馬雙雙,王 佳,曹少中,楊樹林,趙 偉,張 寒

(北京印刷學院 信息工程學院,北京 102600)

人體姿態(tài)估計是計算機視覺領(lǐng)域一個基礎(chǔ)問題,解決這個問題是圖像和視頻中識別人類行為的重要步驟,主要內(nèi)容是從圖像中識別身體的各個部分,并計算其方向和位置信息.人體姿態(tài)估計作為解決圖像和視頻中人體關(guān)鍵點(如頭部、肩部、肘部等)坐標的重要技術(shù),其流行與發(fā)展得到了眾多學者的廣泛關(guān)注.深度學習與卷積網(wǎng)絡(luò)的不斷發(fā)展,人體姿態(tài)估計在動作識別[1]、動作捕捉[2]、姿態(tài)追蹤[3]、手勢識別[4]、圖像生成[5]、人機交互[6]等方面得到了廣泛應(yīng)用.

人體姿態(tài)估計算法發(fā)展至今可以分為傳統(tǒng)方法和深度學習的方法.傳統(tǒng)方法采用手工提取特征建立模型,一般是基于圖結(jié)構(gòu)(pictorial structures)模型[7]和基于形變部件模型[8],由于遮擋嚴重、光線條件差和拍攝角度不同,因此具有挑戰(zhàn)性.它們的準確性受到限制,特別是在嚴重遮擋和復(fù)雜光照條件下.近幾年人工智能發(fā)展迅速,學者將目光專注于研究深度學習模型,比如深度卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks,CNN)[9]、生成對抗網(wǎng)絡(luò)(generative adversarial nets,GANs)[10]、遞歸神經(jīng)網(wǎng)絡(luò)等.在圖像分割、圖像分類、圖像融合、圖像識別等領(lǐng)域獲得了顯著成果.人體姿態(tài)估計采用深度學習的方法可以利用CNN 提取到更加準確的特征,有利于獲取人體關(guān)節(jié)點之間的聯(lián)系.

二維人體姿態(tài)估計是在圖像中識別出人體關(guān)鍵點,將關(guān)鍵點按順序連接形成人體骨骼圖.本文主要從單人目標和多人目標兩個方向?qū)ΧS姿態(tài)估計進行梳理和分析,整理了相關(guān)數(shù)據(jù)集與評價指標,并對當前所面臨的問題和未來發(fā)展趨勢進行了闡述.

1 傳統(tǒng)算法

傳統(tǒng)方法主要用于解決姿態(tài)估計問題,大部分采用模板匹配的方法.基于Fischler 等人[7]提出的圖結(jié)構(gòu)模型,首先人體部件檢測器將人或物體表示為多個部件,并使用圖形模型確定部件之間的連通性.2005年Felzenszwalb 等人[11]提出了一個統(tǒng)計框架,用于表示可變形結(jié)構(gòu)中對象的視覺外觀,它允許對外觀進行定性描述,并假設(shè)組件與樹形結(jié)構(gòu)一致.

文獻[12]提出圖結(jié)構(gòu)主要由表述人體部件的局部模型(part model)和表述空間關(guān)系的空間模型(spatial model)構(gòu)成.為改善局部模型表現(xiàn)能力差的缺點,使用了表現(xiàn)力更強的圖像特征,例如HOG 特征[13]和SIFT特征[14].韓貴金等人[15]提出一種基于HOG 和顏色特征融合的外觀模型,用于圖像中人體上半身的姿態(tài)估計.前景技術(shù)可以應(yīng)用到姿態(tài)估計中[16],也可以將判別能力更強的檢測器來提高姿態(tài)估計準確性[17].人體姿態(tài)估計會存在肢體遮擋的問題,為解決此類問題非樹形結(jié)構(gòu)的空間模型被提出[18].傳統(tǒng)方法已擁有較高的效率,但無法提取圖像中的充分信息并加以利用,使得適用方法范圍受到限制,并且由于傳統(tǒng)方法依賴于專業(yè)的攝影設(shè)備,成本較高,無法使用所有的應(yīng)用場景.

2 基于深度學習的方法

在近幾年,受到以端到端為特征的圖像識別的影響,越來越多的研究人員引入深度學習的人體姿態(tài)估計模型,并不斷提高模型的性能.深度學習通過訓練大量的樣本數(shù)據(jù),獲取更加高效準確的特征.相較于傳統(tǒng)方法,深度學習的方法魯棒性更強、泛化能力更好.自2014年首次引入深度學習以來,基于深度學習的人體姿態(tài)估計已成為一個研究學者的主流研究領(lǐng)域.根據(jù)應(yīng)用場景可將二維人體姿態(tài)估計分為單人姿態(tài)估計和多人姿態(tài)估計,二維人體姿態(tài)估計分類如圖1 所示.

圖1 二維人體姿態(tài)估計分類

2.1 單人姿態(tài)估計

單人姿態(tài)估計作為人體姿態(tài)估計的基礎(chǔ)尤為重要,圖像里只有單個待檢測目標,首先檢測出目標的邊界框圖像,在檢測出目標人體的所有關(guān)節(jié)點.大多數(shù)單人姿態(tài)估計都使用有監(jiān)督的方法,可按照真值(ground truth)分為基于坐標回歸與基于熱圖檢測.

2.1.1 基于坐標回歸

2014年Toshev 等人提出的DeepPose[19]首先將深度學習應(yīng)用在人體姿態(tài)估計領(lǐng)域,它將2D 人體姿態(tài)估計問題由原本的圖像處理和模板匹配問題轉(zhuǎn)化為卷積神經(jīng)網(wǎng)絡(luò)圖像特征提取和關(guān)鍵點坐標回歸問題,它將2D 人體姿態(tài)估計問題由圖像處理和模板匹配問題轉(zhuǎn)化為CNN 圖像特征提取和關(guān)鍵點坐標回歸問題,使用回歸準則來估計被遮擋的人體關(guān)節(jié)點.其思路是針對CNN 學習到的特征尺度固定、回歸性能差的問題,在網(wǎng)絡(luò)得到粗分回歸的基礎(chǔ)上增加一個階段,將特征圖像傳入CNN 網(wǎng)絡(luò)學習高分辨率的特征,進行較高精度的坐標值回歸.具體DeepPose 流程圖如圖2 所示.

圖2 DeepPose 網(wǎng)絡(luò)結(jié)構(gòu)

Geng 等人[20]認為回歸關(guān)鍵點坐標的特征必須集中注意關(guān)鍵點周圍的區(qū)域才能精確回歸出關(guān)鍵點坐標,提出了直接坐標回歸方法解構(gòu)式關(guān)鍵點回歸(DEKR).使用自適應(yīng)的卷積激活關(guān)鍵點區(qū)域周圍的像素,利用這些激活的像素去學習新的特征,并利用多分支結(jié)構(gòu),每個分支都會針對某種關(guān)鍵點利用自適應(yīng)卷積學習關(guān)鍵點周圍的像素特征,回歸關(guān)鍵點的位置.

多階段回歸可更加精確地反映關(guān)鍵點坐標,改善多階段直接回歸方法.Carrira 等人[21]提出了自我修正模型,通過從輸入到輸出的聯(lián)合空間學習特征提取器,對聯(lián)合空間中豐富的結(jié)構(gòu)化信息進行建模.文章引入了自頂向下的反饋機制,通過反饋錯誤預(yù)測逐步改變初始解的自校正模型,此過程稱為迭代錯誤反饋(IEF).基于坐標回歸的方法,只減少了每個關(guān)節(jié)點位置的誤差,忽略了關(guān)節(jié)點之間的相關(guān)信息,相比于關(guān)節(jié)點骨骼信息更準確.Sun 等人[22]提出了一種基于ResNet-50[23]的結(jié)構(gòu)感知回歸方法,它采用重新參數(shù)化的姿勢表示,使用骨骼進行姿態(tài)表示,對姿勢進行編碼.

總體而言,關(guān)節(jié)點坐標的直接回歸是非線性的,在映射學習中存在困難,而且不能應(yīng)用于多人情況,缺乏魯棒性.相較于坐標回歸,更多使用基于熱圖檢測的方法.

2.1.2 基于熱圖檢測

熱圖檢測的方法將人體各部位作為檢測目標,通過檢測關(guān)鍵點熱力圖(heatmap),獲得關(guān)鍵點的概率分布以及關(guān)鍵點的位置信息.

Tompson 等人[24]采用深度卷積網(wǎng)絡(luò)進行姿態(tài)估計,采用heatmap 的方式回歸關(guān)鍵點,將重疊感受野和多分辨率輸入,利用人體關(guān)鍵點之間的空間信息,結(jié)合馬爾科夫隨機場的思想來優(yōu)化預(yù)測結(jié)果.該方法也為多人場景下的姿態(tài)估計中關(guān)鍵點聚類問題提供思路.針對于定位的精度較低的問題,Tompson 等人[25]在此基礎(chǔ)上做了相應(yīng)改進,使用兩個級聯(lián)網(wǎng)絡(luò)來回歸人體關(guān)鍵點的熱圖,并聯(lián)合訓練這兩個網(wǎng)絡(luò),提升模型的泛化能力.

Isack 等人[26]提出高效輕量級模型RePose,將基于部件的結(jié)構(gòu)和幾何先驗合并到分層預(yù)測框架,利用人體運動學約束,采用端到端的訓練,根據(jù)先驗知識進行建模,傳播低分辨率特征以達到細化預(yù)測的姿勢信息的目的.

Artacho 等人[27]基于“瀑布式”的空間池架構(gòu),提出了統(tǒng)一的人體姿態(tài)估計框架UniPose,將空洞卷積的級聯(lián)方法和空洞空間金字塔模塊并行.該方法結(jié)合上下文分割和聯(lián)合定位來確定關(guān)鍵點位置和人體邊界框,以實現(xiàn)人體姿勢的高精度估計.

基于坐標回歸的方法獲取關(guān)鍵點信息更加直接,能夠獲取豐富的特征,但增加了復(fù)雜度,通用性低,精度低.基于熱圖檢測的方法相較于坐標回歸的方法魯棒性更好,關(guān)節(jié)點之間的關(guān)聯(lián)更加清晰,但計算量較大,效率低,基于坐標回歸與熱圖檢測的方法對比如表1 所示.

表1 單人姿態(tài)估計方法對比

2.2 多人姿態(tài)估計

與單人姿態(tài)估計不同,多人姿態(tài)估計需要檢測出圖像中的所有目標人體,包含檢測和定位步驟.多人姿態(tài)估計根據(jù)檢測步驟分為自頂向下(top-down)和自底向上(bottom-up),top-down 的方法先檢測人體目標,在對人體進行姿態(tài)估計; bottom-up 的方法先檢測圖像中的所有關(guān)節(jié)點,再將關(guān)節(jié)點進行聚類組合成人體.同時,多人圖像場景可能會存在遮擋問題,如何精確預(yù)測出遮擋情況下的關(guān)節(jié)點,補齊缺失關(guān)鍵點是多人姿態(tài)估計中的一個重要研究方向.

2.2.1 Top-down

基于自頂向下的方法首先采用目標檢測算法獲取圖像中的多個人體,再對單個人體目標進行姿態(tài)估計.Iqbal 等人[28]提出了一種多人姿態(tài)估計的方法,利用Faster R-CNN 進行人體目標檢測,對檢測出的人體使用convolutional pose machines (CPM)網(wǎng)絡(luò)進行姿態(tài)估計.但是在對人體邊界框進行姿態(tài)估計時,并未考慮多人圖像中人體之間可能存在的遮擋情況,有可能會使得關(guān)鍵點信息缺失無法與人體相關(guān)聯(lián),從而導致姿態(tài)估計的誤差降低準確度.Papandreou 等人[29]基于復(fù)雜場景下,沒有提供人體的真實位置或比例的情況下,提出了基于自頂向下簡單有效的G-RMI 多人姿態(tài)估計方法.使用Faster R-CNN 進行目標檢測,并估計目標框中包含的關(guān)節(jié)點.對于關(guān)節(jié)點的類型,使用全卷積ResNet 預(yù)測關(guān)節(jié)點的熱度圖和偏移量.引入熱圖-偏移的聚合方法來獲得準確的關(guān)節(jié)點.Mask R-CNN[30]首先檢測出目標邊界框,通過特征圖進行關(guān)節(jié)點檢測.Mask R-CNN 的網(wǎng)絡(luò)結(jié)構(gòu)在Faster R-CNN 分類和回歸的基礎(chǔ)上增加了一個分支進行圖像的語義分割,Dense-Pose 借用了Mask R-CNN 的架構(gòu).

AlphaPose 由Fang 等人[31]提出,此研究認為雖然當前最先進的人體檢測已經(jīng)達到較好的效果,但人體目標的定位和識別仍會產(chǎn)生誤差,提出了區(qū)域多人姿態(tài)估計(RMPE)框架,由空間變換網(wǎng)絡(luò)(SSTN)、參數(shù)姿態(tài)非最大抑制(NMS)和姿勢引導區(qū)域生成器(PGPG)組成.SSTN 主要作用是在不精準的邊界框中提取出高質(zhì)量的人體區(qū)域,NMS 用來解決人體目標被重復(fù)檢測的問題,使用PGPG 來進行數(shù)據(jù)增強,根據(jù)檢測結(jié)果生成的訓練樣本.AlphaPose 利用RMPE 框架對不準確的人體目標邊界框進行準確的姿態(tài)估計,減少了因為人體目標檢測不準確而導致的誤檢.文獻[32]提出一種用于人體姿態(tài)估計的無偏的數(shù)據(jù)處理方法(UDP),以減少訓練和推理過程中的計算增量.

HRNet[33]在2019年被提出,主要是為保持高分辨率的特征圖信息,現(xiàn)有方法大多是從低分辨率特征中恢復(fù)高分辨率特征,HRNet 通過并行化多分辨率子網(wǎng)絡(luò)保持高分辨率特征,并通過多尺度融合來增強高分辨率特征.Zhang 等人[34]在HRNet 的基礎(chǔ)上提出了一種新型的注意力模塊,去規(guī)范化注意力(DNA)來解決傳統(tǒng)注意力模塊的特征衰減問題.

總體而言,自頂向下的方法思路清晰,精度較高,在檢測人體邊界框時不會出現(xiàn)漏檢、誤檢; 但實時性較差,對于每次檢測,都要運行單人姿態(tài)估計,檢測的人數(shù)越多,計算成本越高.雖然相較于先前的方法檢測精度得到了很大提升,但發(fā)生檢測錯誤還是不可避免的,比如邊界框定位錯誤,會阻礙自頂向下方法精度的提高.

2.2.2 Bottom-up

基于自底向上的方法步驟包含關(guān)節(jié)點檢測和聚類,首先檢測出圖像中的所有關(guān)節(jié)點,通過相應(yīng)策略將關(guān)節(jié)點聚類成人體,實現(xiàn)姿態(tài)估計.自底向上的方法擺脫了首先對個體進行進行檢測的前提.

Pishchulin 等人[35]提出了基于Fast R-CNN 檢測器的DeepCut,首先提取圖像中的所有關(guān)鍵點,將關(guān)鍵點作為節(jié)點組成密集連接圖,將同一個體的關(guān)鍵點采用非極大值抑制聚類為完整個體.Insafutdinov 等人[36]改進DeepCut 提出了基于ResNet 的DeeperCut.該算法采用ResNet 來獲取人體關(guān)節(jié)點,提升檢測精度; 提出圖像條件成對項(ICPT)減少候選區(qū)域的關(guān)節(jié)點,減少網(wǎng)絡(luò)的計算量.

DeeperCut 相比于DeepCut,精確度提升了,并且減少了運行時間,從時間效率依舊無法達到實時檢測.為了提高實時檢測效率,Cao 等人[37]提出了基于CPM的OpenPose 方法,OpenPose 的網(wǎng)絡(luò)模型如圖3 所示.

圖3 OpenPose 網(wǎng)絡(luò)架構(gòu)圖

該方法利用VGG-19[38]的前10 層為輸入圖像創(chuàng)建特征映射,網(wǎng)絡(luò)框架分為兩個并行分支,一個分支預(yù)測關(guān)節(jié)點的置信度; 另一分支預(yù)測部分親和域場(PAFs),PAF 表示部件之間的關(guān)聯(lián)程度; 利用匈牙利算法進行最優(yōu)化匹配將同一個體的關(guān)節(jié)點進行聚類,得到人體姿態(tài)信息.

Osokin[39]改進OpenPose 提出了Lightweight OpenPose,使用MobileNet v1[40]代替VGG-19 進行特征提取,通過權(quán)重共享來減少計算量,為解決感受野較小而造成的效果不佳采用空洞卷積優(yōu)化算法.Kreiss 等人[41]提出了與OpenPose 相似的PiPaf 網(wǎng)絡(luò),主要包含部分強度場(PIF)和部分關(guān)聯(lián)場(PAF),分別提升熱圖在高分辨率下的精度和確定關(guān)節(jié)點的連接,得到人體關(guān)節(jié)點,與OpenPose 相比性能有明顯提升,該算法適用于低分辨率圖像.針對高分辨率網(wǎng)絡(luò),Cheng 等人[42]在高分辨率網(wǎng)絡(luò)HRNet 基礎(chǔ)上提出了更高分辨率網(wǎng)絡(luò)(HigherHRNet),提出了一種高分辨率特征金字塔,通過反卷積得到更高分辨率的特征來提高準確度,使用多分辨率監(jiān)督讓不同層的特征能學習不同尺度的信息,解決多人姿態(tài)估計中的尺度變化.Luo 等人[43]為解決人體尺度的變化和人體關(guān)鍵點標簽的模糊這兩大挑戰(zhàn),提出了尺度自適應(yīng)熱圖回歸(SAHR)方法和權(quán)重自適應(yīng)熱圖回歸(WAHR)方法共同作用以提高人體姿態(tài)估計的準確性.Varamesh 等人[44]設(shè)計了一種使用混合密度網(wǎng)絡(luò)進行空間回歸的框架,提高對象檢測和人體姿態(tài)估計的速度和精度.

目前已經(jīng)有方法可以實現(xiàn)預(yù)測.Newell 等人[45]提出了關(guān)聯(lián)嵌入標簽算法,應(yīng)用在監(jiān)督學習卷積神經(jīng)網(wǎng)絡(luò)中,可以同時檢測和分組.Papandreou 等人[46]提出了多任務(wù)網(wǎng)絡(luò)PersonLab,使用模型對多人圖像中的人體進行關(guān)鍵點檢測和實例分割.

與自頂向下的方法相比,自底向上的方法受人數(shù)增加影響較小,處理速度較快.但復(fù)雜背景和人體遮擋情況會對性能產(chǎn)生較大影響.在復(fù)雜的背景和遮擋干擾情況下,缺失人體關(guān)節(jié)點在將關(guān)節(jié)點聚類到不同個體上時可能會出現(xiàn)誤判、匹配錯誤等問題,如何處理背景干擾和遮擋情況是將來研究的重點和難點.多人姿態(tài)估計方法對比如表2 所示.

表2 多人姿態(tài)估計方法對比

3 數(shù)據(jù)集與評價指標

3.1 數(shù)據(jù)集

目前主流的人體姿態(tài)估計數(shù)據(jù)集可分為單人數(shù)據(jù)集和多人數(shù)據(jù)集,單人數(shù)據(jù)集包含LSP[47]、FLIC[48],多人數(shù)據(jù)集包含多人數(shù)據(jù)集COCO[49]、MPII[50]、AI Challenger[51]、PoseTrack[52].表3 對各個數(shù)據(jù)集的樣本數(shù)目、類型、關(guān)節(jié)點數(shù)目以及來源場景進行對比.

表3 人體姿態(tài)估計數(shù)據(jù)集

LSP 數(shù)據(jù)集是一個體育姿勢數(shù)據(jù)集,收錄的運動場景下的人體圖像,圖像中只包含一個人體,定義了14 個關(guān)節(jié)點,樣本數(shù)大約2 000 張,圖像大部分與體育有關(guān),該數(shù)據(jù)集中人體姿勢較復(fù)雜.FLIC 數(shù)據(jù)集來源于好萊塢電影片段,人工對電影片段截圖的圖像進行標注,圖像中包含多人時,只對一個人的關(guān)節(jié)點進行標注,此數(shù)據(jù)集不包含人體被遮擋或者清晰度過低的圖像.COCO 數(shù)據(jù)集由微軟構(gòu)建,來源于谷歌、Flicker 等下載的圖像,圖像分為訓練集、驗證集和測試集,定義了17 個關(guān)節(jié)點,包含20 萬張圖像和25 萬個被標注的人體.MPII 數(shù)據(jù)集來源于YouTube 的日常生活場景,手動檢測包含人的畫面.該數(shù)據(jù)集包含2.5 萬張圖像,定義了16 個關(guān)節(jié)點,標注了4 萬個人體目標.AI Challenger 數(shù)據(jù)集來源于網(wǎng)絡(luò)爬取的日常片段,包括訓練集、驗證集、測試集共30 萬張圖像.

3.2 評價指標

不同數(shù)據(jù)集因自身特點采用的評估指標也不同.常用的二維人體姿態(tài)估計指標主要有以下幾種:

(1)部位正確估計百分比(PCP): 關(guān)節(jié)點正確估計的比例,用于評估人體關(guān)節(jié)點的定位精度.

(2)目標關(guān)節(jié)點相似度(OKS): 計算關(guān)節(jié)點位置距離,檢測關(guān)節(jié)點的相似度.OKS的計算方式為:

其中,i為標注的關(guān)節(jié)點編號;di2為檢測到的關(guān)節(jié)點位置與真實關(guān)節(jié)點位置的歐氏距離的平方;s2為檢測人體在圖像中面積;ki2為歸一化因子表示標注關(guān)節(jié)點位移的標準差;vi為正整數(shù)是可見關(guān)節(jié)點.

(3)平均精度AP(average precision): 每一個關(guān)節(jié)點在整個測試數(shù)據(jù)集上,檢測結(jié)果的平均準確率:

其中,p為人體檢測框編號.AP50、AP75為交并比(intersection over union)分別取值為0.5、0.75 時AP的值,APM、APL分別為中等目標和大目標的AP值.

(4)關(guān)節(jié)點正確定位百分比(PCK): 用于評估關(guān)節(jié)點定位的準確度,檢測關(guān)節(jié)點在標注關(guān)節(jié)點的閾值內(nèi),則該關(guān)節(jié)點為準確的.

(5)關(guān)節(jié)點平均精度(APK): 將預(yù)測的人體姿態(tài)與真實姿態(tài)評估后,通過APK得出每個關(guān)節(jié)點定位準確的平均精度.

表4 列出了多人姿態(tài)估計部分算法在COCO 數(shù)據(jù)集上AP的性能對比.

表4 多人姿態(tài)估計算法在COCO 數(shù)據(jù)集上的性能對比

4 發(fā)展趨勢及難點

深度學習和卷積神經(jīng)網(wǎng)絡(luò)的飛速發(fā)展,使得人體姿態(tài)估計領(lǐng)域不斷前進,在計算機視覺領(lǐng)域突出重要性和發(fā)展前景已被學者認可,但依舊存在一些難點與挑戰(zhàn).

(1)提高檢測精度和效率,雖然有些算法已經(jīng)取得了較大的進步,但是真正將人體姿態(tài)估計應(yīng)用在無人駕駛、監(jiān)控檢測等領(lǐng)域還需要更高檢測精度的算法,需要簡化網(wǎng)絡(luò)結(jié)構(gòu),文獻[53]提出可采用輕量級的網(wǎng)絡(luò)優(yōu)化姿態(tài)估計算法,保證精度的同時提高效率.

(2)算法受復(fù)雜環(huán)境影響較大,在實際應(yīng)用中光照和遮擋情況容易對算法效率產(chǎn)生影響,重疊和遮擋的關(guān)節(jié)點會導致關(guān)節(jié)點的誤檢和漏檢.另一方面人體在不同視角會產(chǎn)生信息壓縮的情況,例如仰視或俯視條件會導致無法獲取到正確人體比例.因此如何解決遮擋問題是重要研究方向,文獻[54]提出對于肢體遮擋修復(fù)算法的研究非常重要,文獻[55]提出研究姿態(tài)連續(xù)性信息,可以還原姿態(tài)失真.

(3)數(shù)據(jù)集分布不均勻,目前常用數(shù)據(jù)集足夠大,但分布不平衡,現(xiàn)有數(shù)據(jù)集無法對罕見姿態(tài)進行檢測,難以滿足人體姿態(tài)變化復(fù)雜與多樣性,例如存在遮擋情況、角度壓縮的數(shù)據(jù)集較少,豐富擴充數(shù)據(jù)集樣本仍然是人體姿態(tài)估計研究的重點.

5 總結(jié)

人體姿態(tài)估計由傳統(tǒng)方法發(fā)展至深度學習的方法,模型和算法性能不斷得到優(yōu)化和提升,人體姿態(tài)估計在電影動畫、無人駕駛、虛擬現(xiàn)實和智能監(jiān)控等方面都取得了豐碩的研究成果.基于圖結(jié)構(gòu)的傳統(tǒng)方法可為后續(xù)的算法研究提供先驗知識,基于深度學習的人體姿態(tài)估計方法必然是未來的發(fā)展方向.在當前大量圖像數(shù)據(jù)的背景下,應(yīng)當充分利用視頻數(shù)據(jù),將人體姿態(tài)估計應(yīng)用于更多領(lǐng)域.二維姿態(tài)估計作為計算機視覺眾多任務(wù)的基礎(chǔ),具有廣闊的研究前景.