姿态估计的两个数据集COCO和MPII的认识

	COCO 数据集	MPII数据集	Posetrack数据集
数据集格式	COCO数据集的标注格式	0 - r ankle, 1 - r knee, 2 - r hip,3 - l hip,4 - l knee, 5 - l ankle, 6 - l ankle， 7 - l ankle，8 - upper neck, 9 - head top,10 - r wrist,11 - r elbow, 12 - r shoulder, 13 - l shoulder,14 - l elbow, 15 - l wrist	0 - r ankle, 1 - r knee, 2 - r hip,3 - l hip,4 - l knee, 5 - l ankle, 8 - upper neck, 9 - head top,10 - r wrist,11 - r elbow, 12 - r shoulder, 13 - l shoulder,14 - l elbow, 15 - l wrist
关键点数量	17	16	14
是否有mask	有	无
评估标准
state of art算法

目前主流的pose estimation方法：

pose-track和CPM的异同点：多了一个PAFs

目前存在的问题与常用解决思路：

现阶段有哪些大牛活跃在这个领域，并且目前的研究方向是什么：

COCO数据集keypoint标注：

　{0-nose 1-Leye 2-Reye 3-Lear 4Rear 5-Lsho 6-Rsho 7-Lelb 8-Relb 9-Lwri 10-Rwri 11-Lhip 12-Rhip 13-Lkne 14-Rkne 15-Lank 16-Rank}　

但是在 openpose 训练时，转换成了如下顺序：

　{0-'nose', 1-'neck', 2-'Rsho', 3-'Relb', 4-'Rwri',5-'Lsho', 6-'Lelb', 7-'Lwri', 8-'Rhip', 9-'Rkne', 10-'Rank', 11-'Lhip', 12-'Lkne', 13-'Lank', 14-'Leye', 15-'Reye', 16-'Lear', 17-'Rear', 18-'pt19'}

其中 1-‘neck' 是openpose增加的一个，也能认为是人体中心点。。但是18-'pt19' 是背景类，最后会被剔除

%%MATLAB code
s_vec = net.forward(input_data);
scores = cat(3, s_vec{2}(:,:,1:end-1), s_vec{1});

在Keypoint Annotations中，有个flag v 的定义： v=0 ：没标记（x=y=0) || v=1 : 标记了但不可见 || v=2 : 标记了且可见

↑参考：http://blog.csdn.net/happyhorizion/article/details/77894205

MPII数据集标注：

　　{ 0 - r ankle, 1 - r knee, 2 - r hip,3 - l hip,4 - l knee, 5 - l ankle, 6 - pelvis， 7 - thorax，8 - upper neck, 9 - head top,10 - r wrist,11 - r elbow, 12 - r shoulder, 13 - l shoulder,14 - l elbow, 15 - l wrist }

openpose在训练时，剔除了6 - pelvis（盆骨）， 7 - thorax（胸部）两个点，并增加了一个 center 点，共计输出是15个keypoint的heatmap和1个背景（要剔除）。

　　对应heatmap中的顺序为：{ 0-'nose', 1-'neck', 2-'Rsho', 3-'Relb', 4-'Rwri',5-'Lsho', 6-'Lelb', 7-'Lwri', 8-'Rhip', 9-'Rkne', 10-'Rank', 11-'Lhip', 12-'Lkne', 13-'Lank', 14-'center' }

14-'center' 这个点是由 2,3,12,13四个位置坐标取平均得到的！！！！！！！

else if(np == 43){
    //int MPI_to_ours_1[15] = {9, 8,12,11,10,13,14,15, 2, 1, 0, 3, 4, 5, 7};
    //int MPI_to_ours_2[15] = {9, 8,12,11,10,13,14,15, 2, 1, 0, 3, 4, 5, 6};
    int MPI_to_ours_1[15] = {9, 8,12,11,10,13,14,15, 2, 1, 0, 3, 4, 5, 3};
    int MPI_to_ours_2[15] = {9, 8,12,11,10,13,14,15, 2, 1, 0, 3, 4, 5, 2};
    int MPI_to_ours_3[15] = {9, 8,12,11,10,13,14,15, 2, 1, 0, 3, 4, 5, 13};
    int MPI_to_ours_4[15] = {9, 8,12,11,10,13,14,15, 2, 1, 0, 3, 4, 5, 12};
    jo.joints.resize(np);
    jo.isVisible.resize(np);

    for(int i=0;i<15;i++){
//      jo.joints[i] = (j.joints[MPI_to_ours_1[i]] + j.joints[MPI_to_ours_2[i]]) * 0.5;
      jo.joints[i] = (j.joints[MPI_to_ours_1[i]] + j.joints[MPI_to_ours_2[i]]+j.joints[MPI_to_ours_3[i]] + j.joints[MPI_to_ours_4[i]]) * 0.25;
      if(j.isVisible[MPI_to_ours_1[i]]==2 || j.isVisible[MPI_to_ours_2[i]]==2){
        jo.isVisible[i] = 2;
      }
      else {
        jo.isVisible[i] = j.isVisible[MPI_to_ours_1[i]] && j.isVisible[MPI_to_ours_2[i]];
      }
    }
  }

center map 是什么：

center map（绿色）是一个提前生成的高斯函数模板，用来把响应归拢到图像中心。长这样：