多人姿态估计是近几年众多领域研究的热点问题。在学科交叉研究方面，人体姿态估计及到计算机科学、运动人体科学、环境行为学和材料科学等。随着相关研究的逐步深入以及计算机视觉、5G通信的飞速发展，人体姿态估计技术已应用于自动驾驶、影视创作、安防异常事件监测和体育竞技分析、康复等实际场景。成为人工智能领域研究的前沿课题，此类研究也将在竞技体育、运动康复、日常健身等方面发挥非常重大的意义。本源码可以在免费云gpu上用cpu测试，本地如果笔记本或者台式机配置相应环境，也能用cpu运行。

针对目前基于学习的姿态估计方法对训练样本及设备要求较高的问题，提出一种基于面部特征点定位的无需训练即能估计单幅图像中人脸姿态的方法。通过 Adrian bulat人脸特征点定位器和 Candide-3构建稀疏通用人脸模型并获得五官特征点，确定模型绕Z轴的旋转范围及搜索步长，在指定z轴旋转角度下，使用修正牛顿法通过模型的旋转、平移及缩放变换对齐模型和图像中人脸五官角点，得到该角度下模型绕x轴、F轴的旋转角度及绕z轴候选角度下的损失函数值，根据最小损失函数值确定人脸绕3个轴旋转的最佳值。实验结果表明，该方法能够快速估计自遮挡的大姿态角度人脸，在公共人脸库 MulTI-pie BIW1和AFLW上的平均误差分别为3.79°437°和6.04°，明显高于同类人脸姿态估计算法，具有较好的实用性能。

物体姿态估计机器摄像头角度识别二维空间工业视觉识别三维空间

Hopenet是一个精确且易于使用的头部姿态估计网络。 模型已经在300W-LP数据集上进行了训练，并且已经在具有良好定性能的实际数据上进行了测试。

针对图像和视频中多人姿态估计存在人体边界框定位不准确、困难关键点检测精度有待提高等问题,设计了一套基于自顶向下框架的实时多人姿态估计模型。首先将深度可分离卷积加入目标检测算法中,提高人体检测器运行速度;然后基于特征金字塔网络结合上下文语义信息,采用在线难例挖掘算法解决困难关键点检测精度低的问题;最后结合空间变换网络与姿态相似度计算,剔除冗余姿态,改善边界框定位准确性。本文提出模型在2017MS COCO Test-dev数据集上的平均检测精度比Mask R-CNN模型提升了14.84%,比RMPE模型提升了2.43%,帧频达到 22 frame/s。

文中针对羽毛球运动系统化、科学化和高效化训练的需求，研究了基于姿态估计的羽毛球运动辅助训练系统。该系统采用分部三维姿态估计的方法，将三维人体姿态估计问题简化为多个二维子问题。通过采用贝叶斯算法对人体各个部位进行特征识别，并利用人体运动约束完成了三维姿态合成。最后，通过整体姿态估计空间的调整进行优化。系统采用VB程序语言和Microsoft Office Access数据库进行开发，完成了客户端接口、数据库及中间连接层的数据访问接口的构建，同时利用Java语言实现了对运动分析结果的输出展示功能。本研究功能对于实现运动员的科学、合理、高效训练均具有重要意义。

判别式3D 人体姿态估计方法直接学习图像观测到姿态之间的映射,需要大量训练集,而GPR 对这种大训 练集的映射模型学习由于计算复杂度太高而受到极大限制。提出了一种基于GPR 和LWPR 的增量式映射模型的学 习方法,利用GPR 学习各局部映射模型,基于LWPR 的思想在线调整现有的模型和训练新的局部模型以及姿态估 计。实验表明,该方法能够极大地减少大数据集上高斯过程回归的计算代价,并获得准确的姿态估计

人体姿态估计的模型，用于HOReID，pytorch版本，解压即可使用，注意网络结构必须名字一致否则读取失败！

这是基于深度图像的头部姿态估计代码源程序

深度图像 头部姿态估计