OpenPoseによる人体姿勢の検出

I. 概要

• OpenPoseは、カーネギーメロン大学が最初に提案し、その後、いくつかの出版物で提案されたモデルでの実装を主にベースにしています。
  • CVPR2016の様子。畳み込みポーズマシン(CPM)
  • CVPR2017 : リアルタイム多人数ポーズ推定
  • CVPR2017 : マルチビューブートストラップを用いた単一画像における手のキーポイント検出
• しかし、非常に計算量が多く、通常はGPUで動作し、フレームレートが低い（5fps以下）ため、その後、改良が加えられている
• 改良版では主にモデルの改良やカットを行い、モバイル版（各種ダンスアプリなど）ではアルゴリズム自体をOpenPoseを介して動作するように最適化し、ネットワーク構造を変えて計算量を減らしていますが、同時に精度もそれなりに落としています。

次に、OpenPoseの実装コードの簡略版

• コードソース GitHub。 ヒューマンポーズエスティメーションオペンクラブ
• コードは比較的簡単で、モデル（小：7.8M）はgraph_opt.pbファイルで学習され、全ての実装コードはopenpose.pyファイルにあり、以下は実装コードとテスト結果です。

21

テストは次のように動作します。

• 一人の人物とポーズを展開した場合の検出効果の良さは、次の2つの図に例示されています。
  
  
  
  
• 複数の人物や特殊なポーズがあると、検出力が低下する（つながりが乱れたり、キーポイントが欠けたりする）ことを、次の2枚の画像で説明します。
  
  
  
  
• 左上に表示されている処理時間からわかるように、基本的に1枚の画像に0.5Sかかる遅い処理です

3つ目は、より複雑なバージョンのOpenPoseの実装コードです

• コードソース GitHub。 カメラオープンポーズケラス
• コードも少し複雑になり、モデル（大きめ：200M）も学習済みで、単体でもダウンロードできますが、エクストラネットではなかなかダウンロードできないので、Baidu Cloud：でダウンロードすることもできます。 model.h5
• 完全な実装コードは demo_camera.py ファイルにあり、以下のコードはテスト用のリードインイメージを取るために少し修正しました。

1
15

プログラムは次のように実行されます。

20

• ` - -image の後に入力画像へのパスを指定します．

検出効果は次のとおりです。

• まず、上記のコードの簡易版でうまくいかなかった2つの画像が、このモデルでどのように処理されたかを比較しました。
  
  
  
  
• さらに、他の画像でも効果を検証してみたところ、人物を鮮明にレンダリングした方が、より正確に関節点を検出できることが分かりました