一個(gè)允許在瀏覽器中進(jìn)行實(shí)時(shí)人體姿勢判斷的機(jī)器學(xué)習(xí)模型

通過與 Google 創(chuàng)意實(shí)驗(yàn)室的合作，我很高興地宣布 TensorFlow.js 版本的 PoseNet1,2 發(fā)布了，這是一個(gè)允許在瀏覽器中進(jìn)行實(shí)時(shí)人體姿勢判斷的機(jī)器學(xué)習(xí)模型。

PoseNet 可以使用單一姿勢或多種姿勢算法檢測到圖像和視頻中的人物 - 所有這些均來自瀏覽器

那么究竟什么是姿勢判斷呢？ 姿勢判斷是指在圖像和視頻中檢測人物形象的計(jì)算機(jī)視覺技術(shù)，比如可以確定某個(gè)人的肘部出現(xiàn)在圖像中的位置。 需要澄清的是，這項(xiàng)技術(shù)無法識(shí)別圖像中的人物到底是誰 –因?yàn)闆]有任何與識(shí)別身份相關(guān)的個(gè)人身份信息。 該運(yùn)算法則僅僅是判斷人體主要關(guān)節(jié)的位置。

好吧，知道為什么這是一個(gè)令人興奮的開始？ 姿勢判斷有許多用途，從對(duì)身體做出反應(yīng)的交互式裝置到增強(qiáng)現(xiàn)實(shí)，動(dòng)畫，健身用途等等。 我們希望此模型的可訪問性能夠激發(fā)更多開發(fā)人員和制造商嘗試將姿態(tài)檢測應(yīng)用到他們自己的項(xiàng)目中去。 雖然許多可選的姿勢檢測系統(tǒng)都已開源，但都需要配備專門的硬件和/或攝像頭，以及繁復(fù)的系統(tǒng)設(shè)置。

PensNet 在 TensorFlow.js 上運(yùn)行后，只要配備適合網(wǎng)絡(luò)攝像頭的 PC 或手機(jī)，任何人可以在網(wǎng)絡(luò)瀏覽器中體驗(yàn)這項(xiàng)技術(shù)。 由于我們已經(jīng)開源了該模型，因此 Javascript 開發(fā)人員只要通過幾行代碼就能修補(bǔ)和使用這項(xiàng)技術(shù)。更重要的是，這實(shí)際上還能有助保護(hù)用戶隱私。由于 TensorFlow.js 上的 PoseNet 是在瀏覽器中運(yùn)行，因此任何姿勢數(shù)據(jù)都不會(huì)留在用戶的計(jì)算機(jī)上。

在深入研究該如何使用這個(gè)模型之前，對(duì)于那些將該項(xiàng)目付諸實(shí)現(xiàn)的人們，讓我們大聲歡呼向他們致敬：發(fā)布在 Wild and PersonLab 上有關(guān)于準(zhǔn)確的多人姿勢判斷的文章《自下而上，基于部分的幾何嵌入模型進(jìn)行人物姿勢判斷及實(shí)例分割》背后的谷歌研發(fā)人員 George Papandreou 和 Tyler Zhu， 以及 TensorFlow.js 庫背后的 Google Brain 團(tuán)隊(duì)的工程師 Nikhil Thorat 和 Daniel Smilkov。

PoseNet 入門

PoseNet 可用于判斷單一姿勢或多個(gè)姿勢， 這就意味著會(huì)有一個(gè)檢測圖像/視頻中單人算法版本以及另一個(gè)可以檢測圖像/視頻中多個(gè)人的版本。 為什么有兩個(gè)版本？ 單人姿勢檢測器更快更簡單，但是需要圖像中只有一個(gè)主體（稍后會(huì)深入探討）。 我們首先來講一講簡單易用的單一姿勢版本。

姿勢判斷在上層會(huì)分成兩個(gè)階段進(jìn)行：

1. 輸入 RGB 圖像通過卷積神經(jīng)網(wǎng)絡(luò)饋送。

2. 單一姿勢或多姿勢解碼算法用于從模型輸出解碼姿勢，姿勢置信度得分，關(guān)鍵點(diǎn)位置和關(guān)鍵點(diǎn)置信度得分。

稍等一下，這些關(guān)鍵字的含義是什么？ 讓我們回顧一下最重要的內(nèi)容：

姿勢 - 在最高級(jí)別，PoseNet 將每個(gè)檢測到的人的關(guān)鍵點(diǎn)列表和實(shí)例級(jí)置信度分?jǐn)?shù)反饋給一個(gè)姿勢對(duì)象。

PoseNet 反饋檢測到的每個(gè)人的置信度值以及檢測到的每個(gè)姿勢關(guān)鍵點(diǎn)。 Image Credit：“Microsoft Coco：Context Dataset 中的公共對(duì)象”，https：//cocodataset.org。

姿勢置信度 –這決定了姿勢判斷的整體置信度。 范圍介于 0.0 到 1.0 之間。 它可以用來隱藏那些幅度不夠大的姿勢。

關(guān)鍵點(diǎn) –它是判斷人體姿勢的一部分，例如鼻子，右耳，左膝，右腳等。它包含了位置和關(guān)鍵點(diǎn)置信度分?jǐn)?shù)。 PoseNet 目前可檢測到下圖所示的 17 個(gè)關(guān)鍵點(diǎn)：

PoseNet 檢測到的 17 個(gè)姿勢關(guān)鍵點(diǎn)

關(guān)鍵點(diǎn)置信度得分 - 這決定了估計(jì)關(guān)鍵點(diǎn)位置準(zhǔn)確的置信度。 范圍在 0.0 到 1.0 之間。 它可用于隱藏那些不夠強(qiáng)大的關(guān)鍵點(diǎn)。

關(guān)鍵點(diǎn)位置 –檢測到的關(guān)鍵單在原始輸入圖像中的 x 和 y 二維坐標(biāo)。

第1步：導(dǎo)入 TensorFlow.js 和 PoseNet 庫

將模型的復(fù)雜性抽象化并將功能封裝為易于使用的方法，這方面已經(jīng)做了很多的工作。 讓我們回顧一下如何設(shè)置 PoseNet 項(xiàng)目的基礎(chǔ)知識(shí)。

該庫可以使用 npm 安裝：

npm install @tensorflow-models/posenet

并使用 es6 模塊導(dǎo)入：

import * as posenet from '@tensorflow-models/posenet';const net = await posenet.load();

或通過頁面中的 bundle：

第 2a 步：單人姿態(tài)判斷

應(yīng)用于圖像的單人姿勢判斷算法示例

Image Credit：“Microsoft Coco：Context Dataset 中的通用對(duì)象”，https：//cocodataset.org

如前所述，兩個(gè)版本中，單一姿勢判斷算法更簡單，更快速。 它的理想場景是只有一個(gè)人居于輸入圖像或視頻中間。 缺點(diǎn)是，如果圖像中有多個(gè)人，那么來自兩個(gè)人的關(guān)鍵點(diǎn)可能被判斷為同一個(gè)單一姿勢的一部分 –意思就是，例如，第 1 個(gè)人的左臂和第 2 個(gè)人的右膝通過算法被判斷屬于相同的姿勢而被混淆。 如果輸入圖像中包含多人，則應(yīng)該使用多姿勢判斷的算法。

讓我們回顧一下單一姿勢判斷算法的輸入：

輸入圖像元素 - 包含用于預(yù)測姿勢的圖像的 html 元素，例如視頻或圖像標(biāo)簽。 重要的一點(diǎn)是，輸入的圖像或視頻元素必須是方形的。

圖像比例系數(shù) –是介于 0.2 和 1 之間的數(shù)字。默認(rèn)為 0.50。 在輸入到網(wǎng)絡(luò)之前的縮放圖像比例。 將此數(shù)值設(shè)置得較低可以縮小圖像，以犧牲精度為代價(jià)從而提高速度。

水平翻轉(zhuǎn) - 默認(rèn)為 false。 姿勢應(yīng)該是水平翻轉(zhuǎn)/鏡像。 對(duì)于視頻默認(rèn)水平翻轉(zhuǎn)的視頻（即網(wǎng)絡(luò)攝像頭），如果您希望姿勢得以正確的方向回饋，應(yīng)將此設(shè)置為 true。

輸出步幅 - 必須為 32,16 或 8。默認(rèn)值為 16。在內(nèi)部，此參數(shù)會(huì)影響神經(jīng)網(wǎng)絡(luò)中圖層的高度和寬度。 在上層來看，它會(huì)影響姿勢判斷的精度和速度。 輸出值越低，精度越高但速度越慢；輸出值越高，速度越快但精度越低。 查看輸出步幅對(duì)輸出質(zhì)量影響的最佳方法是嘗試使用這個(gè)單一姿勢判斷的實(shí)例。

現(xiàn)在讓我們回顧一下單一姿勢判斷算法的輸出：

包含姿勢置信度得分和 17 個(gè)關(guān)鍵點(diǎn)數(shù)組的姿勢。

每個(gè)關(guān)鍵點(diǎn)包含關(guān)鍵點(diǎn)位置和關(guān)鍵點(diǎn)置信度得分。 同樣，所有關(guān)鍵點(diǎn)位置在輸入圖像空間中都有 x 和 y 坐標(biāo)，并且可以直接映射到圖像上。

這個(gè)簡短的代碼塊展示了如何使用單一姿勢判斷算法：

const imageScaleFactor = 0.50;const flipHorizontal = false;const outputStride = 16;

const imageElement = document.getElementById('cat');

// load the posenet modelconst net = await posenet.load();

const pose = await net.estimateSinglePose(imageElement, scaleFactor, flipHorizontal, outputStride)

示例輸出姿勢如下所示：

{ "score": 0.32371445304906, "keypoints": [ { // nose "position": { "x": 301.42237830162, "y": 177.69162777066 }, "score": 0.99799561500549 }, { // left eye "position": { "x": 326.05302262306, "y": 122.9596464932 }, "score": 0.99766051769257 }, { // right eye "position": { "x": 258.72196650505, "y": 127.51624706388 }, "score": 0.99926537275314 }, ... ]}

第 2b 步: 多人姿勢判斷

應(yīng)用于圖像的示例多人姿勢判斷算法

Image Credit: “Microsoft Coco: Common Objects in Context Dataset”,?https://cocodataset.org

多人姿勢判斷算法可以判斷圖像中許多的姿勢/人。 它比單一姿勢算法更為復(fù)雜，且速度稍慢，不過它的優(yōu)點(diǎn)是，如果圖片中出現(xiàn)多個(gè)人，他們檢測到的關(guān)鍵點(diǎn)不太可能與錯(cuò)誤的姿勢相關(guān)聯(lián)。 因此，即使用例是檢測單個(gè)人的姿勢，這個(gè)算法可能更合乎需要。

此外，該運(yùn)算法則一個(gè)引人入勝的特性是其性能不會(huì)因輸入圖像中的人數(shù)多少而受到影響。 不管是檢測 15 個(gè)人或 5 個(gè)人，計(jì)算的時(shí)間是相同的。

我們來看一下輸入：

輸入圖像元素 - 與單一姿勢判斷相同

圖像比例系數(shù) - 與單一姿勢判斷相同

水平翻轉(zhuǎn) - 與單一姿勢判斷相同

輸出步幅 - 與單一姿勢判斷相同

幅度最大的姿勢檢測 - 整數(shù)。 默認(rèn)為 5. 要檢測的幅度最大的姿勢數(shù)值。

姿勢置信度得分閾值 - 0.0 到 1.0。 默認(rèn)為 0.5。 在較高級(jí)別，這將控制回饋的姿勢最低置信度分?jǐn)?shù)。

非最大抑制（NMS）半徑 –這是一個(gè)以像素為單位的數(shù)字。在上層，它會(huì)控制返回姿勢之間的最小距離。其默認(rèn)值為 20，這在大多數(shù)情況下均表現(xiàn)良好。只有在調(diào)整姿勢置信度得分不夠好的情況下，為了過濾掉不太準(zhǔn)確的姿勢，該數(shù)值應(yīng)該增加或減少。

查看這些參數(shù)影響的最佳方法是嘗試一下多姿勢判斷的演示。

讓我們再看一下輸出：

一個(gè)通過一系列姿勢來解決的承諾。

每個(gè)姿勢包含與單人判斷算法中相同描述的信息。

這個(gè)短代碼塊展示了如何使用多姿勢判斷算法：

const imageScaleFactor = 0.50;const flipHorizontal = false;const outputStride = 16;// get up to 5 posesconst maxPoseDetections = 5;// minimum confidence of the root part of a poseconst scoreThreshold = 0.5;// minimum distance in pixels between the root parts of posesconst nmsRadius = 20;

const imageElement = document.getElementById('cat');// load posenet

const net = await posenet.load();

const poses = await net.estimateMultiplePoses( imageElement, imageScaleFactor, flipHorizontal, outputStride, maxPoseDetections, scoreThreshold, nmsRadius);

姿勢的示例輸出數(shù)組如下所示：

// array of poses/persons[ { // pose #1 "score": 0.42985695206067, "keypoints": [ { // nose "position": { "x": 126.09371757507, "y": 97.861720561981 }, "score": 0.99710708856583 }, ... ] }, { // pose #2 "score": 0.13461434583673, "keypositions": [ { // nose "position": { "x": 116.58444058895, "y": 99.772533416748 }, "score": 0.9978438615799 }, ... ] }, ... ]

如果您已經(jīng)閱讀過這篇文章，那么您就已經(jīng)了解了 PoseNet 演示的全部內(nèi)容。 這也許是一個(gè)很好的停止點(diǎn)。 如果您想深入了解有關(guān)模型和實(shí)施的技術(shù)細(xì)節(jié)的更多信息，我們邀請您繼續(xù)閱讀下文。

致孜孜不倦的鉆研者：技術(shù)深潛

在本節(jié)中，我們將詳細(xì)介紹單一姿勢判斷算法。在上層，該過程如下所示：

使用 PoseNet 的單人姿勢探測器通道

需要注意的一個(gè)重要細(xì)節(jié)是，研究人員同時(shí)訓(xùn)練了 PoseNet 上的一個(gè) ResNet 模型和一個(gè) MobileNet 模型。 雖然 ResNet 模型具有更高的準(zhǔn)確性，但對(duì)于實(shí)時(shí)應(yīng)用程序來說，其大尺寸和多層面使頁面加載時(shí)間和推理時(shí)間變得不太理想。我們使用 MobileNet 模型，因?yàn)樗菍橐苿?dòng)設(shè)備上運(yùn)行而設(shè)計(jì)的。

注：ResNet 模型鏈接

https://arxiv.org/abs/1512.03385

MobileNet 模型鏈接

https://arxiv.org/abs/1704.04861

再看一下單一姿勢判斷算法

處理模型輸入：輸出步幅的解釋

首先，我們將討論如何通過輸出步幅來獲得 PoseNet 模型輸出（主要是熱圖和偏移矢量）。

PoseNet 模型可以方便地保持圖像大小恒定，意思是不管圖像是否縮小，它能夠以與原始圖像相同的比例預(yù)測姿勢位置。 這就意味著通過設(shè)置我們在運(yùn)行上面提到的輸出步幅時(shí)，在犧牲了性能的情況下，可以將 PoseNet 配置成更高的精度。

輸出步幅決定了我們相對(duì)于輸入圖像大小縮小輸出的程度。 它會(huì)影響圖層的大小和模型輸出。 輸出步幅越高，網(wǎng)絡(luò)中的層的分辨率和輸出越小，相應(yīng)地它們的精度也越高。 在此應(yīng)用中，輸出步幅可以取值 8,16 或 32。換句話說，在輸出步幅為 32 的情況下，能夠取得最快的表現(xiàn)但是精度卻是最低，而 8 則相反，精度最高但表現(xiàn)最慢。 我們建議從 16 開始。

輸出步幅決定了我們相對(duì)于輸入圖像大小縮小輸出的程度。 輸出步幅更高，表現(xiàn)更快，但精度更低

在后臺(tái)中，當(dāng)輸出步幅設(shè)置為 8 或 16 時(shí)，減少層中步幅的輸入量就能創(chuàng)建更大的輸出分辨率。 然后使用帶孔卷積核使后續(xù)層中的卷積濾波器具有更寬的視場（當(dāng)輸出步幅為 32 時(shí)不適用帶孔卷積核）。 雖然 Tensorflow 支持帶孔卷積核，但 TensorFlow.js 卻不支持，為此我們添加了一個(gè) PR 來包含它。

模型輸出： 熱圖和偏移矢量

當(dāng) PoseNet 處理圖像時(shí)，實(shí)際上反饋的是熱圖以及偏移矢量，可以對(duì)其進(jìn)行解碼，用以在圖像中找到與姿勢關(guān)鍵點(diǎn)對(duì)應(yīng)的高置信度區(qū)域。 我們可以快速討論其中每一個(gè)意味著什么，但眼下我們在高級(jí)別情況下捕獲的如下圖演示了每個(gè)姿勢關(guān)鍵點(diǎn)如何與一個(gè)熱圖張量和偏移矢量張量相關(guān)聯(lián)。

PoseNet 反饋的 17 個(gè)姿勢關(guān)鍵點(diǎn)中的每一個(gè)都與一個(gè)熱圖張量和一個(gè)偏移矢量張量相關(guān)聯(lián)，用于確定關(guān)鍵點(diǎn)的確切位置

這兩個(gè)輸出都是具有高度和寬度的 3D 張量，我們將其稱為分辨率。 分辨率根據(jù)以下公式由輸入圖像大小和輸出步幅決定：

Resolution = ((InputImageSize - 1) / OutputStride) + 1

// Example: an input image with a width of 225 pixels and an output// stride of 16 results in an output resolution of 15// 15 = ((225 - 1) / 16) + 1

熱圖

每個(gè)熱圖是尺寸為分辨率 x 分辨率 x 17 的 3D 張量，因?yàn)?17 是 PoseNet 檢測到的關(guān)鍵點(diǎn)的數(shù)量。 例如，圖像大小為 225，輸出步幅為 16，那么就是 15x15x17。 第三維（17）中的每個(gè)切片與特定關(guān)鍵點(diǎn)的熱圖對(duì)應(yīng)。 該熱圖中的每個(gè)位置都有一個(gè)置信度分?jǐn)?shù)，即該關(guān)鍵點(diǎn)類型的一部分存在于該位置的概率。 可以視作原始圖像被分解成 15x15 網(wǎng)格，而熱圖分?jǐn)?shù)將對(duì)每個(gè)網(wǎng)格方塊中每個(gè)關(guān)鍵點(diǎn)存在的可能性進(jìn)行分類。

偏移矢量

每個(gè)偏移矢量是尺寸分辨率 x 分辨率 x 34 的 3D 張量，其中 34 是關(guān)鍵點(diǎn)的數(shù)量 * 2。圖像尺寸為 225，輸出步幅為 16，那么就是 15x15x34。 由于熱圖是關(guān)鍵點(diǎn)所在的近似值，因此偏移矢量在位置上對(duì)應(yīng)于熱圖點(diǎn)，并用于通過沿相應(yīng)熱圖點(diǎn)的矢量行進(jìn)來預(yù)測關(guān)鍵點(diǎn)的確切位置。 偏移矢量的前 17 個(gè)切片包含矢量的 x，最后的 17 個(gè) y。 偏移矢量大小與原始圖像的比例相同。

從模型的輸出判斷姿勢

圖像通過模型后，我們會(huì)執(zhí)行一系列計(jì)算來判斷輸出的姿勢。 例如，單一姿勢判斷算法會(huì)回饋?zhàn)藙葜眯哦鹊梅?，其本身包含關(guān)鍵點(diǎn)陣列（由部件 ID 索引），每個(gè)關(guān)鍵點(diǎn)具有置信度得分和 x，y 位置。

要獲得姿勢的關(guān)鍵點(diǎn)：

在熱圖上進(jìn)行 S 形激活以獲得分?jǐn)?shù)。得分= heatmap.sigmoid()

argmax2d 在關(guān)鍵點(diǎn)置信度得分上完成，以獲得熱圖中的x和y索引，每個(gè)部分的得分最高，這實(shí)際上是該部分最可能存在的位置。這會(huì)產(chǎn)生一個(gè)大小為 17x2 的張量，每一行都是熱圖中的 y 和 x 索引，每個(gè)部分的得分最高。heatmapPositions = scores.argmax（y，x）

通過從對(duì)應(yīng)于該部件的熱圖中的 x 和 y 索引的偏移量獲取 x 和 y 來檢索每個(gè)部件的偏移矢量。這會(huì)產(chǎn)生一個(gè)大小為 17x2 的張量，每行是相應(yīng)關(guān)鍵點(diǎn)的偏移量。例如，對(duì)于索引 k 處的部分，當(dāng)熱圖位置為 y 和 d 時(shí)，偏移矢量為：offsetVector = [offsets.get（y，x，k），offsets.get（y，x，17 + k）]

為了得到關(guān)鍵點(diǎn)，每個(gè)部件的熱圖 x 和 y 乘以輸出步幅，然后加到它們相應(yīng)的偏移矢量，該矢量與原始圖像的比例相同。keypointPositions = heatmapPositions * outputStride + offsetVectors

最后，每個(gè)關(guān)鍵點(diǎn)置信度得分是其熱圖位置的置信度得分。姿勢置信度得分是關(guān)鍵點(diǎn)得分的平均值。

多人姿勢判斷

多姿勢判斷運(yùn)算法則的詳細(xì)內(nèi)容就不在本文中一一贅述。 大體來說，該運(yùn)算法則的不同之處在于它使用了貪婪過程，通過沿著基于部分的圖形來跟隨位移矢量來將關(guān)鍵點(diǎn)分組成姿勢。 確切地說，就是它使用了研究論文 PersonLab 中的快速貪婪解碼算法：人物姿勢判斷和實(shí)例分割與自下而上，基于部分的幾何嵌入模型。 有關(guān)多姿勢運(yùn)算法則的更多信息，請閱讀完整的研究論文或查看代碼。

注：代碼鏈接

https://github.com/tensorflow/tfjs-models/tree/master/posenet/src

最后

我們希望隨著越來越多的模型被移植導(dǎo)入到 TensorFlow.js，機(jī)器學(xué)習(xí)的世界變得對(duì)新的編碼員和制造者來說更容易接近，更受歡迎，更有趣。 TensorFlow.js 上的 PoseNet 是一個(gè)小嘗試，使之成為可能。 我們將很樂意看到你的制作 - 并且不要忘記使用 #tensorflowjs 和 #posenet 來分享你的精彩項(xiàng)目！