一，openpose相关模型的介绍
BODY25：25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。
二，
输入:
图片、视频、网络摄像头的视频流、Flir或Point Grey和IP摄像机。项目提供了C++语言的代码样本，用户可以自定义输入。
输出:
原有图片+关键点展示（PNG、JPG、AVI等格式），关键点数据存储文件（(JSON, XML, YML等格式）。
操作系统: Ubuntu (14, 16), Windows (8, 10), Mac OSX, Nvidia TX2.
三，效果图
body+face+hand
四，保存推测结果 --write_images
bin\OpenPoseDemo.exe --video examples/media/video.avi --face --hand --write_video examples\res_images/video.avi
五，常用关键参数的介绍：
–face: 开启 Face 关键点检测.
–hand: 开启 Hand 关键点检测
–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/video.cgi?resolution=320x240?x.mjpeg: 在 streamed IP camera 上运行. 参考public IP cameras 例子.
–write_video path.avi: 将处理后的图片保存为 Video.
–write_images folder_path: 将处理后的图片保存到指定路径.
–write_keypoint path/: 在指定路径输出包含人体姿态数据的 JSON, XML 或 YML 文件.
–process_real_time: 对于视频，可能在实时运行时，跳过某些视频帧.
–disable_blending: 如果 --disable_blending=True，则在很色背景上渲染估计结果(如 keypoints skeletons 和 heatmaps)，而不显示原始图像. Related: part_to_show, alpha_pose, and alpha_pose.-
-part_to_show: 可视化的预测通道(Prediction channel).
–display 0: 不打开可视化显示窗口. 对于服务器部署和 OpenPose 加速很帮助.
–num_gpu 2 --num_gpu_start 1: 多 GPUs 时，设置开始的 GPU id. 默认使用所有可用的 GPUs.
–model_pose MPI: 采用的模型Model，影响 Keypoints 的数量、运行速度和精度.
–logging_level 3: Logging messages threshold, range [0,255]: 0 - 输出所有信息e & 255 - 不输出任何信息. Current messages in the range [1-4], 1 for low priority messages and 4 for important ones.