可以帶來理想效果
人體姿態估計（Human Pose Estimation）是計算機視覺領域中的壹個重要研究方向，被廣泛應用於人體活動分析、人機交互以及視頻監視等方面。人體姿態估計是指通過計算機算法在圖像或視頻中定位人體關鍵點（如肩、肘、腕、髖膝、膝、踝等）。本文主要介紹近幾年深度學習興起後的人體姿態估計方法發展歷程。
二、人體姿態估計有什麽用？
（1）利用人體姿態進行摔倒檢測或用於增強安保和監控；
（2）用於健身、體育和舞蹈等教學；
（3）訓練機器人，讓機器人“學會”移動自己的關節；
（4）電影特效制作或交互遊戲中追蹤人體的運動。通過追蹤人體姿態的變化，實現虛擬人物與現實人物動作的融合與同步。
三、人體姿態估計算法評估指標
（1）OKS（Object Keypoint Similarity）
OKS是COCO姿態估計挑戰賽提出的評估指標，COCO Leaderboard 顯示Challenge18最高mAP最高為0.764。基於對象關鍵點相似度的mAP：
其中，di表示預測的關鍵點與ground truth之間的歐式距離；vi是ground truth的可見性標誌；s是目標尺度，等於該人在ground truth中的面積的平方根；ki控制衰減的每個關鍵點常量。
（2）PCK（Probability of Correct Keypoint）
MPII數據集的評估指標采用的是PCKh@0.5，目前MPII數據集PCKh最高為92.5。預測的關節點與其對應的真實關節點之間的歸壹化距離小於設定閾值，則認為關節點被正確預測，PCK即通過這種方法正確預測的關節點比例。
PCK@0.2表示以軀幹直徑作為參考，如果歸壹化後的距離大於閾值0.2，則認為預測正確。
PCKh@0.5表示以頭部長度作為參考，如果歸壹化後的距離大於閾值0.5，則認為預測正確。
（3）PCP（Percentage of Correct Parts）
如果兩個關節點的位置和真實肢體關鍵的距離達到至多壹半時的真實肢體長度，則認為關節點被正確預測，PCP即通過這種方法正確預測的關節點比例。
四、人體姿態估計算法發展歷程
2013年，Toshev等人將DeepPose引入人體姿態估計領域，人體姿態估計的研究開始從傳統方法轉向深度學習，下面將按時間順序總結6篇個人認為具有標誌性的工作。
（1）DeepPose（2014，Google）
Alexander Toshev和Christian Szegedy提出的DeepPose最早將CNN（卷積神經網絡）應用於人體關節點檢測。DeepPose將人體姿態估計轉換為關節點回歸問題，並提出了將CNN應用於人體關節點回歸的方法：使用整幅圖像輸入到7層CNN來做關節點回歸，更進壹步，使用級聯的CNN檢測器來增加關節點定位的精確度。