其代码较为简单，模型（较小：7.8M）已经训练好在graph_opt.pb文件中,其中全部实现代码在openpose.py文件中，下面是实现代码及测试效果： # To use Inference Engine backend, specify location of plugins: # export LD_LIBRARY_PATH=/opt/intel/deeplearning_deploymenttoolkit/deployment_tools/external/mklml_lnx/lib:$LD_LIBRARY_PATH import cv2 as cv import numpy as np import argparse parser = argparse.ArgumentParser() parser.add_argument('--input', help='Path to image or video. Skip to capture frames from camera') parser.add_argument('--thr', default=0.2, type=float, help='Threshold value for pose parts heat map') parser.add_argument('--width', default=368, type=int, help='Resize input to specific width.') parser.add_argument('--height', default=368, type=int, help='Resize input to specific height.') args = parser.parse_args() BODY_PARTS = { "Nose": 0, "Neck": 1, "RShoulder": 2, "RElbow": 3, "RWrist": 4, "LShoulder": 5, "LElbow": 6, "LWrist": 7, "RHip": 8, "RKnee": 9, "RAnkle": 10, "LHip": 11, "LKnee": 12, "LAnkle": 13, "REye": 14, "LEye": 15, "REar": 16, "LEar": 17, "Background": 18 } POSE_PAIRS = [ ["Neck", "RShoulder"], ["Neck", "LShoulder"], ["RShoulder", "RElbow"], ["RElbow", "RWrist"], ["LShoulder", "LElbow"], ["LElbow", "LWrist"], ["Neck", "RHip"], ["RHip", "RKnee"], ["RKnee", "RAnkle"], ["Neck", "LHip"], ["LHip", "LKnee"], ["LKnee", "LAnkle"], ["Neck", "Nose"], ["Nose", "REye"], ["REye", "REar"], ["Nose", "LEye"], ["LEye", "LEar"] ] inWidth = args.width inHeight = args.height net = cv.dnn.readNetFromTensorflow("graph_opt.pb") cap = cv.VideoCapture(args.input if args.input else 0) while cv.waitKey(1) < 0: hasFrame, frame = cap.read() if not hasFrame: cv.waitKey() break frameWidth = frame.shape[1] frameHeight = frame.shape[0] net.setInput(cv.dnn.blobFromImage(frame, 1.0, (inWidth, inHeight), (127.5, 127.5, 127.5), swapRB=True, crop=False)) out = net.forward() out = o

近期在电脑上搭建了openpose环境，为更深入地了解学习openpose，通过解析openpose输出的json数据进行进一步分析整合，可有更多的收获

openpose动作检测笔记，详细解释openpose检测的各个细节，图文并茂。

【OpenPose-Windows】OpenPose+VS2015+Windows+CUDA8+cuDNN5.1 官方配置教程-附件资源

openpose官方代码以及coco关键点格式的模型

OpenPose Unity插件是Unity用户的库的包装。 它提供了格式化的OpenPose输出和一些示例。 是一个实时多人系统，能够共同检测单个图像上的人体，手，面部和脚的关键点（总共135个关键点）。 OpenPose Unity插件项目由 ， 和撰写。 目前，它由和维护。 操作系统的。 （左）和 （右）测试OpenPose Unity插件 注意 这是一个Alpha版本，所有内容都会随时更改。 该插件最终将在将来在Unity Assets商店中提供。 内容 结果 身体和脚的估计 测试用于姿势和脚部检测的OpenPose Unity插件 身体，脚，脸和手的估计 测试OpenPo

camera-openpose-keras keras使用openpose模型的一个小例子 此项目基于 修改了部分代码以支持摄像头 运行前确保模型文件存在 /model/keras/model.h5 此文件可在 下载 在主分支目录下运行 python demo_camera.py 即可

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

目标完成25个点的OpenPose加载到Deepstream4.0完成加速，这里是25个点的prototxt，还需要engine和caffemodel，我的资源里都有的

包含boost_thread-vc140-mt-1_61.dll，boost_system-vc140-mt-1_61.dll，boost_python-vc140-mt-1_61.dll等openpose必备库，解压后，把dll文件放在openpose-master\3rdparty\caffe\bin 文件夹下