Сравнительный анализ библиотек для детектирования позы человека в условиях работы на мобильных устройствах

Article Sidebar

PDF
Опубликован: 23.06.2025
УДК 004.946.2 УДК 004.932.72 УДК 004.272
DOI: https://doi.org/10.26907/1562-5419-2025-28-3-573-600
Выпуск
Том 28 № 3 (2025)

Main Article Content

Егор Игоревич Ярко
Казанский (Приволжский) федеральный университет, г. Казань, 420008, Россия
https://orcid.org/0009-0009-0502-1066

Аннотация

   Оценка положения тела человека (Human Pose Estimation, HPE) стала одной из наиболее актуальных тем в исследованиях в области компьютерного зрения. Эта технология может применяться в различных сферах, таких как видеонаблюдение, медицинская помощь и анализ спортивных движений.


В связи с растущим спросом на HPE за последние 20 лет было разработано большое количество библиотек для этой технологии. C 2017 года опубликовано множество алгоритмов HPE, основанных на скелетной модели, которые были упакованы в библиотеки для удобства использования исследователями. Эти библиотеки важны для исследователей, которые хотят интегрировать их в реальные приложения для видеонаблюдения, медицинской помощи и анализа спортивных движений.


В работе рассмотрены преимущества и недостатки четырёх популярных передовых библиотек HPE для распознавания поз человека, которые могут работать на мобильных устройства: Lightweight OpenPose, PoseNet, MoveNet и Blase Pose.

Article Details

Как цитировать
Ярко, Е. И. «Сравнительный анализ библиотек для детектирования позы человека в условиях работы на мобильных устройствах». Электронные библиотеки, т. 28, вып. 3, июнь 2025 г., сс. 573-00, doi:10.26907/1562-5419-2025-28-3-573-600.

Библиографические ссылки

1. Su C., Li J.; Zhang S., Xing J., Gao W., Tian Q. Pose-driven deep convolutional model for person re-identification // Proceedings of the IEEE International Conference on Computer Vision. 2017. P. 3960–3969.
2. Xu J., Zhao R., Zhu F., Wang H., Ouyang W. Attention-aware compositional network for person re-identification // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2018. P. 2119–2128.
3. Thyagarajmurthy A., Ninad M.G., Rakesh B.G., Niranjan S., Manvi B. Anomaly detection in surveillance video using pose estimation // Proceedings of the Emerging Research in Electronics, Computer Science and Technology; Springer. 2019. P. 753–766.
4. Lamas A., Tabik S., Montes A.C., Pérez-Hernández F., García J., Olmos R., Herrera F. Human pose estimation for mitigating false negatives in weapon detection in video-surveillance // Neurocomputing. 2022. Vol. 489. P. 488–503.
5. Yoo H.R., Lee B.H. An OpenPose-based child abuse decision system using surveillance video // J. Korea Inst. Inf. Commun. Eng. 2019. Vol. 23. P. 282–290.
6. Park J.H., Song K., Kim Y.-S. A Kidnapping Detection Using Human Pose Estimation in Intelligent Video Surveillance Systems // J. Korea Soc. Comput. Inf. 2018. Vol. 23. P. 9–16.
7. Chang Y.J., Chen S.F., Huang J.D. A Kinect-based system for physical rehabilitation: A pilot study for young adults with motor disabilities // Res. Dev. Disabil. 2011. Vol. 32. P. 2566–2570.
8. Hassan H.A., Abdallah B.H., Abdallah A.A., Abdel-Aal R.O., Numan R.R., Darwish A.K., El-Behaidy W.H. Automatic Feedback for Physiotherapy Exercises Based On PoseNet // FCAI-Inform. Bull. 2020. Vol. 2. P. 10–14.
9. Shapoval S., García Zapirain B., Mendez Zorrilla A., Mugueta-Aguinaga I. Biofeedback applied to interactive serious games to monitor frailty in an elderly population // Appl. Sci. 2021. Vol. 11. P. 3502.
10. Chua J., Ong L.Y., Leow M.C. Telehealth using PoseNet-based system for in-home rehabilitation // Future Internet. 2021. Vol. 13. P. 173.
11. Kim W., Sung J., Saakes D., Huang C., Xiong S. Ergonomic postural assessment using a new open-source human pose estimation technology (OpenPose) // Int. J. Ind. Ergon. 2021. Vol. 84. P. 103164.
12. Jawale C.D., Joshi K.A., Gogate S.K., Badgujar C. Elcare: Elderly Care with Fall Detection // J. Phys. Conf. Ser. 2022. Vol. 2273. P. 012019.
13. Kapoor R., Jaiswal A., Makedon F. Light-weight seated posture guidance system with machine learning and computer vision // Proceedings of the 15th International Conference on PErvasive Technologies Related to Assistive Environments. 2022. P. 595–600.
14. Landi H. Google, ProMedica Team up with Include Health to Tap into Growing Virtual MSK Market // Fierce Healthcare. URL: https://www.fiercehealthcare.com/tech/google-promedica-team-up-includehealth-to-tap-into-virtual-msk-market
15. Chen W., Jiang Z., Guo H., Ni X. Fall detection based on key points of human-skeleton using OpenPose // Symmetry. 2020. Vol. 12. P. 744.
16. Zou J., Li B., Wang L., Li Y., Li X., Lei R., Sun S. Intelligent fitness trainer system based on human pose estimation // Proceedings of the International Conference On Signal and Information Processing, Networking and Computers. 2018. P. 593–599.
17. Suda S., Makino Y., Shinoda H. Prediction of volleyball trajectory using skeletal motions of setter player // Proceedings of the 10th Augmented Human International Conference. 2019. P. 1–8.
18. Wang J., Qiu K., Peng H., Fu J., Zhu J. AI coach: Deep human pose estimation and analysis for personalized athletic training assistance // Proceedings of the 27th ACM International Conference on Multimedia. 2019. P. 374–382.
19. Jeon H., Yoon Y., Kim D. Lightweight 2D human pose estimation for fitness coaching system // Proceedings of the 2021 36th International Technical Conference on Circuits/Systems, Computers and Communications (ITC-CSCC). 2021. P. 1–4.
20. Li Y.C., Chang C.T., Cheng C.C., Huang Y.L. Baseball Swing Pose Estimation Using OpenPose // Proceedings of the 2021 IEEE International Conference on Robotics, Automation and Artificial Intelligence (RAAI). 2021. P. 6–9.
21. Park H.J., Baek J.W., Kim J.H. Imagery based Parametric Classification of Correct and Incorrect Motion for Push-up Counter Using OpenPose // Proceedings of the 2020 IEEE 16th International Conference on Automation Science and Engineering (CASE). 2020. P. 1389–1394.
22. Nguyen H.T.P., Woo Y., Huynh N.N., Jeong H. Scoring of Human Body-Balance Ability on Wobble Board Based on the Geometric Solution // Appl. Sci. 2022. Vol. 12. P. 5967.
23. Patil A., Rao D., Utturwar K., Shelke T., Sarda E. Body Posture Detection and Motion Tracking using AI for Medical Exercises and Recommendation System // ITM Web Conf. 2022. Vol. 44. P. 03043.
24. Devanandan M., Rasaratnam V., Anbalagan M.K., Asokan N., Panchendrarajan R., Tharmaseelan J. Cricket Shot Image Classification Using Random Forest // Proceedings of the 2021 3rd International Conference on Advancements in Computing (ICAC). 2021. P. 425–430.
25. Joseph R., Ayyappan M., Shetty T., Gaonkar G., Nagpal A. BeFit—A Real-Time Workout Analyzer // Proceedings of the Sentimental Analysis and Deep Learning. 2022. P. 303–318.
26. Mahendran N. Deep Learning for Fitness // arXiv. 2021. arXiv:2109.01376.
27. Agarwal S., Gupta M., Khandelwal S., Jain P., Aggarwal A., Singh D., Mishra V.K. FitMe: A Fitness Application for Accurate Pose Estimation Using Deep Learning // Proceedings of the 2021 2nd International Conference on Secure Cyber Computing and Communications (ICSCCC). 2021. P. 232–237.
28. Nakai M., Tsunoda Y., Hayashi H., Murakoshi H. Prediction of basketball free throw shooting by OpenPose // Proceedings of the JSAI International Symposium on Artificial Intelligence. 2018. P. 435–446.
29. Zheng C., Wu W., Chen C., Yang T., Zhu S., Shen J., Kehtarnavaz N., Shah M. Deep learning-based human pose estimation: A survey // arXiv. 2020, arXiv:2012.13392.
30. Papandreou G., Zhu T., Kanazawa N., Toshev A., Tompson J., Bregler C., Murphy K. Towards accurate multi-person pose estimation in the wild // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, Honolulu. 2017. P. 4903–4911.
31. Jo B., Kim S. Comparative Analysis of OpenPose, PoseNet, and MoveNet Models for Pose Estimation in Mobile Devices // Trait. du Signal. 2022. Vol. 39. P. 119–124.
32. Cao Z., Simon T., Wei S.E., Sheikh Y. Realtime multi-person 2d pose estimation using part affinity fields // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2017. P. 7291–7299.
33. Erramchetty S.K. et al. Human pose estimation using blaze pose // AIP Conference Proceedings. 2024. Vol. 2971. No. 1.
34. Gadhiya R., Kalani N. Analysis of Deep Learning Based Pose Estimation Techniques for Locating Landmarks on Human Body Parts // Proceedings of the 2021 International Conference on Circuits, Controls and Communications (CCUBE). 2021. P. 1–4.
35. Lin T.Y., Maire M., Belongie S., Hays J., Perona P., Ramanan D., Dollár P., Zitnick C.L. Microsoft coco: Common objects in context // Proceedings of the European Conference on Computer Vision. 2014. P. 740–755.
36. Andriluka M., Pishchulin L., Gehler P., Schiele B. 2D human pose estimation: New benchmark and state of the art analysis // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2014. P. 3686–3693.
37. Toshev A., Szegedy C. DeepPose: Human pose estimation via deep neural networks // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2014. P. 1653–1660.
38. Chung J.-L., Ong L.-Y., Leow M.-C. Comparative Analysis of Skeleton-Based Human Pose Estimation // Future Internet. 2022. Vol. 14, No. 12. P. 380. https://doi.org/10.3390/fi14120380
39. Ahmedt-Aristizabal D., Nguyen K., Denman S., Sridharan S., Dionisio S., Fookes C. Deep motion analysis for epileptic seizure classification // Proceedings of the 2018 40th Annual International Conference of the IEEE Engineering in Medicine and Biology Society. 2018. P. 3578–3581.
40. Ishaq A., Haq I.U. Real-time single-person pose estimation on low-power embedded devices // 2019 International Conference on Frontiers of Information Technology (FIT).
41. Cao Z., Simon T., Wei S.-E., Sheikh Y. Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2017. P. 7291–7299.
42. Papandreou G., Zhu T., Chen L.-C., Gidaris S., Tompson J., Murphy K. PersonLab: Person Pose Estimation and Instance Segmentation with a Bottom-Up, Part-Based, Geometric Embedding Model // Proceedings of the European Conference on Computer Vision (ECCV). 2018. P. 269–286.
43. TensorFlow Blog. MoveNet: Ultra fast and accurate pose detection model. 2021. URL: https://blog.tensorflow.org/2021/05/movenet-and-posture-analysis.html
44. Bazarevsky V., Zhang F. BlazePose: On-Device Real-Time Body Pose Tracking. Google AI Blog. 2020. URL: https://ai.googleblog.com/2020/08/on-device-real-time-body-pose-tracking.html
45. Gabdullina D.R., Zykov E.Yu., Kugurakova V.V. Using OpenCV for real-time image recognition through augmented reality devices // The 2023 International Conference on Artificial Life and Robotics (ICAROB2023). 2023. P. 868–874.
46. Gabdullina D.R., Zykov E.Yu., Kugurakova V.V. Using OpenCV for augmented reality appliсations // Journal of Advances in Artificial Life Robotics. 2023. Vol. 3. Iss. 3(3). P. 179–184.
47. Бакиров А.Р. и др. Использование контроллера Microsoft Kinect в разработке реабилитационных игр // Электронные библиотеки. 2016. Т. 19. №. 6. С. 521–537.
48. You Y., Zhao Y. A human pose estimation algorithm based on the integration of improved convolutional neural networks and multi-level graph structure constrained model // Pers. Ubiquitous Comput. 2019. Vol. 23. P. 607–616.


Лицензия Creative Commons

Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.

Представляя статьи для публикации в журнале «Электронные библиотеки», авторы автоматически дают согласие предоставить ограниченную лицензию на использование материалов Казанскому (Приволжскому) федеральному университету (КФУ) (разумеется, лишь в том случае, если статья будет принята к публикации). Это означает, что КФУ имеет право опубликовать статью в ближайшем выпуске журнала (на веб-сайте или в печатной форме), а также переиздавать эту статью на архивных компакт-дисках журнала или включить в ту или иную информационную систему или базу данных, производимую КФУ.

Все авторские материалы размещены в журнале «Электронные библиотеки» с ведома авторов. В случае, если у кого-либо из авторов есть возражения против публикации его материалов на данном сайте, материал может быть снят при условии уведомления редакции журнала в письменной форме.

Документы, изданные в журнале «Электронные библиотеки», защищены законодательством об авторских правах, и все авторские права сохраняются за авторами. Авторы самостоятельно следят за соблюдением своих прав на воспроизводство или перевод их работ, опубликованных в журнале. Если материал, опубликованный в журнале «Электронные библиотеки», с разрешения автора переиздается другим издателем или переводится на другой язык, то ссылка на оригинальную публикацию обязательна.

Передавая статьи для опубликования в журнале «Электронные библиотеки», авторы должны принимать в расчет, что публикации в интернете, с одной стороны, предоставляют уникальные возможности доступа к их материалам, но, с другой, являются новой формой обмена информацией в глобальном информационном обществе, где авторы и издатели пока не всегда обеспечены защитой от неправомочного копирования или иного использования материалов, защищенных авторским правом.

При использовании материалов из журнала обязательна ссылка на URL: http://rdl-journal.ru. Любые изменения, дополнения или редактирования авторского текста недопустимы. Копирование отдельных фрагментов статей из журнала разрешается для научных исследований, персонального использования, коммерческого использования до тех пор, пока есть ссылка на оригинальную статью.

Запросы на право переиздания или использования любых материалов, опубликованных в журнале «Электронные библиотеки», следует направлять главному редактору Елизарову А.М. по адресу: amelizarov@gmail.com

Издатели журнала «Электронные библиотеки» не несут ответственности за точки зрения, излагаемые в публикуемых авторских статьях.

Предлагаем авторам статей загрузить с этой страницы, подписать и выслать в адрес издателя журнала по электронной почте скан Авторского договора о передаче неисключительных прав на использование произведения.