随着高科技的飞速发展和社交媒介的极速更新,利用人体行为分析技术处理日益增长的海量图像和视频数据已经成为互联网智能化发展的关键。人体行为分析技术是计算机视觉领域中的一个研究热点问题,单人姿态估计便是各项人体行为分析技术的基础,对于理解图像和视频中人的状态至关重要。人体姿态的骨架点具有尺度小、易产生遮挡的特殊性,因此算法设计对骨架点检测精确度的要求比较高。目前的单人姿态估计算法大多采用复杂的卷积神经网络来提高骨架点检测的准确率,但是由于网络设计没有深度挖掘骨架点检测难度的不同使得准确率的提升较小并且极易出现姿态估计不一致的问题,难以满足实际应用中对人体姿态估计精度的需求。本文针对自然图像中的人体目标提出了一种基于推理的多等级预测单人姿态估计方法,该方法能够实现对单人姿态的精确估计,本文主要工作包含以下两个方面:首先,针对单人姿态估计任务中难易骨架点样本特征学习不均衡的问题,本文提出了一种基于多等级预测的单人姿态估计网络。这一网络将骨架点检测的难易程度细分为三个不同的等级并利用级联的不同子网络进行预测。在训练时能够使得简单样本、较难样本和困难样本均得到充分的训练,从而使模型学习到更加具有判别性的特征表达。实验结果表明该策略能够在保证简单骨架点样本高检测精度的同时极大幅度提高较难骨架点样本和困难骨架点样本的检测准确率,从而提升整个模型的检测性能。其次,针对由骨架点检测热图干扰噪声造成的姿态估计不一致的问题,本文提出了一种基于图模型推理的单人姿态估计网络。骨架点检测热图中蕴含着骨架点丰富的空间信息和语义信息。本文设计人体姿态图显式地构建人体结构信息,并通过图模型推理网络实现骨架点热图间的信息交互。一方面,这一网络能够从语义层面为骨架点增添有用的背景信息,从而加强骨架点检测热图的表达。另一方面,以人体结构信息中骨架点的一致性作为约束可以有效抑制骨架点检测热图中的干扰噪声,从而促使模型学习到的判别性特征表达更加准确。实验结果表明,该方法能够较好地解决由于骨架点热图中干扰噪声的出现所带来的姿态估计不一致的问题,实现了对图像人体骨架点的精确检测。综上所述,本文所提出的基于推理的多等级预测单人姿态估计方法在自然图像的人体中能够达到精确的姿态估计结果,超过现有单人姿态估计模型的准确率,具有一定的理论研究价值与实际应用价值。