Android人体检测和人体关键点检测APP，支持CPU多线程和GPU加速，可实时检测(这是 Demo APP)，原文请参考《2D Pose人体关键点实时检测(Python/Android /C++ Demo)》https://panjinquan.blog.csdn.net/article/details/115765863

本设计将基于OpenCV，采用“关键点提取并归一化”与“分类器”相结合的方式，实现多人正常和异常姿态识别的设计。关键词 OpenCV 人体姿态估计 多分类 行为识别；主要功能是通过MoveNet对前期用于训练的视频内容进行人体骨骼关键点信息的提取，MoveNet将在每帧上将人体骨骼关键点的x和y坐标提取出来，通过一定的算法进行归一化，并保存数据。首先，通过OpenCV将视频读取，通过OpenCV进行简单的视频预处理，进行BGR转RGB的操作，然后加载MoveNet的关键点模型将人体骨骼关键点信息提取出来，对每帧的x和y的坐标进行归一化，将不同大小的骨骼标准化，按帧存入数据库中，这个过程将按WALK、STAND、FALL、FIGHT这四类动作分别进行提取与处理。主要功能对前期数据库内容进行数据分割，生成4个LSTM模型，对分割好的数据进行导入，并和导入对应标签进行迭代训练，最后生成Loss值最低的模型。主要功能对前期数据库内容进行数据分割，生成4个LSTM模型，对分割好的数据进行导入，并和导入对应标签进行迭代训练，最后生成Loss值最低的模型。

人体姿态估计hrnet转onnx后的模型，精确度和转换之前的pytorch模型验证丝毫没有下降。

原模型为pytorch转后得到的onnx文件hrnet_coco_w32_256x192.onnx，用的coco val数据集做的量化，输入为（1，3，256，192），输出为（1，17，64，48）的关键点热图，后面通过高斯化函数可得到关键点，结果经测试。

Multi-Stage Pose Network

内容概要：主要利用开源openpose实现对人体19个部位点的识别 适用人群：人资姿态识别初学者，openpose初学者 使用场景及目标：工厂工人操作规范检测 操作指导效果链接：https://blog.csdn.net/weixin_37864926/article/details/124929651

「PoseNet」是一种视觉模型，它可以通过检测关键身体部位 的位置来估计图像或者视频中的人体姿势。例如，该模型可以估计图像中人的手肘和/ 或膝盖位置。这种姿势估计模型不会鉴别图像中的人是谁，只会找到关键身体部位的 位置。 TensorFlow Lite 分享了一个安卓示例应用程序，该应用程序利用设备的摄像头来实时地检测和显示一个人的关键部位

YOLOv7是YOLO家族中第一个包含人体姿态估计模型的。

人体姿态估计有关的论文-2021年-汇总

Leeds Sports Pose 是一个体育姿势数据集，其被分为竞技、羽毛球、棒球、体操、跑酷、足球、排球和网球几类，共包含约 2000 个姿势注释，图像均来自于 Flickr 的运动人员。 通过对图像进行缩放，最突出的人长度约 150 像素，并且每个图像都注有 14 个联合位置，其左侧和右侧关节始终以人为中心进行标记，此外，每个图像文件的 JPEG 注释字段中均可发现原始图像的属性和 Flickr 链接。 该数据集由利兹大学计算机学院于 2010 年发布，相关论文有《Clustered Pose and Nonlinear Appearance Models for Human Pose Estimation》。