行人姿态估计与行为预测基础 · 课程目录

01

课程导论：行人姿态估计与行为预测概述

应用场景：安防、自动驾驶、人机交互课程目标

02

数学基础回顾（一）：线性代数核心

向量·矩阵·特征值姿态估计意义

03

数学基础回顾（二）：概率论与数理统计

贝叶斯·高斯分布·最大似然行为预测建模

04

Python与OpenCV入门

环境配置·图像读写·缩放旋转滤波基础

05

深度学习框架速览：PyTorch基础

张量·自动求导·简单神经网络框架

06

人体关键点定义：COCO / MPII / CrowdPose

关键点格式对比数据集

07

数据标注与预处理

标注工具·数据增强·归一化关键点

08

卷积神经网络（CNN）基础

卷积·池化·全连接·感受野核心

09

经典CNN架构：LeNet / AlexNet / VGG / ResNet

ResNet为何适合姿态估计架构

10

特征金字塔网络（FPN）

多尺度特征融合·行人尺度变化检测

11

自顶向下方法（Top-Down）

YOLO / Faster R-CNN + SimpleBaseline 检测

12

自底向上方法（Bottom-Up）：OpenPose

部分亲和场 PAF 原理关键点

13

Heatmap与回归：高斯热图·坐标解码

Argmax / 积分回归 · MSE / OKS 损失

14

姿态估计进阶：HRNet 高分辨率网络

保持高分辨率特征图 SOTA

15

轻量化模型：MobileNet / ShuffleNet 部署

边缘设备姿态估计轻量

16

多人姿态估计实战：MMPose框架

自定义数据集训练实战

17

姿态估计评估指标

PCK / PCKh / OKS / mAP 评估

18

行为预测导论：从姿态序列到行为意图

时序建模必要性预测

19

循环神经网络（RNN）与LSTM

处理姿态序列·长期依赖时序

20

时间卷积网络（TCN）

因果卷积·空洞卷积·更快时序

21

图卷积网络（GCN）在姿态分析中的应用

人体骨骼建模·ST-GCN 图网络

22

Transformer与姿态估计：ViT / TokenPose

自注意力·全局依赖前沿

23

行为识别经典方法：TSN / TSM / ST-GCN / PoseC3D

RGB与骨架方法识别

24

轨迹预测：社会力模型 / LSTM / Social GAN

编码器-解码器轨迹

25

交互行为分析：人-人交互（HHI）检测

关系网络·图推理交互

26

异常行为检测：Autoencoder / PredNet

重构误差·未来帧预测异常

27

多模态融合：RGB / 光流 / 深度图 / 骨架

提升鲁棒性多模态

28

模型部署与优化：ONNX / TensorRT / 量化

INT8 · Jetson实践部署

29

项目实战（一）：行人姿态估计系统

数据采集到模型推理实战

30

项目实战（二）：实时行为预测系统

姿态估计 + LSTM 动作分类实战