目錄

0、簡介

                                  這是一個簡單的資源僅供參考，Just for Xiuyun-Mo

0、簡介

姿態估計的目標是在RGB影象或視訊中描繪出人體的形狀，這是一種多方面任務，其中包含了目標檢測、姿態估計、分割等等。有些需要在非水平表面進行定位的應用可能也會用到姿態估計，例如圖形、增強現實或者人機互動。姿態估計同樣包含許多基於3D物體的辨認。

人體姿態估計可以分為二維（2D）和三維（3D）的姿態估計，下面推薦一些簡單的資源；

1、2D人體姿態估計

（1）綜述2015：A Survey on Human Pose Estimation(人體姿態估計綜述)

摘要：

人體姿態估計由於其重要的應用價值和理論意義而受到廣泛關注。 對人體姿勢估計的系統調查將是非常有意義的。 但是，相關研究在這方面明顯落後。 為此，我們討論了人體姿態估計的困難，並給出了資料驅動概述最近進行人體姿態估計的方法，包括基於深度的方法和傳統的基於影象的方法。 雖然本研究的重點是使用深度和RGB影象資料的方法，但我們還討論了基於物體檢測和動作識別的人體姿態估計方法。 最後，我們向研究人員提供一些分析建議。

2、3D人體姿態估計

（1）綜述2016：3D Human pose estimation: A review of the literature and analysis of covariates（3D人體姿勢估計：文獻綜述和協變數分析）

摘要：

在給定影象或視訊的情況下估計人體3D姿勢最近受到了科學界的極大關注。這種趨勢的主要原因是不斷增加的新應用範圍（例如，人機互動，遊戲，運動效能分析），這些應用是由當前的技術進步驅動的。儘管最近的方法已經處理了若干挑戰並且已經報告了顯著的結果，但是3D姿態估計仍然是一個很大程度上未解決的問題，因為現實生活中的應用帶來了一些挑戰，現有方法沒有完全解決 例如，估計室外環境中多人的3D姿勢仍然是一個很大程度上未解決的問題。在本文中，我們回顧了RGB影象或影象序列的3D人體姿態估計的最新進展。我們基於輸入（例如，單個影象或視訊，單眼或多檢視）提出方法的分類，並且在每種情況下，我們根據其關鍵特徵對方法進行分類。為了概述當前的能力，我們對專門為此任務建立的綜合資料集進行了廣泛的實驗評估，並將其基本事實公之於眾，以供研究之用。最後，我們對通過審閱文獻和實驗結果所獲得的見解進行了深入的討論。確定了未來的方向和挑戰。為了概述當前的能力，我們對專門為此任務建立的綜合資料集進行了廣泛的實驗評估，並將其基本事實公之於眾，以供研究之用。最後，我們對通過審閱文獻和實驗結果所獲得的見解進行了深入的討論。確定了未來的方向和挑戰。為了概述當前的能力，我們對專門為此任務建立的綜合資料集進行了廣泛的實驗評估，並將其基本事實公之於眾，以供研究之用。最後，我們對通過審閱文獻和實驗結果所獲得的見解進行了深入的討論。確定了未來的方向和挑戰。

（2）綜述2009：Single camera 3D human pose estimation: A Review of current techniques（單攝像機3D人體姿態估計：對當前技術的回顧）

摘要：

在娛樂和遊戲行業，體育科學，步態分析和視訊監控等許多應用中，基於視覺的技術來估計單人相機的3D人體姿勢非常重要。雖然事實上基於光學的運動捕捉系統在估計3D人體姿勢時非常準確，但基於視覺的技術提供了更好的選擇，因為後者更便宜且非侵入性。在本文中，我們回顧了近期在單相機3D人體姿態估計技術方面取得的重大進展。我們討論了所面臨的挑戰，使用的典型影象觀察，應對挑戰的方法以及突出現有技術的侷限性。我們總結本文，推測未來的研究方向以及開放的研究問題。

（3）論文2016：3D Human Pose Estimation = 2D Pose Estimation + Matching（3D人體姿勢估計= 2D姿態估計+匹配）

一看題目，覺得很有意思的一篇文章。

摘要：

我們從單個RGB影象探索3D人體姿勢估計。雖然許多方法試圖直接從影象測量預測3D姿態，但我們探索了一種簡單的結構，通過中間2D姿勢預測來推理。我們的方法基於兩個關鍵觀察結果（1）深度神經網路已經徹底改變了2D姿態估計，即使對於具有自遮擋的姿勢也能產生精確的2D預測。（2）3D mocap資料的大資料集現在已經很容易獲得，因此很容易通過簡單的記憶（例如，最近的鄰居）將預測的2D姿勢提升到3D。利用現成的2D姿態估計系統和3D mocap庫實現最終的體系結構是微不足道的。重要的是，我們證明這些方法優於幾乎所有最先進的3D姿態估計系統，

（5）其他資源：自行谷歌搜尋（下面的連結為谷歌映象）

3、其他知識