《表1 Video Pose2.0数据集中人体姿态跟踪的关节点精度》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《视频中多特征融合人体姿态跟踪》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

注:加粗字体表示最优结果。

使用本文算法在数据集VideoPose2.0与YouTubePose上分别进行验证，实验结果分别如表1和表2所示。由于手臂部位的跟踪是人体姿态跟踪中最困难的部分，因此，表1、表2中着重列出了与手臂相关的肩关节、肘关节以及腕关节的跟踪精度。此外，为验证本文算法的有效性，将VideoPose2.0数据集的实验结果与3种先进的人体姿态跟踪和估计算法的效果进行对照，这3种算法分别为:基于条件随机场模型的人体姿态跟踪方法（Kumar和Batra，2016）；基于树结构图模型推理的人体姿态跟踪方法（Samanta和Chanda，2016）；使用最大边界马尔可夫模型的人体姿态跟踪方法（Zhao等，2015）。同样地，在YouTubePose数据集上进行验证的实验结果与另外3种先进的人体姿态跟踪和估计算法的效果进行对照，这3种算法分别为:基于流动卷积模型的人体姿态跟踪方法（Pfister等，2015）；基于人体部位模型成对推理的人体姿态跟踪方法（Chen等，2018）；基于人体模型序列混合推理的人体姿态跟踪方法（Cherian等，2014）。