基于TensorFlow2.x的实时多人二维姿势估计是怎样的，相信很多没有经验的人对此束手无策，为此本文总结了问题出现的原因和解决方法，通过这篇文章希望你能解决这个问题。
正如Zhe Cao在其2017年的论文中所述，实时多人二维姿势估计对于机器理解图像和视频中的人至关重要。
顾名思义，它是一种用来估计一个人身体位置的技术，比如站着、坐着或躺下。获得这一估计值的一种方法是找到18个“身体关节”或人工智能领域中命名的“关键点(Key Points)”。下面的图像显示了我们的目标，即在图像中找到这些点：
关键点从0点（上颈部）向下延伸到身体关节，然后回到头部，最后是第17点（右耳）。
使用人工智能方法出现的第一个有意义的工作是DeepPose，2014年由谷歌的Toshev和Zegedy撰写的论文。提出了一种基于深度神经网络（DNNs）的人体姿势估计方法，该方法将人体姿势估计归结为一个基于DNN的人体关节回归问题。
该模型由一个AlexNet后端（7层）和一个额外的目标层，输出2k个关节坐标。这种方法的一个重要问题是，首先，模型应用程序必须检测到一个人（经典的对象检测）。因此，在图像上发现的每个人体必须分开处理，这大大增加了处理图像的时间。
这种方法被称为“自上而下”，因为首先要找到身体，然后从中找到与其相关联的关节。
姿势估计有几个问题，如：
每个图像可能包含未知数量的人，这些人可以出现在任何位置或比例。
人与人之间的相互作用会导致复杂的空间干扰，这是由于接触或肢体关节连接，使得关节的关联变得困难。
运行时的复杂性往往随着图像中的人数而增加，这使得实时性能成为一个挑战。
为了解决这些问题，一种更令人兴奋的方法是OpenPose，这是2016年由卡内基梅隆大学机器人研究所的ZheCao和他的同事们引入的。
OpenPose提出的方法使用一个非参数表示，称为部分亲和力场（PAFs）来“连接”图像上的每个身体关节，将它们与个人联系起来。
换句话说，OpenPose与DeepPose相反，首先在图像上找到所有关节，然后“向上”搜索最有可能包含该关节的身体，而不使用检测人的检测器（“自下而上”方法）。OpenPose可以找到图像上的关键点，而不管图像上有多少人。下面的图片是从ILSVRC和COCO研讨会2016上的OpenPose演示中检索到的，它让我们了解了这个过程。
下图显示了用于训练的两个多阶段CNN模型的结构。首先，前馈网络同时预测一组人体部位位置的二维置信度映射(关键点标注来自(dataset/COCO/annotations/)和一组二维的部分亲和力场(L)。
在每一个阶段之后，两个分支的预测以及图像特征被连接到下一个阶段。最后，利用贪婪的推理对置信图和相似域进行解析，输出图像中所有人的二维关键点。
在项目执行过程中，我们将回到其中一些概念进行澄清。但是，强烈建议你遵循2016年的OpenPose ILSVRC和COCO研讨会演示(http://image-net.org/challenges/talks/2016/Multi-person%20pose%20estimation-CMU.pdf)和CVPR 2017的视频录制(https://www.youtube.com/watch?v=OgQLDEAjAZ8&list=PLvsYSxrlO0Cl4J_fgMhj2ElVmGR5UWKpB)，以便更好地理解。
最初的OpenPose是使用基于模型的VGG预训练网络和Caffe框架开发的。但是，我们将遵循Ildoo Kim 的TensorFlow实现，详细介绍了他的tf-pose-estimation。
Github链接：https://github.com/ildoonet/tf-pose-estimation
tf-pose-estimation是一种“Openpose”算法，它是利用Tensorflow实现的。它还提供了几个变体，这些变体对网络结构进行了一些更改，以便在CPU或低功耗嵌入式设备上进行实时处理。
tf-pose-estimation的GitHub页面展示了几种不同模型的实验，如：
cmu：原论文中描述的基于模型的VGG预训练网络的权值是Caffe格式，将其转换并用于TensorFlow。
dsconv：除了mobilenet的深度可分离卷积之外，与cmu版本的架构相同。
mobilenet：基于mobilenet V1论文，使用12个卷积层作为特征提取层。
mobilenet v2：与mobilenet相似，但使用了它的改进版本。
本文的研究是在mobilenet V1（“mobilenet_thin”）上进行的，它在计算预算和延迟方面具有中等性能：
我们参考了Gunjan Seth的文章Pose Estimation with TensorFlow 2.0(https://medium.com/@gsethi2409/pose-estimation-with-tensorflow-2-0-a51162c095ba)。
转到终端并创建一个工作目录（例如，“Pose_Estimation”），并移动到那里：
mkdir Pose_Estimation cd Pose_Estimation
创建虚拟环境（例如，Tf2_Py37）
conda create --name Tf2_Py37 python=3.7.6 -y conda activate Tf2_Py37
安装TF2
pip install --upgrade pip pip install tensorflow
安装开发期间要使用的基本软件包：
conda install -c anaconda numpy conda install -c conda-forge matplotlib conda install -c conda-forge opencv
下载tf-pose-estimation：
git clone https://github.com/gsethi2409/tf-pose-estimation.git
转到tf-pose-estimation文件夹并安装requirements
cd tf-pose-estimation/ pip install -r requirements.txt
在下一步，安装SWIG，一个接口编译器，用C语言和C++编写的程序连接到Python等脚本语言。它通过在C/C++头文件中找到的声明来工作，并使用它们生成脚本语言需要访问底层C/C++代码的包装代码。
conda install swig
使用SWIG，构建C++库进行后处理。
cd tf_pose/pafprocess swig -python -c++ pafprocess.i && python3 setup.py build_ext --inplace
现在，安装tf-slim库，一个用于定义、训练和评估TensorFlow中复杂模型的轻量级库。
pip install git+https://github.com/adrianc-a/tf-slim.git@remove_contrib
就这样！现在，有必要进行一次快速测试。返回tf-pose-estimation主目录。
如果你按照顺序，你必须在 tf_pose/pafprocess内。否则，请使用适当的命令更改目录。
cd ../..
在tf-pose-estimation目录中有一个python脚本 run.py，让我们运行它，参数如下：
model=mobilenet_thin
resize=432x368（预处理时图像的大小）
image=./images/ski.jpg（图像目录内的示例图像）
python run.py --model=mobilenet_thin --resize=432x368 --image=./images/ski.jpg
请注意，在几秒钟内，不会发生任何事情，但大约一分钟后，终端应显示与下图类似的内容：
但是，更重要的是，图像将出现在独立的OpenCV窗口上：
太好了！这些图片证明了一切都是正确安装和运作良好的！我们将在下一节中详细介绍。
然而，为了快速解释这四幅图像的含义，左上角（“Result”）是绘制有原始图像的姿势检测骨架（在本例中，ski.jpg)作为背景。右上角的图像是一个“热图”，其中显示了“检测到的组件”（S），两个底部图像都显示了组件的关联（L）。“Result”是把S和L连接起来。
下一个测试是现场视频：
如果计算机只安装了一个摄像头，请使用：camera=0
python run_webcam.py --model=mobilenet_thin --resize=432x368 --camera=1
如果一切顺利，就会出现一个窗口，里面有一段真实的视频，就像下面的截图：
在本节中，我们将更深入地介绍我们的TensorFlow姿势估计实现。建议你按照这篇文章，试着复制Jupyter Notebook：10_Pose_Estimation_Images，可以从GitHub项目下载:https://github.com/Mjrovai/TF2_Pose_Estimation/blob/master/10_Pose_Estimation_Images.ipynb
作为参考，这个项目是在MacPro（2.9Hhz Quad-Core i7 16GB 2133Mhz RAM）上开发的。
import sys import time import logging import numpy as np import matplotlib.pyplot as plt import cv2 from tf_pose import common from tf_pose.estimator import TfPoseEstimator from tf_pose.networks import get_graph_path, model_wh
可以使用位于model/graph子目录中的模型，如mobilenet_v2_large或cmu（VGG pretrained model）。
对于cmu，*.pb文件在安装期间没有下载，因为它们很大。要使用它，请运行位于/cmu子目录中的bash脚本download.sh。
这个项目使用mobilenet_thin（MobilenetV1），考虑到所有使用的图像都应该被调整为432x368。
参数：
model='mobilenet_thin' resize='432x368' w, h = model_wh(resize)
创建估计器：
e = TfPoseEstimator(get_graph_path(model), target_size=(w, h))
为了便于分析，让我们加载一个简单的人体图像。OpenCV用于读取图像。图像存储为RGB，但在内部，OpenCV与BGR一起工作。使用OpenCV显示图像没有问题，因为在特定窗口上显示图像之前，它将从BGR转换为RGB（如所示ski.jpg上一节）。
一旦图像被打印到Jupyter单元上，Matplotlib将被用来代替OpenCV。因此，在显示之前，需要对图像进行转换，如下所示：
image_path = ‘./images/human.png’ image = cv2.imread(image_path) image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB) plt.imshow(image) plt.grid();
请注意，此图像的形状为567x567。OpenCV读取图像时，自动将其转换为数组，其中每个值从0到255，其中0表示“白色”，255表示“黑色”。
一旦图像是一个数组，就很容易使用shape验证其大小：
image.shape
结果将是（567567，3），其中形状是（宽度、高度、颜色通道）。
尽管可以使用OpenCV读取图像，但我们将使用tf_pose.common库中的函数read_imgfile(image_path) 以防止颜色通道出现任何问题。
image = common.read_imgfile(image_path, None, None)
一旦我们将图像作为一个数组，我们就可以将方法推理应用到估计器（estimator， e）中，将图像数组作为输入
humans = e.inference(image, resize_to_default=(w > 0 and h > 0), upsample_size=4.0)
运行上述命令后，让我们检查数组e.heatmap。该阵列的形状为（184，216，19），其中184为h/2，216为w/2，19与特定像素属于18个关节（0到17）+1（18:none）中的一个的概率有关。例如，检查左上角像素时，应出现“none”：
可以验证此数组的最后一个值
这是最大的值；可以理解的是，在99.6%的概率下，这个像素不属于18个关节中的任何一个。
让我们试着找出颈部的底部（肩膀之间的中点）。它位于原始图片的中间宽度（0.5*w=108）和高度的20%左右，从上/下（0.2*h=37）开始。所以，让我们检查一下这个特定的像素：
很容易意识到位置1的最大值为0.7059…（或通过计算e.heatMat[37][108].max()），这意味着特定像素有70%的概率成为“颈部”。下图显示了所有18个COCO关键点（或“身体关节”），显示“1”对应于“颈部底部”。
可以为每个像素绘制，一种代表其最大值的颜色。这样一来，一张显示关键点的热图就会神奇地出现：
max_prob = np.amax(e.heatMat[:, :, :-1], axis=2) plt.imshow(max_prob) plt.grid();
我们现在在调整后的原始图像上绘制关键点：
plt.figure(figsize=(15,8)) bgimg = cv2.cvtColor(image.astype(np.uint8), cv2.COLOR_BGR2RGB) bgimg = cv2.resize(bgimg, (e.heatMat.shape[1], e.heatMat.shape[0]), interpolation=cv2.INTER_AREA) plt.imshow(bgimg, alpha=0.5) plt.imshow(max_prob, alpha=0.5) plt.colorbar() plt.grid();
因此，可以在图像上看到关键点，因为color bar上显示的值意味着：如果黄色更深就有更高的概率。
为了得到L，即关键点（或“关节”）之间最可能的连接（或“骨骼”），我们可以使用e.pafMat的结果数组。其形状为（184，216，38），其中38（2x19）与该像素与18个特定关节+none中的一个作为水平(x)或垂直(y)连接的一部分的概率有关。
绘制上述图表的函数在Notebook中。
使用e.inference()方法的结果传递给列表human，可以使用draw_human方法绘制骨架：
image = TfPoseEstimator.draw_humans(image, humans, imgcopy=False)
结果如下图：
如果需要的话，可以只绘制骨架，如下所示（让我们重新运行所有代码进行回顾）：
image = common.read_imgfile(image_path, None, None) humans = e.inference(image, resize_to_default=(w > 0 and h > 0), upsample_size=4.0) black_background = np.zeros(image.shape) skeleton = TfPoseEstimator.draw_humans(black_background, humans, imgcopy=False) plt.figure(figsize=(15,8)) plt.imshow(skeleton); plt.grid(); plt.axis(‘off’);
姿势估计可用于机器人、游戏或医学等一系列应用。为此，从图像中获取物理关键点坐标以供其他应用程序使用可能很有趣。
查看e.inference()生成的human列表，可以验证它是一个包含单个元素、字符串的列表。在这个字符串中，每个关键点都以其相对坐标和相关概率出现。例如，对于目前使用的人像，我们有：
例如：
BodyPart:0-(0.49, 0.09) score=0.79 BodyPart:1-(0.49, 0.20) score=0.75 ... BodyPart:17-(0.53, 0.09) score=0.73
我们可以从该列表中提取一个数组（大小为18），其中包含与原始图像形状相关的实际坐标：
keypoints = str(str(str(humans[0]).split('BodyPart:')[1:]).split('-')).split(' score=')
keypts_array = np.array(keypoints_list)
keypts_array = keypts_array*(image.shape[1],image.shape[0])
keypts_array = keypts_array.astype(int)让我们在原始图像上绘制这个数组（数组的索引是 key point）。结果如下：
plt.figure(figsize=(10,10)) plt.axis([0, image.shape[1], 0, image.shape[0]]) plt.scatter(*zip(*keypts_array), s=200, color='orange', alpha=0.6) img = cv2.cvtColor(image, cv2.COLOR_BGR2RGB) plt.imshow(img) ax=plt.gca() ax.set_ylim(ax.get_ylim()[::-1]) ax.xaxis.tick_top() plt.grid(); for i, txt in enumerate(keypts_array): ax.annotate(i, (keypts_array[i][0]-5, keypts_array[i][1]+5)
Notebook显示了迄今为止开发的所有代码，“encapsulated”为函数。例如，让我们看看另一幅图像：
image_path = '../images/einstein_oxford.jpg' img, hum = get_human_pose(image_path) keypoints = show_keypoints(img, hum, color='orange')
img, hum = get_human_pose(image_path, showBG=False) keypoints = show_keypoints(img, hum, color='white', showBG=False)
到目前为止，只研究了包含一个人的图像。一旦开发出从图像中同时捕捉所有关节（S）和PAF（L）的算法，为了简单起见我们找到最可能的连接。因此，获取结果的代码是相同的；例如，只有当我们得到结果（“human”）时，列表的大小将与图像中的人数相匹配。
例如，让我们使用一个有五个人的图像：
image_path = './images/ski.jpg' img, hum = get_human_pose(image_path) plot_img(img, axis=False)
算法发现所有的S和L都与这5个人联系在一起。结果很好！
从读取图像路径到绘制结果，所有过程都不到0.5秒，与图像中发现的人数无关。
让我们把它复杂化，让我们看到一个画面，人们更“混合”地在一起跳舞：
image_path = '../images/figure-836178_1920.jpg img, hum = get_human_pose(image_path) plot_img(img, axis=False)
结果似乎也很好。我们只绘制关键点，每个人都有不同的颜色：
plt.figure(figsize=(10,10))
plt.axis([0, img.shape[1], 0, img.shape[0]])
plt.scatter(*zip(*keypoints_1), s=200, color='green', alpha=0.6)
plt.scatter(*zip(*keypoints_2), s=200, color='yellow', alpha=0.6)
ax=plt.gca()
ax.set_ylim(ax.get_ylim()[::-1])
ax.xaxis.tick_top()
plt.title('Keypoints of all humans detected\n')
plt.grid();
在视频中获取姿势估计的过程与我们对图像的处理相同，因为视频可以被视为一系列图像（帧）。建议你按照本节内容，尝试复制Jupyter Notebook:20_Pose_Estimation_Video:https://github.com/Mjrovai/TF2_Pose_Estimation/blob/master/20_Pose_Estimation_Video.ipynb。
OpenCV在处理视频方面做得非常出色。
因此，让我们获取一个.mp4视频，并使用OpenCV捕获其帧：
video_path = '../videos/dance.mp4 cap = cv2.VideoCapture(video_path)
现在让我们创建一个循环来捕获每一帧。有了这个框架，我们将应用e.inference()，然后根据结果绘制骨架，就像我们对图像所做的那样。最后还包括了一个代码，当按下一个键（例如“q”）时停止视频播放。
以下是必要的代码：
fps_time = 0
while True:
ret_val, image = cap.read()
humans = e.inference(image,
resize_to_default=(w > 0 and h > 0),
upsample_size=4.0)
if not showBG:
image = np.zeros(image.shape)
image = TfPoseEstimator.draw_humans(image, humans, imgcopy=False)
cv2.putText(image, "FPS: %f" % (1.0 / (time.time() - fps_time)), (10, 10),
cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2)
cv2.imshow('tf-pose-estimation result', image)
fps_time = time.time()
if cv2.waitKey(1) & 0xFF == ord('q'):
break
cap.release()
cv2.destroyAllWindows()
结果很好，但是有点慢。这部电影最初的帧数为每秒30帧，将在“慢摄影机”中运行，大约每秒3帧。
建议你按照本节内容，尝试复制Jupyter Notebook：30_Pose_Estimation_Camera(https://github.com/Mjrovai/TF2_Pose_Estimation/blob/master/30_Pose_Estimation_Camera.ipynb)。
运行实时摄像机所需的代码与视频所用的代码几乎相同，只是OpenCV videoCapture()方法将接收一个整数作为输入参数，该整数表示实际使用的摄像机。例如，内部摄影机使用“0”和外部摄影机“1”。此外，相机也应设置为捕捉模型使用的“432x368”帧。
参数初始化：
camera = 1 resize = '432x368' # 处理图像之前调整图像大小 resize_out_ratio = 4.0 # 在热图进行后期处理之前调整其大小 model = 'mobilenet_thin' show_process = False tensorrt = False # for tensorrt process cam = cv2.VideoCapture(camera) cam.set(3, w) cam.set(4, h)
代码的循环部分应与视频中使用的非常相似：
while True:
ret_val, image = cam.read()
humans = e.inference(image,
resize_to_default=(w > 0 and h > 0),
upsample_size=resize_out_ratio)
image = TfPoseEstimator.draw_humans(image, humans, imgcopy=False)
cv2.putText(image, "FPS: %f" % (1.0 / (time.time() - fps_time)), (10, 10),
cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2)
cv2.imshow('tf-pose-estimation result', image)
fps_time = time.time()
if cv2.waitKey(1) & 0xFF == ord('q'):
break
cam.release()
cv2.destroyAllWindows()
同样，当使用该算法时，30 FPS的标准视频捕获降低约到10%。
看完上述内容，你们掌握基于TensorFlow2.x的实时多人二维姿势估计是怎样的的方法了吗？如果还想学到更多技能或想了解更多相关内容，欢迎关注亿速云行业资讯频道，感谢各位的阅读！
免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：is@yisu.com进行举报，并提供相关证据，一经查实，将立刻删除涉嫌侵权内容。
