近日，上海交通大学电子信息与电气工程学院卢策吾团队（MVIG组）的论文《CrowdPose: Efficient Crowded Scenes Pose Estimation and A New Benchmark》被CVPR2019（计算机视觉领域顶级会议）接收。该论文主要是针对此前AlphaPose系统的优化，构建了CrowdPose数据集，用来衡量算法在拥挤场景中的性能，并提出了一个高效的算法来解决拥挤人群中的姿态估计问题，实验结果比起当前最好的算法有较大提高。

为了衡量人体姿态估计算法的性能，学术界与工业界建立了越来越多的公开数据集，如MPII、MSCOCO、AI Challenger。然而，这些数据集的图片通常采集于日常生活场景，缺乏拥挤人群场景的数据。对于由数据驱动的深度学习方法来说，数据集的分布不均衡，意味着算法性能的不均衡。同时，随着学术界对人体姿态研究的深入，算法追求像素级的精度，简单场景下的性能已经逐步逼近人类的精度，但在拥挤场景中往往会失效。

针对以上的情况，上海交大MVIG组的研究者开源了CrowdPose数据集。CrowdPose数据集中的图片，有着均匀分布的拥挤程度。既可以评估算法在日常非拥挤情况下的表现，也可以评估其在极度拥挤时的性能。目前，数据集开源了2万张图片，评估工具也已经上线。在未来的几个月时间內，研究者将会不断扩大数据的规模，开源一个更大的数据集。

三大主要数据集与CrowPose数据集的拥挤场景数据分布对比

就算法而言，在拥挤人群的场景下，由于人群过于密集，重合程度太高，每个人的位置难以用人体检测框表示，传统的二步法模型往往会失效。因此，研究者们提出了一个全局竞争匹配算法，减少了姿态估计模型对于人体框的依赖，同时提高了模型对于复杂人体场景的鲁棒性，在拥挤场景中的表现超越了现有的方法。

人体检测框难以表达人的位置

研究者们设计了一个关节点候选损失函数，通过控制模型输出响应程度不同的多峰值热度图，在人体框不准确的情况下，模型尽可能地输出候选关节点可能的位置。在得到每个人体框的候选关节点后，通过聚类与链接，消除冗余结果的同时，构建出一个人体实例-候选关节的图模型，以此来表征了人体实例与每个关节点之间的连接关系与概率。

借助人体实例-候选关节的图模型，人体姿态估计问题可转化成图模型中的最佳匹配问题，因为人体姿态问题具有很强的特殊性，而该图模型具有很强的稀疏性。并且经过研究者们的分析，优化匹配问题的时间复杂度与传统的NMS算法相当。

本研究全局竞争匹配算法概览

总得来说，该方法由于建立了一个全局的图模型，在匹配过程中考虑到了整体的连接方式，因此能很好地改善了二步法中缺乏全局视野的不足。

此外，在实验中，研究者们还对比了该算法与其他开源系统与算法之间的性能。在CrowdPose数据集中，比当前最好的算法提升了5.2mAP；在极度拥挤的子集中，提升了6.2mAP。相较于OpenPose和Detectron（Mask R-CNN）等姿态估计开源系统，不仅性能得以提升，而且运行速度也快了2至3倍。

在CrowdPose数据集上的定量对比实验

三个场景子集中的性能评估与运行速度对比（简单、一般、拥挤）

未来，研究者们将针对这种新的竞争匹配模型进行优化，对其他形式的拥挤检测问题（如拥挤实例分割）开展进一步研究。