第一，openpose是自下而上算法。
OpenPose人体姿势识别项目是美国卡内基梅隆大学(CMU )基于卷积神经网络和监控学习以Caffe为框架开发的开源库。 可以推断人体动作、表情、手指动作等姿势。 适合一人和多人，具有很好的鲁棒性。 是世界上第一个基于深度学习的实时多人二维姿态估计APP应用，其实例如雨后春笋般出现。
检测所有关键点，并进行分组成为不同的人，是目前流行的人体姿态评估算法之一。
OpenPose取得巨大成功的原因之一是在GitHub上开放源代码及其实现代码(https://github.com/CMU-perceptual-computing-lab/openpose )，并提供详细的文档
与许多自下而上的方法一样，OpenPose首先检测图像中所有人的关节(关键点)，并将检测到的关键点分配给相应的人。 下图显示了OpenPose模型的体系结构。
二、openpose算法：
1 .输入图像，通过VGG19卷积网络提取特征，得到一组特征图，然后分成两条岔路Branch12，分别采用CNN网络进行Part Confidence Maps (可靠度)和part affice
2 .得到这两个信息后，我们利用图论中的Bipartite Matching (偶匹配)求Part Association，连接同一人物的关节点。 由于PAF自身的矢量性，生成的偶匹配是正确的，最终合并到一个人的整体骨骼中。
3 .最后将基于PAFs求多个人密码的多个人密码问题转化为图形问题——匈牙利算法是地图匹配最常见的一种
三、关键热图和矢量图(heatmapvectmap ) :
例如，总共有19个关键帧会生成19个通道的热图，每个通道都是某个关节的热图分布(即概率图)。 同时生成192个通道的矢量图，为什么是192呢？ 因为矢量图分为x方向和y方向两个方向。
“heatmap”生成关键命中，图中未标记的关键帧生成的所有“heatmap”值都为0。 共有19个heatmap，其中最后表示背景。
如果将矢量贴图向量相乘，则矢量贴图为头部贴图的2倍，即38个(19*2)。 因为有19条关键点连接线，所以每条线都由向量表示，分别有x轴贴图和y轴贴图。
四. coco keypoints标志与tf-openpose标志的区别