随着人工智能的发展,如今的人工智能设备对人机交互的需求越来越多,除了常用的语言交互、按键交互以外,人体的动作也包含着大量信息,比如交警指挥交通、服务机器人分析客户行为需求、教练分析运动员动作等。因此设计出相应的人体姿态估计算法让机器能够理解特定人物的动作信息十分必要。近年来,伴随着深度学习的热潮,人体姿态估计成为了研究人员的热门课题。随着研究人员的深入探讨,人体姿态估计算法逐渐走向成熟。在解决人流拥挤问题、人体遮挡问题、计算机算力限制问题,这些姿态估计重点难题时,研究人员提出的方案更是别具匠心,各有所长。但是大多数优秀的姿态估计算法需要在高配置机器环境下并联进行计算,而更加普遍存在于人们日常生活中的低配置的机器环境无法为这些算法提供足够的算力支持。因此设计出一套可在轻量级设备上运算且具有高度实用价值的指定人物姿态估计系统很有意义。针对上述问题,本文提出了一种对指定人物进行上身姿态估计的方法,并针对轻量级设备设计了一套简单高效的上身姿态估计算法。对于一张输入图像,首先通过MTCNN算法检测人脸,提取人脸框与人脸关键点;然后利用Facenet进行人脸检测寻找需要观测的对象;利用人脸和人体之间的比例关系,粗略计算出观测对象的上身区域位置,以此裁剪出姿态估计模型输入所需的人物提取图像;最后将裁剪后的图像输入神经网络,预测指定人物的人体上身关键点;将关键点连接成火柴人的形状便于使用者观察,并根据关键点所在位置判断人体动作,达到姿态估计的目的。对于神经网络的结构与训练方式,设计了一种简单高效的上身姿态估计算法。该计算受目标检测算法YOLOV3启发,优势在于计算量较小,运算速度快,且适用于配置较低的轻量级设备。实验应用PaddlePaddle深度学习平台,在低配置环境下对本文设计的算法以及整个系统进行了代码仿真。展示了算法训练过程的收敛情况,证明了该算法的可行性。通过与其他算法在运算消耗时间与预测准确度两方面进行对比,证明了该算法的优越性。整个系统以交警动作估计作为案例进行了仿真模拟,准确率达到72.6%,证明了该系统的实用性。图[20]表[4]参[23]