Die Pose-Schätzung ist eine Klasse von Methoden, die Computer-Vision-Techniken nutzen, um die räumliche Struktur von Objekten in Bildern oder Videos zu analysieren. Ziel ist es, Schlüsselpunkte von Menschen, Tieren oder Objekten zu lokalisieren und Gelenkverbindungen oder die Gesamtpose abzuleiten. Diese Technologie umfasst Bereiche wie Objekterkennung, visuelles Repräsentationslernen und geometrische Modellierung und ist eine grundlegende Aufgabe in der Verhaltensanalyse, der intelligenten Interaktion und dem dreidimensionalen visuellen Verständnis.

Die Entwicklung der Pose-Schätzung basiert auf langjähriger Forschung in verschiedenen Bereichen, darunter Computer Vision, Humanmodellierung und Bildanalyse. Frühe Methoden nutzten primär manuell entworfene Merkmale, Template-Matching und geometrische Modelle zur Erkennung wichtiger Körpermerkmale. Diese Methoden stießen jedoch bei komplexen Hintergründen, Verdeckungen und Posenvariationen an ihre Grenzen. Mit der Entwicklung des Deep Learning begannen Forscher, neuronale Netze einzusetzen, um menschliche Strukturmerkmale direkt aus Bilddaten zu lernen. Im Jahr 2014 veröffentlichten die Google-Forscher Alexander Toshev und Christian Szegedy eine Studie… DeepPose: Schätzung der menschlichen Körperhaltung mittels tiefer neuronaler Netze Die vorliegende Arbeit schlägt eine Methode zur Schätzung der menschlichen Körperhaltung mithilfe tiefer neuronaler Netze vor. Diese Methode transformiert die Schätzung der Körperhaltung in ein Regressionsproblem, bei dem Bilder auf Schlüsselpunktkoordinaten zurückgeführt werden. Dies hat die Anwendung von Deep Learning in der Analyse der menschlichen Körperhaltung gefördert und zählt zu den wichtigsten repräsentativen Studien auf dem Gebiet der Deep-Learning-basierten Schätzung der Körperhaltung.

Die Kernaufgabe der Pose-Schätzung besteht darin, die Positionen verschiedener Gelenke des menschlichen Körpers (wie Schultern, Ellbogen, Handgelenke, Knie und Knöchel) anhand von Bildern oder Videos zu bestimmen und daraus die vollständige Skelettstruktur und Körperhaltung zu rekonstruieren. Je nach Koordinatendimension und Szenenkomplexität lässt sich die Pose-Schätzung in 2D-, 3D- und Mehrpersonen-Pose-Schätzung unterteilen. Technisch integriert sie Keypoint-Detektionsnetzwerke, Transformer-Strukturen und 3D-Bildverarbeitungsverfahren. In den letzten Jahren hat sie sich schrittweise von mehrstufigen Prozessen zu durchgängigen Lösungen entwickelt und ihre Fähigkeiten zur Rekonstruktion der menschlichen Morphologie, wie z. B. Ganzkörper-Keypoint-Schätzung und 3D-Netzrekonstruktion, erweitert. Aktuell findet diese Technologie breite Anwendung in der Bewegungsanalyse, der Mensch-Computer-Interaktion, VR/AR, intelligenter Überwachung und der Roboterwahrnehmung.