深度学习的二维人体姿态估计综述

周 燕，刘紫琴，曾凡智，周月霞，陈嘉文，罗 粤

佛山科学技术学院计算机系，广东佛山 528000

人体姿态估计是指标注图片或者视频中人体关节点的位置，并对关节点进行最优连接的过程。人体姿态估计可广泛地应用在动作识别[1-2]、人机交互[3]、智能跟踪[4-5]等领域，已成为计算机视觉领域的研究热点之一。人体姿态的多样性、环境的复杂性以及视角的不定性等因素，使人体姿态估计面临着巨大的挑战，受到众多学者的密切关注。

在深度学习应用于人体姿态估计之前，大多采用基于图形结构[6-7]的方法来处理人体姿态问题。因此，基于图形结构方法的可形变部件模型[8-9]应运而生，这些方法需要采用局部检测器，只能为人体关节点之间所有联系中的部分子集建立模型，虽然获得了较高的效率，但受人物遮挡、拍摄角度、图像光照等因素影响较大，表示能力有限。此外，这种传统的方法在特征提取上依赖于人工设定的特征，例如方向梯度直方图（histogram of oriented gradient，HOG）[10]、尺度不变特征转换（scale invariant feature transform，SIFT）[11]、边缘[12]特征等，需耗费大量的人工、时间与精力。

随着人工智能技术的发展，众多深度学习模型被提出，例如卷积神经网络、生成对抗网络、自动编码器、递归神经网络等，这些模型在图像处理领域中取得了比传统非深度学习方法更优越的成绩，在图像分割、目标检测、图像识别等领域取得了显著的成果。近年来，国内外学者们提出了大量的人体姿态估计方法，并给出了一些公开的人体姿态估计数据集，因此利用基于深度学习的方法进行人体姿态估计已成为主要的研究方向。……