人体姿态估计是计算机视觉中的重点研究领域之一,并长期成为许多专家学者的研究热点。其目标是在输入的人体数据中准确定位出人体关节,例如耳朵、鼻子、手腕等。利用这些人体关节信息,可以构建人体的骨骼表示,从而理解人体行为。最近几年,基于卷积神经网络的人体姿态估计技术受到越来越广泛的研究,其可以自动挖掘图像特征,减少了大量手工提取图像特征的工作。虽然该领域得到快速发展,但目前仍然有一些重要的问题还未解决。大多数学者将研究的关注点仅放到模型精度的提升上,而忽略了模型的实用性,这样存在两个方面的问题。一方面,提出越来越复杂的模型结构,在实际应用环境中,这样的网络模型结构增加了研发人员的研究成本,使其花费大量精力去理解结构本身,而无法投入更多的精力去理解业务逻辑。另一方面,模型的参数量和计算开销越来越大,这将使得模型无法部署到一些资源非常有限的嵌入式设备上。例如智能摄像头、智能手机、智能机器人等,它们的内存和计算资源往往较少,无法直接部署那些存储和计算资源消耗过大的人体姿态估计模型。为此,本文从简单高效和轻量有效的网络结构设计以及轻量级模型训练策略三个维度开展研究工作,主要创新点及贡献如下:首先,本文设计了一个简单高效的人体姿态估计网络模型,该模型具有网络结构简单、易于扩展、能维持较高检测精度的优点。同时,也在该网络结构上细致分析了特征融合、通道注意力机制、输入图像分辨率以及网络深度给模型带来的影响。其次,基于上述工作的经验,设计出轻量级的人体姿态估计模型,该模型的参数量和计算开销都比较小,便于直接部署在资源受限的边缘设备上。此外,也通过定量实验细致分析了构造轻量化人体姿态估计模型的关键因素。最后,通过实验发现,模型轻量化之后存在精度退化问题,如何在轻量化的模型上尽可能提升精度是一项比较有挑战性的问题。为此,本文提出了多角度知识蒸馏的模型训练方法,用来提升轻量化模型的泛化能力。它可以更加充分地将老师模型学习到的知识经验传授给学生网络模型,这不仅更能提升学生模型的整体性能,也可以加快模型的收敛速度,用较少时间训练出一个高精度轻量化模型。本文所提出的方法既符合该研究领域未来的发展方向,同时又能满足现实应用的实际需求。