CV:基于keras利用算法MobilenetV2实现局部相似域的多人二维姿态实时估计(詹姆斯扣篮+美女跳舞)

简介: CV:基于keras利用算法MobilenetV2实现局部相似域的多人二维姿态实时估计(詹姆斯扣篮+美女跳舞)


目录

输出结果

代码实现


 

 

输出结果

论文复现:《Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields》

https://arxiv.org/abs/1611.08050

 

 

代码实现

更新……

1. import argparse
2. import time
3. 
4. import cv2
5. 
6. from processing import extract_parts, draw
7. 
8. from config_reader import config_reader
9. from model.cmu_model import get_testing_model
10. 
11. #CV:基于keras利用算法MobilenetV2实现局部相似域的多人二维姿态实时估计
12. #论文复现:《Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields》
13. 
14. 
15. if __name__ == '__main__':
16.     parser = argparse.ArgumentParser()
17. #     parser.add_argument('--image', type=str, required=True, help='input image')
18.     parser.add_argument('--image', type=str, default='F:/File_Python/Python_example/Human_Posture_Detection/images/ZMS03.jpg', help='input image')
19.     parser.add_argument('--output', type=str, default='result.png', help='output image')
20.     parser.add_argument('--model', type=str, default='model/keras_Realtime_Multi_Person_Pose_Estimation_model.h5', help='path to the weights file')
21. 
22.     args = parser.parse_args()
23.     image_path = args.image
24.     output = args.output
25.     keras_weights_file = args.model
26. 
27.     tic = time.time()
28. print('start processing...')
29. 
30. # load model
31. 
32. # authors of original model don't use
33. # vgg normalization (subtracting mean) on input images
34.     model = get_testing_model()
35.     model.load_weights(keras_weights_file)
36. 
37. # load config
38.     params, model_params = config_reader()
39. 
40.     input_image = cv2.imread(image_path)  # B,G,R order
41. 
42.     body_parts, all_peaks, subset, candidate = extract_parts(input_image, params, model, model_params)
43.     canvas = draw(input_image, all_peaks, subset, candidate)
44. 
45.     toc = time.time()
46. print('processing time is %.5f' % (toc - tic))
47. 
48.     cv2.imshow('keras_Realtime_Multi_Person_Pose_Estimation_model',canvas)
49.     cv2.waitKey() 
50.     cv2.imwrite(output, canvas)
51. 
52.     cv2.destroyAllWindows()
53. 
54. 
55.


相关文章
|
6月前
|
算法 数据安全/隐私保护 计算机视觉
基于二维CS-SCHT变换和LABS方法的水印嵌入和提取算法matlab仿真
该内容包括一个算法的运行展示和详细步骤,使用了MATLAB2022a。算法涉及水印嵌入和提取,利用LAB色彩空间可能用于隐藏水印。水印通过二维CS-SCHT变换、低频系数处理和特定解码策略来提取。代码段展示了水印置乱、图像处理(如噪声、旋转、剪切等攻击)以及水印的逆置乱和提取过程。最后,计算并保存了比特率,用于评估水印的稳健性。
|
5月前
|
算法 安全 数据库
基于结点电压法的配电网状态估计算法matlab仿真
**摘要** 该程序实现了基于结点电压法的配电网状态估计算法,旨在提升数据的准确性和可靠性。在MATLAB2022a中运行,显示了状态估计过程中的电压和相位估计值,以及误差随迭代变化的图表。算法通过迭代计算雅可比矩阵,结合基尔霍夫定律解决线性方程组,估算网络节点电压。状态估计过程中应用了高斯-牛顿或莱文贝格-马夸尔特法,处理量测数据并考虑约束条件,以提高估计精度。程序结果以图形形式展示电压幅值和角度估计的比较,以及估计误差的演变,体现了算法在处理配电网状态估计问题的有效性。
|
5月前
|
机器学习/深度学习 自然语言处理 算法
m基于深度学习的OFDM+QPSK链路信道估计和均衡算法误码率matlab仿真,对比LS,MMSE及LMMSE传统算法
**摘要:** 升级版MATLAB仿真对比了深度学习与LS、MMSE、LMMSE的OFDM信道估计算法,新增自动样本生成、复杂度分析及抗频偏性能评估。深度学习在无线通信中,尤其在OFDM的信道估计问题上展现潜力,解决了传统方法的局限。程序涉及信道估计器设计,深度学习模型通过学习导频信息估计信道响应,适应频域变化。核心代码展示了信号处理流程,包括编码、调制、信道模拟、降噪、信道估计和解调。
104 8
|
6月前
|
算法 数据安全/隐私保护 C++
基于二维CS-SCHT变换和扩频方法的彩色图像水印嵌入和提取算法matlab仿真
该内容是关于一个图像水印算法的描述。在MATLAB2022a中运行,算法包括水印的嵌入和提取。首先,RGB图像转换为YUV格式,然后水印通过特定规则嵌入到Y分量中,并经过Arnold置乱增强安全性。水印提取时,经过逆过程恢复,使用了二维CS-SCHT变换和噪声对比度(NC)计算来评估水印的鲁棒性。代码中展示了从RGB到YUV的转换、水印嵌入、JPEG压缩攻击模拟以及水印提取的步骤。
|
4月前
|
算法
基于PID-bang-bang控制算法的卫星姿态控制matlab仿真
该文主要介绍了一个基于PID-bang-bang控制算法的卫星姿态控制系统。在MATLAB2022a中进行了仿真,生成了控制收敛曲线和姿态调整动画。系统通过PID控制器减少误差,结合Bang-Bang控制实现快速响应。核心程序涉及卫星位置、推力向量的计算及动画绘制。PID控制器利用比例、积分、微分项调整输出,Bang-Bang控制则在误差超出阈值时提供即时修正。两者结合以平衡控制精度和响应速度,适应卫星姿态的精确调节需求。
|
5月前
|
算法
m基于GA遗传优化的高斯白噪声信道SNR估计算法matlab仿真
**MATLAB2022a模拟展示了遗传算法在AWGN信道中估计SNR的效能。该算法利用生物进化原理全局寻优,解决通信系统中复杂环境下的SNR估计问题。核心代码执行多代选择、重组和突变操作,逐步优化SNR估计。结果以图形形式对比了真实SNR与估计值,并显示了均方根误差(RMSE),体现了算法的准确性。**
59 0
|
5月前
|
传感器 算法
技术心得记录:四元数及姿态解算Mahony算法
技术心得记录:四元数及姿态解算Mahony算法
410 0
|
5月前
|
机器学习/深度学习 算法
简单遗传算法 + 最低水平线算法求解二维排样问题
简单遗传算法 + 最低水平线算法求解二维排样问题
79 0
|
5月前
|
算法 Python
二维矩形件排样算法之最低水平线搜索算法实现
二维矩形件排样算法之最低水平线搜索算法实现
167 0
|
5月前
|
机器学习/深度学习 移动开发 算法
二维矩形件排样算法之最低水平线算法实现
二维矩形件排样算法之最低水平线算法实现
98 0