人体姿态估计是一种从图像中获得人体关节点位置和方向的技术,即输出人体关节点及关节点之间的连接。人体姿态估计是计算机视觉技术中热点研究方向之一,其在医疗、安全防范、虚拟现实等领域有广泛的应用需求。本文重点围绕基于卷积神经网络的人体姿态估计问题展开研究。在深入研究现有基于深度学习的人体姿态估计方法的基础上,提出了一种关联关节对约束的纠错匹配模型,并将其与卷积姿态机(Convolutional Pose Machines,CPMs)网络结合应用于单人姿态估计。实验结果表明,关联关节对约束的卷积姿态机单人姿态估计方法能够显著提高关节点定位的准确性,并将符合生理特征相关联的关节点正确连接。更进一步结合区域定位和多通道简化卷积姿态机(Multi-Channel Simplified Convolutional Pose Machine,MULC-SCPM)网络实现多人姿态估计。实验结果表明,区域定位结合多通道简化卷积姿态机多人姿态估计方法能够有效提高遮挡情况下关节点连接的准确率,提升多人姿态估计的准确率。本文的工作主要体现在以下三个方面:1.学习和研究了基于整体特征、基于模型和基于深度学习的三类人体姿态估计方法,并分析和实现了几种具有代表性的基于深度学习的人体姿态估计方法。重点研究了基于热力图回归的深度学习人体姿态估计方法,并说明高质量的人体姿态估计技术在实践中具有重要意义。2.提出一个关联关节对约束的纠错匹配模型,并将该模型与卷积姿态机(CPMs)网络结合实现人体姿态估计。关联关节对约束的纠错匹配模型其构建考虑了人体只能有唯一正确的左侧或右侧相关联的关节对连接、左右髋关节之间的距离必然大于同一膝盖范围内两类关节点之间的距离等人体结构生理特征。该模型可以纠正关节点的错误标定,并将符合生理特征相关联的关节点正确连接。实验结果表明,关联关节对约束的卷积姿态机网络在单人姿态估计中展示了好的效果,特别是能够有效解决常规的卷积神经网络在识别复杂姿态时出现的关节点重复计数以及关节点逆序排列连接错误等问题。3.结合区域定位和多通道简化卷积姿态机(MULC-SCPM)网络进行多人姿态估计。该方法首先引入区域定位实现单人区域分割;然后基于融合了关节点位置损失、连接距离损失和方向损失的多通道简化卷积姿态机(MULC-SCPM)网络进行姿态估计。区域定位有助于准确定位人体位置。多通道简化卷积姿态机(MULC-SCPM)网络能有效回归人体关节点位置及关节点之间的连接关系。实验结果表明,区域定位结合多通道简化卷积姿态机(MULC-SCPM)网络相较于卷积姿态机(CPMs)网络更优,特别是能够有效解决目标部分遮挡时关节点连接错误问题。实验结果表明,本文方法能够显著提高单人和多人姿态估计的准确率。