从经典到最新前沿，一文概览2D人体姿态估计-技术圈

点击上方“小白学视觉”，选择加"星标"或“置顶”

重磅干货，第一时间送达

来自 | 知乎作者 | 谢一宾

0. 前言

本文主要讨论2D的人体姿态估计，内容主要包括：基本任务介绍、存在的主要困难、方法以及个人对这个问题的思考等等。希望大家带着批判的目光阅读这篇文章，和谐讨论。

1. 介绍

2D人体姿态估计的目标是定位并识别出人体关键点，这些关键点按照关节顺序相连，就可以得到人体的躯干，也就得到了人体的姿态。

在深度学习时代之前，和其他计算机视觉任务一样，都是借助于精心设计的特征来处理这个问题的，比如pictorial structure。凭借着CNN强大的特征提取能力，姿态估计这个领域得到了长足的发展。2D人体姿态估计主要可以分为单人姿态估计（Single Person Pose Estimation, SPPE）和多人姿态估计（Multi-person Pose Estimation, MPPE）两个子任务。

单人姿态估计是基础，在这个问题中，我们要做的事情就是给我们一个人的图片，我们要找出这个人的所有关键点，常用的MPII数据集就是单人姿态估计的数据集。
在多人姿态估计中，我们得到的是一张多人的图，我们需要找出这张图中的所有人的关键点。对于这个问题，一般有自上而下（Top-down）和自下而上（Bottom-up）两种方法。

Top-down: （从人到关键点）先使用detector找到图片中的所有人的bounding box，然后在对单个人进行SPPE。这个方法是Detection+SPPE，往往可以得到更好的精度，但是速度较慢。
Bottom-up: （从关键点到人）先使用一个model检测（locate）出图片中所有关键点，然后把这些关键点分组（group）到每一个人。这种方法往往速度可以实时，但是精度较差。

2. 难点

2D人体姿态估计中有许多难点，很多问题可以通过网络结构的优化来解决，更准确地说，就是利用好多尺度、多分辨率的特征。

遮挡（自遮挡，被其他人遮挡）

扩大感受野，让网络自己去学习被遮挡的关系

人的尺度不一，拍照角度不一

多尺度特征融合

各种各样的姿态

考验网络的容量，深度

光照

在数据预处理中加入光照变化的因素，对每个通道做偏移

遮挡问题是比较难解决的，很多工作也都在发力于此。除了网络结构，数据的预处理也很重要，对于SPPE，要尽量将人放在图片中心。后处理也同样重要，怎么减小对heatmap的argmax操作的量化误差。人体不同于其他物体，人体不同关键点之间是有空间约束关系的，怎么去best capture various spatial relationships between human joints是关键。

3. 方法

本节主要对姿态估计的方法进行简单介绍，由于篇幅有限，难以呈现论文的全貌，大家可自行阅读原论文。2D姿态估计方法可以分为单人姿态估计（SPPE）和多人姿态估计（MPPE）两个部分，其中多人姿态估计又分为自顶向下（Top-down）和自底向上（Bottom-up）两种。

3.1. SPPE

DeepPose (Google, 2014)[1]

DeepPose

使用AlexNet作为backbone
直接回归关节点的坐标
使用级联的结构来refine结果

Joint training with CNN and Graphical Model（LeCun, 2014）[2]

开始使用heatmap

CPM (CMU, 2016)[3]

全卷积网络，可以端到端训练

CPM是SPPE中的首篇经典之作，来自CPM的Jia Deng组（之后同组改进出了OpenPose，是目前Bottom-up方法中影响力最大的方法），CPM创新之处主要在于其提出的网络结构。

网络有多个stage组成，以第二个stage为例，他的输入由两部分组成，一个是上一个stage预测出的heatmap，一个是自己这个stage中得到的feature map，也就是在每一个stage都做一次loss计算，这样做可以使网络收敛更快也有助于提高精度。
上一层预测的heatmap可以提供丰富的spatial context，这对关节点的识别是非常重要的
正式开启e2e学习时代

Stacked Hourglass Network (Jia Deng组, 2016)[4]

hourglass影响深远，是常用的backbone，时至今日，效果依然很能打。

该工作的主要创新在于网络结构方面的改进，从图中可以看出，形似堆叠的沙漏。

每一个沙漏模块包含了对称的下采样和上采样的过程，每一个box都代表了一个有跨层连接的子模块

网络使用了中间监督，也就是图中的蓝色框是一个预测的heatmap，这加快了网络的收敛也提高了实际效果

Fast Human Pose (2019)[5]

backbone是hourglass，这篇文章把知识蒸馏用在了pose问题上，算是一次很好的尝试

为了追求cost-effective，需要compact的网络结构
4-stage hourglass可以取得95%的8-stage的效果
一半的channel数（128）只会导致1%的performance drop
使用蒸馏来做监督的增强，Students learn knowledge from books (dataset) and teachers (advanced networks).

3.2. MPPE

3.2.1. Top-down

G-RMI (Google, 2017)[6]

使用Faster-RCNN作为人体检测器，姿态部分基于ResNet估计了offset来refine

Faster-RCNN得到bounding box之后进行image cropping，使得所有box具有同样的纵横比，然后扩大box来包含更多图像上下文

使用ResNet作为backbone来估计heatmap和offset vector，因为得到heatmap之后我们往往还需要一个argmax的操作才能得到关节点的坐标，而这个过程中由于网络的下采样过程，heatmap势必分辨率比原图更小，所以得到的坐标会出现偏移，因此又估计了一个offset vector来补偿掉这种量化误差。
OKS-based NMS：基于关键点相似度来衡量两个候选姿态的重叠情况，在目标检测中常基于IoU来做NMS，但是姿态估计中输出的是关键点，更适合用这种属性来衡量。

RMPE (上交卢策吾老师组, 2017)[7]

上交卢策吾老师组的工作，是国内比较好的姿态估计方面的工作，AlphaPose开源代码影响广泛。

SSTN(Symmetric Spatial Transformer Network)：在不准确的bounding box中提取担任区域
STN来选择RoI
SPPE帮助STM得到准确的区域
PNMS(Parametric Pose Non-Maximum-Suppression)来去除冗余的姿态
PGPG(Pose-Guided Proposals Generator)

Compositional Human Pose Regression (MSRA, 2018)[8]

MSRA Xiao Sun组的工作，从输出表示下手，由于heatmap表示的量化误差和坐标表示的效果不好，作者提出使用bones as representation。

bones比joints更稳定，并且可以包含更多的几何信息，为了避免直接计算bones的MSE所引起的累积误差，作者提出考虑长距离目标，会考虑两关节点之间所有bones之和。作者把输出表示重新参数化了，与网络结构无关，同样可以用于3D。

CPN (旷视，2018)[9]

采用的是top-down的方法，采用的网络结构是一个U-Shape的结构，因为对于关键点定位来说，不同尺度的特征会起到不同的作用，浅层的特征可以帮助定位，深层的特征可以帮助识别什么什么部位。而且关键点的定位是有难易之分的，所以，很自然的想法，要找到难定位的关键点，对它们进行更多的操作，所以就有了难例挖掘和RefineNet。

多尺度特征信息的融合是网络设计的一个很大的目标，作者使用 GlobalNet (global pyramid network, U-Shape)来处理easy keypoints，GlobalNet中包含了下采样和上采样（插值非转置卷积）的过程。
使用RefineNet (pyramid refined network)来处理hard keypoints
OHKM(online hard keypoints mining)用来找出hard keypoints，类似于检测中的OHEM

MSPN (旷视，2018)[10]

在CPN的基础上做了改进，类似于stacked hourglass的结构，把CPN也堆叠起来了，他们也提出detector精度不是很重要，只要够用就行。

网络结构方面的改进

Simple Baseline (MSRA, 2018)[11]

MSRA Bin Xiao等人的工作（后续也推出了HRNet系列和HigherHRNet），真的很simple，作者就是把hourglass和CPN中的upsample部分用deconvolution做了，作者论文中提到想探究how good could a simple method be? 真是会写。

从图中不难看出，这个网络结构非常简洁，作者使用Deconvolution来做上采样，网络中也没有不同特征层之间的跨层连接，和经典的网络结构Hourglass和CPN相比都十分简洁。

MultiPoseNet (2018)[12]

作者使用了两个subnet，一个用来输出keypont和segmentationd的heatmap，另一个是detector，用来输出人体的bounding box，然后将这两种输出送到PRN，Pose Residual Network中，得到最终的pose。最关键的部分就是PRN，作者说他们先从data中学习pose structures，然后可以解决遮挡的问题。这部分作者没有讲清楚，呵呵。作者给出的结果是很好的，在单1080ti上COCO数据集可以达到23FPS的速度，效果也是与SOTA的Top-down方法competitive的。

backbone也就是用来提取特征的部分采用的是resnet和两个FPN(用两个的原因是因为后面要接两个subnet)
keypoint subnet用来输出keypoint和segmentation的heatmap
person detect subnet用来检测人体，使用的是RetinaNet作为detector
pose residual network输出最终的pose，说是在学习了data的pose structures之后可以有效应对遮挡的问题

Deeply learned compositional models (2019)[13]

我没有很明白他这个compositional的意思，大概是把人体当成一个树结构，children可以帮助parent，也就是文章中所说的bottom-up (不是常提到的那个)，parent也可以帮助children，也就是文章中所说的top-down

compositional models

HRNet (MSRA, 2019)[14]

MSRA Bin Xiao等人继simple baseline之后又一力作。网络常常包括下采样和上采样过程，上采样的目的就是要得到高分辨率图像，基于这一观察，该项工作始终在一分支保留着高分辨率的图像，HRNet是像ResNet一样的通用backbone，但是其在姿态估计方面的影响是比较大的，效果也是比较好的。

各个scale之间互相fuse，并不是一个串联的下采样过程，这样保留了原分辨率的feature，会有很好的spatial信息。

Enhanced Channel-wise and Spatial Information (字节跳动， 2019)[15]

这项工作主要是对网络结构的改进，主要创新点在于加入channel shuffle和注意力机制。

Channel Shuffle Module (CSM): reshape-transpose-reshape, 经过这一通操作之后，希望feature能够和通道的上下文信息相关。

spatial attention: （feature level）希望网络对于特征图是pay attention to task-related regions而不是整张图片。
Channel-wise Attention: (channel level) 从SE-Net中借鉴来，主要包含GAP和Sigmoid两个步骤，希望网络可以选择更好的通道来detect pattern。

Related Parts Help (2019)[16]

这篇文章很好，作者提到人体并不是所有keypoint都是相关的，所以用一个shared feature来预测不好，作者根据mutual information把人体关键点分成五类，网络先学一个shared feature，然后再为这五类分出五个branch，学习specific features for relates parts Evaluation: 这个方法很好，值得借鉴，相关的可以提供帮助，不相关的keypoint硬是用shared feature来预测，反而会导致文章中所说的negative transfer

Related body parts 把keypoint分成多个group，根据mutual information
Part-based branching network (PBN) learn specific features for each group of related parts

Crowd Pose (上交卢策吾老师组，2019)[17]

这项工作主要是要处理拥挤场景下的多人姿态估计问题，并且在MPII, COCO和AI Challenger数据集基础上做了一个新的crowd benchmark。

在拥挤场景下，在同一个box内，我们可能需要处理很多其他人的关键点，该项工作设计了joints candidate loss来估计multi-peak heatmaps，让所有可能的关节点都作为候选。
Person-joint Graph: joint node是通过关节点间的距离来建立，person node通过检测的human proposals来建立，两者之间的edge通过看是否有contribution来建立。由此建立了一个人-关节的graph，也就转化到了图论问题上，目标就是最大化二分图中的边权重。使用updated Kuhn-Munkres解决这个问题。

Single-Stage Multi-Person Pose Machines (NUS, 2019)[18]

backbone是hourglass，提出分级的SPR，把person instance and position information 统一了起来，所以可以做到single-stage。估计人的中心root joint，其他关节由估计的displacement来处理。

Hierarchical SPR
A unique root for each person
Several joint displacements for each joint
heatmap for root joint (L2 loss)
dense displacement map for each joint (smooth L1 loss)

3.2.2. Bottom-up

DeepCut (Germany, 2016)[19]

用了Fast R-CNN和ILP，速度比较慢

pipeline（Bottom-up）
detect 检测人体关键点（Adapted Fast R-CNN）并且把他们表示为graph中的节点
label 使用人体关节点类别给检测出的关键点分类，比如arm, leg
partition 将关键点分组到同一个人
使用pairwise terms来做优化

Associative Embedding (Jia Deng组，2016)[20]

基于Jia Deng组之前的stacked hourglass network做的（也启发了后来该组的CornerNet）作者的insight很好，Many CV tasks can be viewed as joint detection and grouping，提出tag heatmap来group人体部件。

produce detection heatmaps and associate embedding tags together (bottom-up but single-stage) and then match detections to others that share the same embedding tag
主要的工作在于提出了associate embedding tag，也就是说预测每个关节点的时候也同时预测这个关节点的tag值，具有相同tag值的就是同一个人的关节点

DeeperCut (Germany, 2017)[21]

基于DeepCut的改进

使用深层的ResNet架构来检测body part
使用image-conditioned pairwise terms来做优化，可以将众多候选节点减少，通过候选节点之间的距离来判断该节点是否重要

OpenPose (CMU, 2017)[22]

可以做到实时，作者在CVPR上的报告直接拿笔记本现场对着观众演示，十分惊艳，不仅可以估计姿态，还可以估计脸、手和脚的关键点，也就是全身都估计了遍。是目前Bottom-up方法中影响最大的工作。

网络结构基于CPM改进，网络包含两个分支，一个分支预测heatmap，另一个分支预测paf(part affine field)，paf也是这项工作的关键所在。
paf是两个关节点连接的向量场，可以把它看做肢体，以paf为基础，把group的问题转化文二分图匹配（bipartite graph）的问题，使用匈牙利算法求解。

PersonLab (2018)[23]

这篇也是估计了offset来做refine，并且也是multi-task的，估计了short mid long三种offsets，各自都有不同的作用。

short-range offsets to refine heatmaps
mid-range to predict pairs of keypoints
greedy decoding to group keypoints into instances

PifPaf (EPFL, 2019)[24]

该工作主要贡献在于提出PIF和PAF（非OpenPose的PAF）这两种向量。

从图中可以看出，网络基于ResNet，encoder最后输出两个分支，PIF和PAF向量场。
PIF向量场是17x5，其中17是关节数，5表示用于优化heatmap的值。
PAF向量场是19x7，其中19代表了19种肢体连接，7表示了confidence和offset来优化肢体向量的值。
关键点由PIF给出，关键点之间的连接由PAF给出，接下来就是使用Greedy Decoding进行group的过程了。

HigherHRNet (字节跳动，2020)[25]

字节跳动Bin Xiao团队的工作，基于之前的HRNet工作和associative embedding。

HRNet在bottom-up方法中的尝试，associative embedding加上更强大的网络。

4. 总结

大体的创新点主要集中在网络结构和特征表示两个方面，网络结构是一个填不满的坑，怎么更好的抽取信息，利用信息是网络结构设计的本质。在输出特征的表示方面主要有heatmap和自定义的向量场，人为设计的向量也许可以更好地指引网络训练。人体的关节点不是孤立的，利用好这种先验的肢体关系也可以更好地指导网络训练。

下载1：OpenCV-Contrib扩展模块中文版教程

在「小白学视觉」公众号后台回复：扩展模块中文教程，即可下载全网第一份OpenCV扩展模块教程中文版，涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。

下载2：Python视觉实战项目52讲

在「小白学视觉」公众号后台回复：Python视觉实战项目，即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目，助力快速学校计算机视觉。

下载3：OpenCV实战项目20讲

在「小白学视觉」公众号后台回复：OpenCV实战项目20讲，即可下载含有20个基于OpenCV实现20个实战项目，实现OpenCV学习进阶。

交流群

欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~