人体姿态估计当中使用的评价指标？

人体姿态估计是指通过计算机视觉技术来推测人体在图像或视频中的姿态信息。在评价人体姿态估计算法的性能时，通常会使用以下几个评价指标：

1. 平均关节误差（Mean Joint Error，MJE）：MJE是最常用的评价指标之一，它衡量了估计的关节位置与真实关节位置之间的平均欧氏距离。MJE越小表示估计结果与真实姿态越接近。

2. 关节角度误差（Joint Angle Error）：关节角度误差用于评估估计的关节角度与真实关节角度之间的差异。通常使用欧氏距离或角度差来度量。

3. PCK（Percentage of Correct Keypoints）：PCK是一种常用的二分类指标，用于衡量估计的关键点是否落在了一定阈值范围内。通常将阈值设置为真实关节长度的百分比，例如PCK@0.1表示关键点落在真实关节长度的10%范围内。

4. PCKh（Percentage of Correct Keypoints with half-length）：PCKh是PCK的一种变体，它将阈值设置为真实关节长度的一半。PCKh主要用于评估较小尺度的关节。

5. OKS（Object Keypoint Similarity）：OKS是一种用于评估多人姿态估计的指标，它考虑了关键点之间的空间关系。OKS通过计算估计关键点与真实关键点之间的重叠度来度量性能。

相关问题

3d人体姿态估计指标

MPJPE（Mean Per Joint Position Error）是一种常用于评估3D人体姿态估计算法的指标。它用于衡量估计出的3D关节点位置与真实标注之间的平均位置误差。这个指标的值越小，表示估计算法的准确性越高，说明该算法对人体姿态的估计效果越好。

值得注意的是，这个指标的计算方法可能因算法而异。在具体的论文中，可能会提供详细的计算公式和数据集说明，以便更好地理解和比较不同算法的表现。所以，如果想要更深入地了解MPJPE指标的计算细节，可以参考原始论文和相关的研究工作。<span class="em">1</span><span class="em">2</span><span class="em">3</span>
#### 引用[.reference_title]
- *1* *2* [3D姿态估计的评价指标MPJPE及其变种](https://blog.csdn.net/leviopku/article/details/118108885)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"]
- *3* [基于 AR 图像识别的算法研究与应用（python实现）](https://download.csdn.net/download/weixin_42380711/88245138)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_1"}}] [.reference_item style="max-width: 50%"]
[ .reference_list ]

COCO数据集人体姿态中的评价指标

### COCO 数据集人体姿态估计使用的评价指标

在 COCO 数据集中，对于人体姿态估计的任务，主要采用的是 OKS（Object Keypoint Similarity）作为核心评估标准[^3]。OKS 是一种针对关键点检测设计的距离度量方法，其作用类似于目标检测中的 IOU（Intersection over Union），但专门适用于关键点匹配。

#### Object Keypoint Similarity (OKS)

OKS 计算公式如下：

\[
OKS = \frac{\sum_{i=1}^{K}{e^{-\delta(i)(x_i - g_i)^2}}}{{\sum_{i=1}^{K}}}
\]

其中 \( K \) 表示关键点的数量；\( x_i \) 和 \( g_i \) 分别表示预测的关键点位置和真实标签的位置；而 \( \delta(i) \) 则是用来调整不同部位的重要性权重因子。该公式的目的是衡量预测的关键点与实际标注之间的相似程度。

为了更全面地反映模型性能，在基于 OKS 值的基础上定义了一系列 AP（Average Precision）、AR（Average Recall）等统计量来综合评估算法效果。这些统计数据会在不同的 OKS 阈值下分别计算，并最终汇总成平均精度均值 mAP 或者其他形式的表现分数[^5]。

def calculate_OKS(pred_keypoints, gt_keypoints, sigmas=None):
    """
    Calculate Object Keypoint Similarity between predicted keypoints and ground-truth keypoints.
    
    Args:
        pred_keypoints (list): Predicted keypoints coordinates list.
        gt_keypoints (list): Ground truth keypoints coordinates list.
        sigmas (list or None): Standard deviation values for each keypoint type.

    Returns:
        float: Calculated OKS value.
    """
    if not sigmas:
        # Default sigma values can be set according to specific dataset requirements
        pass
    
    sum_similarity = 0.0
    num_valid_points = 0
    
    for i in range(len(gt_keypoints)):
        if gt_keypoints[i][2] > 0:  # Only consider visible keypoints
            dist_sqrd = ((pred_keypoints[i][0]-gt_keypoints[i][0])**2 +
                         (pred_keypoints[i][1]-gt_keypoints[i][1])**2)
            
            scale_factor = compute_scale_factor(gt_keypoints) ** 2
            
            exp_term = math.exp(-dist_sqrd / (2 * (sigmas[i]**2)*scale_factor))
            sum_similarity += exp_term
            num_valid_points += 1
        
    return sum_similarity / max(num_valid_points, 1)


def compute_scale_factor(keypoints):
    """Compute scaling factor based on object area."""
    bbox_area = get_bounding_box_area_from_keypoints(keypoints)
    return min(bbox_area, 1.0)