MMPose——开源姿态估计算法库（附人体关键点识别效果演示）
一、简介
1.1 背景
首先姿态估计属于计算机视觉领域的一个基础研究方向。MMPose是基于Pytorch的姿态估计开源算法库，功能全，涵盖的算法多。
1.2 姿态估计的任务分类
-
维度：预测的是2D还是3D姿态。
-
输入格式：图片 or 视频
-
姿态的表示形式：关键点 or 形状等
-
目标类型：全身 or 人脸 or 人手 or 动物 or 服饰
1.3 关于人体姿态估计任务
Human Pose Estimation是关键点检测任务中最热门的任务，即进行人体骨架和关节的关键点检测。
- 人体姿态估计任务的扩展：包括基于骨架的、基于表面的、基于三维空间立体的。
例如：facebook提出的Dense pose。将整个人体表面进行包络。（伪3D），并没有将3维坐标还原出来。如果要做3D，用三维人体重建的库MMHuman3D。
关于视频理解（MMAction2）与人体姿态估计的关系：视频动作理解的基础就是人体姿态估计。先得把骨骼关键点构建出来，才能根据这些特征判断动作。MMAction2可以参考这篇：关于MMAction2
论文链接：DensePose
1.4 MMPose的相关贡献
（1）2D Human Pose（包括body+hand+face一共133个关键点）
（2）3D Human Pose（先检测人体，再检测2D Human Pose，再检测3D Human Pose）
（3）3D Human Pose（人体网格重建任务——从image中恢复人体网格）
（4）3D Hand Pose（基于RGB图像的2D和3D手势联合估计）
（5）其他还包括脸部关键点，animal pose，目标跟踪等等。
二、MMPose所涉及的算法
★这里先解释一下Regression和Heatmap
- Regression：直接用模型回归预测得到每一个关键点的坐标
-
Heatmap： 不直接回归关键点本身的像素坐标，而是生成一张图，表示图中不同区域是该关键点的置信度。例如，人身上有14个关键点，就会生成14张heatmap，每个关键点处就会存在概率分布。
2.1 基于关键点坐标回归（Regression based）
DeepPose就是这一类方法的经典代表。直接回归关键点坐标的方法思路比较简单，预测速度快，但直接预测坐标的精度会受到一定影响。
论文链接：DeepPose
2.2 基于空间概率分布（Heatmap Based）
基于heatmap的方式逐渐成为主流。该方法会去每个位置预测一个分数，来表征该位置是关键点的置信度。根据预测到的heatmap，可以进一步去提取关键点的位置。由于该方法可以更好地保留空间信息，更符合CNN的设计特性，精度也比坐标直接回归更高。
论文链接：Stacked Hourglass
2.3 人体姿态估计算法（2D）
主要分为两种方法：自顶向下、自底向上
-
自顶向下（TopDown）：先检测处图片中的人体，再对每一个人体单独预测关键点。该方法的计算量会随着人数的增多而上升，但对不同尺寸的人体更加鲁棒，精度更高。通俗来说，该方法更准确。
-
自底向上（BottomUp）：先去检测到所有的关键点，再进行关键点聚类，组合成人体。该方法的计算量不会随着人数的增多而上升。通俗来说，该方法更快（人更多的时候越明显）。
2.4 人体姿态估计算法（3D）
主要在3维空间里去预测人的位置，根据输入不同，可以分为以下3种方法
- 基于单目图像从2D Pose预测3D Pose
这种方法的经典代表：SimpleBaseline3D。根据2Dpose和原始图像的特征，直接估计3D Pose。但是基于单目图像会存在遮挡问题。
论文链接：SimpleBaseline3D
- 基于多视角信息
这种方法的经典代表：VoxelPose。解决遮挡问题，例如一个场景有很多人，可以融合多视角的信息去重建3D Pose。
论文链接：VoxelPose
- 基于视频（多帧）信息
在以上两种方法的基础上，引入时间维度，相邻的上下文信息可以辅助更好的预测。例如之前看的ViPNAS就是用上下文信息来辅助更好的预测。
这种方法的经典代表：VideoPose3D。用2D关键点序列（多了时间维度，就是有好几帧）作为输入，然后通过时序的卷积网络去处理信息，最后输出3DPose。
论文链接：VideoPose3D
三、MMPose所用的数据集
3.1 姿态估计关键点数据集（2D）
基于图像：COCO
基于视频：PoseTrack18
3.2 姿态估计关键点数据集（3D）
基于单人：Human3.6M（360万个人体pose的标注）
基于多视角：CMU Panoptic
基于手部：InterHand2.6M
四、MMPose的总体框架
4.1 采用模块化设计
将深度学习拆分成data（数据集）、model（模型）、optimizer（优化器）等组件，先把每一个小模块做好，再注册到registry（注册器）里，注册器里包含了很多功能类似的模块。在需要启动任务时，通过config配置系统，代码就会调用builder，从而构造一整套流程。减少了代码的耦合。
4.2 用户接口
在架构上，mmpose使用了mmcv提供的底层的接口，通过runner去管理模型的训练、测试、推理等。
4.3 核心组件
（1）Dataloader：sample定义 + pipline
（Dataloader文件所在位置：Dataloader）
在dataloader方面，mmpose提供了一些数据集的接口，里面定义了sample和需要经过的pipline
- datasets文件夹：完成数据加载，准备pipline的输入，在evaluate函数里计算metric
- piplines文件夹：pipline是数据预处理的流水线，由一系列的transform组成，每个transform的输入和输出都是字典。例如，LoadImageFromFile就是从文件中读取图像，ToTensor就是将读取的图像转化为pytorch的tensor。
- samplers文件夹：sampler就是采样器。sampler提供dataset里数据的索引，然后dataloader根据索引从dataset里提取出对应的data。然后将data输给网络进行training。
（2）Model：backbone + （neck） + head
（Model文件所在位置：models）
在模型层面，会把模型 分为backbone，neck，head三个部分
- detectors文件夹：pose的检测器。通常由backbone，neck，head组成。例如TopDown。
- backbones文件夹：主干网络。例如ResNet，HRNet，HRFormer等就在这里定义。
- necks文件夹：处理backbone得到的特征
- heads文件夹：预测头，输出最终预测结果。（loss定义在head中）
4.4 其他文件夹
（1）apis（https://github.com/open-mmlab/mmpose/tree/master/mmpose/apis）
封装训练，测试和推理等流程
train.py：准备数据加载，把模型加载到GPU，构建optimizer和runner，注册hooks等
test.py：模型测试。需要输入模型和dataloader，测试模型精度。
inference.py：模型推理，进行可视化等工作。
Webcam API：调用MMpose及其他算法，实现基于摄像头输入视频的交互式应用。
（2）cores：（https://github.com/open-mmlab/mmpose/tree/master/mmpose/core）
前后处理，可视化，定制工具等
（3）tools：（https://github.com/open-mmlab/mmpose/tree/master/tools）
- train.py：启动训练任务的入口，读入config，初始化训练环境，创建模型及数据集等，调用apis/train.py
- test.py：模型推理测试的接口，数据集开启test_mode，加载checkpoint，调用apis/test.py运行测试
- 分布式训练的启动脚本：dist_train.sh——通过pytorch启动分布式 slurm_train.sh——通过slrum（一种集群式管理系统）启动分布式
五、MMPose相关效果演示
5.1 安装配置
本机环境：GPU RTX 2060、CUDA v11.1
Pytorch版本：1.8.0
torchvision版本：0.9.0
编译器版本：MSVC 192930137
mmtracking
mmpose：0.28.1
5.2 对图像中人体的关键点检测
（1）TopDown
-
这里使用TopDown方法对图像进行预测
-
先用目标检测把人的框检测出来：faster_rcnn网络
-
再做框里的人的姿态估计与关键点检测：hrnet网络
-
效果展示
（2）BottomUp
- 这里不需要目标检测模型，只需要bottom up人体姿态估计模型
- 人体关键点检测模型：hrnet
- 效果精度并不如TopDown，会存在部分关键点之间的错误连接。但是在人更多的情况下速度会比TopDown快。
5.3 对视频中人体的关键点检测
（1）单帧输入模型的视频预测
-
这里使用TopDown方法对视频进行预测
-
目标检测与关键点识别的网络依然是faster_rcnn和hrnet
-
效果展示
MMPose——单帧输入视频预测
- 关于多帧输入模型的视频预测，就是将视频前后多帧画面输入模型用于姿态预测。相比于单帧输入，检测到的会更细，例如橱窗里的模特，广告牌上的人也会被检测到。但是同样，计算量也会大很多。
（2）全图输入模型的视频预测
-
不提取人体检测框，直接将全图输入至姿态估计模型中。仅适用于单人，并且单人的效果并不好
-
这里使用TopDown的全图输入方法对视频进行预测
-
没有目标检测模型
-
人体关键点检测网络：vipnas
-
效果展示
MMPose——全图输入模型的视频预测
（3）BottomUp算法的视频预测
-
同样，精度效果不如TopDown
-
人体姿态估计模型：hrnet
MMPose——BottomUp算法的视频预测
5.4 对图像和视频中手掌的关键点检测
- Topdown算法
- 目标检测模型：cascade_rcnn
- 手部关键点检测模型：res50
- 效果展示：
在存在少部分遮挡的情况下，会存在部分关键点的误识别，但基本上手部关键点都检测正确
在没有遮挡的情况下，手部关键点全都准确识别。
视频中的手部关键点识别效果也不错
MMPose——手掌关键点检测
5.5 对图像和视频中全身的关键点检测
- Topdown算法
- 目标检测模型：faster_rcnn
- 全身关键点检测模型：hrnet
- 效果展示
视频中关键点检测效果也不错
MMPose——全身关键点检测（人脸+手+肢体）
5.6 MMPose摄像头实时效果
实时的效果一般，目标检测的fps为20左右，人体姿态估计的fps为10左右文章来源：https://www.toymoban.com/news/detail-807311.html
文章来源地址https://www.toymoban.com/news/detail-807311.html
六、相关参考链接
- DensePose论文链接：DensePose
- DeepPose论文链接：DeepPose
- Stacked Hourglass论文链接：Stacked Hourglass
- SimpleBaseline3D论文链接：SimpleBaseline3D
- VoxelPose论文链接：VoxelPose
- VideoPose3D论文链接：VideoPose3D
- MMPose中Dataloader位置：Dataloader
- MMPose中Model位置：models
- 项目地址：MMPose
- MMPose官方中文文档：MMPose中文文档
- 数据集的md文档：数据集文档
- 参考视频教程：同济子豪兄MMPose代码实战
- MMPose效果演示的相关参考文档：
2D人体关键点检测
在自己的数据集上训练2D人体关键点检测模型
2D手掌关键点检测
手掌检测模型
摄像头实时webcam
到了这里，关于MMPose姿态估计+人体关键点识别效果演示的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
