了一个人员跟踪器，该跟踪器可以检测多于一个人的场景中的跌倒。 示范影片 视频学分：50种跌落方法（），在单个NVIDIA Quadro P1000上运行 测试结果 UR跌落检测数据集（ ），已在两台NVIDIA Quadro GV100上进行了测试。 精度：100％ 召回率：83.33％ F1得分：90.91％ 注意：由于缺少可用的数据集，因此未测试误报和真否定。 环境 Ubuntu 18.04 x86_64 的Python 3.7.6 水蟒3 CUDA 10.2 用法 设置Conda环境

openpifpaf 经过Linux，MacOS和Windows的持续测试： PifPaf：用于人类姿势估计的复合字段 我们提出了一种用于多人2D人体姿势估计的新的自下而上的方法，该方法特别适合于城市机动性，例如无人驾驶汽车和送货机器人。 新方法PifPaf使用“零件强度场”（PIF）定位身体部位，并使用“零件关联场”（PAF）将身体部位彼此关联以形成完整的人体姿势。 由于（i）我们的新复合场PAF编码了细粒度的信息，并且（ii）选择了包含不确定性概念的回归Laplace损失，因此我们的方法在低分辨率以及拥挤，混乱和遮挡的场景中优于以前的方法。 我们的架构基于完全卷积，单发，无盒设计。 我

将可穿戴IMU与多视图图像融合以进行人体姿势估计：一种几何方法 安装 克隆此仓库，我们将把您克隆的目录称为$ {POSE_ROOT} 安装依赖项。 下载pytorch imagenet预训练的模型。 请在$ {POSE_ROOT} / models下下载它们，并使它们看起来像这样： ${POSE_ROOT}/models └── pytorch └── imagenet ├── resnet152-b121ed2d.pth ├── resnet50-19c8e357.pth └── mobilenet_v2.pth.tar 可以从以下链接下载它们： 资料准备 对于TotalCapture数据集，请从下载并按照处理数据。 我们无权重新分配该数据集。 请不要要求我们提供副本。 对于预先计算的图形模型成对术语，请从下载，并保存在d

堆叠沙漏模型：TensorFlow实现 A.Newell等人的用于人体姿势估计的堆叠沙漏网络的Tensorflow实现。 代码作为MSc Computing个人项目的一部分（伦敦帝国学院2017年） 基于 -A.Newell等 -肖楚等。 -可用（重型型号） 状态 这是一个WIP回购 已测试人体姿势 效率（在较轻的模型上工作） 数据生成器完成（在协议缓冲区上工作） 多人姿势估计（尝试实现固定帧速率） 目前接受过培训 配置文件 目录中有一个``config.cgf''，其中包含调整模型所需的所有变量。 training_txt_file : Path to TEXT file cont