人体姿态估计是计算机视觉重要的基础任务之一,也是动作识别、行为识别、人机交互等算法实现的基础。目前主流人体姿态估计算法复杂度高、计算量大、无法在边缘端等资源受限设备上运行,严重限制了该项技术的推广应用。针对这些问题,本文提出了一种基于精细化模块设计的轻量级人体姿态估计网络Mobile Pose Net和基于知识蒸馏的轻量级人体姿态估计网络Ghost Pose Net。主流人体姿态数据集MPII和MSCOCO上的实验结果表明,本文所提方法分别在仅有1.5M参数量与0.60GFLOPs计算量的情况下,获得了与大型网络相当的性能。主要工作如下:1、提出了基于精细模块的轻量级人体姿态估计模型。与已有人体姿态估计方法使用大卷积核,设计复杂网络结构片面追求精度不同,本文提出了轻量级上采样模块,并基于该模块设计了一个结构简单、参数量低的轻量级人体姿态估计模型。其中,轻量级上采样模块主要包含点卷积、空间转置卷积和通道注意力三个部分。具体操作是:首先将输入原始特征通过点卷积映射到高维度空间,然后使用空间转置卷积提高输入特征的分辨率,再使用点卷积将高维度特征压缩到低维度空间,最后使用通道注意力机制对不同通道的特征信息进行编码,实现不同通道间的信息融合。轻量级人体姿态估计模型采用编码器-解码器的结构,使用Mobile Net V3前14层作为编码器的主体,使用提出的轻量级上采样模块作为模型的解码器,最后使用1×1卷积进行关键点的回归。结果显示,Mobile Pose Net以1.5M的参数量实现了大型人体姿态估计网络同等的性能。2、提出了基于知识蒸馏的轻量级人体姿态估计模型。为了进一步提高模型运行效率与精度,与现有人体姿态估计知识蒸馏方法使用与教师网络结构相似、复杂度差异小网络作为学生网络的方法不同,本文提出基于关节点在线优化知识蒸馏策略,设计使用计算量较小和网络结构简单的轻量级人体姿态估计网络Ghost Pose Net作为学生网络,使用网络复杂度高的HRNet作为教师网络。为了解决师生网络复杂度差异大造成学生网络难优化的问题,在模型训练的过程中,师生网络使用MSE损失函数进行约束,再利用标签和学生网络的输出生成关节点偏置,使学生网络专注于教师网络的输出。MSCOCO数据集上实验结果表明,Ghost Pose Net以0.6GFLOPs实现了大型人体姿态估计网络同等的性能。3、研发了基于轻量级人体姿态估计模型的姿态匹配系统。为了解决人工姿态纠正耗时耗力、效率低下,专业运动器材价格昂贵等问题,实现随时随地进行健身姿态纠正,本章研发了人体姿态匹配系统。姿态匹配系统采用Windows10操作系统,基于Py Qt5和Pytorch框架开发,主要包含用户登录注册模块、数据库模块、人体姿态检测模块和人体姿态匹配共四个模块。其中,人体检测模块采用本文提出的轻量级人体姿态估计模型,使得该系统在运行时,CPU和内存占用率更低。此外,人体姿态匹配主要包含绝对姿态匹配和相对姿态匹配功能,实现了不同尺度下姿态的匹配。