人体跌倒检测与追踪 使用Tiny-YOLO oneclass检测帧中的每个人，并使用获取骨骼姿势，然后使用模型从每个人跟踪的每30帧中预测动作。 现在支持7种动作：站立，行走，坐着，躺下，站起来，坐下，跌倒。 先决条件 Python> 3.6 火炬> 1.3.1 原始测试运行在：i7-8750H CPU @ 2.20GHz x12，GeForce RTX 2070 8GB，CUDA 10.2 数据 该项目已经训练了一个新的Tiny-YOLO oneclass模型，以仅检测人的物体并减小模型的大小。 使用旋转增强的人员关键点数据集进行训练，以在各种角度姿势中更可靠地检测人员。 对于动作识别，使用来自跌倒检测数据集（，家庭）的数据，通过AlphaPose提取骨骼姿势，并手动标记每个动作帧，以训练ST-GCN模型。 预训练模型 Tiny-YOLO oneclass- ， SPPE

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

在PyTorch中使用HigherHRNet进行多人人体姿势估计 这是《 》论文的非官方实现。 该代码是的简化版本，同时考虑了易用性。 该代码与完全兼容。 它同时支持Windows和Linux。 该存储库当前提供： 在PyTorch（> = 1.0）中稍高一点的HigherHRNet实现-与官方权重（ pose_higher_hrnet_* ）兼容。 一个简单的类（ SimpleHigherHRNet ）加载HigherHRNet网络以进行自下而上的人体姿势估计，加载预先训练的权重，并对单个图像或一批图像进行人工预测。 支持多GPU推理。 通过设计实现多人支持（HigherHRNet是一种自下而上的方法）。 运行实时演示程序的参考代码，该演示程序从网络摄像头或视频文件中读取帧。 该存储库是根据存储库。 不幸的是，与HRNet相比，HigherHRNet的结果和性能有些令人失

matlab相机标定外参代码使用ArTag的单眼相机姿势估计 概述和动机 这是一个ROS教程项目，该项目使用ARtags检测单眼相机（USB网络摄像头）的姿势。 相机信息可从包装中获取。 使用该程序包，将获得宽度，高度，相机矩阵，失真系数，投影矩阵，整流矩阵。 这些数据可以存储在yaml文件中。 camera_info发布者可以从此yaml文件中读取数据并发布相机信息（）。 USB网络摄像头提供的原始图像记录器可以由节点发布。 最后，可以使用package确定带有ARtag的相机的姿势。 因此，可以建立相对于ARTags的机器人姿势（使用摄像机）。 这用于室内导航和物体识别（使用ARTag的ID）。 这只是用于基于相机的定位的示例实践方法，在下一步中，多传感器（相机，IMU）将用于直接视觉惯性里程表。 此外，更好的选择是使用3D摄像机（立体摄像机或动力学摄像机）进行摄像机姿态估计，这可能会导致更准确的结果。 这也可以通过上面提到的那些软件包来完成。 先决条件 将您的外部网络摄像头连接到计算机，检查此摄像头的宽度，高度，帧频以及类似以下的运行代码，可以根据您的设备提示来修改设备。 _vi

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

VNect-Tensorflow版本 该项目是VNect的tensorflow实现 SIGGRAPH 2017 。 这不是官方实施。 请联系论文作者以获取相关模型。 环境环境 Ubuntu 16.04 Python 2.7 Tensorflow 1.3.0 OpenCV 3.3.0 OpenGL（可选） 推理 1.下载模型，放入文件夹models/weights 2.在shell脚本中编辑演示设置--device --demo_type --model_file --test_img --plot_2d --plot_3d 3.如果使用的是OpenGL，则可以运行run_demo

轻量级人体姿态估计lightweight-human-pose-estimation.rar

计算机视觉中头部姿态估计的研究综述Head Pose Estimation in Computer Vision: A Survey（中文翻译）

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

用知云文献翻译加上自己的一些理解翻译的Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields这篇论文