当前位置：首页 > news >正文

人体关键点检测3：Android实现人体关键点检测(人体姿势估计)含源码可实时检测

news 文章来源：https://blog.csdn.net/guyuealian/article/details/134881797 2025/5/19 4:50:43

1. 前言

2.人体关键点检测方法

(1)Top-Down(自上而下)方法

(2)Bottom-Up(自下而上)方法：

3.人体关键点检测模型训练

4.人体关键点检测模型Android部署

（1）将Pytorch模型转换ONNX模型

（2）将ONNX模型转换为TNN模型

（3） Android端上部署模型

（4） Android测试效果

（5）运行APP闪退：dlopen failed: library "libomp.so" not found

5.Android项目源码下载

6.C++实现人体关键点检测

1. 前言

人体关键点检测（Human Keypoints Detection）又称为人体姿态估计2D Pose，是计算机视觉中一个相对基础的任务，是人体动作识别、行为分析、人机交互等的前置任务。一般情况下可以将人体关键点检测细分为单人/多人关键点检测、2D/3D关键点检测，同时有算法在完成关键点检测之后还会进行关键点的跟踪，也被称为人体姿态跟踪。

项目将实现人体关键点检测算法，其中使用YOLOv5模型实现人体检测(Person Detection)，使用HRNet，LiteHRNet和Mobilenet-v2模型实现人体关键点检测。为了方便后续模型工程化和Android平台部署，项目支持高精度HRNet检测模型，轻量化模型LiteHRNet和Mobilenet模型训练和测试，并提供Python/C++/Android多个版本；项目分为数据集说明，模型训练和C++/Android部署等多个章节，本篇是项目《人体关键点检测(人体姿势估计)》系列文章之Android实现人体关键点检测，主要分享将Python训练好的模型移植到Android平台，搭建一个可实时的人体关键点检测Android Demo，且支持多人关键点检测。

轻量化Mobilenet-v2模型在普通Android手机上可以达到实时的检测效果，CPU(4线程)约50ms左右，GPU约30ms左右，基本满足业务的性能需求。下表格给出HRNet，以及轻量化模型LiteHRNet和Mobilenet的计算量和参数量，以及其检测精度。

模型	input-size	params(M)	GFLOPs	AP
HRNet-w32	192×256	28.48M	5734.05M	0.7585
LiteHRNet18	192×256	1.10M	182.15M	0.6237
Mobilenet-v2	192×256	2.63M	529.25M	0.6181

【尊重原创，转载请注明出处】 https://blog.csdn.net/guyuealian/article/details/134881797

Android人体关键点检测APP Demo体验(下载)：https://download.csdn.net/download/guyuealian/88610359

Android人体关键点检测APP Demo体验

更多项目《人体关键点检测(人体姿势估计)》系列文章请参考：

人体关键点检测1：人体姿势估计数据集(含下载链接) https://blog.csdn.net/guyuealian/article/details/134703548
人体关键点检测2：Pytorch实现人体关键点检测(人体姿势估计)含训练代码和数据集 https://blog.csdn.net/guyuealian/article/details/134837816
人体关键点检测3：Android实现人体关键点检测(人体姿势估计)含源码可实时检测 https://blog.csdn.net/guyuealian/article/details/134881797
人体关键点检测4：C/C++实现人体关键点检测(人体姿势估计)含源码可实时检测 https://blog.csdn.net/guyuealian/article/details/134881797
手部关键点检测1：手部关键点(手部姿势估计)数据集(含下载链接)https://blog.csdn.net/guyuealian/article/details/133277630
手部关键点检测2：YOLOv5实现手部检测(含训练代码和数据集)https://blog.csdn.net/guyuealian/article/details/133279222
手部关键点检测3：Pytorch实现手部关键点检测(手部姿势估计)含训练代码和数据集https://blog.csdn.net/guyuealian/article/details/133277726
手部关键点检测4：Android实现手部关键点检测(手部姿势估计)含源码可实时检测https://blog.csdn.net/guyuealian/article/details/133931698
手部关键点检测5：C++实现手部关键点检测(手部姿势估计)含源码可实时检测https://blog.csdn.net/guyuealian/article/details/133277748

2.人体关键点检测方法

目前主流的人体关键点检测(人体姿势估计)方法主要两种：一种是Top-Down（自上而下）方法，另外一种是Bottom-Up（自下而上）方法；

(1)Top-Down(自上而下)方法

将人体检测和人体关键点检测(人体姿势估计)检测分离，在图像上首先进行人体目标检测，定位人体位置；然后crop每一个人体图像，再估计人体关键点；这类方法往往比较慢，但姿态估计准确度较高。目前主流模型主要有CPN，Hourglass，CPM，Alpha Pose，HRNet等。

(2)Bottom-Up(自下而上)方法：

先估计图像中所有人体关键点，然后在通过Grouping的方法组合成一个一个实例；因此这类方法在测试推断的时候往往更快速，准确度稍低。典型就是COCO2016年人体关键点检测冠军Open Pose。

通常来说，Top-Down具有更高的精度，而Bottom-Up具有更快的速度；就目前调研而言， Top-Down的方法研究较多，精度也比Bottom-Up（自下而上）方法高。本项目采用Top-Down(自上而下)方法，先使用YOLOv5模型实现人体检测，然后再使用HRNet进行人体关键点检测(人体姿势估计)；

本项目基于开源的HRNet进行改进，关于HRNet项目请参考GitHub

HRNet: https://github.com/leoxiaobin/deep-high-resolution-net.pytorch

3.人体关键点检测模型训练

本项目采用Top-Down(自上而下)方法，使用YOLOv5模型实现人体检测，并基于开源的HRNet实现人体关键点检测(人体姿态估计)；为了方便后续模型工程化和Android平台部署，项目支持轻量化模型LiteHRNet和Mobilenet模型训练和测试，并提供Python/C++/Android多个版本；轻量化Mobilenet-v2模型在普通Android手机上可以达到实时的检测效果，CPU(4线程)约50ms左右，GPU约30ms左右，基本满足业务的性能需求

本篇博文主要分享Android版本的模型部署，不包含Python版本的训练代码和相关数据集，关于人体关键点检测的训练方法和数据集说明，可参考 :

人体关键点检测2：Pytorch实现人体关键点检测(人体姿势估计)含训练代码和数据集 https://blog.csdn.net/guyuealian/article/details/134837816

下表格给出HRNet，以及轻量化模型LiteHRNet和Mobilenet的计算量和参数量，以及其检测精度AP；高精度检测模型HRNet-w32，AP可以达到0.7585，但其参数量和计算量比较大，不合适在移动端部署；LiteHRNet18和Mobilenet-v2参数量和计算量比较少，合适在移动端部署；虽然LiteHRNet18的理论计算量和参数量比Mobilenet-v2低，但在实际测试中，发现Mobilenet-v2运行速度更快。轻量化Mobilenet-v2模型在普通Android手机上可以达到实时的检测效果，CPU(4线程)约50ms左右，GPU约30ms左右，基本满足业务的性能需求

模型	input-size	params(M)	GFLOPs	AP
HRNet-w32	192×256	28.48M	5734.05M	0.7585
LiteHRNet18	192×256	1.10M	182.15M	0.6237
Mobilenet-v2	192×256	2.63M	529.25M	0.6181

HRNet-w32参数量和计算量太大，不适合在Android手机部署，本项目Android版本只支持部署LiteHRNet和Mobilenet-v2模型；C++版本可支持部署HRNet-w32，LiteHRNet和Mobilenet-v2模型

4.人体关键点检测模型Android部署

目前CNN模型有多种部署方式，可以采用TNN，MNN,NCNN，以及TensorRT等部署工具，鄙人采用TNN进行Android端上部署。部署流程可分为四步：训练模型->将模型转换ONNX模型->将ONNX模型转换为TNN模型->Android端上部署TNN模型。

（1）将Pytorch模型转换ONNX模型

训练好Pytorch模型后，我们需要先将模型转换为ONNX模型，以便后续模型部署。

原始Python项目提供转换脚本，你只需要修改model_file和config_file为你模型路径即可
convert_torch_to_onnx.py实现将Pytorch模型转换ONNX模型的脚本

python libs/convert_tools/convert_torch_to_onnx.py

"""
This code is used to convert the pytorch model into an onnx format model.
"""
import os
import torch.onnx
from pose.inference import PoseEstimation
from basetrainer.utils.converter import pytorch2onnxdef load_model(config_file, model_file, device="cuda:0"):pose = PoseEstimation(config_file, model_file, device=device)model = pose.modelconfig = pose.configreturn model, configdef convert2onnx(config_file, model_file, device="cuda:0", onnx_type="kp"):""":param model_file::param input_size::param device::param onnx_type::return:"""model, config = load_model(config_file, model_file, device=device)model = model.to(device)model.eval()model_name = os.path.basename(model_file)[:-len(".pth")]onnx_file = os.path.join(os.path.dirname(model_file), model_name + ".onnx")# dummy_input = torch.randn(1, 3, 240, 320).to("cuda")input_size = tuple(config.MODEL.IMAGE_SIZE)  # w,hinput_shape = (1, 3, input_size[1], input_size[0])pytorch2onnx.convert2onnx(model,input_shape=input_shape,input_names=['input'],output_names=['output'],onnx_file=onnx_file,opset_version=11)print(input_shape)if __name__ == "__main__":config_file = "../../work_space/person/mobilenet_v2_17_192_256_custom_coco_20231124_090015_6639/mobilenetv2_192_192.yaml"model_file = "../../work_space/person/mobilenet_v2_17_192_256_custom_coco_20231124_090015_6639/model/best_model_158_0.6181.pth"convert2onnx(config_file, model_file)

（2）将ONNX模型转换为TNN模型

目前CNN模型有多种部署方式，可以采用TNN，MNN,NCNN，以及TensorRT等部署工具，鄙人采用TNN进行Android端上部署

TNN转换工具：

（1）将ONNX模型转换为TNN模型，请参考TNN官方说明：TNN/onnx2tnn.md at master · Tencent/TNN · GitHub
（2）一键转换，懒人必备：一键转换 Caffe, ONNX, TensorFlow 到 NCNN, MNN, Tengine (可能存在版本问题，这个工具转换的TNN模型可能不兼容，建议还是自己build源码进行转换，2022年9约25日测试可用)

（3） Android端上部署模型

项目实现了Android版本的人体检测和人体关键点检测Demo，部署框架采用TNN，支持多线程CPU和GPU加速推理，在普通手机上可以实时处理。项目Android源码，核心算法均采用C++实现，上层通过JNI接口调用。

如果你想在这个Android Demo部署你自己训练的模型，你可将训练好的Pytorch模型转换ONNX ，再转换成TNN模型，然后把TNN模型代替你模型即可。

HRNet-w32参数量和计算量太大，不适合在Android手机部署，本项目Android版本只支持部署LiteHRNet和Mobilenet-v2模型；C++版本可支持部署HRNet-w32，LiteHRNet和Mobilenet-v2模型

这是项目Android源码JNI接口，Java部分

package com.cv.tnn.model;import android.graphics.Bitmap;public class Detector {static {System.loadLibrary("tnn_wrapper");}/**** 初始化检测模型* @param dets_model： 检测模型（不含后缀名）* @param pose_model： 识别模型（不含后缀名）* @param root：模型文件的根目录，放在assets文件夹下* @param model_type：模型类型* @param num_thread：开启线程数* @param useGPU：是否开启GPU进行加速*/public static native void init(String dets_model, String pose_model, String root, int model_type, int num_thread, boolean useGPU);/**** 返回检测和识别结果* @param bitmap 图像（bitmap），ARGB_8888格式* @param score_thresh：置信度阈值* @param iou_thresh：  IOU阈值* @param pose_thresh：  关键点阈值* @return*/public static native FrameInfo[] detect(Bitmap bitmap, float score_thresh, float iou_thresh, float pose_thresh);
}

这是Android项目源码JNI接口，C++部分

#include <jni.h>
#include <string>
#include <fstream>
#include "src/yolov5.h"
#include "src/pose_detector.h"
#include "src/Types.h"
#include "debug.h"
#include "android_utils.h"
#include "opencv2/opencv.hpp"
#include "file_utils.h"using namespace dl;
using namespace vision;static YOLOv5 *detector = nullptr;
static PoseDetector *pose = nullptr;JNIEXPORT jint JNI_OnLoad(JavaVM *vm, void *reserved) {return JNI_VERSION_1_6;
}JNIEXPORT void JNI_OnUnload(JavaVM *vm, void *reserved) {}extern "C"
JNIEXPORT void JNICALL
Java_com_cv_tnn_model_Detector_init(JNIEnv *env,jclass clazz,jstring dets_model,jstring pose_model,jstring root,jint model_type,jint num_thread,jboolean use_gpu) {if (detector != nullptr) {delete detector;detector = nullptr;}std::string parent = env->GetStringUTFChars(root, 0);std::string dets_model_ = env->GetStringUTFChars(dets_model, 0);std::string pose_model_ = env->GetStringUTFChars(pose_model, 0);string dets_model_file = path_joint(parent, dets_model_ + ".tnnmodel");string dets_proto_file = path_joint(parent, dets_model_ + ".tnnproto");string pose_model_file = path_joint(parent, pose_model_ + ".tnnmodel");string pose_proto_file = path_joint(parent, pose_model_ + ".tnnproto");DeviceType device = use_gpu ? GPU : CPU;LOGW("parent     : %s", parent.c_str());LOGW("useGPU     : %d", use_gpu);LOGW("device_type: %d", device);LOGW("model_type : %d", model_type);LOGW("num_thread : %d", num_thread);YOLOv5Param model_param = YOLOv5s05_320;//模型参数detector = new YOLOv5(dets_model_file,dets_proto_file,model_param,num_thread,device);PoseParam pose_param = POSE_MODEL_TYPE[model_type];//模型类型pose = new PoseDetector(pose_model_file,pose_proto_file,pose_param,num_thread,device);
}extern "C"
JNIEXPORT jobjectArray JNICALL
Java_com_cv_tnn_model_Detector_detect(JNIEnv *env, jclass clazz, jobject bitmap,jfloat score_thresh, jfloat iou_thresh, jfloat pose_thresh) {cv::Mat bgr;BitmapToMatrix(env, bitmap, bgr);int src_h = bgr.rows;int src_w = bgr.cols;// 检测区域为整张图片的大小FrameInfo resultInfo;// 开始检测if (detector != nullptr) {detector->detect(bgr, &resultInfo, score_thresh, iou_thresh);} else {ObjectInfo objectInfo;objectInfo.x1 = 0;objectInfo.y1 = 0;objectInfo.x2 = (float) src_w;objectInfo.y2 = (float) src_h;objectInfo.label = 0;resultInfo.info.push_back(objectInfo);}int nums = resultInfo.info.size();LOGW("object nums: %d\n", nums);if (nums > 0) {// 开始检测pose->detect(bgr, &resultInfo, pose_thresh);// 可视化代码//classifier->visualizeResult(bgr, &resultInfo);}//cv::cvtColor(bgr, bgr, cv::COLOR_BGR2RGB);//MatrixToBitmap(env, bgr, dst_bitmap);auto BoxInfo = env->FindClass("com/cv/tnn/model/FrameInfo");auto init_id = env->GetMethodID(BoxInfo, "<init>", "()V");auto box_id = env->GetMethodID(BoxInfo, "addBox", "(FFFFIF)V");auto ky_id = env->GetMethodID(BoxInfo, "addKeyPoint", "(FFF)V");jobjectArray ret = env->NewObjectArray(resultInfo.info.size(), BoxInfo, nullptr);for (int i = 0; i < nums; ++i) {auto info = resultInfo.info[i];env->PushLocalFrame(1);//jobject obj = env->AllocObject(BoxInfo);jobject obj = env->NewObject(BoxInfo, init_id);// set bbox//LOGW("rect:[%f,%f,%f，%f] label:%d,score:%f \n", info.rect.x,info.rect.y, info.rect.w, info.rect.h, 0, 1.0f);env->CallVoidMethod(obj, box_id, info.x1, info.y1, info.x2 - info.x1, info.y2 - info.y1,info.label, info.score);// set keypointfor (const auto &kps : info.keypoints) {//LOGW("point:[%f,%f] score:%f \n", lm.point.x, lm.point.y, lm.score);env->CallVoidMethod(obj, ky_id, (float) kps.point.x, (float) kps.point.y,(float) kps.score);}obj = env->PopLocalFrame(obj);env->SetObjectArrayElement(ret, i, obj);}return ret;
}

（4） Android测试效果

Android Demo在普通手机CPU/GPU上可以达到实时检测效果；CPU(4线程)约50ms左右，GPU约30ms左右，基本满足业务的性能需求。

Android版本的人体关键点检测APP Demo体验：

Android人体关键点检测APP Demo体验(下载)：

https://download.csdn.net/download/guyuealian/88610359

（5）运行APP闪退：dlopen failed: library "libomp.so" not found

参考解决方法：
解决dlopen failed: library “libomp.so“ not found_PKing666666的博客-CSDN博客_dlopen failed

Android SDK和NDK相关版本信息，请参考：

5.Android项目源码下载

Android项目源码下载地址：

Android人体关键点检测APP Demo体验(下载)：https://download.csdn.net/download/guyuealian/88610359

整套Android项目源码内容包含：

Android Demo源码支持YOLOv5人体检测
Android Demo源码支持轻量化模型LiteHRNet和Mobilenet-v2人体关键点检测(人体姿态估计)
Android Demo在普通手机CPU/GPU上可以实时检测，CPU约50ms，GPU约30ms左右
Android Demo支持图片，视频，摄像头测试
所有依赖库都已经配置好，可直接build运行，若运行出现闪退，请参考dlopen failed: library “libomp.so“ not found 解决。

6.C++实现人体关键点检测

人体关键点检测4：C/C++实现人体关键点检测(人体姿势估计)含源码可实时检测 https://blog.csdn.net/guyuealian/article/details/134881797

1. 前言

2.人体关键点检测方法

(1)Top-Down(自上而下)方法

(2)Bottom-Up(自下而上)方法：

3.人体关键点检测模型训练

4.人体关键点检测模型Android部署

（1） 将Pytorch模型转换ONNX模型

（2） 将ONNX模型转换为TNN模型

（3） Android端上部署模型

（4） Android测试效果

（5） 运行APP闪退：dlopen failed: library "libomp.so" not found

5.Android项目源码下载

6.C++实现人体关键点检测

相关文章：

（1）将Pytorch模型转换ONNX模型

（2）将ONNX模型转换为TNN模型

（5）运行APP闪退：dlopen failed: library "libomp.so" not found