一，openpose是一種自底向上的算法：
? ? ? ? OpenPose人體姿態識別項目是美國卡耐基梅隆大學（CMU）基于卷積神經網絡和監督學習并以Caffe為框架開發的開源庫。可以實現人體動作、面部表情、手指運動等姿態估計。適用于單人和多人，具有極好的魯棒性。是世界上首個基于深度學習的實時多人二維姿態估計應用，基于它的實例如雨后春筍般涌現。

? ? ? ? 檢測所有的關鍵點，再group成不同的人，是當前比較流行的人體姿態評估算法之一。OpenPose 大獲成功的一部分原因是它在 GitHub 上開源了其實現代碼

（https://github.com/CMU-Perceptual-Computing-Lab/openpose），并配有詳細的說明文檔。
和很多自底向上的方法一樣，OpenPose 首先檢測出圖像中所有人的關節（關鍵點），然后將檢出的關鍵點分配給每個對應的人。下圖展示了 OpenPose 模型的架構。

?

二，openpose算法：
1.輸入一幅圖像，經過VGG19卷積網絡提取特征，得到一組特征圖，然后分成兩個岔路Branch1&2，分別使用 CNN網絡提取Part Confidence Maps（置信度） 和 Part Affinity Fields（關聯度）；
2.得到這兩個信息后，我們使用圖論中的 Bipartite Matching（偶匹配） 求出Part Association，將同一個人的關節點連接起來，由于PAF自身的矢量性，使得生成的偶匹配很正確，最終合并為一個人的整體骨架；
3.最后基于PAFs求Multi-Person Parsing—>把Multi-person parsing問題轉換成graphs問題—>Hungarian Algorithm(匈牙利算法)（匈牙利算法是部圖匹配最常見的算法，該算法的核心就是尋找增廣路徑，它是一種用增廣路徑求二分圖最大匹配的算法。)

三，關鍵點熱圖與矢量圖（heatmap&vectmap）：
如，一共有19個關鍵點，就會生成19個通道的熱圖，每一個通道為某個關節的熱圖分布（也就是概率圖）。同時會生成192個通道的矢量圖，為什么是192呢？因為矢量圖分為兩個方向，一個是X方向、一個是Y方向。

heatmap生成關鍵點熱力圖，未在圖內且未標注的關鍵點生成的heatmap所有值都為0。一共19個heatmap，其中最后一個代表背景。

vectormap 向量叉乘，vectormap是heatmap的兩倍為38個（19*2），因為有19條的關鍵點連接線，每一條線使用向量表示，分別有x軸的map,以及y軸的map。

四，coco keypoints 標注 以及tf-openpose的標注的不同