关于模式识别分类的代码，C#代码和教学ppt，设计为一个分类库。

CPU上的实时2D多人姿势估计：轻量级OpenPose 该存储库包含培训代码。 这项工作极大地优化了方法，从而可以以可忽略的精度下降在CPU上实现实时推断。 它检测骨骼（由关键点和它们之间的连接组成）以识别图像中每个人的人体姿势。 该姿势可能包含多达18个关键点：耳朵，眼睛，鼻子，脖子，肩膀，肘部，手腕，臀部，膝盖和脚踝。 在COCO 2017关键点检测验证集上，此代码对于单尺度推断（无需翻转或完成任何后处理）可达到40％的AP。 可以使用此存储库复制结果。 此仓库与明显重叠，但是仅包含用于人体姿势估计的必要代码。 :fire: 看看我们的准确的（现在仍然快）单人姿态估计，其中排名在CVPR'19

使用TensorFlow框架进行人体姿势估计

PoseNet Python 该存储库包含Google TensorFlow.js Posenet模型的纯Python实现（仅限多姿势）。 对于此之后的（略快）PyTorch实现，请参阅（ ） 我首先或多或少地逐字修改了JS代码，发现性能很低，因此对一些关键函数（命名为_fast ）做了一些矢量化的numpy / scipy版本。 进一步优化是可能的 基本的MobileNet型号在GTX 1080 Ti（或更高版本）上具有200-300 fps的吞吐量 多位置后处理代码使该速率大大降低。 使用快速CPU和GTX 1080+： JS后处理代码的字面翻译将性能降低到大约30fps 我的

MATLAB人体姿态识别[卡尔曼，GUI，行走+站立+伸腰，定位，质心],在数字图像预处理部分采用了图像二值化，腐蚀与膨胀等几种方法为人体目标的跟踪和检测做准备。为了克服在实际操作中遇到的问题，采用了帧差法和ViBe算法，帧差法即利用帧间变化与当前帧、背景算法来判断它是否大于阈值，并分析视频中序列的运动特性，ViBe算法则是一种背景建模的方法，背景模型是由邻域像素来创建，并对比背景模型、当前输入像素值检测出前景，确定视频中的目标跟踪。在人体行为识别中，运动目标最小长宽比以及连续帧间的加速度来判断人体行为是否异常，如果检测到异常的行为比如说摔倒、快跑等行为，在识别的过程这种实时监测。

第1章 绪论 1.1 研究背景 对于目标实施追踪一直是人们追求的目标，以前只能通过人为的或者其他信息进行模糊的追踪。20世纪初，数字图像的处理走入大众的视野。在那个时候，人们在两地之间传输了一张照片，该照片经过数字压缩后，传输时间从200多小时缩短到不足三小时。这一过程虽然用到了图像处理方面的相关知识，但计算机却没有参与到整个过程中。但是，数字图像的处理离不开一定的储存空间与计算技巧的配合，与计算机发展技术成正比关系[1]。 从20世纪50年代开始，计算机的发展才向前迈进了一大步，人们在处理图形以及图像信息时已经有意识的将计算机的功能利用起来，增加工作的便利性[2]。 从图像处理技术的兴起到

人体姿势估计和跟踪的简单基线的TensorFlow实现