精华内容
下载资源
问答
  • 人体姿态识别

    2017-10-26 00:32:28
    CVPR2017的最新论文,实时的人体姿态估计算法。对深度学习爱好者有帮助
  • tensorflow实现人体姿态识别
  • 软硬件环境windows 10 64bitcuda 10.1cudnn 7.6.35anaconda with python 3.7ubuntu 18.04 64bitNVidia GTX 1070Ticmake 3.18.4protobuf 3.8.0简介OpenPose人体姿态识别项目是美国卡耐基梅隆大学(CMU)基于卷积神经...

    软硬件环境

    • windows 10 64bit
    • cuda 10.1
    • cudnn 7.6.35
    • anaconda with python 3.7
    • ubuntu 18.04 64bit
    • NVidia GTX 1070Ti
    • cmake 3.18.4
    • protobuf 3.8.0

    简介

    OpenPose人体姿态识别项目是美国卡耐基梅隆大学(CMU)基于卷积神经网络和监督学习并以caffe为框架开发的开源库。可以实现人体动作、面部表情、手指运动等姿态估计。适用于单人和多人,具有极好的鲁棒性,是世界上首个基于深度学习的实时多人二维姿态估计应用。人体姿态估计技术在体育健身、动作采集、人机交互、舆情监测等领域具有广阔的应用前景。

    算法体验

    如果仅仅是想体验下这个项目,官方提供了windows版的可执行文件下载,有gpucpu2个版本,地址是: https://github.com/CMU-Perceptual-Computing-Lab/openpose/releases/,解压后进入文件夹,下载项目中需要用到的各种模型

    cd openpose\models
    .\getModels.bat

    cf30fbaaaf68fa96cda7b0b7095983cd.png

    openpose

    使用本地视频文件进行测试

    cd ..
    bin\OpenPoseDemo.exe --video examples\media\video.avi

    320b95bdeab8d2066f2ec6ad3233c1c9.png

    openpose

    源码编译

    我这里是有gpu环境,因此需要安装nvidia的驱动,cudacuDNN,具体安装方法前面的博文已经介绍过了,参考下面链接

    • nvidia驱动安装,https://xugaoxiang.com/2020/09/24/ubuntu-nvidia-driver/
    • CUDA和cuDNN安装, https://xugaoxiang.com/2019/12/13/ubuntu-cuda/
    git clone https://github.com/CMU-Perceptual-Computing-Lab/openpose.git
    cd openpose
    conda create -n openpose python=3.7
    conda activate openpose
    sudo apt install cmake build-essential
    mkdir build
    cd build
    cmake ..
    make -j `nproc`
    cd ../models
    ./getModels.sh
    cd ..
    ./build/example/openpose.bin --video examples/media/video.avi

    cfa03b88feb2f6bccaa220317c8449fd.png

    openpose

    如果原来的系统中已经安装过了caffe,那么openpose可以直接使用而不需要再次安装了

    cmake -DBUILD_CAFFE=OFF -DCaffe_INCLUDE_DIRS=$somewhere/caffe/include/ -DCaffe_LIBS=$somewhere/lib/libcaffe.so ..

    如果需要在python中使用的话,cmake时需要加上参数-DBUILD_PYTHON=ON

    如果不喜欢用命令行去配置cmake,可以使用cmake-gui

    sudo apt install cmake-qt-gui

    56bff2d7b1f1a13154e17acb6e27a7f2.png

    openpose

    模型下载

    使用官方的模型下载脚本,速度非常的慢,这里将工程中用到的模型整理了,放在了百度网里,方便大家下载

    链接:https://pan.baidu.com/s/15aZe7NN3jQerWN2uZRK0mw提取码:p1mj

    pthread_create报错

    Determining if the pthread_create exist failed with the following output:
    Change Dir: /home/xugaoxiang/Works/github/openpose/build/CMakeFiles/CMakeTmp

    Run Build Command:"/usr/bin/make" "cmTC_56b97/fast"
    /usr/bin/make -f CMakeFiles/cmTC_56b97.dir/build.make CMakeFiles/cmTC_56b97.dir/build
    make[1]: Entering directory '/home/xugaoxiang/Works/github/openpose/build/CMakeFiles/CMakeTmp'
    /usr/bin/cmake: /home/xugaoxiang/anaconda3/lib/libcurl.so.4: no version information available (required by /usr/bin/cmake)
    Building C object CMakeFiles/cmTC_56b97.dir/CheckSymbolExists.c.o
    /usr/bin/cc   -fPIC    -o CMakeFiles/cmTC_56b97.dir/CheckSymbolExists.c.o   -c /home/xugaoxiang/Works/github/openpose/build/CMakeFiles/CMakeTmp/CheckSymbolExists.c
    /usr/bin/cmake: /home/xugaoxiang/anaconda3/lib/libcurl.so.4: no version information available (required by /usr/bin/cmake)
    Linking C executable cmTC_56b97
    /usr/bin/cmake -E cmake_link_script CMakeFiles/cmTC_56b97.dir/link.txt --verbose=1
    /usr/bin/cmake: /home/xugaoxiang/anaconda3/lib/libcurl.so.4: no version information available (required by /usr/bin/cmake)
    /usr/bin/cc -fPIC     -rdynamic CMakeFiles/cmTC_56b97.dir/CheckSymbolExists.c.o  -o cmTC_56b97
    CMakeFiles/cmTC_56b97.dir/CheckSymbolExists.c.o: In function `main':
    CheckSymbolExists.c:(.text+0x1b): undefined reference to `pthread_create'

    collect2: error: ld returned 1 exit status
    CMakeFiles/cmTC_56b97.dir/build.make:97: recipe for target 'cmTC_56b97' failed
    make[1]: *** [cmTC_56b97] Error 1
    make[1]: Leaving directory '/home/xugaoxiang/Works/github/openpose/build/CMakeFiles/CMakeTmp'
    Makefile:126: recipe for target 'cmTC_56b97/fast' failed
    make: *** [cmTC_56b97/fast] Error 2

    这是系统中缺失了pthread相关的库,解决方法

    sudo apt-get install manpages-posix manpages-posix-dev

    caffe代码拉不下来

    -- Found glog    (include: /usr/include, library: /usr/lib/x86_64-linux-gnu/libglog.so)
    -- Found Protobuf: /usr/local/lib/libprotobuf.so;-lpthread (found version "3.8.0")
    -- Found OpenCV: /usr (found version "3.2.0")
    -- Caffe will be downloaded from source now. NOTE: This process might take several minutes depending
            on your internet connection.
    -- Caffe has already been downloaded.
    error: pathspec 'c95002f' did not match any file(s) known to git.
    -- Caffe will be built from source now.
    -- Download the models.
    -- Downloading BODY_25 model...
    -- Model already exists.
    -- Not downloading body (COCO) model
    -- Not downloading body (MPI) model
    -- Downloading face model...
    -- Model already exists.
    -- Downloading hand model...
    -- Model already exists.
    -- Models Downloaded.
    -- Configuring done
    -- Generating done
    -- Build files have been written to: /home/xugaoxiang/Works/github/openpose/build

    CMU自己维护了一个caffe的工程,但是找了一圈,并没有发现有c95002f这个tag,所以,在配置的时候拉不下来源码,其实clone最新的就可以了,因此去修改CMakeLists.txt,将c95002f替换成master就可以了

    f6732054ccb3c8c67a39bdb159d49a9d.png

    openpose

    protobuf版本不一致

    Protobuf compiler version doesn't match library version 3.8.0

    我这里使用的是anaconda的环境,默认安装的版本是3.11.4,与caffe要求的3.8.0不相符,使用conda安装3.8.0即可

    conda install protobuf==3.8.0

    或者也可以编译protobuf源码,步骤如下

    wget https://github.com/protocolbuffers/protobuf/archive/v3.8.0.tar.gz
    tar xvf protobuf-3.8.0.tar.gz
    cd protobuf-3.8.0
    ./autogen.sh
    ./configure
    make
    sudo make install

    安装完毕之后,使用protoc --version来检查下版本是不是正确

    atlas报错

    CMake Error at /usr/share/cmake-3.10/Modules/FindPackageHandleStandardArgs.cmake:137 (message):
      Could NOT find Atlas (missing: Atlas_CLAPACK_INCLUDE_DIR
      Atlas_CBLAS_LIBRARY Atlas_BLAS_LIBRARY)
    Call Stack (most recent call first):
      /usr/share/cmake-3.10/Modules/FindPackageHandleStandardArgs.cmake:378 (_FPHSA_FAILURE_MESSAGE)
      cmake/Modules/FindAtlas.cmake:43 (find_package_handle_standard_args)
      cmake/Dependencies.cmake:113 (find_package)
      CMakeLists.txt:46 (include)

    因为系统中并没有安装atlas,使用apt安装

    sudo apt install libatlas-base-dev

    cmake版本问题

    -- NVIDIA CUDA:
    --   Target GPU(s)     :   Auto
    --   GPU arch(s)       :   sm_61
    --   cuDNN             :   Yes (ver. 7.6.5)
    --
    -- Install:
    --   Install path      :   /home/xugaoxiang/Works/github/openpose/build/caffe
    --
    CMake Error: The following variables are used in this project, but they are set to NOTFOUND.
    Please set them or make sure they are set and tested correctly in the CMake files:
    CUDA_cublas_device_LIBRARY (ADVANCED)
        linked by target "caffe" in directory /home/xugaoxiang/Works/github/openpose/3rdparty/caffe/src/caffe

    -- Configuring incomplete, errors occurred!
    See also "/home/xugaoxiang/Works/github/openpose/build/caffe/src/openpose_lib-build/CMakeFiles/CMakeOutput.log".
    See also "/home/xugaoxiang/Works/github/openpose/build/caffe/src/openpose_lib-build/CMakeFiles/CMakeError.log".
    CMakeFiles/openpose_lib.dir/build.make:105: recipe for target 'caffe/src/openpose_lib-stamp/openpose_lib-configure' failed
    make[2]: *** [caffe/src/openpose_lib-stamp/openpose_lib-configure] Error 1
    CMakeFiles/Makefile2:67: recipe for target 'CMakeFiles/openpose_lib.dir/all' failed
    make[1]: *** [CMakeFiles/openpose_lib.dir/all] Error 2
    Makefile:83: recipe for target 'all' failed
    make: *** [all] Error 2

    这个问题是由于系统中的cmake版本引起的,openposecmake版本的最低要求是3.12,具体可以参考链接 https://github.com/CMU-Perceptual-Computing-Lab/openpose/blob/master/doc/prerequisites.md#ubuntu-prerequisites, 而ubuntu 18.04的默认版本是3.10.2。解决方法有2种,分别是

    • 使用snap安装

      安装方法非常简单,但是国内的速度是真的真的真的慢,以至于后来,实在是等不下去了,我直接拉源码编译了。愿意等的话,也是可以成功的

      sudo apt remove --purge cmake
      sudo snap install cmake --classic
    • 编译cmake的源码

      源码编译cmake,稍微复杂一点,步骤如下

      sudo apt remove --purge cmake
      sudo apt install libssl-dev
      wget https://github.com/Kitware/CMake/releases/download/v3.18.4/cmake-3.18.4.tar.gz
      tar xvf cmake-3.18.4
      cd cmake-3.18.4
      ./bootstrap
      make
      sudo make install

    libpangoft报错

    make的过程中报错

    [ 51%] Linking CXX shared library libopenpose_core.so
    [ 51%] Built target openpose_core
    [ 51%] Linking CXX executable 1_custom_post_processing.bin
    //home/xugaoxiang/anaconda3/lib/libpangoft2-1.0.so.0: undefined reference to `FcWeightToOpenTypeDouble'
    //home/xugaoxiang/anaconda3/lib/libpangoft2-1.0.so.0: undefined reference to `FcWeightFromOpenTypeDouble'

    collect2: error: ld returned 1 exit status
    examples/tutorial_add_module/CMakeFiles/1_custom_post_processing.bin.dir/build.make:171: recipe for target 'examples/tutorial_add_module/1_custom_post_processing.bin' failed
    make[5]: *** [examples/tutorial_add_module/1_custom_post_processing.bin] Error 1
    CMakeFiles/Makefile2:1280: recipe for target 'examples/tutorial_add_module/CMakeFiles/1_custom_post_processing.bin.dir/all' failed
    make[4]: *** [examples/tutorial_add_module/CMakeFiles/1_custom_post_processing.bin.dir/all] Error 2
    [ 51%] Linking CXX executable 18_synchronous_custom_all_and_datum.bin
    //home/xugaoxiang/anaconda3/lib/libpangoft2-1.0.so.0: undefined reference to `FcWeightToOpenTypeDouble'
    //home/xugaoxiang/anaconda3/lib/libpangoft2-1.0.so.0: undefined reference to `FcWeightFromOpenTypeDouble'

    collect2: error: ld returned 1 exit status
    examples/tutorial_api_cpp/CMakeFiles/18_synchronous_custom_all_and_datum.bin.dir/build.make:171: recipe for target 'examples/tutorial_api_cpp/18_synchronous_custom_all_and_datum.bin' failed
    make[5]: *** [examples/tutorial_api_cpp/18_synchronous_custom_all_and_datum.bin] Error 1
    CMakeFiles/Makefile2:1307: recipe for target 'examples/tutorial_api_cpp/CMakeFiles/18_synchronous_custom_all_and_datum.bin.dir/all' failed
    make[4]: *** [examples/tutorial_api_cpp/CMakeFiles/18_synchronous_custom_all_and_datum.bin.dir/all] Error 2
    Makefile:148: recipe for target 'all' failed
    make[3]: *** [all] Error 2
    CMakeFiles/openpose_lib.dir/build.make:143: recipe for target 'openpose_lib' failed
    make[2]: *** [openpose_lib] Error 2
    CMakeFiles/Makefile2:94: recipe for target 'CMakeFiles/openpose_lib.dir/all' failed
    make[1]: *** [CMakeFiles/openpose_lib.dir/all] Error 2
    Makefile:102: recipe for target 'all' failed
    make: *** [all] Error 2

    解决方法是,使用系统的pangoft

    cd $HOME/anaconda3/lib/
    mv libpangoft2-1.0.so.0 libpangoft2-1.0.so.0.bak
    ln -s /usr/lib/x86_64-linux-gnu/libpangoft2-1.0.so.0 libpangoft2-1.0.so.0

    参考资料

    • https://github.com/CMU-Perceptual-Computing-Lab/openpose
    • https://github.com/CMU-Perceptual-Computing-Lab/caffe
    • https://github.com/CMU-Perceptual-Computing-Lab/openpose/issues/1114
    • https://cmake.org/download/
    • https://github.com/protocolbuffers/protobuf/releases/tag/v3.8.0
    展开全文
  • 人体姿态识别的文献

    2016-04-22 17:40:45
    里面有20多份国外人体姿态识别的最新论文,希望能对大家有所帮助
  • 目的复现代码完成视频中的人体姿态识别复现过程

    目的复现代码

    完成视频中的人体姿态识别

    复现过程

    展开全文
  • 原文连接:https://arxiv.org/abs/2006.01423文章总结了从2014年起至今的单目人体姿态估计基于深度学习的主流方法,文章主要框架如下...1.介绍 顾名思义,人体姿态识别任务主要是将从传感器中获取的信息中识别到人体...

    原文连接https://arxiv.org/abs/2006.01423

    文章总结了从2014年起至今的单目人体姿态估计基于深度学习的主流方法,文章主要框架如下:

    1. 介绍
    2. 人体姿态识别方法分类和人体模型
    3. 2D人体姿态估计
    4. 3D人体姿态估计
    5. 人体姿态识别常用数据集及评价标准
    6. 总结及未来研究方向

    下面就以翻译原文为主要方式介绍文章的主要内容:

    1.介绍

    顾名思义,人体姿态识别任务主要是将从传感器中获取的信息中识别到人体姿态。近些年来,随着深度学习在诸多视觉任务(图片分类,目标检测,语义分割等等)表现良好的同时,人体姿态估计领域也取得飞速的进展。发展主要集中于以下几个方面:估计能力越来越强的神经网络结构,丰富的数据集,更多的人体模型探索。本文广泛地回顾了近些年基于深度学习的2D,3D人体姿态估计方法。本文主要针对图像的传感器信息。

    人体姿态识别有许多的应用领域,包括虚拟现实,人机交互等等。单目人体姿态估计也有许许多多的挑战。例如自我遮挡,过于复杂的人体姿态,同一图片里面不同人的服装相似,同一人的肢体相似,有的图片仅出现一半人体。

    关于人体姿态估计的的论文可以以下面的方式区分:

    • 是否使用人体模型:基于模型的产生式方法(generative method),和不基于模型的识别方法(discriminative method)
    • 分析的层面:自上而下的方法(先识别人体再拆解肢体),自下而上的方法(先识别肢体再组成人体)
    • 更多的区分方法参见下面的表格 1

    表格2介绍了近些年关于人体姿态识别其他方面的综述,想进一步了解人体姿态识别的可以进一步参考来看。

    2.人体姿态识别分类方法与人体模型

    2.1 人体姿态识别的分类

    这一部分进一步详细人体姿态识别方法的分类:

    • 产生式方法与识别方法

    基于不同的人体姿态模型,产生式方法可以以不同的方式被处理:例如基于人体姿态模型的先验,基于不同视图从二维空间到三维空间的投影,基于回归方法的高维数据空间的优化。

    而识别方法是直接学习一个从从输入到人体姿态空间的投影。

    • 自上而下和自下而上方法

    自上而上方法会因为图片中人的数量增多而增加时间消耗,而自下而上方法会因为人体重叠而出现分解的肢体“难以组装”的现象。

    • 基于回归的和基于检测的方法

    基于不同的问题表达方式,基于深度学习的人体姿态估计可以划分为基于回归的和基于检测的方法。基于回归的方法直接从输入映射出人体连接的坐标和人体姿态模型的参数,基于检测的方法,将人体视为检测的目标,基于两种表达:图像块和关节热图。回归方法是一个高级的非线性问题,比较难。而基于小图像块的检测方法则鲁棒性较好,但是限制了检测的坐标精度。

    • 一段或多段方法

    端到端的神经网络比较干净,但是缺少了中间的监督,效果可能会不好。我们可以将人体姿态识别问题拆解成多个小问题进行训练,参见自上而下和自下而上方法。

    2.2 人体模型

    常见有三种人体模型:

    • 基于人体骨架的模型

    可以理解为数据结构中的图,顶点代表关节,边代表关节连接,缺点是缺少人体模型的宽度和形状信息;

    • 基于形状的模型

    和上一种模型比较就是增添了形状信息,论文只给出了96年和95年的两篇论文,应该不太常用。

    • 基于体积的模型

    主要描述三维的人体形状和姿态。

    3.2D人体姿态估计

    在深度学习兴起之前,大家手动设计特征提取器,设计复杂的人体模型去提取人体骨架,应用神经网络之后,这一领域取得飞速进展。论文主要分为基于回归和检测的方法,对近些年的论文进行整理。

    4.3D人体姿态估计

    主要预测三维空间的人体姿态位置,论文从单目视觉展开调研。

    4.1 单人估计

    4.1.1 基于模型的

    4.1.2 非基于模型的

    4.2 多人估计

    5. 数据集及评价标准

    这部分整理了人体姿态识别领域常见的数据集,可以参考论文进一步理解使用,方便以后做研究。

    展开全文
  • 卷积人体姿态识别的代码库,CVPR'16
  • 人体姿态识别OpenPose相关资料

    千次阅读 2019-04-24 16:42:40
    OpenPose人体姿态识别项目是美国卡耐基梅隆大学(CMU)基于卷积神经网络和监督学习并以caffe为框架开发的开源库。可以实现人体动作、面部表情、手指运动等姿态估计。适用于单人和多人,具有极好的鲁棒性。是世界上首...

    OpenPose人体姿态识别项目是美国卡耐基梅隆大学(CMU)基于卷积神经网络和监督学习并以caffe为框架开发的开源库。可以实现人体动作、面部表情、手指运动等姿态估计。适用于单人和多人,具有极好的鲁棒性。是世界上首个基于深度学习的实时多人二维姿态估计应用,基于它的实例如雨后春笋般涌现。人体姿态估计技术在体育健身、动作采集、3D试衣、舆情监测等领域具有广阔的应用前景,人们更加熟悉的应用就是抖音尬舞机

    https://www.jianshu.com/p/3aa810b35a5d
    https://www.jianshu.com/p/bcdfa75c42ac
    https://blog.csdn.net/qq_35468937/article/details/81514198
    https://blog.csdn.net/eereere/article/details/80176007

    展开全文
  • from:https://zhuanlan.zhihu.com/p/276571961. 写在前面大概两个月前,接到一个小任务,要做一个深度学习在人体姿态识别领域的一些调研,以前也没做调研相关的事情,连格式怎么写都不知道,前前后后看了接近20篇...
  •  ...2D人体姿态识别在dataset和model方面都比3D成熟,2Dmodel也有很多户外,自然界的dataset,但是3D的dataset几乎都是indoor的。因为3D标注、识别的复杂,所以需要大量的传感器,摄像头去采集...
  • 目的复现代码完成视频中的人体姿态识别复现过程项目地址:https://github.com/ildoonet/tf-pose-estimation如果clone速度非常慢,可以下载国内镜像:https://gitee.com/zhongshangwu/tf-pose-estimation视频来源:...
  • 提出了一种基于手机加速度与陀螺仪数据的卷积—卷积长短时记忆—注意力(CCLA,convolution-convolutional long short-term memory-attention)人体姿态识别算法。使用卷积神经网络对姿态数据进行空间特征提取,采用...
  • OpenPose人体姿态识别项目是美国卡耐基梅隆大学(CMU)基于卷积神经网络和监督学习并以caffe为框架开发的开源库。可以实现人体动作、面部表情、手指运动等姿态估计。适用于单人和多人,具有极好的鲁棒性。是世界上首个...
  • 人体姿态识别研究综述(详细归纳!)

    万次阅读 多人点赞 2018-10-06 20:23:46
    一,人体姿态识别数据集 1,2D数据集: LSP 地址:http://sam.johnson.io/research/lsp.html 样本数:2K 关节点个数:14 全身,单人 FLIC 地址:https://bensapp.github.io/flic-dataset.html 样本数:2W ...
  • 人体姿态识别有个openpose的开源项目 。
  • 深度学习tf-pose-estimation人体姿态识别实现教程

    千次阅读 热门讨论 2019-05-26 09:30:09
    这个项目在github上非常火,项目地址是:...这个项目的原始项目是用caffe框架,c++编写的人体姿态识别(检测人体身体部分、手、脸、脚等部位)。 参考的文献如下,有兴趣的同学可以读一下: (1)OpenPose: Rea...
  • Github开源人体姿态识别项目OpenPose中文文档 人工智能小技巧 42018.11.11 19:15:26字数 2,405阅读 97,346 logo OpenPose人体姿态识别项目是美国卡耐基梅隆大学(CMU)基于卷积神经网络和监督学习并以caffe...
  • 人体姿态识别-左肩和左肘的定位识别

    千次阅读 热门讨论 2018-05-18 09:43:44
    人体姿态识别-左肩和左肘的定位识别 对于传统的人体动作识别方法来说,分为三类:基于人体模型的方法;基于全局特征的方法,基于特征的方法,人体动作丰富多样,不同的动作具有不同的含义。这里我选择基于特征的...
  • 该课题为基于MATLAB差影法的人体姿态识别。带有一个GUI可视化界面。需要准备对应的模板图片作为背景图,然后测试图和背景图进行作差,结合形态学知识,提取出人体轮廓,接上最外接矩形,得出矩形长宽,计算长宽比例...
  • AlphaPose人体姿态识别

    2020-12-07 11:23:13
    AlphaPose 是一个精准的多人姿态估计系统,是首个在 COCO 数据集上可达到 70+ mAP(72.3 mAP,高于 Mask-RCNN 8.2 个百分点),在 MPII 数据集上可达到 80+ mAP(82.1 mAP)的开源系统。为了能将同一个人的所有姿态...
  • 软硬件环境windows 10 64bitcuda 10.1cudnn 7.6.35anaconda with python 3.7ubuntu 18.04 64bitNVidia GTX 1070Ticmake 3.18.4protobuf 3.8.0简介OpenPose人体姿态识别项目是美国卡耐基梅隆大学(CMU)基于卷积神经...
  • 随着深度学习技术的发展,人体...现在,大火的人体姿态识别也有了飞桨(PaddlePaddle)的实现。我们来带小伙伴们学习一下怎么利用飞桨(PaddlePaddle)来实现人体姿态的识别任务。项目地址:https://github.com/PaddleP...
  • 有没有大神能推荐一些人体姿态识别的预训练模型啊?我的数据是基于人体上半身关节点三维坐标的时间序列数据,自己试着搭了一些类似LSTM,GRU和CNN的模型,效果都很差,所以现在想试试看做迁移学习。 ...
  • 随着深度学习技术的发展,人体骨骼...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。项目地址:https://github.com/PaddlePaddle/mo...
  • body_pose 是一个人体姿态识别的软件包。这个软件包可以从图片中识别出人体的耳朵,眼睛,鼻子,四肢的共17个特征点。其实现是通过深度学习网络利用tensorflow框架。此软件还支持多人同时识别。 安装 ...
  • 针对随机森林算法静态性、容易陷入局部最优等问题,提出了一种蜜蜂交配优化的随机森林算法,并将该算法应用于基于加速度传感器的人体姿态识别。设计了一套以三轴加速度传感器MMA7260与无线通信模块CC2430相结合的...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 453
精华内容 181
关键字:

人体姿态识别