openpose的一些个人理解

一直都是在做一些目标检测的研究工作，近期开始看一些有关姿态检测的内容，其中最经典的就是openpose这个框架，后面很多动作识别、姿态检测也大多是在该网络上进行改进，比如Real-time 2D Multi-Person Pose Estimation on CPU 这篇论文，在原OpenPose基础上进行了轻量处理，我也用这代码跑了一下，效果也不错。

本篇文章就是在学习openpose这篇论文的一些个人理解，我会拿一些目标检测的做法去思考，有问题可以一起讨论。

首先目标检测不论是二阶段还是单阶段，都涉及两个问题，及分类问题和位置回归问题，分类回归其实是比较好解决的，通过CNN进行特征提取，最后一般用softmax进行输出可以知道是哪个类，但位置回归是比较复杂的，需要对真实框和预测框之间的偏移量不断的进行矫正、匹配，尤其是对一些小目标是不太友好的。那么在姿态检测中呢？在openpose中提到了heatmap(热力图)还有PAFs(部分亲和场)，对应到目标检测中，前者其实就是特征提取，后者就是位置回归(只不过这个回归是向量)，用PAFs获得人体部分关系。

openpose是一种自底向上的检测算法，先检测关键点，再检测人。自顶向下的算法，在人的数量较少，特别是对于单个的人，表现还可以，但如果人多了，那么效果就差了，而且速度也会慢，特别是人员有重叠或者没有检测到人，那就无法进一步检测关键点，

Openpose网络框架有两个分支，先将图像进行特征提取，然后送入第一个分支进行confidence map过程，热力图过程，类似目标检测中的分类问题。然后第二分支是获得2D向量集合，最后将两个部分进行结合得到最终的关键点。

 图中的F是通过VGG19网络进行提取的，提取出来的特征送入Branch1和Branch2两个分支，可以看到每个分支又有很多的Stage，每个Stage也是用不同的卷积进行提取特征。在Stage1中，两个分支输出的特征信息将会和VGG19输出的特征进行拼接(注意：这里是拼接，不是特征像素点的相加，如果你看源码，会看到用的cat函数，维度是1，表示通道维度上的拼接，再提一句，特征拼接需要特征尺寸相同)。所以在stage后面是三种特征的拼接

如下图就是论文中提到的，不同的分支提取不同的特征，然后两个分支进行关联就可以得到最终的结果。那么这个过程怎么做的，接下来将进一步讨论。

论文中说到：采用VGG19的前10层进行特征提取，得到一个特征集合F，将其作为每个分支的输入，得到集合和集合PAFs ，其实说的这个集合中的每个元素就是每个通道而已，每个通道得到了不同的信息。然后每个Stage过程如下面两个公式，即当前Stage是上一层的两个Stage输出的S和L再与VGG19输出特征拼接后再卷积。S可以理解为分类，L就是位置预测。

关于损失函数方面，论文中提到了采用L2 损失函数：

 L2 损失函数，包括L1损失函数，通常是用来度量两个特征之间的相似情况或者说是距离，预测值和真实值相差越远，损失函数就会越大，反之则会越小。上来的两个公式中，同理上面一个是分类，下面是位置损失。和表示的都是真实值，j指的是第几个关键点。而前面的W是一个mask，当没有P的时候令W为0，反之为1.这样也可以加快损失函数的收敛速度。

上面的两个式子是再每个阶段都有，然后再最终阶段进行的时候，会将所有Stage的loss进行求和

 关于confidence map检测部分：

对于每个人而言，预测点的位置应该是有一个峰值(就是heatmap看到的那一点)，而且是每个关键点处都有(在代码中就是每个通道一个峰值)。每个关键点得到S可以用以下式子表示，其中的x是我们的真实位置，j,k表示第k个人第j个点，如果我们的P值和x值越接近，那么两者的L2距离越小，越接近于0，那么此时S的值就会越接近于1，峰值则会越大。

 根据这些关键点的峰值，会选出一个最大的作为该关键点的confidence map(就像目标检测中，对于一个物体的预测会产生很多置信度，我们一般是选择最大的那一个作为我们的分类结果)，然后通过NMS(非极大值抑制，采用IOU)获得身体的候选部分(什么叫候选部分呢，在目标检测的二阶段算法中，有个RPN即候选区域，表示进过特征提取后在某一区域预测到了物体，但不会管这个区域中到底是猫还是狗，反正就是这个区域中有预测到目标)

得到我们想要的关键点是很容易的，只需要进过一些列的特征提取即可，接下来的问题是，得到这些关键点，如何判断这些关键点是属于一个人的呢？尤其是有多个人的时候，这些关键点怎么样不会分配错。这个匹配问题，需要大家先去看一个二分图匹配问题。

 (a)图就是一个二分图匹配问题，蓝色点和红色点各在一个集合中，从(a)图可以看到，这种二分图，错连接概率大，每个蓝点都和红点连接了，不太好把不同人分开；所以引入了图(b)，在每两个点(红和蓝色)中间加入黄色点，第一个人和第二个人不容易连接错，但第一个人和第三个容易连接错，因为中间那人的黄点处于两边人对角线距离(绿色线部分)，而图(c)是用论文中提出的PAFs方法了。

为了将各部分的进行一个关联，采用了2D向量

 还是拿论文中的图为例，比如在胳膊上有两个点，蓝色和红色点，然后任意取一点P，如果这个P还在胳膊上(当然也可能不在)，如果在，那么就令两个关键点之间为单位向量V(这样做是两点共线？表示关联性大)，如果不在就为0，说明两个点不共线。

然后对于上面的个人理解：在看下面这张图。我是这样理解的，对于第一个人来说，我检测到了两个点，然后我如何判断这两个点属于同一个人呢？那么我会随便取一个点P，如果这个P还在这个人身上，那么蓝色和红色点之间就为一个单位向量，表示两个点共线，反之，如果这个P不在这个人身上，比如取第一个人的蓝色点，取第二个人的红色点，然后取了一个P，这个P在第二个身上，所以直接让这两点直接为0就行，表示不共线，这样就区分开了。所以这就是亲和域吧，亲和应该指两点的关系程度，域指的是一个区域内，表示一个区域内的两点关联程度。