人体姿态估计是当下众多计算机视觉研究课题之一,通过利用已收集到的图像信息来检测其中所含有的肢体部位,并构成完整的姿态。随着计算机技术的更迭,能产生图像信息的智能设备逐渐被广泛的应用到日常生活中。人作为视觉信息的主要目标,如何对其动作与行为进行有效识别是目前亟待解决的问题。按照人体姿态的图像特征提取方法,人体姿态估计被划分成传统方法和深度学习方法。按照最终得出的人体姿态维度差异,可以将人体姿态估计任务分为二维和三维两类。尽管有各类提高检测精度的模型与方法被提出,但要达到理想的效果还远远不够,尤其是将研究任务在实际场景中应用时,极大程度上受到遮挡、环境改变等条件制约。因此,对人体姿态估计方法的改进是目前研究的重要任务。本课题通过分析现阶段人体姿态估计方法的不足,并结合组规范化、多任务等方法,对已有密集三维人体估计模型网络进行了改进。本文的主要贡献与创新如下:(1)多尺度融合策略。人体构造的复杂性、动作行为的多样性,以及摄影者的拍摄角度,都会对图像中人体目标的尺度大小造成影响。本文利用高层网络提取图像细节信息,并由底层网络提取的全局信息,然后将两者融合,能够有效提高对目标人体的估计准确率,减少网络的误检、漏检。(2)采用组规范化方式。受硬件条件的限制,3D密集人体姿态进行估计任务中批规范化操作的Mini-Batch大小只能选择较小的值,不能获得数据集图片中不同批次间的有效统计量信息,局部的均值与方差对最终整体的检测会造成严重的误差。本文将组规范化方式引入三维密集人体姿态估计任务中,充分利用图像本身各通道特征图信息,提高任务检测精度。(3)多任务级联。本文借鉴多任务训练的思路,并根据深度学习输入数据在经过这些隐藏层后被转化为非线性且抽象的特征表示的特性,分析多任务学习方式在深度学习研究中的可行性,并提出了一种将多任务并行执行并以其输出互相作为输入的基于区域的网络结构,以此来提高三维密集人体姿态估计任务的准确率。