OpenPose最新论文《Realtime Multi-Person 2D Human Pose Estimation using Part Affinity Fields》笔记
ժҪ
能有效检测图像中多个人的2D姿态。使用PAFs (Part Affinity Fields)，来学习关键点和人体的关联。这种结构对global context（全局上下文）进行编码，自下而上的解析。特点：多人，高精度，实时。通过序列结构神经网络的两个分支来联合学习：关键点位置、关键点之间的联系。该方法取得了2016关键点检测挑战赛冠军，准确率与效率都大大超过了MPII基准。
简介
难点：1.每张图中，人的数量、位置、大小，都未知。 2.人与人之间的行为（接触、遮挡等）会干扰不同身体关键点的联系。 3.人数多使得运算复杂性增加，保证实时性很困难。自上而下的方法（先检测出人，再进行单人的姿态估计）会因为人越多计算量越大，而且严重依赖检测效果。
PAFs（Part Affinity Fields，部分亲和域？？？个人感觉：关键点亲和场，表示关键点配对的矢量关系）是二维矢量场的集合，表示肢体的位置和方向（也代表了两个关键点的关联程度）。
方法
2.1Simultaneous Detection and Association（检测与关联）其实是介绍了整体的网络结构
表示网络。
为了引导网络不同的分支做不同的预测任务，使用不同的损失函数,如下所示。其中带上标*的是ground truth，带上标t的是不同阶段的预测值，p是每一个像素点，W(p)=0代表该点缺失标记，防止惩罚了true positive predictions(真阳性的预测)。每个阶段的中间监督通过定期补充梯度来解决消失的梯度问题。
（人体区域检测的置信图）
置信度图S*由ground truth的关键点生成，每一张置信度图是对特定关键点的2D表示（如果图像中只有一个人且关键点可见，则每个置信度图应存在单个峰值；若图像中有k个人，其中该关键点可见的有j个，比如j个脖子，则应该有 j 个峰值）。S的意义理解为对于图像属于关键点j的概率。
首先对第k个人产生部位j的置信度图。其中是图中第k个人部位j的位置，p是图像坐标，表示了峰值的蔓延程度，
总置信度图的计算公式为：
取最大置信度图而不是平均值，是为了峰值附近的精确度保持不同，如下图所示。在预测置信度图时通过非极大值抑制来获得身体关键点的候选区域。
非极大值抑制：假设有N个候选框，（1）将所有框的得分排序，选中最高分对应的框，（2）遍历其余的框，如果和当前最高分框的重叠面积(IOU)大于一定阈值，我们就将框删除。3）从未处理的框中继续选一个得分最高的，重复上述过程。。。以此来保留各个待检测的区域，最佳的检测框。
2.3 PAFs
已知关键点，如何形成未知人数的全身姿态？需要对每一种关键点的连接进行置信度的度量，图a是所有的连接候选；另一种方式是附加每对连接的中点，如图b，检查中点的发生率，这样错误率依然很高。错误的原因是：1.只编码位置信息，没有方向信息；2.将一个区域只用一个点去表示。
L可以理解为对于图像中肢体的单位向量表示。
在肢体上的点P满足下式（其实代表的就是P在肢体对应的矩形内）
其中是肢体的宽度，是肢体的长度，v-是垂直矢量。
点乘 又叫向量的内积、数量积，是一个向量和它在另一个向量上的投影的长度的乘积；是标量。点乘 反映着两个向量的“相似度”，两个向量越“相似”，它们的点乘 越大。
一张图像中肢体c的PAFs是(重叠处，多个人的同一肢体)所有人物进行平均得到（此情况很少出现）
Nc(P)是P点处所有非0向量的个数，即k个人重叠肢体在像素上的平均。
在测试时，通过预测出的PAFs沿着候选区域计算关键点之间的线积分，与肢体方向做对比，来表示这两个关键点连接后是肢体的可能性。具体的说，预测的两个关键点的位置是和，从预测出的PAFs中采样，Lc表示沿着线段求这两个关键点相关联的置信度。
其中p(u)是两个部位(关节点)和之间内插的位置。
在实践中，通过对u的均匀间隔采样来近似求积分。
2.3 多人的PAFs
对检测出来的置信度图执行非极大值抑制，获得离散的关键点位置候选集。由于图中有多人，对于每种关键点，有若干候选，因此有很多可能的肢体，如图6b所示。通过计算PAF上的线积分（公式10）评估每一个候选肢体。找到最优肢体是一个NP问题，在本文中使用一个贪心松弛策略（匈牙利算法？），使得每次都能产生高质量的匹配，其根据是：由于PAF网络的大感知场，成对关联分数隐含地编码了全局上下文。
c，找到最佳匹配，是最大权重二分图匹配问题：节点是候选集Dj，边的权值由公式10计算，二分图匹配选择最大权重的边，使得没有边共享节点（由公式13-14强制要求）。找最佳二分图匹配使用匈牙利算法。
当找到多人的全身姿势时，确定出Z是NP Hard问题并且存在许多松弛。专门针对这个领域，该论文增加了两个松弛：1.选择边最少的生成树来构造人体姿态骨架（不使用完全图），如图6c；2.将这个匹配问题进一步分解成一个个的子问题，独立地确定相邻树节点的匹配，如图6d。在3.1节展示了详细的比较结果，证明最小贪心推理可以近似全局最优解，而计算消耗却大大减少。原因在于相邻树节点之间的关系由PAF明确建模，在内部，非相邻节点之间的关系由CNN隐式建模。此属性的出现是因为：使用大型感知场训练CNN网络，而非相邻树节点的PAFs也影响预测的PAF。
通过这两个松弛策略，该优化目标为：
因此，我们独立地使用公式12-14获得每种肢体类型的肢体连接候选者。通过所有肢体连接候选，将共享相同关键点候选的连接组装成多人的全身姿势。树结构上的优化方案比完全连通图上的优化要快很多。
结果
在两个基准上评估：1.MPII human mutil-person dataset 2. COCO 2016 keypoints challenge dataset . 包含了不同场景、拥挤、遮挡、接触、比例变化。
3.1 MPII Multi-Person
使用参考论文22的工具包来测量基于PCKh阈值的所有身体部位的mAP.简单的说，准确率高，运行极快。
在全部测试集上，3种尺度（0.7,1,1.3），大大提高准确率。
表2.说明贪心策略可行，效率提高很多，且效果更好（收敛更快）。
3.2 COCO key points challenge
在此数据集上不是所有指标都最好，原因是该数据集人员突出，自上而下方法裁取单个人的变化尺度很小。自上而下的单人CPM（也是该团队的工作）有更好的指标。
3.3 运行时间分析
自顶向下的方法：人体检测+CPM，与该方法比较。本方法快。
原文：https://www.cnblogs.com/taoshiqian/p/9335525.html