目前很多姿态估计方法基于人体检测器的检测结果，但是人体检测器在定位和识别方面的小错误无法避免，这会导致单人姿态估计器失败。该文提出来一种新颖的区域多人姿态估计框架，可以在人体边界框不精确的时候进行姿态估计。该框架由Symmetric Spatial Transformer Network(对称空间变换网络)、Parameter Pose Non-Maximum-Suppression(非最大抑制姿态参数)、Pose-Guided Proposal Generator(姿态引导提议生成器)三部分组成，可以处理不准确的边界框和冗余检测。

Python-用于3D人体姿态估计的PyTorch实现 用于3D人体姿态估计的PyTorch实现

Code for "PVNet: Pixel-wise Voting Network for 6DoF Pose Estimation" CVPR 2019 oral

DeepLabCut：无需标记的深度学习(动物)姿态估计与行为跟踪 www.deeplabcut.org DeepLabCut 是一个工具箱，用于对执行各种任务的动物进行无标记姿势估计。 阅读下面的简短开发和应用摘要。 :purple_heart: DeepLabCut 现在支持多动物姿态估计（测试版）。 安装：如何安装 DeepLabCut 文档：DeepLabCut 过程 项目管理的管道和工作流程概述。 有关分步用户指南，请同时阅读 Nature Protocols 论文！ 演示代码 我们提供了几个 Jupyter Notebook：一个引导您完成演示数据集以测试您的安装，另一个 Notebook 从一开始就在您自己的数据上运行 DeepLabCut。 我们还向您展示了如何在 Docker 和 Google Colab 上使用代码。 为什么要使用 DeepLabCut？ 2018 年，我们展示了跟踪跟踪、到达小鼠体内以及产卵过程中各种果蝇行为的能力（详见 Mathis 等人）。 然而，没有任何特定内容使工具箱仅适用于这些任务和/或物种。 该工具箱已经（由我们和其

头部姿态估计广泛应用于多个领域,大多基于二维图像,而三维(3D)头部姿态估计与人脸三维重建结合的相关研究较少。利用重建的头部三维信息,可以为估计头部姿态提供更多有效的数据信息,能大大提高头部姿态估计的精确度和准确度。因此,将基于结构光三维重建和3D头部姿态估计相结合,重建人脸三维形貌并实现3D点云可视化。同时提出一种3D头部姿态估计算法,搜索鼻尖和鼻梁,建立空间直角坐标系和人脸本征坐标系,利用人脸的垂直对称性估计头部姿态欧拉角。利用模特人头进行实验,基于结构光三维重建的3D头部姿态估计算法的欧拉角在-25°~25°范围内均可测量,绝对误差的平均值和标准差均小于1°,测量平均值与真实值的线性相关度达99.8%。与基于二维图像的头部姿态估计相比,本文算法具有更高的准确度和鲁棒性。

逗号2k19 展示了comma2k19，这是加利福尼亚州280高速公路上通勤时间超过33小时的数据集。 这意味着在加利福尼亚州圣何塞和旧金山之间20公里的高速公路上行驶的2019年路段（每个路段长1分钟）。 comma2k19是一个完全可复制且可伸缩的数据集。 数据是使用逗号收集的，逗号传感器类似于任何现代智能手机，包括路面摄像头，手机GPS，温度计和9轴IMU。 此外，EON会捕获原始的GNSS测量数据以及用逗号对汽车发送的所有CAN数据。 在这里，我们还介绍了 （开源GNSS处理库）。 与用于收集原始数据的GNSS模块相比，Laika产生的位置精确度高出40％。 该数据集包括记录摄像机的全局参考框架中的姿势（位置+方向）估计。 这些姿势是使用紧密耦合的INS / GNSS / Vision优化器来计算的，该优化器依赖于Laika处理的数据。 comma2k19是开发和验证紧密耦合的

基于卡尔曼滤波的小型无人机姿态估计算法研究-聂鹏

在CVPR18论文中提出的“检测和跟踪：视频中的高效姿态估计”算法的实现

基于6-DOF姿态估计的移动机器人三维地图构建系统 ，戚传江，温程璐，在三维点云配准算法中，经典ICP算法存在过分依赖初始值的问题。本文构建了一个基于6-DOF姿态估计的移动机器人三维地图构建系统。系�

ist的matlab代码视觉惯性里程表 MSCKF（多状态约束扩展卡尔曼滤波器） 介绍： 用于移动平台（例如机器人）的姿态估计的视觉惯性测距法的MSCKF算法的实现和改进。 阅读以下文章： 技术细节： 本文采用的当前方法缺乏重要的统计不一致之处。 报告中将详细讨论这种不一致之处，可以根据要求提供此不一致之处。 可以在SourceCode部分中找到源代码。 如果您遇到问题，请在问题中让我知道。