文章目录
- 1. 人体姿态估计的介绍和应用
- 2-1. 2D姿态估计概述
- 2-2. 2D姿态估计详细说明
- 3. 3D姿态估计
- 4. 人体姿态估计的评估方法/指标
- 5. DensePose（人体表面参数化）
- 6. 人体参数化模型
- 7. 课程总结
视频链接：B站-人体关键点检测与MMPose
1. 人体姿态估计的介绍和应用
关键点提取，属于模式识别
人体姿态估计的下游任务：行为识别（比如：拥抱。。）
下游任务：CG和动画，这个是最常见的应用
下游任务：人机交互（手势识别，依据收拾做出不同的响应，比如：HoloLens会对五指手势（3D）做出不同的反应）
2-1. 2D姿态估计概述
包括：
- 自顶向下方法
- 自底向上方法
- 单阶段方法
- 基于Transformer的方法
2.1 任务描述
2D人体姿态估计的任务：
- 输入：一张包含人体的图像
- 输出：人体关键点（主要关节）的坐标（2D的）
注意，这里的输出是固定对应（预定义的）18个关节的坐标，就是要找这18个位置的坐标
2.2 基于回归
使用深度学习的模型直接回归坐标有些困难，精度不是最优（效果不好）
2.3 基于热力图
另一种思路是：不直接回归关键点的坐标，而是预测关键点位于每个位置的概率。
- 比如肩的热力图（越靠近肩膀的预定义的关键点，概率越高，颜色逐渐从黄色变成红色）
- 18个关键点，对应18个热力图
基于热力图天然符合神经网络的卷积算子（对每个像素都进行计算，得到每个像素的概率）
2.3.1 从数据标注生成热力图（高斯函数）
如果想要使用基于热力图的方式，那么首先要根据已有的标注数据生成热力图。
- 预定义的关键点附近区域的概率其实符合这一事实：
- 越靠近预定义的关键点，概率越高，如上图，颜色逐渐从黄色变成红色
- 假设上面这个热力图区域是个圆形，那么任意一个直径作为
轴(距离预定义关键点的距离作为自变量)，是关键点的概率作为
轴（因变量），则可以用高斯函数来描述
- 所以这里是假设关键点区域的热力图符合高斯分布，来生成热力图（概率图），来进行训练。
- 所以这里说热力图的尺寸，即作为控制高斯函数图像钟的宽度的
参数，也就是控制热力图区域大小
复习一下高斯函数（红色线代表标准正态分布）：
高斯函数是正态分布的密度函数，下图的红色是标准正态分布
可以直接看：
- 中文wiki百科-高斯函数
- 中文wiki百科-正态分布
- 打不开上面这个看下面转载的这个，旧了点，但是意思差不多：高斯分布（Gaussian distribution）/正态分布（Normal distribution）
2.3.2 使用热力图训练模型
- 这里其实是一个2D的高斯函数，
其实就对应上面高斯函数图像的最高点
- 即，真值热力图的构建函数需要满足：距离关键点越近，概率越大，所以高斯函数天然满足这个性质
- 除此之外，其实只要是类似钟形都可以，下面这个抛物线函数，还有我随便造的一个绝对值函数，其实都满足这个条件（但是概率取值范围[0,1]需要进一步处理一下才行）
2.3.3 从热力图还原关键点
- 最直接的办法就是求最大概率（热力图最大值）对应的位置的坐标，
- 按照生成真值热力图的方式来倒推，是很合理的方式
- 但这是基于：预测的热力图符合高斯函数，这一假设下的推论
- 实际上，可能预测的热力图形状不会那么规整，可能会有多个最大值，所以直接求1个最大值这种方式不够鲁棒
- 先对热力图的概率进行归一化（对概率用softmax，输出的还是概率），用归一化后的概率计算位置的期望
- 期望就是平均值，在1D的高斯函数图像中，高斯函数的最高点，对应的
- 可能不一定能取到最高点，但是能取到”重心”，这样利用了整个热力图的概率，相对于上面只看热力图的最大概率，就会比较鲁棒，
这种计算方式还有很好的一个性质：
- 可以进行端到端的训练，还原关键点的方式的公式，是可以求导的，所以能和整个训练过程串起来。
- 比如，一开始训练的时候，网络初始化时，使用的是随机数作为关键点来生成初始预测热力图，第一轮训练完成后，得到生成的热力图，就可以得到一个矫正过的关键点，以此来作为第二轮使用的热力图的初始值，继续迭代。
- ❓❓❓但是上面优化的时候只使用热力图的loss， 但是真实关键点和预测关键点也都可以拿到，关键点的loss其实也可以加上去。两种损失一起会更好吗？？
2.4 自顶向下
最直观的一种方式（自顶向下）：
- 先目标检测，得到每个人（检测器的精度需要保证）
- 再对每个人进行 单人姿态估计
模型串联的坏处，
- 姿态估计结果会过分依赖人体目标检测的结果
- 速度和计算量和画面中的人数成正比
2.5 自底向上
优点：
- 推理速度和画面中的人数无关
- 关键点多，则检测速度肯定也会慢一些。但不会像自顶向下方法一样与人数成正比，人数越多的时候，自底向上比自顶向下方法快的越明显）
- 聚类耗时肯定是和人数成正比的
2.6 单阶段方法
2-2. 2D姿态估计详细说明
2.1 基于回归的自顶向下方法
2.1.1 经典方法
- 如果是人体姿态估计的话，就是18个关键点的坐标，在2D场景下，也就是要预测36个数字。。。（回归36个数字，可比分类36个类要难，目标检测里也有回归box四个坐标的方法）
- 原始论文是用AlexNet主干+回归头做的，主干（backbone）也可以换成ResNet等结构
- 第一级，输入：全身图像
- 第二级，输入：第一步预测点为中心的裁剪后的局部区域
类似医疗影像分割里的级联：
- 第一级，输入：医疗影像
- 第二级，输入：医疗影像+第一级得到的概率图
优势：
- 回归模型理论上可以达到无限精度，热力图方法的精度受限于特征图的空间分辨率（也不一定，加个期望上去有时候也可以突破这个限制）
- 回归模型不需要维持高分辨率特征图，计算更高效。相比之下，热力图方法的特征图的size不能低于热力图的size，所以热力图方法确实要计算和存储高分辨率特征图，计算成本（硬件要求）更高
劣势：
- 图像到关键点坐标的映射是高度非线性的，导致直接回归坐标，比通过热力图（概率）得到坐标更难，同时回归方法的精度也低于热力图，因此DeepPose提出之后很长一段时间，2D关键点预测算法主要都是基于热力图的。
2.1.2 基于最大似然估计的改进（RLE）
之前的基于回归方法的姿态估计，
- 损失函数为：真实关键点位置
与模型预测关键点位置
的误差作为损失
- 这背后隐含了高斯分布的假设，即：预测点距离关键点越近，就越好，因此以关键点为圆心，相同半径圆周上的点作为预测点，其误差都是一样的。即:认为预测点分布在真实点形成的一个圆形里。
- 但是实际上，人体的关节有不同的形状如下图：踝关节，红色是关键点，蓝色围成的区域就是分布，不是个圆形，不是只靠一个方向的距离就可以衡量误差的（每个方向距离引起的误差在损失函数中权重应该是不同的）：
另外，下面这篇文章创新点的部分，要先去看下面的背景知识，看完就基本就懂这个创新点了。
- 模型给出基础分布的参数
- RLE模块基于标准化流，给出位置的分布
论文就直接在MMPose里找了，这里Topdown Regression + Mobilenetv2 + Rle on Coco
论文arxiv链接：Human Pose Regression with Residual Log-likelihood Estimation
2.1.2 背景知识-回归和最大似然估计的联系
- 关于二范数(L2-norm损失函数)这个名词，可以看看：区分混淆概念之L2范数，L2范数损失，L2损失，均方误差
- 如上面的右图，使用二范数（最小二乘误差/最小平方误差）进行回归
- 其实隐含了 关键点位置 符合 固定方差的各向同性的高斯分布 的假设，但是实际上，在真实的人体关节，关键点的位置并不一定符合高斯分布
- 因此RLE的关键在于：
- 将简单的高斯分布替换为一个可学习的、表达能力更强的分布（用在损失函数上），来更好指导模型学习真实的关键点位置分布。
- 因为基于高斯分布假设的回归误差，和高斯似然下的最大似然估计是等价的
- 注意，这里的二范数误差回归的各向同性高斯分布，是基于回归的方法用在损失函数上的；但是原理和基于热力图的方法里，使用标注关键点生成热力图的思想是类似的。
2.1.2 背景知识-标准化流Normalizing Flow
标准化流Normalizing Flow：
- 一种生成建模方法，通过一系列可学习的可逆的映射(
是学习出来的，同时要满足是可逆的)，将标准分布的随机变量映射成复杂分布的随机变量，可用于建模复杂的概率分布
是标准分布，解析式已知，可以计算其导数等性质
- 后面所有对
进行的变换
- 由于
- det：是行列式（Determinant）的缩写，表示计算一个矩阵的行列式,不记得的可以看看：
- 这样乘法
就变成了加法
（这个latex语法是’\prod’，product是乘积的意思）,
- 注意，后面的det外面还套了个
-1，因此就变成了
- 全体参数
，latex-
\Phi
概率分布受到构建该分布的神经网络
的全体参数
控制
- 可以通过梯度下降优化
映射的函数形式，让这个计算变简单。
- RLE论文使用的标准化流模型是RealNVP
2.1.2 RLE的整体设计
- 重（chong）参数化
- 残差似然函数
- 例如：所有一元正态分布
构成位置尺度族，基础分布为标准正态分布。
对标准正态分布进行平移缩放，就可以得到任意其他的一元正态分布。 - 重参数化的思想，有点像，卷积层的参数共享（卷积核/模板参数共享），都是为了减少参数，所以公用了一部分参数
所以整体就是：
- 标准化流拟合基础分布
- 卷积网络预测平移缩放参数
- 即上图右下侧的示意图
❓❓❓
推理阶段，则只需要卷积网络预测的平移（❓为什么不考虑缩放）参数，❓不用推理标准化流
2.2 基于热力图的自顶向下方法
2.2.1 Hourglass论文地址（2016年）
MMPose中这个网络的位置：
2.2.2 Hourglass模型
- 设计思路：准确的姿态估计需要结合不同尺度的信息
- 局部信息→检测不同的身体组件（不同部位的关键点）
- 全局信息→建模组件之间的关系，在大尺度变形、遮挡时也可以准确推断出姿态
上图的网络结构中，
- 每个立方体都是一个残差模块，大小表示特征图的尺寸
- 每个尺度，都有自己的残差
- 对于上图蓝色框的小尺度局部，其实只要给一个输入包含手臂的一个尺度的局部，其实就可以判断出来是什么，黄色框同理，
- 不同尺度，看到的信息不一样，不同的尺度就可以得出不同的结论（甚至有些小尺度没有效的结论，或者某些特定尺度才能看到有效信息）
- 上图蓝色部分就是这个模块输出的热力图，蓝色右边的就是真值
- 虚线的曲线括住的部分就是一层Hourglass模块，一般会有8层。。
也就是：每一级模块都可以分别进行损失函数的优化。
- HG堆叠，也就是这个论文主推的方法，8个Hourglass模块堆在一起，每个模块输出的热力图都和真值比较（短模块级联+每层模块都添加监督信号）
- HG堆叠，但是只对最后输出的热力图和真值比较
- 不进行级联，只有HG堆叠中一层Hourglass模块
- Hourglass特征提取部分变大了（long hourglass），这个要去论文里看具体的
- 类似4，在中间添加了监督
蓝色和绿色最好，说明在中间添加监督信号是更有效的，但是级联和long hourglass的效果最后看起来似乎没有差很多
2.2.3 Simple Baseline（2018年）
MMPose中这个网络的位置
2.2.4 HRNet(2019)
位于MMPose的这里，链接
论文链接：Deep High-Resolution Representation Learning for Human Pose Estimation
可以看看这个讲解：陀飞轮-一文读懂HRNet
- 下采样时通过保留原分辨率分支，来保持网络全过程特征图的高分辨率与空间信息位置
- 设计了独特的网络结构实现不同分辨率的多尺度特征融合
- 对于右图，第二列最下面最小的橙红色分辨率特征图，其实是来自前一层三种不同尺度的分辨率（三个虚线箭头），同理，其实第二层的所有不同尺度的分辨率特征图，都是从前一层的三个尺度里得到的。
- 橙红色就是上面说的跨层的额外融合输出，其余三个都是对应各自那个级别的分辨率
- 第一列分辨率(x) = 第二列分辨率( r) 的特征图，直接相等。
- 第一列分辨率(x) > 第二列分辨率( r) 的特征图，
将输入的
经过
次stride为2的
卷积。
，stride为2，也就是每次卷积特征图size小1，经过r-x次，就刚好可以得到输出特征图为x的尺寸了
- 第一列分辨率(x) < 第二列分辨率( r) 的特征图，使用双线性插值进行上采样，再用1X1卷积对齐通道数。
2.3 基于热力图的自底向上的方法
2.3.1 Part Affinity Fields & OpenPose(2016)
MMPose中这个网络的位置，没有找到这个文章
- 关键点就是图里的顶点，关键点之间的亲和度就是顶点连线的权重，构建出了一个带权的图（特殊的图，是K部图）
- 通过对图进行建模，就把关键点的聚类问题转换成K部图最优匹配的问题
2.4 单阶段方法
2.4.1 SPM（2019）
目前在MMPose中也没看到这个网络
- 目标检测是回归中心点和一个向量（主对角线）
- 这里是回归关键点，以及多个方向向量
- SPR会学习根关节的位置，其他关键点相对于根关键点的方向（
）
- 这样的弊端就是：如果有较大的姿势变形，涉及身体关节和根关节之间的远距离位移，就会给从图像表示映射到矢量域的位移估计带来困难
- （和上面的那个亲和度差不多），只要是单纯只使用方向向量的，都会产生这个问题
- 第一级：根关节（自由度最低，基本不会变形）
- 第二级：颈、肩、臀（这些关节由于在人体的位置和构造，肩颈的活动范围有限。基本也不会有太大的位移）
- 第三级：手、肘、膝（会有些大的位移和形变）
- 第四级：手腕、脚踝（距离根关节最远，四肢还最灵活，形变程度和位移都最大）
- 置信回归分支，回归关节的热力图
- 额外延伸的一个位移回归分治，估计身体关节位移图（相对于根节点的其他18个关键点的位移）
- 根节点以热力图形式，进行概率回归
- 身体节点位移（方向向量）回归，通过对每个节点构建稠密的位移图，并规定位移量在一定的范围内（亲和度根据真值生成肢体方向的真值时，也是会规定关节之间的范围）后，对所有非零量取平均得到
是根关节置信度的L1 loss，
是位移图的L2 loss
说明确定根关节的位置更重要。。。根关节确定后，位移图才有正确的可能
- 这个值的取法是有技巧的，可以思考一下
2.5 基于Transformer的方法
2.5.1 PRTR（2021）-两阶段算法（基于回归的）
MMPose的网络里没有
- DETR中query通过注意力机制逐渐聚焦到特定物体上
- 类似的，姿态估计中也可以让query逐渐聚焦到特定人体关键点上
- DETR先检测出人体
- 同样使用DETR结构，只是此时query的不是人体的位置，而是关键点的信息，并最终回归关键点的位置
- 结构是是类似的，都是有个backbone+位置嵌入，然后Transformer的Encoder和decoder，
- 上面人体检测得到的是人体特征，是bounding box回归（中心点+方向，或者左上点坐标+高宽），
- 下面是关键点特征，是关键点回归
- 另外，这里有个Crop，就是从完整特征图中裁剪出单人对应的图像特征，用于后续关键点检测
- 设计了Spatial Transformer Network（STN）模块，从完整特征图中裁剪出单人对应的图像特征，用于后续关键点检测
- 则关键点检测部分的backbone网络，就不用做重复训练了。
2.5.2 TokenPose（2021）（基于热力图的）
2.6 2D姿态估计小结
3. 3D姿态估计
3.1 任务描述
- 这里对3D的描述是相对的，给的如果是2D图，去生成3D本来也不太合适。。
- 并没有准确的深度信息
难点，如何从2D恢复3D信息
方式1：直接预测
- 直接从2D图像回归3D坐标，但是2D图像不包含深度，这是一个病态问题。
- 实际上可以借助语义特征（人体是有一个先验知识的），并且人体是刚性的来实现3D姿态的推理
- 对于一张2D图像，由于人体是先验且刚性的（可以理解为有个模板，同时这个模板不会发生太大的改变），人体的厚度/深度其实是一个可以推断的信息
方式2，利用视频信息
- 直接从2D推理到3D，可能会有病态的问题（生成的结果看起来不符合人体结构）
- 借助视频的帧间信息辅助判断，两帧视频之间，人体姿态并不会发生特别大的变化，
- 上面的原图（动态图）来自：https://dariopavllo.github.io/VideoPose3D/#demo
方式3：利用多视角图像
直接运用同一对象的多视角拍摄的图像来预测和还原出3D信息（2D图像生成3D模型）
3.2 方法介绍
3.2.1 Coarse-to-Fine Volumetric Prediction 2017
粗粒度到细粒度，体数据预测？？
论文地址：Coarse-to-Fine Volumetric Prediction for Single-Image 3D Human Pose
注意，这里输出的就是一个3D的热力图了（Volume 一般指体数据，3D数据）
采用的是Hourglass级联，深度信息每次逐渐加深，8个Hourglass对应的输出的3D热力图的级联部分的深度大小依次为：{1,2,4,8,16,32,64}，（，7个输出），最后一个Hourglass没有级联了，就是自己最后的输出，也是64
3.2.2 Simple Baseline 3D（2017）
直接用2D坐标预测3D坐标就可以取得比较好的效果，不需要借助图像
- 输入就是归一化的2D坐标，输出就是归一化的3D坐标，不需要使用图像信息。。用的网络也很简单，基本都是全连接层，用了一些防止过拟合的手段。。
- Amazing😗😗😗！
- 单纯依靠2D坐标去得出3D姿态估计，其实这里面肯定会存在一些病态问题，比如右脚是前翘还是后翘，
- 病态问题：指输出结果对输入数据非常敏感的数值分析问题. 对一个数值分析问题, 如果输入数据有微小误差,引起问题解的相对误差很大, 那么称这个问题为病态问题. 一般而言, 病态问题是指条件数很大的数值分析问题.
3.2.3 VideoPose3D
- 上面的原图（动态图）来自：https://dariopavllo.github.io/VideoPose3D/#demo
基本思路：
- 单帧图像预测2D关键点，再基于多帧的2D关键点的结果预测3D关键点的位置
- 单帧算3D可能会有病态（直接从2D图预测3D坐标会有病态问题），但是帧数多了之后，就会一定程度上消除病态性
3.2.4 VoxelPose(2020)
输入是多视角图像，中间就会利用多视角所来源的相机，根据相机参数来进行3D模型的建立。
4. 人体姿态估计的评估方法/指标
PCP-以肢体检出率为评价指标，算上头其实一共是9个肢体
PDJ-以关节点的位置精度作为评价指标，可以获得不同级别的定位精度的检测率，用比例定义距离
PCK-以关键点的检测精度作为评价指标，不是靠距离比例，直接设定一个距离阈值（设定的时候也可以根据比例去设置，这样设置最简单，没有什么特殊缘由），2D和3D里都可以用这个指标
略微有些复杂，如果想要这页ppt的文字表述，可以看看这位兄弟的MMPose学习笔记1，我真的懒得打字了。
5. DensePose（人体表面参数化）
3D网格构建，属于渲染的内容了（使用计算机图形学的传统表示+深度学习的优化方法，挺好）
上面的两个肩膀是动图，来自：blender.stackexchange.com-Shoulder deformations
6. 人体参数化模型
6.1 SMPL（人体参数化模型）-2015
论文：SMPL: A Skinned Multi-Person Linear Model
主页：https://smpl.is.tue.mpg.de/
人体生成3D动画，人穿着特定设备，做动作，生成相应动作的3D动画人物模型，电影动画感觉用得到很多。
课件里的视频来源是这里：https://smpl.is.tue.mpg.de/
6.2 SMPLify
论文：Keep it SMPL: Automatic Estimation of 3D Human Pose and Shape from a Single Image，和上面那个论文有一个共同的作者：Michael J. Black
人体参数化模型可以得到关键点（人体姿态估计），但是更进一步，它的目标其实是直接生成人体的3D mesh，人体姿态估计是这个模型的中间产物，不是最终目的。
穿模，比如：手本来应该插兜，结果插到肚子里了
把人体建模成类似胶囊组合的形状
上面说的三种约束，等的进一步数学推导，
6.3 HMR
论文：End-to-end Recovery of Human Shape and Pose
和上面两篇一样，都有共同的作者（应该是一个实验室的成果）
这种求解方式可以适用于，只有2D标注的情况，如果有3D点云数据肯定更好
7. 课程总结
文章出处登录后可见！
