一，openpose是一种自底向上的算法：
        OpenPose人体姿态识别项目是美国卡耐基梅隆大学（CMU）基于卷积神经网络和监督学习并以Caffe为框架开发的开源库。可以实现人体动作、面部表情、手指运动等姿态估计。适用于单人和多人，具有极好的鲁棒性。是世界上首个基于深度学习的实时多人二维姿态估计应用，基于它的实例如雨后春笋般涌现。

        检测所有的关键点，再group成不同的人，是当前比较流行的人体姿态评估算法之一。OpenPose 大获成功的一部分原因是它在 GitHub 上开源了其实现代码

（https://github.com/CMU-Perceptual-Computing-Lab/openpose），并配有详细的说明文档。
和很多自底向上的方法一样，OpenPose 首先检测出图像中所有人的关节（关键点），然后将检出的关键点分配给每个对应的人。下图展示了 OpenPose 模型的架构。

 

二，openpose算法：
1.输入一幅图像，经过VGG19卷积网络提取特征，得到一组特征图，然后分成两个岔路Branch1&2，分别使用 CNN网络提取Part Confidence Maps（置信度） 和 Part Affinity Fields（关联度）；
2.得到这两个信息后，我们使用图论中的 Bipartite Matching（偶匹配） 求出Part Association，将同一个人的关节点连接起来，由于PAF自身的矢量性，使得生成的偶匹配很正确，最终合并为一个人的整体骨架；
3.最后基于PAFs求Multi-Person Parsing—>把Multi-person parsing问题转换成graphs问题—>Hungarian Algorithm(匈牙利算法)（匈牙利算法是部图匹配最常见的算法，该算法的核心就是寻找增广路径，它是一种用增广路径求二分图最大匹配的算法。)

三，关键点热图与矢量图（heatmap&vectmap）：
如，一共有19个关键点，就会生成19个通道的热图，每一个通道为某个关节的热图分布（也就是概率图）。同时会生成192个通道的矢量图，为什么是192呢？因为矢量图分为两个方向，一个是X方向、一个是Y方向。

heatmap生成关键点热力图，未在图内且未标注的关键点生成的heatmap所有值都为0。一共19个heatmap，其中最后一个代表背景。

vectormap 向量叉乘，vectormap是heatmap的两倍为38个（19*2），因为有19条的关键点连接线，每一条线使用向量表示，分别有x轴的map,以及y轴的map。

四，coco keypoints 标注 以及tf-openpose的标注的不同