吴子锷

（广东工业大学计算机学院，广州 510006）

0 引言

人体姿态估计是计算机视觉中一项基础但具有挑战性的任务，其目标是从RGB 图像或视频中定位人体关键点。尽管在动作识别与人机交互等领域中有着广泛的应用，但过高的计算成本仍是人体姿态估计实时应用的瓶颈。在本文中，我们提出了一种轻量级的人体姿态估计方法，可以快速有效地检测人体关键点。

传统的图模型结构［1］在一段很长的时间里都是人体姿态估计领域的主流，研究人员在该框架下不断提高部件搜索的高效性以及特征描述的准确性。手工设计特征通常由研究人员根据经验进行设计，通常只能提取底层特征而不能捕获高级语义信息。受限于手工设计特征的表征能力，面对真实的复杂场景时，性能一直难以取得突破。随着卷积神经网络的兴起，人体姿态估计方向逐步过渡到深度神经网络，利用卷积神经网络直接从数据中提取的不同部件的特征代替复杂的手工设计特征，同时提高了特征描述的准确性和高效性， 这使得关键点检测性能得到了大幅度的提升。

DeepPose［2］是第一个将卷积神经网络引入人体姿态估计的开创性工作， 用一个7 层的AlexNet［3］直接对人体关键点坐标进行回归。由于直接对坐标同时进行定位与分类的难度过大，难以进行优化，坐标回归网络的定位精度始终无法达到预期，逐步被热力图（heatmap）预测网络［4］所取代。在热力图预测网络中，输入图像以……