- 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。 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。 的安装说明完成代码库的安装，然后运行下面命令行： python scripts/demo_inference.py --cfg configs/coco/resnet/256x192_res50_lr1e-3_
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 - 来自专栏范传康的专栏
【云+社区年度征文】TinyML实践-3：牛运动姿态识别的落地实现
之前所有的依靠动物身上传感器进行姿态识别的，有一说一，应该都是经典的特征抽取，加上随机森林之类的经典算法实现的。 利用TinyML技术解决应用到畜牧业比如牛养殖的姿态识别，笔者应该是国内前几人。预测这种“革命性”技术会对AI下沉实体产业产生重大影响。 过程 目标识别状态 0：走 "walking", 1：躺 "lying", 2：站立 "standing", 3：采食 "feed" 数据预处理 [image.png] 数据预处理就是将一条采集记录 后续探索方向 1）状态标签分布不平衡的处理 2）尝试不同的序列长度（seq=32,64, 128) 3）尝试对输入tensor做优化（float32 -> int16），可以节省写RAM空间
1.5K91发布于 2020-12-11 - 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
PoseC3D 是一种基于 3D-CNN 的骨骼行为识别框架，同时具备良好的识别精度与效率，在包含 FineGYM, NTURGB+D, Kinetics-skeleton 等多个骨骼行为数据集上达到了 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。 在实验中，考虑到其在 COCO 关键点识别任务上的良好性能，我们使用了以 HRNet 为主干网络的 Top-Down 姿态估计模型作为姿态提取器。模型的直接输出为关键点热图。 在这种条件下，3D-CNN 依然取得了优秀的识别精度：使用单 clip 测试时，PoseC3D 的精度与 GCN 相近或超出；使用 10 clip 测试时，PoseC3D 的识别精度一致高于 GCN。
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
安装Jetson Inference 依次运行以下命令： $ sudo apt-get update$ sudo apt-get install git cmake libpython3- dev python3-numpy$ git clone --recursive https://github.com/dusty-nv/jetson-inference$ cd jetson-inference
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。 本文提出了一种新的方法AprilTags3D，该方法通过在标记检测器中加入一个三维空间，在仅使用RGB传感器的情况下，提高了AprilTags的姿态估计精度。 ? ? ? ? 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。 5、6-DoF Object Pose from Semantic Keypoints（ICRA） 本文提出了一种从单个RGB图像中估计物体连续六自由度（6-DoF）姿态（3D平移和旋转）的新方法。
1.2K10发布于 2020-12-11 - 来自专栏机器学习、深度学习
3D人体姿态估计
Coarse-to-Fine Volumetric Prediction for Single-Image 3D Human Pose Project and Code: https://www.seas.upenn.edu /~pavlakos/projects/volumetric/ 输入一张彩色图像，输出人体 3D姿态信息，采用 CNN网络端对端训练，技术创新点：1）对三维空间进行网格划分，2）Coarse-to-Fine Volumetric representation for 3D human pose 对于3D 人体姿态估计问题，问题的一般定义是 人体N个关节，每个关节有一个 3D 坐标（x,y,z） 这里我们参考 3D Interpreter Network 【35】，进行2步训练。 representation 首先预测 2D 关节点heatmaps， 然后在3D 网格空间坐标上进行 3D 关节点坐标推理 The first step can be trained with
2.2K20发布于 2019-05-26 - 来自专栏AI研习社
3D 姿态识别进我家，网红小哥 Siraj 带你走近高科技
这里是，油管 Artificial Intelligence Education 专栏，原作者 Siraj Raval 授权 AI 研习社编译。 它可以使用单块 GPU 3. 它可以从视频中为多人建立 3D 模型 4. 没有源代码 ? 事情是这样，Facebook 的 AI 研究团队发布了一项 demo，它可以在视频中标出人体所对应的全部像素点，并且可以克服大量干扰，使用单块 GPU 识别出多人的像素点。 古尔丹的兽人外形全靠电脑制作，而其动作、表情、姿态则需要利用专业设备对演员进行动作捕捉，制作 3D 的运动角色需要耗费大量的精力，也需要昂贵的设备，耗时长、成本高，只有具有充足资金的大规模工作室才有能力追踪真人运动并将此转化成动画 为了避免图片中有空洞，也就是说为了让关联点之间挨得更近，我们需要建立密集对应，通过物体检测、物体分割和姿态估计建立模型。当然，更简单的方式是我们使用有标签的数据集帮助深度学习变得更简单。
51110发布于 2018-08-16 - 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。 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。利用SE（3）几何的特殊结构，推导了新的配准误差函数的上下界。 3、3DRegNet: A Deep Neural Network for 3D Point Registration 本文提出了一种三维扫描配准的深度学习算法3DRegNet。 近年来随着廉价的3D商品传感器的出现，开发一种基于学习的3D配准算法将是非常有益的。 本文提出了一个数据驱动的模型3DMatch，该模型学习局部体块描述符以建立部分3D数据之间的对应关系。
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。 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 表1 论文中的实验结果 由于实验中RGB-D图像的识别准确率更高，在此只关注深度图像的测试结果。 8.算法改进 ? ?
1K10发布于 2020-12-11 - 来自专栏OpenMMLab
3D 人体姿态估计简述
3D HPE 的应用非常广泛，包括人机交互、运动分析、康复训练等，它也可以为其他计算机视觉任务（例如行为识别）提供 skeleton 等方面的信息。 一方面，受数据采集难度的限制，目前大多数方法都是基于单目图像或视频的，而从 2D 图像到 3D 姿态的映射本就是一个多解问题。 但是，正如前面提到的，根据 2D 图像估计 3D 姿态是一个不适定问题，即可能存在多个不同的 3D 姿态，它们的 2D 投影是同一个 2D 姿态。 由于缺少 3D 信息，目前的方法大多只能预测 root-relative pose，即以根关节（pelvis）为坐标原点的三维姿态。 HPE 任务最为常用的数据集之一，包含了 360 万帧图像和对应的 2D/3D 人体姿态。
3.9K20编辑于 2022-02-15 - 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。 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。利用SE（3）几何的特殊结构，推导了新的配准误差函数的上下界。 3、3DRegNet: A Deep Neural Network for 3D Point Registration 本文提出了一种三维扫描配准的深度学习算法3DRegNet。 近年来随着廉价的3D商品传感器的出现，开发一种基于学习的3D配准算法将是非常有益的。 本文提出了一个数据驱动的模型3DMatch，该模型学习局部体块描述符以建立部分3D数据之间的对应关系。
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3：提出的flow-based姿态追踪框架 对于视频中的多人姿态跟踪，首先估计帧中的人体姿势，然后通过在帧上为它们分配唯一标识号（id）来跟踪这些人体姿势。
2.6K31发布于 2019-06-06 - 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
比赛持续了3个月，79名参赛者在赛方的主机平台“知识坑”上递交了1840个解决方案。 我非常喜欢参加有潜在巨大影响的竞赛，它不仅仅是一个高精确的评分，而且确有事情濒于险境。 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。 但是，没有提供针对消防员某一特定活动的识别符。因此，无论我喜欢与否，我不得不主要依赖于初步评价得分，这个得分是基于整个竞赛数据的10%得出的（最终的评价是基于其他90%的测试数据）。 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。 这里整体程序的流程如下： 百度姿态识别图片并标注 CNN网络实现图像分类 根据分类结果可视化输出结果 最终输出的程序效果如下图： ? 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 三、人体姿态识别搭建 1、姿态配置文件设定： 在这里为了足够的精度和方便调用，我们使用百度提供的人体分析接口。按照官方的规定设定了配置文件。主要就是设定人体各个肢体零件连接配置。
1.6K20发布于 2020-07-02 - 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。 主要的数据集是PoseTrack 3D人体姿态估计（3D skeleton Estimation） 将人体姿态往3D方向进行扩展，则是输入RGB图像，输出3D的人体关键点。 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。 视频中人体行为识别主要分为两个子方向。
3.5K20编辑于 2022-06-24
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