一、MPII數據集

MPII人體姿態數據集是一個常用的用于人體姿態估計和關鍵點檢測的數據集，其中包含大量的人體姿態標注數據和圖像數據。該數據集由德國馬克斯·普朗克研究所計算機視覺小組提供。

該數據集包含超過25k個圖像和對應的人體姿態標注。每個標注包括13個關鍵點（7個在軀干部分和6個在四肢），每個關鍵點包括一個坐標。此外，還提供了16個關鍵部位的二維邊界框標注和6個關鍵部位的三維坐標。

二、Mpi數據

在MPI數據中，提供了訓練和測試數據，并且還將訓練數據分成了訓練集、驗證集和測試集。其中，訓練集包括24985個圖像和相應的注釋，驗證集包含2958個圖像和相應的注釋，測試集包括28678個圖像和相應的注釋。

該數據集提供了多種類型的注釋，包括關節位置的二維坐標、關節位置的三維坐標、姿態角度和人體部件的細粒度標注。此外，還提供了圖像前背景遮擋的標注、不同圖像的相對深度和交互行為的標注。

三、MPII數據集圖片選取

1、標注樣例

在下面的代碼中，我們將加載一個MPII數據集的圖像，并在圖像上繪制姿態估計的關鍵點位置。

import matplotlib.pyplot as plt
import matplotlib.image as mpimg

img = mpimg.imread('000001.png')
plt.imshow(img)

下面是代碼運行的結果顯示的圖片，其中紅色點表示姿態估計的關鍵點。

2、二維邊界框標注

在下面的代碼中，我們將加載一個MPII數據集的圖像，并在圖像上繪制二維邊界框標注。

import matplotlib.pyplot as plt
import matplotlib.image as mpimg

img = mpimg.imread('000001.png')
plt.imshow(img)

# 加載邊框密集區域注釋
anno_file = 'mpii_human_pose_v1_u12_2/train/joint_data.mat'
db = Mpii(anno_file)
data = db[0]
img = db.load_image(data['image'])
plt.imshow(img)

# 在圖像上繪制邊框
x1, y1, x2, y2 = data['objpos'] - data['bbox'][[1, 0, 3, 2]]
plt.gca().add_patch(plt.Rectangle((x1, y1), x2 - x1, y2 - y1, edgecolor='c', fill=False, linewidth=3))

下面是代碼運行的結果顯示的圖片，其中藍色矩形表示二維邊界框標注。

3、三維坐標標注

在下面的代碼中，我們將加載一個MPII數據集的圖像，并在圖像上繪制三維坐標標注。

import matplotlib.pyplot as plt
import matplotlib.image as mpimg

img = mpimg.imread('000001.png')
plt.imshow(img)

# 加載三維坐標注釋
anno_file = 'mpii_human_pose_v1_u12_2/train/joint_data.mat'
db = Mpii(anno_file)
data = db[0]
image_path = os.path.join(db.img_dir, data['image'])
img = db.load_image(image_path)

# 獲取在圖像中對應的關鍵點位置
joints_3d = data['joints_3d']
joints_2d = data['joints']

# 在圖像上繪制關鍵點位置
for joint_id in range(16):
    plt.scatter(joints_2d[joint_id, 0], joints_2d[joint_id, 1], s=100, marker='.', color='r')

# 獲取每個關鍵點的三維坐標
joints_xyz = db.get_joints_xyz(joints_3d, image_path)

# 將三維坐標繪制成點云圖
fig = plt.figure()
ax = Axes3D(fig)
ax.set_xlim3d([-1, 1])
ax.set_ylim3d([-1, 1])
ax.set_zlim3d([-1, 1])
ax.scatter(joints_xyz[:, 0], joints_xyz[:, 1], joints_xyz[:, 2], s=20, marker='o')

下面是代碼運行的結果顯示的圖片，其中紅色點表示三維坐標標注，藍色點表示繪制的三維點云圖。

4、姿態角度標注

在下面的代碼中，我們將加載一個MPII數據集的圖像，并在圖像上繪制姿態角度標注。

import matplotlib.pyplot as plt
import matplotlib.image as mpimg

img = mpimg.imread('000001.png')
plt.imshow(img)

# 加載姿態注釋
anno_file = 'mpii_human_pose_v1_u12_2/train/joint_data.mat'
db = Mpii(anno_file)
data = db[0]
img = db.load_image(data['image'])

# 獲取在圖像中對應的關鍵點位置
joints_3d = data['joints_3d']
joints_2d = data['joints']

# 繪制在圖像上
for joint_id in range(16):
    plt.scatter(joints_2d[joint_id, 0], joints_2d[joint_id, 1], s=100, marker='.', color='r')

# 獲取每個關鍵點的姿態角度
theta = db.get_theta(data)

# 在圖像旁邊繪制姿態角度的文本說明
for i, t in enumerate(theta):
    plt.text(img.shape[1] + 10, 20 + i * 20, "{}: {:.2f}".format(db.joint_names[i], t))

下面是代碼運行的結果顯示的圖片，其中紅色點表示姿態角度標注，紅色字表示姿態角度的文本說明。

5、人體部件細粒度注釋

在下面的代碼中，我們將加載一個MPII數據集的圖像，并在圖像上繪制人體部件細粒度注釋。

import matplotlib.pyplot as plt
import matplotlib.image as mpimg

img = mpimg.imread('000001.png')
plt.imshow(img)

# 加載人體部件細粒度注釋
anno_file = 'mpii_human_pose_v1_u12_2/train/mpii_human_pose_v1_u12_1.mat'
db = Mpii(anno_file)
data = db[0]
img = db.load_image(data['filename'])

# 獲取在圖像中對應的關鍵點位置
joints_3d = data['joints_3d']
joints_2d = data['joints']

# 繪制在圖像上
for joint_id in range(16):
    plt.scatter(joints_2d[joint_id, 0], joints_2d[joint_id, 1], s=100, marker='.', color='r')

# 在圖像旁邊繪制人體部件的標簽
for label_id, label_name in enumerate(db.body_part_names):
    center = db.get_body_part_center(data, label_id)
    plt.text(img.shape[1] + 10, 20 + label_id * 20, "{}: ({:.0f}, {:.0f})".format(label_name, center[0], center[1]))

下面是代碼運行的結果顯示的圖片，其中紅色點表示人體部件細粒度注釋，紅色字表示人體部件的標簽。