许忠雄,张睿哲,石晓军,岳贵杰,刘弋锋*

(1. 中国电子科学研究院，北京 100041；2.电子科技大学，成都 610041；3.中国电子科技集团有限公司，北京 100846)

0 引 言

基于计算机视觉的人体姿态估计是从单张RGB图像上获取人体骨点位置以及骨点之间的相互连接。人体姿态估计在智能监控[1]、人机交互[2]以及手势识别[3]等领域有着广阔的应用前景。然而，人体姿态估计的研究面临许多挑战，如图像中人数通常无法预先确定，多人情况下出现人体相互遮挡等。随着人数的增加，算法的运行效率也面临巨大的挑战。在深度学习被广泛应用之前，图结构(Pictorial Structures)模型[4]被广泛应用于人体姿态估计，其将人体肢体视为组成人体的组件，通过人工指定的图像特征检测组件实现人体姿态估计。基于图结构的模型精度不高，且难以扩展到多人姿态估计。深度学习算法的提出，给人体姿态估计提供了一种新的思路，部分研究者开始尝试用深度学习方法进行多人姿态估计。目前多人姿态估计主要有两种思路，一种是基于自顶向下的算法[5-9]，先从图像中检测出所有人，随后利用单人姿态估计的方法[10-11]对所有人进行姿态估计。自顶向下算法的缺点是算法运行效率随着人数增加而降低，且部分被遮挡的人无法被检测，精度不高。另一种是基于自底向上的算法[12-13]，先检测出所有人的骨点，再将骨点进行连接形成图，最后通过图优化的方法剔除错误的连接，实现多人姿态估计。自底向上算法的优点是运行时间不随人数增加而线性增加，更有利于实时多人姿态估计。……