2d姿态检测方法

‘壹’ 身体姿态检测可以应用于健身行业吗

身体姿态检测当然可以应用于健身行业
可以带来理想效果
人体姿态估计（Human Pose Estimation）是计算机视觉领域中的一个重要研究方向，被广泛应用于人体活动分析、人机交互以及视频监视等方面。人体姿态估计是指通过计算机算法在图像或视频中定位人体关键点（如肩、肘、腕、髋膝、膝、踝等）。本文主要介绍近几年深度学习兴起后的人体姿态估计方法发展历程。

二、人体姿态估计有什么用？

（1）利用人体姿态进行摔倒检测或用于增强安保和监控；

（2）用于健身、体育和舞蹈等教学；

（3）训练机器人，让机器人“学会”移动自己的关节；

（4）电影特效制作或交互游戏中追踪人体的运动。通过追踪人体姿态的变化，实现虚拟人物与现实人物动作的融合与同步。

三、人体姿态估计算法评估指标

（1）OKS（Object Keypoint Similarity）

OKS是COCO姿态估计挑战赛提出的评估指标，COCO Leaderboard 显示Challenge18最高mAP最高为0.764。基于对象关键点相似度的mAP：

其中，di表示预测的关键点与ground truth之间的欧式距离；vi是ground truth的可见性标志；s是目标尺度，等于该人在ground truth中的面积的平方根；ki控制衰减的每个关键点常量。

（2）PCK（Probability of Correct Keypoint）

MPII数据集的评估指标采用的是[email protected]，目前MPII数据集PCKh最高为92.5。预测的关节点与其对应的真实关节点之间的归一化距离小于设定阈值，则认为关节点被正确预测，PCK即通过这种方法正确预测的关节点比例。

[email protected]表示以躯干直径作为参考，如果归一化后的距离大于阈值0.2，则认为预测正确。

[email protected]表示以头部长度作为参考，如果归一化后的距离大于阈值0.5，则认为预测正确。

（3）PCP（Percentage of Correct Parts）

如果两个关节点的位置和真实肢体关键的距离达到至多一半时的真实肢体长度，则认为关节点被正确预测，PCP即通过这种方法正确预测的关节点比例。

四、人体姿态估计算法发展历程

2013年，Toshev等人将DeepPose引入人体姿态估计领域，人体姿态估计的研究开始从传统方法转向深度学习，下面将按时间顺序总结6篇个人认为具有标志性的工作。

（1）DeepPose（2014，Google）

Alexander Toshev和Christian Szegedy提出的DeepPose最早将CNN（卷积神经网络）应用于人体关节点检测。DeepPose将人体姿态估计转换为关节点回归问题，并提出了将CNN应用于人体关节点回归的方法：使用整幅图像输入到7层CNN来做关节点回归，更进一步，使用级联的CNN检测器来增加关节点定位的精确度。

‘贰’ 除了摄像头，还有没有更好用的3D手势识别方法

基于激光器应用的结构光和TOF，是比较好的3D收拾识别方法。

‘叁’ accv中稿率

一般吧。
3D人体姿态估计是从图片或视频中估计出关节点的三维坐标(x,y,z)，它本质上是一个回归问题。
基于单视角的3D姿态估计主要分为两种方法。第一种是从2D图片直接暴力回归得到3D坐标，第二种是分为两个阶段进行，先获取2D信息，然后再“提升”到3D姿态。第二种方法又可以分为两类。一类是联合2D，3D共同训练（2D姿态网络和2D-3D姿态网络一起训练），还有一类是直接用预训练好的2D姿态网络，将得到的2D坐标输入到3D姿态估计网络中，我把第二类方法称为基于以2D骨架序列为输入的3D姿态估计。它广泛地应用在动画、游戏、运动捕捉系统和行为理解中，也可以做为其他算法的辅助环节（行人重识别），并可以跟人体相关的其他任务一起联合学习（人体解析）。

‘肆’ 人脸识别中的姿态问题，大家一般是怎么解决的啊

姿态问题涉及头部在三维垂直坐标系中绕三个轴的旋转造成的面部变化，其中垂直于图像平面的两个方向的深度旋转会造成面部信息的部分缺失。使得姿态问题成为人脸识别的一个技术难题。解决姿态问题有三种思路：

第一种思路是学习并记忆多种姿态特征，这对于多姿态人脸数据可以容易获取的情况比较实用，其优点是算法与正面人脸识别统一，不需要额外的技术支持，其缺点是存储需求大，姿态泛化能力不能确定，不能用于基于单张照片的人脸识别算法中等。

第二种思路是基于单张视图生成多角度视图，可以在只能获取用户单张照片的情况下合成该用户的多个学习样本，可以解决训练样本较少的情况下的多姿态人脸识别问题，从而改善识别性能。

第三种思路是基于姿态不变特征的方法，即寻求那些不随姿态的变化而变化的特征。我们的思路是采用基于统计的视觉模型，将输入姿态图像校正为正面图像，从而可以在统一的姿态空间内作特征的提取和匹配。

因此，基于单姿态视图的多姿态视图生成算法将是我们要研究的核心算法，我们的基本思路是采用机器学习算法学习姿态的2D变化模式，并将一般人脸的3D模型作为先验知识，补偿2D姿态变换中不可见的部分，并将其应用到新的输入图像上去。

更多技术解答，Ph一下颜鉴，更好的技术。

‘伍’ 地铁盾构姿态测量的内容

靠测量仪器来测量的比较重要的几个参数就是盾构机刀盘、中盾、尾盾三个点的里程、高程、坐标。
还有盾体的滚动角。
靠盾构机自身传感器测量的数据就是，刀盘转速、推进油缸行程、铰接油缸行程等等。

参数太多了哈，这些是比较重要的参数。

‘陆’ 工业机器人2D视觉有什么特点和优势

在制造业转型升级、新兴产业发展的过程中，中国市场将释放出惊人的机器视觉技术、产品需求，为本土机器视觉行业的成长提供了关键驱动力。很显然，针对国内机器视觉产业的布局将全面展开，而工业机器视觉是其中热点。

机器视觉系统就是利用机器代替人眼作各种测量和判断。它是计算科的一个重要分支，它综合了光学、机械、电子、计算机软硬件等方面的技术，涉及到计算机、图像处理、模式识别、人工智能、信号处理、光机电一体化等多个领域。

‘柒’ 盾构法施工中，盾构姿态人工测量的方法

一般盾构测量都是用电子经纬仪的，先摆平仪器，正镜瞄后视镜，归零，倒镜再瞄后视，记数；正镜瞄后标水平，倒镜后标水平，记数填在一张表中；然后分别正镜前标水平，垂直，倒镜前标水平垂直，记数。

盾构法是暗挖法施工中的一种全机械化施工方法。它是将盾构机械在地中推进，通过盾构外壳和管片支承四周围岩防止发生往隧道内的坍塌。同时在开挖面前方用切削装置进行土体开挖，通过出土机械运出洞外，靠千斤顶在后部加压顶进，并拼装预制混凝土管片，形成隧道结构的一种机械化施工方法。
盾构机于1847年发明，它是一种带有护罩的专用设备。利用尾部已装好的衬砌块作为支点向前推进，用刀盘切割土体，同时排土和拼装后面的预制混凝土衬砌块。盾构机掘进的出碴方式有机械式和水力式，以水力式居多。水力盾构在工作面处有一个注满膨润土液的密封室。澎润土液既用于平衡土压力和地下水压力，又用作输送排出土体的介质。
盾构机既是一种施工机具，也是一种强有力的临时支撑结构。盾构机外形上看是一个大的钢管机，较隧道部分略大，它是设计用来抵挡外向水压和地层压力的。它包括三部分：前部的切口环、中部的支撑环以及后部的盾尾。大多数盾构的形状为圆形，也有椭圆形、半圆形、马蹄形及箱形等其他形式。

‘捌’ 人脸识别系统的技术原理

人脸识别技术包含三个部分：
(1)人脸检测
面貌检测是指在动态的场景与复杂的背景中判断是否存在面像，并分离出这种面像。一般有下列几种方法：
①参考模板法
首先设计一个或数个标准人脸的模板，然后计算测试采集的样品与标准模板之间的匹配程度，并通过阈值来判断是否存在人脸；
②人脸规则法
由于人脸具有一定的结构分布特征，所谓人脸规则的方法即提取这些特征生成相应的规则以判断测试样品是否包含人脸；
③样品学习法
这种方法即采用模式识别中人工神经网络的方法，即通过对面像样品集和非面像样品集的学习产生分类器；
④肤色模型法
这种方法是依据面貌肤色在色彩空间中分布相对集中的规律来进行检测。
⑤特征子脸法
这种方法是将所有面像集合视为一个面像子空间，并基于检测样品与其在子孔间的投影之间的距离判断是否存在面像。
值得提出的是，上述5种方法在实际检测系统中也可综合采用。
(2)人脸跟踪
面貌跟踪是指对被检测到的面貌进行动态目标跟踪。具体采用基于模型的方法或基于运动与模型相结合的方法。此外，利用肤色模型跟踪也不失为一种简单而有效的手段。
(3)人脸比对
面貌比对是对被检测到的面貌像进行身份确认或在面像库中进行目标搜索。这实际上就是说，将采样到的面像与库存的面像依次进行比对，并找出最佳的匹配对象。所以，面像的描述决定了面像识别的具体方法与性能。目前主要采用特征向量与面纹模板两种描述方法：
①特征向量法
该方法是先确定眼虹膜、鼻翼、嘴角等面像五官轮廓的大小、位置、距离等属性，然后再计算出它们的几何特征量，而这些特征量形成一描述该面像的特征向量。
②面纹模板法
该方法是在库中存贮若干标准面像模板或面像器官模板，在进行比对时，将采样面像所有象素与库中所有模板采用归一化相关量度量进行匹配。此外，还有采用模式识别的自相关网络或特征与模板相结合的方法。
人脸识别技术的核心实际为“局部人体特征分析”和“图形/神经识别算法。”这种算法是利用人体面部各器官及特征部位的方法。如对应几何关系多数据形成识别参数与数据库中所有的原始参数进行比较、判断与确认。一般要求判断时间低于1秒。 一般分三步：
(1)首先建立人脸的面像档案。即用摄像机采集单位人员的人脸的面像文件或取他们的照片形成面像文件，并将这些面像文件生成面纹(Faceprint)编码贮存起来。
(2)获取当前的人体面像。即用摄像机捕捉的当前出入人员的面像，或取照片输入，并将当前的面像文件生成面纹编码。
(3)用当前的面纹编码与档案库存的比对。即将当前的面像的面纹编码与档案库存中的面纹编码进行检索比对。上述的“面纹编码”方式是根据人脸脸部的本质特征和开头来工作的。这种面纹编码可以抵抗光线、皮肤色调、面部毛发、发型、眼镜、表情和姿态的变化，具有强大的可靠性，从而使它可以从百万人中精确地辩认出某个人。人脸的识别过程，利用普通的图像处理设备就能自动、连续、实时地完成。