SimplePointPose: 用于人体姿态估计和跟踪的简洁基准

matlab人体姿态估计的代码是用于人体姿势估计和跟踪的基准模型。我们的新项目已在上线，其中包括HRNet在多种视觉任务中的应用。最佳单个HRNet在COCO test-dev2017数据集上获得77.0的AP，在MPII测试集上获得92.3%的PCKh@0.5。我们的新存储库还支持SimpleBaseline方法，欢迎您尝试。此存储库的条目在相关竞赛中取得了显著成绩，是的官方pytorch实现。这项工作提供了令人惊叹的简单有效的基准方法，可激发和评估新的研究方向。我们在COCO关键点检测数据集上的最佳单一模型达到了74.3的mAP。所有模型均可供研究使用。

介绍了一种基于自监督学习的3D人体姿态估计方法，该方法利用单目视频帧序列进行3D姿态生成，并采用自监督校正机制，通过保持3D几何一致性来增强模型性能。该方法的核心部分使用C++实现，并由深度学习工具箱Caffe提供支持。在Human3.6M、KTH Football II和MPII数据集上进行的实验结果表明，该方法具有良好的性能表现。

提供了ICCV 2017年会上关于PyraNet用于人体姿势估计的培训和测试Matlab代码。感谢杨伟、李爽、欧阳万里、李洪生和王小刚的贡献。安装依赖项：luarocks install hdf5、luarocks install matio、luarocks install optnet（可选）、luarocks install nccl（建议用于多GPU训练）。确保在使用多GPU训练时设置LD_LIBRARY_PATH以指向libnccl.so文件。数据集准备：创建符号链接指向MPII数据集的图像目录：ln -s PATH_TO_MPII_IMAGES_DIR data/mpii/images；创建符号链接指向LSP数据集的图像目录：ln -s PATH_TO_LSP_DIR data。

该程序利用卡尔曼滤波算法，实现了对运动目标的跟踪功能。适用于目标运动轨迹符合线性模型，且过程和观测噪声符合高斯分布的场景。

该程序算法思想实现了基于视频的人体识别与跟踪，适用于安防监控产品的开发。

MatLAB代码被用于处理移动平面机器人上仰视摄像机捕获的视频，以估计机器人在环境中不同气球（地标）的姿态和位置。当前实现基于SURF特征的相似性变换来计算视觉里程计，尽管存在累积误差和不同亮度条件下的挑战。HSV颜色空间被用于帮助准确找到地标的位置。

DNT是一个用于视觉跟踪的双深度网络的代码库，该代码库发表在IEEE图像处理事务中。您可以使用该代码库来重现DNT论文中的实验结果。 操作系统: 代码已在64位Arch Linux操作系统上测试，也应该能在其他Linux发行版上运行。 依赖项: 深度学习框架及其所有依赖项 支持CUDA的GPU 安装: 安装Caffe: Caffe是我们对原始Caffe的定制版本。将目录更改为./caffe，然后编译源代码和Matlab接口。 从[链接]下载16层VGG网络，并将caffemodel文件放在./feature_model目录下。 运行演示代码: 运行run_tracker.m。您可以根据内部示例自定义您的测试序列。 引用: 如果您发现DNT对您的研究有用，请考虑引用我们的论文: @article{chi2017_tracking, title={Dual Deep Network for Visual Tracking}, ...}

为了纠正VINS姿态估计器的累积误差，对apriltags2_ros进行了特定验证。这一验证也可以独立作为视觉里程计（VO）使用。主要贡献包括：1. 修改了英特尔Realsense d435i相机的配置文件；2. 将输出与VINS-Mono一致的车体框架姿态发布为主题“/tag_detections”，而不是标签框架到相机框架的变换矩阵；3. 发布了类型为“nav_msgs::Odometry”的主题“/tag_Odometry”，可在RVIZ中可视化；4. 发布了类型为“nav_msgs::Path”的主题“/path”，也可在RVIZ中可视化。更多详细信息，请参阅我的博客。

此Matlab代码multimodal_dbn_pose处理混合数据集中RGB和深度图像的姿势估计，特别是在严重遮挡条件下。我们采用Restricted Boltzmann机实现姿势估计。存储库包含重要文件如下：Yash_RBM/dbn_multi_modality_1_layer.m：浅层多模态DBN；Yash_RBM/dbn_single_modality_1_layer.m：1层高斯二进制RBM（基线）；Yash_RBM/dbn_single_modality_4_layer.m：4层单模态DBN。此外，还提供数据预处理文件：preprocess_cad60.py和cad60_dataset.py。为了重现我们的工作，请按以下步骤操作：步骤1：从指定链接下载CAD60存储库；步骤2：在当前目录下创建名为data/cad60_dataset/的目录结构，并将下载的文件夹放入cad60_directory；步骤3：运行preprocess_cad60.py；步骤4：执行cad60_dataset.py。