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

• 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

（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

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

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

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

六、相关参考链接

1. DensePose论文链接：DensePose
2. DeepPose论文链接：DeepPose
3. Stacked Hourglass论文链接：Stacked Hourglass
4. SimpleBaseline3D论文链接：SimpleBaseline3D
5. VoxelPose论文链接：VoxelPose
6. VideoPose3D论文链接：VideoPose3D
7. MMPose中Dataloader位置：Dataloader
8. MMPose中Model位置：models
9. 项目地址：MMPose
10. MMPose官方中文文档：MMPose中文文档
11. 数据集的md文档：数据集文档
12. 参考视频教程：同济子豪兄MMPose代码实战
13. 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