给定一幅图或者是一段视频，人体姿态估计就是恢复出其中的人体关节点位置的过程。
1.人体肢体运动较为灵活；
2. 视角的变化；
3.附着物的变化（比如遮挡，衣物等）；
4.3D pose estimation缺乏数据集；
主要分为以下两种：
1. PCK
PCK的评价指标多出现在单人的姿态估计上；
定义： Percentage of Correct Keypoints (PCK)，reports the percentage of keypoint detection falling within a normalized distance of the ground truth.
2. mAP
主要用于多人姿态估计评价；
在物体检测中，我们是用IoU(intersection over union)来评价预测与真实标注之间的差异；在人体骨骼关键点的检测任务中，使用OKS(object keypoint similarity)代替IoU,对预测的人体骨骼关键点位置与真实标注之间的相似性进行评分；
3.OKS
对于以下数据集，1-4应用较多，其余应用较少：
1. Human3.6M （2D+3D）
Human3.6M Dataset
2. MPI-INF-3DHP (3D)
MPII Human Pose Database
3. SURREAL (3D)
Learning from Synthetic Humans
4. Unite the People dataset(UP) (2D + 3D)
Unite the People -- Closing the Loop Between 3D and 2D Human Representations
5. LSP (2D)
单人数据集Leeds Sports Pose Dataset
6.FILC (2D)
单人数据集FLIC dataset
7.MPII （2D）
单人/多人数据集 MPII Human Pose Database
8. HumanEva （3D）
HumanEva Dataset
基于姿态估计的可能的应用方向如下：
基础性研究： 行为识别，动作分类，异常行为检测，人物追踪，步态识别；
产业应用：智能视频监控，病人监护系统，虚拟现实，人机交互，游戏，动画，衣物识别，运动员辅助训练，自动驾驶。
1.Convolutional Pose Machines， CVPR2016
文中将convolutional nnetwork 应用到pose machine中，用于学习图像特征以及图像的空间模型；在articulated pose estimation任务的结构化预测方面，隐式的建立不同结构之间的空间依赖关系模型；如文中多述，网络分为多个阶段，在每个阶段网络中加入intermediate supervision，以用来缓解端到端网络使用BP训练中出现的梯度消失的问题（有待验证）。
利用卷积网络先从局部特征入手，确定了一个或者是多个关节点，这样就可以借助已知的关节点来对其他身体部位进行定位。
数据集： MPII,LSP, and FLIC datasets
文中不足： 对于密集的多人估计效果是很差的；
2. Stacked Hourglass Networks for Human Pose Estimation,2016
一种沙漏型的网络结构，首先进行卷积处理并进行下采样处理，获得一些分辨率较低的特征，来降低计算的复杂度；紧接着又采用上采样操作来提升图像特征的分辨率，同时也使得网络更有能力预测物体的精确位置；而且这种沙漏结构具有可堆叠性。在此工作中，也在不同阶段采用intermediate supervision方法。
此方法相比于CMPs，在精度和速度上都略胜一筹。
数据集：FLIC and MPII
此方法也对密集多人姿态估计进行了测试，表现效果相比CMPs有很大提升。
3. 3D Human Pose Estimation in the Wild by Adversarial Learning，CVPR2018
本文工作采用对抗学习框架，从有完全注释的数据集中学习3D pose，然后应用到只有2D 标注数据的野外图像中；设计可以了一个multi-source 的判别器，来识别预测到的3D pose 是否为GT.
4. End-to-end Recovery of Human Shape and Pose；2018
本文工作使用端到端的框架，直接从单张彩色图片中恢复出3D 人体网格（包括人体形状和关节角度），不需要依赖中间任务（如2D估计）。
文中使用两个数据集，一个是带有2D标注信息的实况数据集，另一个是人体3D模型数据集。获得一幅图时，先获取其3D mseh参数，然后推断出其3D joint，再映射到2D，与原图的2D joint匹配，即一个2D-3D-2D过程，把无3D标注的2D当成训练集使用。 在参数预测上则采用了iterative regression with feedback的方法。另外，为了使生成的模型符合真实的人体结构，使用GAN的网络结构，把生成模型的参数输入到一个Discriminator中，Discriminator在训练中学习每个joint之间的角度限制，由Discriminator来判断模型是否真实。
优点：直接从图像中推断其三维网格参数，训练省事不易丢失图片信息；而且不需要有paired 2D-3D数据集，为从大量2D数据学习3D提供可能性。
5. Neural Body Fitting: Unifying Deep Learning and Model Based Human Pose and Shape Estimation；2018
文章中使用基于2D的区域表示，将人体分为12个部分，作为映射到3D的一个中间步骤；
文中提出一种新的方法-Neural Body Fitting(NBF)，结合CNN使用这一种statistical body model，利用bottom-up semantic body part segmentation and top-down body model constraints，采用端到端的训练方式。
NBF用一个standard semantic CNN 将人体分为12个部位，然后encoding CNN 直接从RGB image或者是semantic segmentation of image中预测模型参数，再通过SMPL产生3D mesh；最后再将3D mesh的关节点重投影到2D，reprojection loss采用BP方法，来训练整个网络。
除此之外，文章中对很多工作做了分析，比如什么样的输入更好，loss function怎么设置，3D annotation数据量对结果影响，以及分割效果对于效果的影响等等。
文章中仅仅使用百分之二十的3D标注训练集就可以取得和使得全部3D标注训练集相似的结果。
未来工作：密集的多人姿态估计。
6. Learning to Estimate 3D Human Pose and Shape from a Single Color Image，2018
文中工作把SMPL模型嵌入端到端的框架，从单个彩色图像中估计人体的姿势和形状；提出一种基于卷积网络的高效的直接预测方法，其优于迭代优化的方法。
首先训练一个卷及网络human2D，其产生两个输出，轮廓（包括人体和背景两个）和热图（输出关键点）； 接下来，训练两个网络，一个是poseprior，使用2D关键点作为输入，检测置信度并估计姿态系数theta，另一个是shapeprior，使用轮廓作为输入，并估计其形状系数beta，最后进行参数size转换，对应于SMPL模型的系数theta和beta。最后将生成的3D人体模型实例投影到图像平面，并计算其轮廓与2D关键点位置的已生成训练输入输出对。
网络优点：参数少，有利于直接进行预测；训练生成3D网格，并对其表面光滑度进行优化。
7. RepNet: Weakly Supervised Training of an Adversarial Reprojection Network for 3D Human Pose Estimation ; CVPR2019
本文是一种从2D 学习3D的方法；
利用神经网络类直接估计3D pose的工作大多都忽略了 最终的估计应该满足重投影误差，而且目前神经网络的方法很容易导致过拟合；本文工作忽略2D和3D之间的一致性而解决过拟合问题，并且避免网络对训练数据产生一定的记忆，允许弱监督训练。
文中运用对抗网络的思想，网络主要分为两个部分，一个部分是reprojection network，其使用对抗训练的方法学习2D pose 到3D pose分布的map；另一部分网络estimate camera，这能够使得预测得到的3D pose重投影回2D ，从而计算reprojection loss function。
实验结果优于其他的弱监督方法，同时解决一定数据量的过拟合问题；优于部分监督学习模型。
文中指出： 在Human3.6M数据集上训练的网络用于预测MPI-INF-3DHP（unseen data）数据，相比其他方法有很大提升。
8. DenseBody: Directly Regressing Dense 3D Human Pose and Shape From a
Single Color Image；2019
提出一种端到端的方法，直接从单个彩色图片中得到3D 人体网格；该研究训练一个编码器-解码器网格，无需使用任何中间任务，如2D 估计等。
之前的研究通常使用SMPL 这样的可变型模型来表示3D 人体结构，但是本文利用UV位置映射图来表示3D人体几何结构（UV是一个2D表示图，如上图所示），用UV映射图来储存整个人体表面的三维位置信息。
（1）数据： 缺少足够量的带有ground truth 3D annotation的in-the-wild图像，目前已有的带有标注的图像大多数是在特定实验环境中获取的，并不足以反映真实环境下可能出现的情况；
（2）2D与3D之间映射存在一定的模糊性，因为缺少一些深度信息（或者其他的辅助性信息），许多的三维模型可以映射为同一个2D模型，但是反之，从二维映射到三维时，未必能真正反映人体结构。
关于3D pose estimation的方法主要可以分为两类，简言之，就是一阶段法和二阶段法，以下会讲解两种方法的大概流程：
直接从图片中获取3D 关节点位置，然后reproject 到2D，与有ground truth 2D annotation数据集对比，进而优化网络。
优点：不易丢失图片信息。
（1）用2D pose检测，预测2D关节点位置；
（2）通过回归分析或者model fitting的方式，从2D中预测3D关节点位置；这种方法有一个共性，就是会利用一个预测3D 模型的框架，主要是SMPL；
注：对于这样的一种方法，为了约束2D-to-3D固有的这种模糊性，会利用一些先验知识：假定四肢长度或者是比例；
缺点：但是这样的方法或过度依赖2D关节点的位置信息，有可能会丢掉图片中的其他信息。
1.Convolutional Pose Machines；
2. Stacked Hourglass Networks for Human Pose Estimation；
3. 3D Human Pose Estimation in the Wild by Adversarial Learning；
4. End-to-end Recovery of Human Shape and Pose；
5. Neural Body Fitting: Unifying Deep Learning and Model Based Human Pose and Shape Estimation；
6. Learning to Estimate 3D Human Pose and Shape from a Single Color Image；
7. RepNet: Weakly Supervised Training of an Adversarial Reprojection Network for 3D Human Pose Estimation ；
8. DenseBody: Directly Regressing Dense 3D Human Pose and Shape From a Single Color Image；
