廖联军，钟重阳，张智恒，胡磊，张子豪，夏时洪*

1. 中国科学院计算技术研究所, 北京 100190; 2. 中国科学院大学,计算机科学与技术学院, 北京 100049;3. 北方工业大学信息学院, 北京 100144

0 引 言

3维人体姿态估计是计算机视觉中的一个基本问题和重要任务之一，有着非常广泛的应用。在游戏互动领域，人体姿态估计进一步提升了人机交互的可能，为体感游戏等提供了技术基础；在数字娱乐领域，人体姿态估计通过赋能电商行业，在虚拟试衣、数字主播等新兴领域发挥着不可或缺的作用。

一般方法采用RGB图像作为3维人体姿态估计的输入。与RGB图像相比，深度图或点云作为3维人体姿态估计的输入具有以下优势：1)深度图作为一种2D数据，能够有效地表示3D的空间信息，从而使人体姿态估计结果具有尺度正确性；2)点云质量一般不随环境光照的变化而变化，使点云具有更广泛的应用前景，例如在不同光照条件下的室内增强现实；3)点云不包含人体纹理信息，可以在有效捕获人体运动的同时保护个人隐私。

虽然3维人体姿态估计已经取得很大进展，但仍然存在一些挑战。由于遮挡和自遮挡引起的模糊性，以及深度相机生成的点云带有噪声，使得3维人体姿态估计任务比较困难。现有的基于深度图像的方法主要集中在单幅图像的姿态估计。由于缺乏时域平滑度的强制约束，现有方法在连续点云序列上可能会产生抖动伪影。

为解决上述问题，观察到使用点云序列作为输入有助于增强人体姿态预测的时间一致性，本文利用了点云序列的时序先验知识可以得到更好的人体姿态估计结果。……