以下内容仅供个人学习，理解。

4.2.1 Alphapose算法简介：

        Alphapose是多人姿态估计方法。目前多人姿态估计的方法分为两类：一种是自顶向下，另一种是自底向上。自顶向下检测方法是先检测图片中的每个人的边界框，再独立检测每个人体边界框中的姿态。这种方法的缺点是高度依赖人体边界框的检测质量，如果人体边界框定位不准确，就无法正确预测人体姿态。自底向上是先检测出图像中的所有关节点，然后拼接得到人体骨架，这种方法的缺点是当人体距离相近时，关节点的分组容易出现模棱两可的情况，肢体关节不知道如何匹配到相应的骨架。Alphapose采用的是自顶向下的方法。

4.2.2 存在的问题：

        目前自顶向下检测的方法存在两个问题。

边界框定位错误：

        下图 是用Faster-RCNN（目标检测器）和SPPE（堆叠沙漏模型）进行人体姿态估计的结果，红色虚线框是人体真实位置，黄色虚线框是Faster-RCNN检测出的人体位置，黄色虚线框与红色虚线框的IoU>0.5（IoU指检测边界框和真实框的重叠面积），IoU>0.5说明黄色虚线框能够正确检测出人体。右边两张是经过SPPE进行估计出的关节点热图，热图中高亮区域表示有关节点的概率。由图2.2.1可知即使在IoU > 0.5认为边界框定位准确的情况下，黄色虚线框的关节点热图仍然不能检测出关节点位置，也就是说SPPE并没有预测出人体姿态，这是因为边界框的定位会影响SPPE的检测效果，如果想要正确检测出人体，就必须定位出更准确的人体边界框。

 

                                                                边界框定位错误

冗余的姿态：

        下图中左图显示了Faster-RCNN检测到的人体边界框，右图显示了估计的人体姿态。每个边界框经过SPPE都会产生一个姿态，因为每个边界框都是独立操作的，所以一个人会估计出多个姿态。但我们最后只需要一个姿态，其他的姿态都是多余的，并且会对最后估计姿态产生影响，因此需要删除多余姿态。

         

                                                                        冗余的姿态

4.2.3 Alphapose网络结构

        为了解决上面两个问题，Alphapose提出了一种区域多人姿态估计(RMPE)框架，如图所示。(RMPE)框架改进了基于sppe的人体姿态估计算法的性能。为了从边界框中提取出高质量的单人区域，设计了一种附加在SPPE上的对称空间变换网络(SSTN)，为了优化该网络又并联了一条SPPE支路。针对姿态冗余问题，提出了参数化姿态非最大抑制（ Parametric Pose NMS），制定一个度量标准测量姿态间的相似度，从而消除冗余的姿态。最后，用姿态引导区域框生成器(PGPG)来增强训练样本，通过学习不同姿态人体检测器的输出分布，模拟人体边界框的生成，生成大量的训练样本。

 

                                                区域多人姿态估计(RMPE)框架

4.2.4 SSTN对称空间变换网络

        为了解决问题一：边界框定位错误，Alphapose提出了SSTN（对称空间变换网络），如图1-6所示。如果人体检测框定位不准确，可以通过SSTN对人体检测框进行空间变换（移动或剪裁）使人体处于人体检测框的中央。

SSTN包括两部分：STN（空间变换网络）和SDTN（反向空间变换网络）。

STN利用移动、剪裁等空间变换使边人体处于检测框的中央；

SDTN将SPPE估计出的人体姿态线和图片反向变换到输入图像中。

Parallel SPPE的作用：优化STN，Parallel SPPE先估计出人体姿态，然后判断人体姿态的中心点是否在人体检测框的中心，不在中心就返回较大误差，进而达到优化STN的目的，促使STN提取更精确的人体检测框。Parallel SPPE只在训练阶段使用，在测试阶段没有Parallel SPPE。

                                                        SSTN对称空间变换网络

4.2.5 parametric pose NMS参数化非极大值抑制

        图片经过检测器会生成的多个人体检测框，但在用SPPE进行人体姿态估计时，多余的人体检测框也会生成相应的人体姿态，这就导致了姿态冗余，会降低人体姿态估计的精度，为了消除冗余的姿态，之前的方法大都采用非极大值抑制（NMS）。

        而为了提高人体姿态估计的精度，必须消除冗余的姿态。因此Alphapose提出了parametric pose NMS参数化非极大值抑制，用这种方法可以有效的消除冗余的姿态。

        参数化非极大值抑制由两种消除标准组成：置信度消除和距离消除，冗余姿态只要满足其中一个消除标准就会被消除。

（1）置信度消除：消除置信度相似的关节点。

                  

上图公式中各参数含义：

Pi和Pj：人体姿态 Bi：Pi检测框的1/10 ki和kj：Pi和Pj的关节点坐标 ci和cj：Pi和Pj关节点的置信度

原理：统计两个姿态关节点置信度相似的总个数，原理如图所示：

                                         

                                                                置信度消除

步骤如下：

1.根据置信度得分进行排序。

2.首先选择置信度最高的姿态Pi作为参考姿态，判断姿态Pj是否需要被消除。

3.如果关节点kj在Bi范围内，且此时两个关节点的置信度分数相似，则函数值是1，不相似函数值为1。

4.如果关节点kj不在Bi范围内，函数值为0

5.重复步骤3和4，对比姿态的17个关节点后，统计相似关节点的总数，如果超过五个，姿态Pj就会被消除

6.重复上述过程，直至检测框列表为空。

（2）距离消除:消除位置相近的关节点。

                图1-2中公式是用来计算两个姿态关节点的空间距离总和，选取置信度较高的姿态Pi，如果Pj姿态与Pi距离比较近，这说明两者重叠度较高，那么Pj就会被消除。

                                  

4.2.6 PGPG姿态引导区域框生成器

        对于Alphapose，适当的数据增强有助于训练SSTN+SPPE模块，一种增强方法是在训练阶段使用检测出来的人体检测框，但是由于在进行目标检测只能生成一个人体检测框，所以STN+SPPE模块得不到充分训练，因此需要PGPG进行数据增强。

        数据集图片中的每个人都有一个标签检测框，这些图片经过目标检测器，每个人都会产生一个预测框，我们的目的是尽可能让预测框和标签框重合，但实际情况是预测框总会或多或少的偏离标签框，我们的SSTN+SPPE模块就是针对偏移较大的预测框进行矫正，如果想训练SSTN+SPPE模块，我们就需要大量的预测框，我们可以模拟预测框的偏移生成大量的预测框，这样就可以训练SSTN+SPPE模块。但是不同姿态的检测框和标签检测框之间的偏移量分布是不同的，例如躺着和站着是两种姿态，它们的偏移量分布是不同的。Alphapose用P(δB|atom§)表示原子姿态P的偏移量分布，atom§是原子姿态（代表一个种类的姿态，通过聚类获得），原子姿态的含义可以这样理解，在一张图片里有两个人都是站立的姿态，但一个是大人，一个是小朋友，他们两者的高度和宽度有很大区别，但他们的原子姿态是一样的（都是站立姿态）。

        计算每个原子姿态预测框的偏移量，将这些偏移量与标签框进行归一化处理后，原子姿态偏移量会形成一个频率分布，将频率分布拟合成高斯混合分布。就得到了不同原子姿态的高斯混合分布。根据这些高斯分布，生成大量预测框，就可以训练SSTN+SPPE模块。

查看原文