随着人工智能的不断发展以及深度学习的流行,越来越多的人工智能算法应用到实际生活中,对人们的生活带来便利。手势姿态估计是近几年出现的一个人工智能领域研究的分支,手势姿态估计旨在利用图片生成手的2D或3D的手部关节位置。手势姿态估计可以应用在VR、AR、辅助教学等多个场景中,手势姿态估计的研究起着至关重要的作用。在手势姿态估计中,由于RGB图片获取方便,很多学者都在进行基于RGB图片的手势姿态估计的研究。然而在以往的研究中,大部分学者忽视了手部各关节点之间的上下文关系或者只使用了隐式的关节点之间的上下文关系,同时手部上下文关系的利用能够影响手部姿态估计的准确度。隐式的关节点之间的上下文关系对用户是一种不可见的,完全依靠训练实现,是一种不可控的关系。手部关节之间能够构成天然的关系图,这种关系图可以表现关节之间的显式关联关系,而在手势姿态估计的研究中没有人利用手部关节之间的关系图进行手势姿态估计。因此本文针对以上不足,旨在构建一种基于RGB图片的手势姿态估计网络,能够考虑手部关节点之间的关系,可以利用这种关系对手部关节之间的特征进行特征增强,同时兼顾不同手部关节之间的不同。本文主要创新在于:(1)根据手部不同关节点之间关系构建了手部关节之间的特征关系图,通过构建特征关系图,可以有效的促进关节之间信息的流动,也充足的考虑了人手部的真实构造,特征关系图充分考虑了手部关节之间的空间关联关系和对称关联关系;(2)利用图卷积神经网络,在Stacked Hourglass网络基础上构建了一种特征增强网络Graph FB,利用构建的手部关节特征关系图进行特征增强;(3)鉴于图卷积神经网络在聚合邻居信息时,该邻居信息可能对当前节点的效果不尽相同,并且每个邻居的某个特征对当前节点的作用也不同,在此基础上创新性的提出了信息流控制门,控制不同节点的特征图对当前节点信息的流入,避免造成信息冗余同时扩大有用节点信息的流入。文章实验部分在两个不同的公开数据集下与三个基准算法进行对比实验,显示了本文提出的算法的有效性以及对比基准算法效果的优越性。