1、18点模型
对应位置：
// {0, “Nose”},
// {1, “Neck”},
// {2, “RShoulder”},
// {3, “RElbow”},
// {4, “RWrist”},
// {5, “LShoulder”},
// {6, “LElbow”},
// {7, “LWrist”},
// {8, “RHip”},
// {9, “RKnee”},
// {10, “RAnkle”},
// {11, “LHip”},
// {12, “LKnee”},
// {13, “LAnkle”},
// {14, “REye”},
// {15, “LEye”},
// {16, “REar”},
// {17, “LEar”}
2、25点模型
对应位置：
{0, “Nose”},
{1, “Neck”},
{2, “RShoulder”},
{3, “RElbow”},
{4, “RWrist”},
{5, “LShoulder”},
{6, “LElbow”},
{7, “LWrist”},
{8, “MidHip”},
{9, “RHip”},
{10, “RKnee”},
{11, “RAnkle”},
{12, “LHip”},
{13, “LKnee”},
{14, “LAnkle”},
{15, “REye”},
{16, “LEye”},
{17, “REar”},
{18, “LEar”},
{19, “LBigToe”},
{20, “LSmallToe”},
{21, “LHeel”},
{22, “RBigToe”},
{23, “RSmallToe”},
{24, “RHeel”},
OpenPose的18和25关节点对应顺序1、18点模型对应位置：// {0, “Nose”},// {1, “Neck”},// {2, “RShoulder”},// {3, “RElbow”},// {4, “RWrist”},// {5, “LShoulder”},// {6, “LElbow”},...
BODY
25
：
25
个身体关键
点
的识别，运算时间与检测出的人数无关。
COCO:
18
个身体关键
点
的识别，运算时间与检测出的人数无关。
MPI:15个身体关键
点
的识别，运算时间与检测出的人数无关。
Face：70个面部关键
点
的识别。目前，运算时间取决于检测出的人数。
Hand：221个手部关键
点
识别。目前，运算时间取决于检测出的人数。
图片、视频、网...
根据examples中的例子，首先导入py
open
pose
库
# Import
Open
pose
(Windows)
dir_path =r'C:\Users\WJT\Desktop\my
open
pose
\build\examples\tutorial_api_python'
if platform == "win32":
# Change these variables to point to the correct folder (Release/x64 et
--video input.mp4: 读取 Video.
--camera 3: 读取 webcam number 3.
--image_dir path_to_images/: 运行图像路径内的图片.
--ip_camera http://iris.not.iac.es/axis-cgi/mjpg/
open
pose
开源代码：https://github.com/CMU-Perceptual-Computing-Lab/
open
pose
这个开源代码写的太详细，功能也集成得比较杂，而我只需要拿来跑一下关键
点
。因此大部分步骤我都不需要，我觉得有很多人和我一样不需要其他的，因此记录一下我跑通的简化的步骤：
Table of Contents
一、克隆代码
二、先配置需要的包：
三、创建b...
算法描述：
先构建所给数的邻接表，通过输入完成邻接表。通过邻接表进行深度优先搜索，完成d数组和low数组的赋值操作，这是求解
关节点
的关键，我在dfs中加入了根节
点
孩子数的判断，为了方便后面
关节点
个数的计算。
dfs:d数组里的值就是访问的次序,第几个被访问到的就是几，没有被访问的就是-1，这里d数组也充当了visited 数组，以便后面递归判断。low[u]的来源有三种，一种是自己即d[u],一种...
