本文?將通過強(qiáng)調(diào)推理過程中的一個關(guān)鍵問題來討論如何使姿勢估計(jì)算法更有效，并討論如何緩解這個問題。?還介紹了一個示例，使得姿勢估計(jì)變得更加實(shí)用。

關(guān)鍵詞：human pose－estimation， jitter， low－pass filter， signal．

人體姿勢估計(jì)是計(jì)算機(jī)視覺中非常具有挑戰(zhàn)性的問題之一，其目標(biāo)是定位人體關(guān)鍵點(diǎn)（如臀部、肩部、手腕等）。

它有無數(shù)的應(yīng)用程序，包括AR、基于VR的游戲（如Microsoft Kinect）、交互式健身、治療、運(yùn)動捕捉等。結(jié)果的逐幀平滑對于這些應(yīng)用程序的任何用途都至關(guān)重要。

抖動問題

幾乎每種姿態(tài)估計(jì)算法在推理過程中都存在抖動問題。點(diǎn)周圍關(guān)鍵點(diǎn)的高頻振蕩是噪聲信號的特征，稱為抖動。

抖動原因可歸因于我們在整個視頻輸入的幀級別上執(zhí)行這些推斷。這些連續(xù)的幀具有不同的遮擋（以及一系列復(fù)雜的姿勢）。另一個原因可能是訓(xùn)練數(shù)據(jù)中注釋的不一致性導(dǎo)致姿勢估計(jì)的不確定性。抖動會帶來以下問題：

1. 故障數(shù)據(jù)和噪聲數(shù)據(jù)會導(dǎo)致算法性能下降。

2. 關(guān)鍵點(diǎn)太過嘈雜，無法在生產(chǎn)環(huán)境中構(gòu)建任何有用的功能和應(yīng)用程序。

3. 獲得假陽性數(shù)據(jù)點(diǎn)的概率很高。

4. 例如：假設(shè)你想使用姿勢估計(jì)建立一個靜止記分器（對于做冥想的人來說），這些抖動會顯著影響分?jǐn)?shù)，導(dǎo)致結(jié)果不準(zhǔn)確。

抖動問題的解決方案

信號處理提供了兩種主要的方法來衰減信號中的噪聲。低通濾波器：將信號中的所有頻率衰減到指定閾值頻率以下，并使其余信號保持不變的濾波器。

高通濾波器：一種濾波器，將信號中的所有頻率衰減到指定閾值頻率以上，并使其余信號保持不變。

我們的自然運(yùn)動是低頻信號，而抖動是高頻信號。因此，為了解決抖動問題，我們可以使用低通濾波器來過濾所有更高頻率的信號。

解決抖動問題的其他方法包括使用神經(jīng)網(wǎng)絡(luò)進(jìn)行姿勢優(yōu)化。其中一個例子是SmoothNet。然而，LPF更容易實(shí)現(xiàn)和使用。LPF的另一個變體是One Euro濾波器，它在實(shí)時過濾噪聲信號方面也非常強(qiáng)大。

Movenet姿態(tài)估計(jì)

讓我們從一些代碼開始，讓LPF在python中工作。為了在本博客中進(jìn)行說明，我使用了Tensorflow的Movenet姿勢估計(jì)模型。這個模型非�？焖俸蜏�(zhǔn)確。

現(xiàn)在，讓我們考慮一些將用于推理的簡單函數(shù)。

tf．lite中提供了用于在tflite上運(yùn)行推理的Python API。（參考：使用tflite在python中加載并運(yùn)行模型）。

＃ Initialize the TFLite interpreter

input＿size ＝ 256

interpreter ＝ tf．lite．Interpreter（model＿path＝＂model．tflite＂）

interpreter．a(chǎn)llocate＿tensors（）

＃ Movenet model： Runs detection on an input image

def movenet（input＿image）：

   ＃ TF Lite format expects tensor type of uint8．

   input＿image ＝ tf．cast（input＿image， dtype＝tf．uint8）

   ＃ Get input and output tensors．

   input＿details ＝ interpreter．get＿input＿details（）

   output＿details ＝ interpreter．get＿output＿details（）

   interpreter．set＿tensor（input＿details［0］［＇index＇］， input＿image．numpy（））

   interpreter．invoke（） ＃ Invoke inference．

   ＃ Get the model prediction．

   kps ＝ interpreter．get＿tensor（output＿details［0］［＇index＇］）
   

   return kps
 

 ＃ Obtain inference from the Movenet model

 def get＿inference（image）：

   image ＝ cv2．cvtColor（image， cv2．COLOR＿BGR2RGB）
   

   ＃ Padding and Resizing the input image．

   image ＝ pad（image， input＿size， input＿size）

   image ＝ cv2．resize（image， （input＿size， input＿size））

   input＿image ＝ image

   ＃ Movenet expects a ［1， height， width， 3］ tensor input

   input＿image ＝ np．expand＿dims（input＿image， axis＝0）

   ＃ Run model inference．

   kps ＝ movenet（input＿image）［0］

   return kps［0］， image

使用以下命令在本地運(yùn)行推理（首先，在克隆后執(zhí)行“cd motion－detection”）：

python －m inference．movenet＿infer — path file．mp4 — lpf n

讓我們看看使用Movenet模型的示例推斷結(jié)果：

顯然，推斷看起來相當(dāng)準(zhǔn)確，延遲也很小。

現(xiàn)在，讓我們回到一開始看到的抖動示例，看看如何解決抖動問題。為了便于演示，我們使用了低通濾波器。我們還可以使用Python－Scipy中流行的信號處理庫，該庫支持不同類型的低通濾波器（例如signal．lfilter模塊）。

1? LPF的使用情況如下所示：

while True：

   old＿curr＿kp， image ＝ get＿inference（frame2）

   curr＿kp ＝ ［x［：］ for x in old＿curr＿kp］  ＃ deepcopy

   if j ＝＝ 0：

       x＿track ＝ ［OneEuroFilter（j， curr＿kp［k］［0］， 0．6， 0．015） for k in range（num＿kps）］  ＃ track for all keypoints

       y＿track ＝ ［OneEuroFilter（j， curr＿kp［k］［1］， 0．6， 0．015） for k in range（num＿kps）］

   if lpf and j ＞ 1：

       for i in range（num＿kps）：

           ＃＃ x coordinate

           curr＿kp［i］［0］ ＝ x＿track［i］（j， curr＿kp［i］［0］）
 

          ＃＃ y coordinate

           curr＿kp［i］［1］ ＝ y＿track［i］（j， curr＿kp［i］［1］）

   output ＝ draw＿pose（image， curr＿kp）

   output ＝ cv2．cvtColor（output， cv2．COLOR＿BGR2RGB）

   outimage ＝ np．a(chǎn)sarray（output， dtype＝np．uint8）

   outimage ＝ cv2．resize（outimage， size）

   prev＿kp ＝ curr＿kp

   ret， frame2 ＝ cap．read（）

   cframe ＝ cap．get（cv2．CAP＿PROP＿POS＿FRAMES）

   j ＋＝ 1

   if not ret：

       break

   k ＝ cv2．waitKey（1）

   if k ＝＝ ord（＇q＇） or k ＝＝ 27：

       break

cap．release（）

cv2．destroyAllWindows（）

使用以下命令在本地運(yùn)行推理（使用LPF）：（首先，克隆后執(zhí)行“cd motion－detection”）

python －m inference．stillness＿scorer — path file．mp4 — lpf y

應(yīng)用程序示例

現(xiàn)在，讓我們看一個非常簡單的例子，在這個例子中，使用上述概念，姿勢估計(jì)可以變得更加實(shí)用。

考慮下面的問題陳述：“只根據(jù)身體靜止來給一個人冥想打分�！�

除了姿勢估計(jì)之外，你能想出一些其他技術(shù)來解決這個問題嗎？

圖像處理

也許我們可以使用簡單的圖像處理方法來解決這個問題。我們可以從兩個連續(xù)幀開始，然后我們可以應(yīng)用二進(jìn)制閾值來獲得減去的掩碼；這里，白色像素的數(shù)量將指示靜止。

這種方法很好，但當(dāng)有一個風(fēng)扇或一只貓?jiān)诤笈_移動時，問題就會出現(xiàn)；在這種可能的情況下，這種方法將不會有效。因?yàn)橐苿拥呢垥�成為掩碼的一部分。目標(biāo)是想出一種專門針對人類的方法。

圖像（人體）分割

使用一些分割技術(shù)怎么樣？我們可以使用分割專門分割出一個人，然后取兩個連續(xù)分割幀的差值，檢查白色像素的數(shù)量。局限性：當(dāng)分割區(qū)域內(nèi)有運(yùn)動時，此方法不起作用。

姿態(tài)估計(jì)

這里，我們計(jì)算連續(xù)幀中特定身體部位關(guān)鍵點(diǎn)的歐氏距離。我們的最終分?jǐn)?shù)是所有這些歐幾里德距離的加權(quán)和。顯然，如果一個人做了一些運(yùn)動，關(guān)鍵點(diǎn)的歐幾里德距離會更高，反之亦然。

得分：如果沒有明顯的移動，得分應(yīng)該低。分?jǐn)?shù)越低意味著冥想越好（基于身體靜止，實(shí)際上有很多因素有助于良好的冥想，而不僅僅是靜止）。

請注意，如果我們沒有提前平滑姿勢關(guān)鍵點(diǎn)，抖動將導(dǎo)致得分變高，從而導(dǎo)致糟糕和不準(zhǔn)確的結(jié)果。下圖顯示了y軸上的運(yùn)動分?jǐn)?shù)與x軸上的時間。

首先，讓我們看看分?jǐn)?shù)在沒有平滑的情況下是如何表現(xiàn)的。

很明顯，由于抖動，圖形看起來很嘈雜。

讓我們看看使用LPF的情況。

在這里，這次的圖表看起來很平滑和干凈。我們可以推斷，任何運(yùn)動都會影響曲線下的面積。因此，平滑關(guān)鍵點(diǎn)在此類應(yīng)用中變得非常關(guān)鍵。

最終結(jié)果

還在android中集成了一個低通濾波器，并在自定義姿勢估計(jì)模型上運(yùn)行它。我們得到以下結(jié)果：

參考引用

希望你喜歡使用低通濾波器使姿勢估計(jì)更加實(shí)用。希望這個例子足夠合理，可以暗示在姿態(tài)估計(jì)的基礎(chǔ)上構(gòu)建應(yīng)用程序時，消除抖動是最關(guān)鍵的優(yōu)化之一。

       原文標(biāo)題 : 更加實(shí)用的姿態(tài)估計(jì)