溫馨提示×
您好，登錄后才能下訂單哦！
點(diǎn)擊 登錄注冊(cè) 即表示同意《億速云用戶服務(wù)條款》
您好，登錄后才能下訂單哦！
基于TensorFlow2.x的實(shí)時(shí)多人二維姿勢(shì)估計(jì)是怎樣的，相信很多沒(méi)有經(jīng)驗(yàn)的人對(duì)此束手無(wú)策，為此本文總結(jié)了問(wèn)題出現(xiàn)的原因和解決方法，通過(guò)這篇文章希望你能解決這個(gè)問(wèn)題。
正如Zhe Cao在其2017年的論文中所述，實(shí)時(shí)多人二維姿勢(shì)估計(jì)對(duì)于機(jī)器理解圖像和視頻中的人至關(guān)重要。
顧名思義，它是一種用來(lái)估計(jì)一個(gè)人身體位置的技術(shù)，比如站著、坐著或躺下。獲得這一估計(jì)值的一種方法是找到18個(gè)“身體關(guān)節(jié)”或人工智能領(lǐng)域中命名的“關(guān)鍵點(diǎn)(Key Points)”。下面的圖像顯示了我們的目標(biāo)，即在圖像中找到這些點(diǎn)：
關(guān)鍵點(diǎn)從0點(diǎn)（上頸部）向下延伸到身體關(guān)節(jié)，然后回到頭部，最后是第17點(diǎn)（右耳）。
使用人工智能方法出現(xiàn)的第一個(gè)有意義的工作是DeepPose，2014年由谷歌的Toshev和Zegedy撰寫的論文。提出了一種基于深度神經(jīng)網(wǎng)絡(luò)（DNNs）的人體姿勢(shì)估計(jì)方法，該方法將人體姿勢(shì)估計(jì)歸結(jié)為一個(gè)基于DNN的人體關(guān)節(jié)回歸問(wèn)題。
該模型由一個(gè)AlexNet后端（7層）和一個(gè)額外的目標(biāo)層，輸出2k個(gè)關(guān)節(jié)坐標(biāo)。這種方法的一個(gè)重要問(wèn)題是，首先，模型應(yīng)用程序必須檢測(cè)到一個(gè)人（經(jīng)典的對(duì)象檢測(cè)）。因此，在圖像上發(fā)現(xiàn)的每個(gè)人體必須分開處理，這大大增加了處理圖像的時(shí)間。
這種方法被稱為“自上而下”，因?yàn)槭紫纫业缴眢w，然后從中找到與其相關(guān)聯(lián)的關(guān)節(jié)。
姿勢(shì)估計(jì)有幾個(gè)問(wèn)題，如：
每個(gè)圖像可能包含未知數(shù)量的人，這些人可以出現(xiàn)在任何位置或比例。
人與人之間的相互作用會(huì)導(dǎo)致復(fù)雜的空間干擾，這是由于接觸或肢體關(guān)節(jié)連接，使得關(guān)節(jié)的關(guān)聯(lián)變得困難。
運(yùn)行時(shí)的復(fù)雜性往往隨著圖像中的人數(shù)而增加，這使得實(shí)時(shí)性能成為一個(gè)挑戰(zhàn)。
為了解決這些問(wèn)題，一種更令人興奮的方法是OpenPose，這是2016年由卡內(nèi)基梅隆大學(xué)機(jī)器人研究所的ZheCao和他的同事們引入的。
OpenPose提出的方法使用一個(gè)非參數(shù)表示，稱為部分親和力場(chǎng)（PAFs）來(lái)“連接”圖像上的每個(gè)身體關(guān)節(jié)，將它們與個(gè)人聯(lián)系起來(lái)。
換句話說(shuō)，OpenPose與DeepPose相反，首先在圖像上找到所有關(guān)節(jié)，然后“向上”搜索最有可能包含該關(guān)節(jié)的身體，而不使用檢測(cè)人的檢測(cè)器（“自下而上”方法）。OpenPose可以找到圖像上的關(guān)鍵點(diǎn)，而不管圖像上有多少人。下面的圖片是從ILSVRC和COCO研討會(huì)2016上的OpenPose演示中檢索到的，它讓我們了解了這個(gè)過(guò)程。
下圖顯示了用于訓(xùn)練的兩個(gè)多階段CNN模型的結(jié)構(gòu)。首先，前饋網(wǎng)絡(luò)同時(shí)預(yù)測(cè)一組人體部位位置的二維置信度映射(關(guān)鍵點(diǎn)標(biāo)注來(lái)自(dataset/COCO/annotations/)和一組二維的部分親和力場(chǎng)(L)。
在每一個(gè)階段之后，兩個(gè)分支的預(yù)測(cè)以及圖像特征被連接到下一個(gè)階段。最后，利用貪婪的推理對(duì)置信圖和相似域進(jìn)行解析，輸出圖像中所有人的二維關(guān)鍵點(diǎn)。
在項(xiàng)目執(zhí)行過(guò)程中，我們將回到其中一些概念進(jìn)行澄清。但是，強(qiáng)烈建議你遵循2016年的OpenPose ILSVRC和COCO研討會(huì)演示(http://image-net.org/challenges/talks/2016/Multi-person%20pose%20estimation-CMU.pdf)和CVPR 2017的視頻錄制(https://www.youtube.com/watch?v=OgQLDEAjAZ8&list=PLvsYSxrlO0Cl4J_fgMhj2ElVmGR5UWKpB)，以便更好地理解。
最初的OpenPose是使用基于模型的VGG預(yù)訓(xùn)練網(wǎng)絡(luò)和Caffe框架開發(fā)的。但是，我們將遵循Ildoo Kim 的TensorFlow實(shí)現(xiàn)，詳細(xì)介紹了他的tf-pose-estimation。
Github鏈接：https://github.com/ildoonet/tf-pose-estimation
tf-pose-estimation是一種“Openpose”算法，它是利用Tensorflow實(shí)現(xiàn)的。它還提供了幾個(gè)變體，這些變體對(duì)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行了一些更改，以便在CPU或低功耗嵌入式設(shè)備上進(jìn)行實(shí)時(shí)處理。
tf-pose-estimation的GitHub頁(yè)面展示了幾種不同模型的實(shí)驗(yàn)，如：
cmu：原論文中描述的基于模型的VGG預(yù)訓(xùn)練網(wǎng)絡(luò)的權(quán)值是Caffe格式，將其轉(zhuǎn)換并用于TensorFlow。
dsconv：除了mobilenet的深度可分離卷積之外，與cmu版本的架構(gòu)相同。
mobilenet：基于mobilenet V1論文，使用12個(gè)卷積層作為特征提取層。
mobilenet v2：與mobilenet相似，但使用了它的改進(jìn)版本。
本文的研究是在mobilenet V1（“mobilenet_thin”）上進(jìn)行的，它在計(jì)算預(yù)算和延遲方面具有中等性能：
我們參考了Gunjan Seth的文章Pose Estimation with TensorFlow 2.0(https://medium.com/@gsethi2409/pose-estimation-with-tensorflow-2-0-a51162c095ba)。
轉(zhuǎn)到終端并創(chuàng)建一個(gè)工作目錄（例如，“Pose_Estimation”），并移動(dòng)到那里：
mkdir Pose_Estimation cd Pose_Estimation
創(chuàng)建虛擬環(huán)境（例如，Tf2_Py37）
conda create --name Tf2_Py37 python=3.7.6 -y conda activate Tf2_Py37
安裝TF2
pip install --upgrade pip pip install tensorflow
安裝開發(fā)期間要使用的基本軟件包：
conda install -c anaconda numpy conda install -c conda-forge matplotlib conda install -c conda-forge opencv
下載tf-pose-estimation：
git clone https://github.com/gsethi2409/tf-pose-estimation.git
轉(zhuǎn)到tf-pose-estimation文件夾并安裝requirements
cd tf-pose-estimation/ pip install -r requirements.txt
在下一步，安裝SWIG，一個(gè)接口編譯器，用C語(yǔ)言和C++編寫的程序連接到Python等腳本語(yǔ)言。它通過(guò)在C/C++頭文件中找到的聲明來(lái)工作，并使用它們生成腳本語(yǔ)言需要訪問(wèn)底層C/C++代碼的包裝代碼。
conda install swig
使用SWIG，構(gòu)建C++庫(kù)進(jìn)行后處理。
cd tf_pose/pafprocess swig -python -c++ pafprocess.i && python3 setup.py build_ext --inplace
現(xiàn)在，安裝tf-slim庫(kù)，一個(gè)用于定義、訓(xùn)練和評(píng)估TensorFlow中復(fù)雜模型的輕量級(jí)庫(kù)。
pip install git+https://github.com/adrianc-a/tf-slim.git@remove_contrib
就這樣！現(xiàn)在，有必要進(jìn)行一次快速測(cè)試。返回tf-pose-estimation主目錄。
如果你按照順序，你必須在 tf_pose/pafprocess內(nèi)。否則，請(qǐng)使用適當(dāng)?shù)拿罡哪夸洝?/p>
cd ../..
在tf-pose-estimation目錄中有一個(gè)python腳本 run.py，讓我們運(yùn)行它，參數(shù)如下：
model=mobilenet_thin
resize=432x368（預(yù)處理時(shí)圖像的大?。?/p>
image=./images/ski.jpg（圖像目錄內(nèi)的示例圖像）
python run.py --model=mobilenet_thin --resize=432x368 --image=./images/ski.jpg
請(qǐng)注意，在幾秒鐘內(nèi)，不會(huì)發(fā)生任何事情，但大約一分鐘后，終端應(yīng)顯示與下圖類似的內(nèi)容：
但是，更重要的是，圖像將出現(xiàn)在獨(dú)立的OpenCV窗口上：
太好了！這些圖片證明了一切都是正確安裝和運(yùn)作良好的！我們將在下一節(jié)中詳細(xì)介紹。
然而，為了快速解釋這四幅圖像的含義，左上角（“Result”）是繪制有原始圖像的姿勢(shì)檢測(cè)骨架（在本例中，ski.jpg)作為背景。右上角的圖像是一個(gè)“熱圖”，其中顯示了“檢測(cè)到的組件”（S），兩個(gè)底部圖像都顯示了組件的關(guān)聯(lián)（L）。“Result”是把S和L連接起來(lái)。
下一個(gè)測(cè)試是現(xiàn)場(chǎng)視頻：
如果計(jì)算機(jī)只安裝了一個(gè)攝像頭，請(qǐng)使用：camera=0
python run_webcam.py --model=mobilenet_thin --resize=432x368 --camera=1
如果一切順利，就會(huì)出現(xiàn)一個(gè)窗口，里面有一段真實(shí)的視頻，就像下面的截圖：
在本節(jié)中，我們將更深入地介紹我們的TensorFlow姿勢(shì)估計(jì)實(shí)現(xiàn)。建議你按照這篇文章，試著復(fù)制Jupyter Notebook：10_Pose_Estimation_Images，可以從GitHub項(xiàng)目下載:https://github.com/Mjrovai/TF2_Pose_Estimation/blob/master/10_Pose_Estimation_Images.ipynb
作為參考，這個(gè)項(xiàng)目是在MacPro（2.9Hhz Quad-Core i7 16GB 2133Mhz RAM）上開發(fā)的。
import sys import time import logging import numpy as np import matplotlib.pyplot as plt import cv2 from tf_pose import common from tf_pose.estimator import TfPoseEstimator from tf_pose.networks import get_graph_path, model_wh
可以使用位于model/graph子目錄中的模型，如mobilenet_v2_large或cmu（VGG pretrained model）。
對(duì)于cmu，*.pb文件在安裝期間沒(méi)有下載，因?yàn)樗鼈兒艽蟆Ｒ褂盟?，?qǐng)運(yùn)行位于/cmu子目錄中的bash腳本download.sh。
這個(gè)項(xiàng)目使用mobilenet_thin（MobilenetV1），考慮到所有使用的圖像都應(yīng)該被調(diào)整為432x368。
參數(shù)：
model='mobilenet_thin' resize='432x368' w, h = model_wh(resize)
創(chuàng)建估計(jì)器：
e = TfPoseEstimator(get_graph_path(model), target_size=(w, h))
為了便于分析，讓我們加載一個(gè)簡(jiǎn)單的人體圖像。OpenCV用于讀取圖像。圖像存儲(chǔ)為RGB，但在內(nèi)部，OpenCV與BGR一起工作。使用OpenCV顯示圖像沒(méi)有問(wèn)題，因?yàn)樵谔囟ù翱谏巷@示圖像之前，它將從BGR轉(zhuǎn)換為RGB（如所示ski.jpg上一節(jié)）。
一旦圖像被打印到Jupyter單元上，Matplotlib將被用來(lái)代替OpenCV。因此，在顯示之前，需要對(duì)圖像進(jìn)行轉(zhuǎn)換，如下所示：
image_path = ‘./images/human.png’ image = cv2.imread(image_path) image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB) plt.imshow(image) plt.grid();
請(qǐng)注意，此圖像的形狀為567x567。OpenCV讀取圖像時(shí)，自動(dòng)將其轉(zhuǎn)換為數(shù)組，其中每個(gè)值從0到255，其中0表示“白色”，255表示“黑色”。
一旦圖像是一個(gè)數(shù)組，就很容易使用shape驗(yàn)證其大?。?/p>
image.shape
結(jié)果將是（567567，3），其中形狀是（寬度、高度、顏色通道）。
盡管可以使用OpenCV讀取圖像，但我們將使用tf_pose.common庫(kù)中的函數(shù)read_imgfile(image_path) 以防止顏色通道出現(xiàn)任何問(wèn)題。
image = common.read_imgfile(image_path, None, None)
一旦我們將圖像作為一個(gè)數(shù)組，我們就可以將方法推理應(yīng)用到估計(jì)器（estimator， e）中，將圖像數(shù)組作為輸入
humans = e.inference(image, resize_to_default=(w > 0 and h > 0), upsample_size=4.0)
運(yùn)行上述命令后，讓我們檢查數(shù)組e.heatmap。該陣列的形狀為（184，216，19），其中184為h/2，216為w/2，19與特定像素屬于18個(gè)關(guān)節(jié)（0到17）+1（18:none）中的一個(gè)的概率有關(guān)。例如，檢查左上角像素時(shí)，應(yīng)出現(xiàn)“none”：
可以驗(yàn)證此數(shù)組的最后一個(gè)值
這是最大的值；可以理解的是，在99.6%的概率下，這個(gè)像素不屬于18個(gè)關(guān)節(jié)中的任何一個(gè)。
讓我們?cè)囍页鲱i部的底部（肩膀之間的中點(diǎn)）。它位于原始圖片的中間寬度（0.5*w=108）和高度的20%左右，從上/下（0.2*h=37）開始。所以，讓我們檢查一下這個(gè)特定的像素：
很容易意識(shí)到位置1的最大值為0.7059…（或通過(guò)計(jì)算e.heatMat[37][108].max()），這意味著特定像素有70%的概率成為“頸部”。下圖顯示了所有18個(gè)COCO關(guān)鍵點(diǎn)（或“身體關(guān)節(jié)”），顯示“1”對(duì)應(yīng)于“頸部底部”。
可以為每個(gè)像素繪制，一種代表其最大值的顏色。這樣一來(lái)，一張顯示關(guān)鍵點(diǎn)的熱圖就會(huì)神奇地出現(xiàn)：
max_prob = np.amax(e.heatMat[:, :, :-1], axis=2) plt.imshow(max_prob) plt.grid();
我們現(xiàn)在在調(diào)整后的原始圖像上繪制關(guān)鍵點(diǎn)：
plt.figure(figsize=(15,8)) bgimg = cv2.cvtColor(image.astype(np.uint8), cv2.COLOR_BGR2RGB) bgimg = cv2.resize(bgimg, (e.heatMat.shape[1], e.heatMat.shape[0]), interpolation=cv2.INTER_AREA) plt.imshow(bgimg, alpha=0.5) plt.imshow(max_prob, alpha=0.5) plt.colorbar() plt.grid();
因此，可以在圖像上看到關(guān)鍵點(diǎn)，因?yàn)閏olor bar上顯示的值意味著：如果黃色更深就有更高的概率。
為了得到L，即關(guān)鍵點(diǎn)（或“關(guān)節(jié)”）之間最可能的連接（或“骨骼”），我們可以使用e.pafMat的結(jié)果數(shù)組。其形狀為（184，216，38），其中38（2x19）與該像素與18個(gè)特定關(guān)節(jié)+none中的一個(gè)作為水平(x)或垂直(y)連接的一部分的概率有關(guān)。
繪制上述圖表的函數(shù)在Notebook中。
使用e.inference()方法的結(jié)果傳遞給列表human，可以使用draw_human方法繪制骨架：
image = TfPoseEstimator.draw_humans(image, humans, imgcopy=False)
結(jié)果如下圖：
如果需要的話，可以只繪制骨架，如下所示（讓我們重新運(yùn)行所有代碼進(jìn)行回顧）：
image = common.read_imgfile(image_path, None, None) humans = e.inference(image, resize_to_default=(w > 0 and h > 0), upsample_size=4.0) black_background = np.zeros(image.shape) skeleton = TfPoseEstimator.draw_humans(black_background, humans, imgcopy=False) plt.figure(figsize=(15,8)) plt.imshow(skeleton); plt.grid(); plt.axis(‘off’);
姿勢(shì)估計(jì)可用于機(jī)器人、游戲或醫(yī)學(xué)等一系列應(yīng)用。為此，從圖像中獲取物理關(guān)鍵點(diǎn)坐標(biāo)以供其他應(yīng)用程序使用可能很有趣。
查看e.inference()生成的human列表，可以驗(yàn)證它是一個(gè)包含單個(gè)元素、字符串的列表。在這個(gè)字符串中，每個(gè)關(guān)鍵點(diǎn)都以其相對(duì)坐標(biāo)和相關(guān)概率出現(xiàn)。例如，對(duì)于目前使用的人像，我們有：
例如：
BodyPart:0-(0.49, 0.09) score=0.79 BodyPart:1-(0.49, 0.20) score=0.75 ... BodyPart:17-(0.53, 0.09) score=0.73
我們可以從該列表中提取一個(gè)數(shù)組（大小為18），其中包含與原始圖像形狀相關(guān)的實(shí)際坐標(biāo)：
keypoints = str(str(str(humans[0]).split('BodyPart:')[1:]).split('-')).split(' score=')
keypts_array = np.array(keypoints_list)
keypts_array = keypts_array*(image.shape[1],image.shape[0])
keypts_array = keypts_array.astype(int)讓我們?cè)谠紙D像上繪制這個(gè)數(shù)組（數(shù)組的索引是 key point）。結(jié)果如下：
plt.figure(figsize=(10,10)) plt.axis([0, image.shape[1], 0, image.shape[0]]) plt.scatter(*zip(*keypts_array), s=200, color='orange', alpha=0.6) img = cv2.cvtColor(image, cv2.COLOR_BGR2RGB) plt.imshow(img) ax=plt.gca() ax.set_ylim(ax.get_ylim()[::-1]) ax.xaxis.tick_top() plt.grid(); for i, txt in enumerate(keypts_array): ax.annotate(i, (keypts_array[i][0]-5, keypts_array[i][1]+5)
Notebook顯示了迄今為止開發(fā)的所有代碼，“encapsulated”為函數(shù)。例如，讓我們看看另一幅圖像：
image_path = '../images/einstein_oxford.jpg' img, hum = get_human_pose(image_path) keypoints = show_keypoints(img, hum, color='orange')
img, hum = get_human_pose(image_path, showBG=False) keypoints = show_keypoints(img, hum, color='white', showBG=False)
到目前為止，只研究了包含一個(gè)人的圖像。一旦開發(fā)出從圖像中同時(shí)捕捉所有關(guān)節(jié)（S）和PAF（L）的算法，為了簡(jiǎn)單起見我們找到最可能的連接。因此，獲取結(jié)果的代碼是相同的；例如，只有當(dāng)我們得到結(jié)果（“human”）時(shí)，列表的大小將與圖像中的人數(shù)相匹配。
例如，讓我們使用一個(gè)有五個(gè)人的圖像：
image_path = './images/ski.jpg' img, hum = get_human_pose(image_path) plot_img(img, axis=False)
算法發(fā)現(xiàn)所有的S和L都與這5個(gè)人聯(lián)系在一起。結(jié)果很好！
從讀取圖像路徑到繪制結(jié)果，所有過(guò)程都不到0.5秒，與圖像中發(fā)現(xiàn)的人數(shù)無(wú)關(guān)。
讓我們把它復(fù)雜化，讓我們看到一個(gè)畫面，人們更“混合”地在一起跳舞：
image_path = '../images/figure-836178_1920.jpg img, hum = get_human_pose(image_path) plot_img(img, axis=False)
結(jié)果似乎也很好。我們只繪制關(guān)鍵點(diǎn)，每個(gè)人都有不同的顏色：
plt.figure(figsize=(10,10))
plt.axis([0, img.shape[1], 0, img.shape[0]])
plt.scatter(*zip(*keypoints_1), s=200, color='green', alpha=0.6)
plt.scatter(*zip(*keypoints_2), s=200, color='yellow', alpha=0.6)
ax=plt.gca()
ax.set_ylim(ax.get_ylim()[::-1])
ax.xaxis.tick_top()
plt.title('Keypoints of all humans detected\n')
plt.grid();
在視頻中獲取姿勢(shì)估計(jì)的過(guò)程與我們對(duì)圖像的處理相同，因?yàn)橐曨l可以被視為一系列圖像（幀）。建議你按照本節(jié)內(nèi)容，嘗試復(fù)制Jupyter Notebook:20_Pose_Estimation_Video:https://github.com/Mjrovai/TF2_Pose_Estimation/blob/master/20_Pose_Estimation_Video.ipynb。
OpenCV在處理視頻方面做得非常出色。
因此，讓我們獲取一個(gè).mp4視頻，并使用OpenCV捕獲其幀：
video_path = '../videos/dance.mp4 cap = cv2.VideoCapture(video_path)
現(xiàn)在讓我們創(chuàng)建一個(gè)循環(huán)來(lái)捕獲每一幀。有了這個(gè)框架，我們將應(yīng)用e.inference()，然后根據(jù)結(jié)果繪制骨架，就像我們對(duì)圖像所做的那樣。最后還包括了一個(gè)代碼，當(dāng)按下一個(gè)鍵（例如“q”）時(shí)停止視頻播放。
以下是必要的代碼：
fps_time = 0
while True:
ret_val, image = cap.read()
humans = e.inference(image,
resize_to_default=(w > 0 and h > 0),
upsample_size=4.0)
if not showBG:
image = np.zeros(image.shape)
image = TfPoseEstimator.draw_humans(image, humans, imgcopy=False)
cv2.putText(image, "FPS: %f" % (1.0 / (time.time() - fps_time)), (10, 10),
cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2)
cv2.imshow('tf-pose-estimation result', image)
fps_time = time.time()
if cv2.waitKey(1) & 0xFF == ord('q'):
break
cap.release()
cv2.destroyAllWindows()
結(jié)果很好，但是有點(diǎn)慢。這部電影最初的幀數(shù)為每秒30幀，將在“慢攝影機(jī)”中運(yùn)行，大約每秒3幀。
建議你按照本節(jié)內(nèi)容，嘗試復(fù)制Jupyter Notebook：30_Pose_Estimation_Camera(https://github.com/Mjrovai/TF2_Pose_Estimation/blob/master/30_Pose_Estimation_Camera.ipynb)。
運(yùn)行實(shí)時(shí)攝像機(jī)所需的代碼與視頻所用的代碼幾乎相同，只是OpenCV videoCapture()方法將接收一個(gè)整數(shù)作為輸入?yún)?shù)，該整數(shù)表示實(shí)際使用的攝像機(jī)。例如，內(nèi)部攝影機(jī)使用“0”和外部攝影機(jī)“1”。此外，相機(jī)也應(yīng)設(shè)置為捕捉模型使用的“432x368”幀。
參數(shù)初始化：
camera = 1 resize = '432x368' # 處理圖像之前調(diào)整圖像大小 resize_out_ratio = 4.0 # 在熱圖進(jìn)行后期處理之前調(diào)整其大小 model = 'mobilenet_thin' show_process = False tensorrt = False # for tensorrt process cam = cv2.VideoCapture(camera) cam.set(3, w) cam.set(4, h)
代碼的循環(huán)部分應(yīng)與視頻中使用的非常相似：
while True:
ret_val, image = cam.read()
humans = e.inference(image,
resize_to_default=(w > 0 and h > 0),
upsample_size=resize_out_ratio)
image = TfPoseEstimator.draw_humans(image, humans, imgcopy=False)
cv2.putText(image, "FPS: %f" % (1.0 / (time.time() - fps_time)), (10, 10),
cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2)
cv2.imshow('tf-pose-estimation result', image)
fps_time = time.time()
if cv2.waitKey(1) & 0xFF == ord('q'):
break
cam.release()
cv2.destroyAllWindows()
同樣，當(dāng)使用該算法時(shí)，30 FPS的標(biāo)準(zhǔn)視頻捕獲降低約到10%。
看完上述內(nèi)容，你們掌握基于TensorFlow2.x的實(shí)時(shí)多人二維姿勢(shì)估計(jì)是怎樣的的方法了嗎？如果還想學(xué)到更多技能或想了解更多相關(guān)內(nèi)容，歡迎關(guān)注億速云行業(yè)資訊頻道，感謝各位的閱讀！
免責(zé)聲明：本站發(fā)布的內(nèi)容（圖片、視頻和文字）以原創(chuàng)、轉(zhuǎn)載和分享為主，文章觀點(diǎn)不代表本網(wǎng)站立場(chǎng)，如果涉及侵權(quán)請(qǐng)聯(lián)系站長(zhǎng)郵箱：is@yisu.com進(jìn)行舉報(bào)，并提供相關(guān)證據(jù)，一經(jīng)查實(shí)，將立刻刪除涉嫌侵權(quán)內(nèi)容。
億速云公眾號(hào)
手機(jī)網(wǎng)站二維碼