- 综合排序
- 最热优先
- 最新优先
- 来自专栏1996
多人姿态识别框架——AlphaPose
多人姿态识别简介 人体姿态估计有两个主流方案：Two-step framework 和Part-based framework。 第一种方案，姿态检测准确度高度以来目标区域框检测的质量。第二种方案，如果两人离得十分近，容易出现模棱两可的情况，而且由于是依赖两个部件之间的关系，所以失去了对全局的信息获取。 AlphaPose AlphaPose采用自顶向下的方法，提出了RMPE（区域多人姿态检测）框架。 使用parametric pose NMS来解决冗余检测问题，在该结构中，使用了自创的姿态距离度量方案比较姿态之间的相似度。用数据驱动的方法优化姿态距离参数。 最后我们使用PGPG来强化训练数据，通过学习输出结果中不同姿态的描述信息，来模仿人体区域框的生成过程，进一步产生一个更大的训练集。
2.8K10编辑于 2022-09-23 - 来自专栏用户6291251的专栏
使用OpenCV和MediaPipe实现姿态识别！
项目地址： https://github.com/google/mediapipe 今天小F就给大家介绍一下，如何使用MediaPipe实现姿态识别！ mediapipe==0.9.2.1 numpy==1.23.5 opencv-python==4.7.0.72 使用pip命令进行安装，环境配置好后，就可以来看姿态识别的情况了。 有三种，包含全身、脸部、手部的姿态估计。 / 02 / 全身姿态估计 首先是人体姿态估计，一次只能跟踪一个人。 并且会在人的身体上显示33个对应的坐标点。 具体代码如下。 / 04 / 手部跟踪识别 最后一个是手部，可以同时跟踪2只手并且在手部显示相应的坐标点。 具体代码如下。 / 05 / 总结 以上操作，就是MediaPipe姿态识别的部分内容。 当然我们还可以通过MediaPipe其它的识别功能，来做出有趣的事情。 比如结合摄像头，识别手势动作，控制电脑音量。
2.3K20编辑于 2023-08-21 - 来自专栏新智元
AI 从走路姿态就能识别你的情绪
然后，他们从多个步行视频语料库中提取步态来识别情感特征，并使用三维姿态估计技术提取姿态。 头部倾斜角度被用来区分快乐和悲伤的情绪，而“身体紧张”和“身体舒张”分别识别积极和消极的情绪。 AI系统处理的样本来自“Emotion Walk”数据集，简称EWalk。EWalk是一组包含1384个步态的新数据集，这些步态是从24名受试者在大学校园(包括室内和室外)散步的视频中提取的。 但这并不是说它是万无一失的——它的精度在很大程度上取决于3D人体姿态估计和步态提取的精度。但尽管有这些限制，研究人员相信他们的方法将为涉及额外活动和其他情感识别算法的研究提供坚实的基础。 “我们的方法也是第一个利用最先进的3D人体姿态估计技术，为步行视频中的情绪识别提供实时通道的方法，”研究者写道。“作为未来工作的一部分，我们希望收集更多的数据集，并解决目前的限制。”
99740发布于 2019-07-05 - 来自专栏TSINGSEE青犀视频
人体行为识别人体姿态估计AI算法模型介绍及场景应用
在人体行为识别检测上，AI智能分析网关V4可支持：吸烟检测/打手机检测/玩手机检测离岗检测/睡岗检测摔倒检测区域入侵/越界检测/周界入侵区域未停留/区域徘徊在场景应用上，AI智能分析网关V4涉及到人体行为识别的算法可以应用在以下场景和领域中 2）园区/社区/校园/楼宇：自动识别人员的入侵行为及危险行为，提高周界安全防范水平。 Action Recognition Models：一系列针对动作识别任务的深度学习模型，可以识别和分类人体的各种行为。 PyCoral Action Recognition：使用谷歌的Coral加速器实现的动作识别模型，可以在边缘设备上实现实时的行为检测。 DensePose：Facebook开源的人体姿势和密集姿态估计模型，可以对人体的姿势和姿态进行更精细的检测和分析。这些模型和工具提供了丰富的功能和灵活性，可以用于不同领域和应用场景中的行为检测任务。
1.5K10编辑于 2024-04-26 - 来自专栏一步一步开发AI运动小程序
八、利用body-calc进行姿态识别
随着深度学习推理技术的不断发展，让小型设备运行深度学习成为可能，阿里体育等IT大厂，推出的“乐动力”、“天天跳绳”AI运动APP，让云上运动会、线上运动会、健身打卡、AI体育指导等概念空前火热。 本系列文章就带您一步一步从零开始开发一个AI运动小程序，本系列文章将使用“AI运动识别”小程序插件，插件详情可以前往微信服务市场搜索相应插件。 一、支持的检测规则人体姿态检测能力是插件的核心功能之一，插件为您封装好了基本的人体检测及逻辑运算检测规则。 humanDetection.detectionAsync(image).then(human=>{//对人体识别结果，进行单规则姿态检测console.log(calculator.calculating (human, rule));//返回值：true-通过；false-不通过});});listener.start();四、姿态检测实战下面带您来做一个马步蹲的姿态检查实战，如下图所示：const AiSport
43410编辑于 2024-05-23 - 来自专栏OpenMMLab
MMAction2 | 基于人体姿态的动作识别新范式 PoseC3D
不同于传统的基于人体 3 维骨架的 GCN 方法，PoseC3D 仅使用 2 维人体骨架热图堆叠作为输入，就能达到更好的识别效果。这项工作已被开源在 MMAction2 中。 可扩展性：GCN 所需计算量随视频中人数线性增长，很难被用于群体动作识别等应用。 2. PoseC3D： 一种基于 3D-CNN 的骨骼动作识别方法 识别流程 人体姿态提取 人体姿态提取是骨骼动作识别中非常重要的一个环节，但在此前研究中并未受到足够关注。 在实验中，我们对不同来源的二维 / 三维人体姿态进行了公平的比较。我们发现，即使基于轻量主干网络（MobileNetV2）所预测的二维姿态，用于动作识别时，效果也好于任何来源的三维人体姿态。 我们发现，在使用高质量特征提取器的情况下，使用坐标作为输入，动作识别的精度仅有少量下降 (0.4%)。因此在后续工作中，我们以坐标的格式来存储提取出的 2D 姿态。
5.7K20编辑于 2022-01-18 - 来自专栏一步步开发AI运动APP
【一步步开发AI运动APP】八、自定义姿态动作识别检测——之姿态相似度比较
之前我们为您分享了【一步步开发AI运动小程序】开发系列博文，通过该系列博文，很多开发者开发出了很多精美的AI健身、线上运动赛事、AI学生体测、美体、康复锻炼等应用场景的AI运动小程序；为了帮助开发者继续深耕 AI运动领域市场，今天开始我们将为您分享新系列【一步步开发AI运动APP】的博文，带您开发性能更强、体验更好的AI运动APP。 一、什么是姿态相似度比较上一篇为您介绍了通过配置检测规则，来实现自定义姿态动作的检测分析，基于规则配置的姿态动作检测，需要开发者仔细分析动作再编写规则，工作量相对较大。 为减轻开发者的工作量，插件姿态识别引擎pose-calc还提供了一个姿态相似度比较器，能对两个人体结构的进行比较，给出两上姿态的整体和分部相似度评分。 二、姿态比较能力调用示例姿态比较器实例的创建在uni-app和uni-app x框架下略有不同，请参考API文档。
29710编辑于 2025-04-24 - 来自专栏GPUS开发者
在 NVIDIA Jetson NANO上运行 PoseNet 姿态识别
2. install-pythrch.sh 此脚本将会安装 pytorch 训练框架，因为本教程不涉及训练部分，所以可以不勾选直接回车跳过安装。如果后续需要，可以手动执行此脚本。
1.7K20编辑于 2022-03-04 - 来自专栏3D视觉从入门到精通
基于对应点的6D姿态识别
前言 最近读取了一些针对Corresponding-based方法的6D姿态识别paper，在这里分享下思路。 2、LCD: Learned Cross-Domain Descriptors for 2D-3D Matching（AAAI，代码开源） 本文提出了一种新的方法来学习一个局部跨域描述符，用于二维图像和三维点云匹配 为了简化训练过程，本文从公开的RGB-D场景中收集了约1:4百万不同照明条件和设置的2D-3D对应关系，构建了一个新的数据集。 3、Segmentation-driven 6D Object Pose Estimation（CVPR2019） 本文提出了一个分割驱动的6D姿态估计框架，其中对象的每个可见部分以2D关键点位置的形式贡献一个局部姿态预测 然后使用预测的置信度将这些候选姿态组合成一组鲁棒的3D-to-2D对应，从中可以获得可靠的姿态估计。
1.2K10发布于 2020-12-11 - 来自专栏3D视觉从入门到精通
基于点云方式的6D姿态识别
前言 除了对应点方式，还可以将点云将与整个形状对齐，获得6D姿态。通常，首先进行粗配准以提供初始对准，然后进行密集配准方法，如迭代最近点（ICP），以获得最终的6D姿态。 本文提出了在ICP定义的L2误差度量下，两个三维点集欧氏（刚性）配准的第一个全局最优算法Go-ICP。Go-ICP方法基于搜索整个3D运动空间SE（3）的分枝定界（BnB）方案。 2、SUPER 4PCS Fast Global Pointcloud Registration via Smart Indexing 大规模场景中的数据采集通常需要通过多次扫描积累信息。 本文在给定一组三维点对应关系的情况下，利用深度残差层和卷积层建立深度网络3DRegNet，主要完成两项任务： （1）将点对应关系分类为正确/错误的点对应关系 （2）可以回归将扫描对齐到公共参考帧的运动参数
88910发布于 2020-12-11 - 来自专栏3D视觉从入门到精通
基于机器学习随机森林方式的姿态识别算法
传统视觉基于特征点和参考坐标系的思想对物体进行姿态识别，这种方式对物体本身形状和颜色特征要求较高，对一些较为复杂的物体则不能很好工作，本文使用机器学习（随机森林）方式并通过颜色和深度特征对物体进行姿态识别 4.计算初始姿态采样 上一步可以预测输入图像中每个像素的三维坐标和其物体所属类别，这样就可以得到基于特定类别下的2D-3D对应点对。 我的思考：是否可以随机选取一个像素，然后以这个像素为左上角第一个像素，画2x2正方形，剩下的三个像素则是从2x2正方形中采集（也就是正方形中剩下的三个位置所对应的像素）。 3D点通过初始姿态运算，可以投影到二维图像坐标上，这个投影点和3D点对应的2D点做距离运算，因为图像坐标系中的单位为px(像素),当投影点和2D点之间的距离不大于3px，则视为该点为内点，否则为外点。 除此之外，这篇paper采用multi-RANSAC算法，该算法可以同时处理多个不同物体的姿态识别，速度比较快；不过对多个同种物体则需要相应的改进（这篇paper提出的算法针对不同物体的检测，包括后续的姿态计算也是分别在不同坐标系下计算得出
1K10发布于 2020-12-11 - 来自专栏计算机视觉工坊
基于点云方式的6D姿态识别
前言 除了对应点方式，还可以将点云将与整个形状对齐，获得6D姿态。通常，首先进行粗配准以提供初始对准，然后进行密集配准方法，如迭代最近点（ICP），以获得最终的6D姿态。 本文提出了在ICP定义的L2误差度量下，两个三维点集欧氏（刚性）配准的第一个全局最优算法Go-ICP。Go-ICP方法基于搜索整个3D运动空间SE（3）的分枝定界（BnB）方案。 2、SUPER 4PCS Fast Global Pointcloud Registration via Smart Indexing 大规模场景中的数据采集通常需要通过多次扫描积累信息。 本文在给定一组三维点对应关系的情况下，利用深度残差层和卷积层建立深度网络3DRegNet，主要完成两项任务： （1）将点对应关系分类为正确/错误的点对应关系 （2）可以回归将扫描对齐到公共参考帧的运动参数
1.8K20发布于 2020-11-11 - 来自专栏PaddlePaddle
人体姿态识别有了PaddlePaddle实现，它是否会成为下一个AI宠儿？
现在，大火的人体姿态识别也有了PaddlePaddle的实现。我们来带小伙伴们学习一下怎么利用PaddlePaddle来实现人体姿态的识别任务。 近年来研究人员对姿态识别深入研究，使得该领域得到了重大发展。伴随的是整体的算法和系统复杂性的增加，这导致了算法分析和比较变得更加困难。 下面的视频是一个基于Paddle Fluid，应用MSRA提供的用于人体姿态识别和跟踪的简单基准论文[1]的重新实现的简单演示。 ? 因此我们将baseline和两个当前最先进的人体姿态识别方法Hourglass和CPN作比较。三者的网络结构比较如下图所示： ? 图2：简单的baseline、 Hourglass和CPN在COCO val2017数据集上的比较结果 姿态追踪 ?
2.6K31发布于 2019-06-06 - 来自专栏AI科技大本营的专栏
Python 也能实现图像姿态识别溺水行为了！
所以今天我们也是做一个计算机视觉方面的训练，用python来判断用户溺水行为，结合姿态识别和图像识别得到结果。其中包括姿态识别和图像分类。 人体姿态是被主要分为基于计算机视角的识别和基于运动捕获技术的识别。基于计算机视觉的识别主要通过各种特征信息来对人体姿态动作进行识别, 比如视频图像序列、人体轮廓、多视角等。 一、实验前的准备 首先我们使用的python版本是3.6.5所用到的模块如下： OpenCV：用来调用姿态识别接口绘制姿态识别结果 Baidu-aip:用来加载人体分析模块实现人体姿态识别 configparser 2、姿态识别调用： 在设置好基本的配置文件后，我们通过百度申请的账号密匙等等调用接口即可。 format(EPOCHS)) 2、模型的调用： 同训练的步骤相似，这里我们首先也是是通过调用百度姿态识别进行图片人体分析，然后分类预测结果。
1.6K20发布于 2020-07-02 - 来自专栏大数据文摘
案例：火场中消防员的姿态与动作识别
这就是举办本次竞赛的目标——开发一个模型，通过采集消防员身体动作的感知数据和统计监测他们的生命机能来识别他们正在进行的活动。事实上，我们面临着两个相关的多类分类问题。 每个活动都用大约2秒的传感数据时间序列来描述的，这些传感数据来自于加速计、陀螺仪和对消防员生命机能的某些统计。总计有42个类似的统计，对应着42个时间序列。 同时，像往常一样，参赛者被给予2个数据集：“训练”和“测试”。在训练数据中，参赛者被给予打上活动标签的实例，就像上表示例一样。 最后，我做了一些努力来识别数据中的峰值。目的在于，在进行不同的活动时，例如，跑步或是敲击，我们可以在信号中观察到不同数量的“峰”。“峰”的识别是一个问题，因为很容易描述，但却很难进行数学定义。 我用这个模型来解决活动识别问题。 随机森林另外一个吸引人的属性是它有一个选择相关属性的固有方法。已经提取了相当丰富的特征集，显然其中一些特征只是有点儿用。
1.3K60发布于 2018-05-21 - 来自专栏全栈程序员必看
姿态估计与行为识别（行为检测、行为分类）的区别
姿态估计和行为识别作为计算机视觉的两个领域，对于新人来说，较为容易弄混姿态估计和行为识别两个概念。 姿态估计可分为四个子方向： 单人姿态估计（Single-Person Skeleton Estimation） 单人姿态估计，首先识别出行人，然后再行人区域位置内找出需要的关键点。 2D姿势估计——从RGB图像估计每个关节的2D姿势（x，y）坐标。 3D姿势估计——从RGB图像估计3D姿势（x，y，z）坐标。 行为识别可以借助姿态估计的相关研究成果来实现，比如HDM05这类姿态库就提供了每一帧视频中人的骨架信息，可以基于骨架信息判断运动类型。 /article/details/90036365 https://nanonets.com/blog/human-pose-estimation-2d-guide/ 行为识别（Action Detection
3.5K20编辑于 2022-06-24 - 来自专栏YOLO大作战
基于YOLOv8的老虎姿态（Tiger-Pose）识别
本文解决什么问题：教会你如何用自己的数据集训练Yolov8-pose关键点检测 1.YOLOv8 介绍 YOLOv8目前支持目标检测、实例分割、图像分类、目标跟踪、姿态估计，也许还有更多惊喜在后面。 pose官方在COCO数据集上做了更多测试： 1.1数据集介绍 Ultralytics介绍了Tiger-Pose数据集，这是一个为姿态估计任务设计的多功能集合。 ] # 0-P1/2 - [-1, 1, Conv, [128, 3, 2]] # 1-P2/4 - [-1, 3, C2f, [128, True]] - [-1, 1, Conv, [256, 3, 2]] # 3-P3/8 - [-1, 6, C2f, [256, True]] - [-1, 1, Conv, [512, 3, 2]] # 5-P4/16 - [- 1, 6, C2f, [512, True]] - [-1, 1, Conv, [1024, 3, 2]] # 7-P5/32 - [-1, 3, C2f, [1024, True]] -
2K10编辑于 2024-01-16 C#利用openvino部署PP-TinyPose人体姿态识别
Mat src = new Mat(); string det_onnx = Application.StartupPath + @"\weights\picodet_v2_ openFileDialog.ShowDialog() == DialogResult.OK) { src = Cv2. OpenCvSharp.Extensions.BitmapConverter.ToBitmap(src); } } private void button2_ sw.Stop(); this.Text = "耗时" + sw.Elapsed.TotalSeconds + "秒"; pictureBox2.
39310编辑于 2025-07-17- 来自专栏TSINGSEE青犀视频
浅谈AI人体姿态识别技术的先进性及安防视频监控应用场景
随着计算机视觉技术和安防监控技术的不断发展，基于AI算法的人体姿态识别技术也得到了广泛的应用。 基于AI算法的人体姿态识别技术是基于人工智能和计算机视觉技术的一种新型技术，可以自动识别和识别人体的姿态，包括人体的动作、行为、穿着、服装颜色、甚至是面部表情等等。 2、应用场景AI人体姿态识别技术不仅可以提高安防监控的准确性和可靠性，还可以实现智能化的预警和报警功能，从而极大地提高安防监控的实用性和有效性。 图片3、技术先进性与传统安防监控技术相比，配备了AI人体姿态识别技术的视频智能分析系统可以对视频中的人的动作进行识别，达到提前预警的目的。 AI智能视频分析监控系统具有以下优势：1）可以更加准确地识别人体的姿态，从而提高视频监控的可靠性和准确性；2）可以实现智能化的预警和报警功能，减少了人工干预的不足之处；3）可以提高安防监控系统的反应速度和响应时间
1.3K20编辑于 2023-10-19 C#使用纯OpenCvSharp部署yolov8-pose姿态识别
同时，为了实现人体姿态点的检测和估计，Yolov8-Pose在输出层上引入了关键点检测的任务分支。 通过以上原理，Yolov8-Pose算法能够在保持检测速度的同时，实现对人体姿势的准确检测，从而在人体姿态估计领域具有一定的应用价值。 openFileDialog.ShowDialog() == DialogResult.OK) { src = Cv2. OpenCvSharp.Extensions.BitmapConverter.ToBitmap(src); } } private void button2_ sw.Elapsed.TotalSeconds + "秒"; var resultMat = ypm.DrawImage(src,result); pictureBox2.
37910编辑于 2025-07-20
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号