为了更深入地理解视觉世界,计算机不仅需要检测出复杂场景中的单个目标,还要对目标间的关系进行推理。在各种视觉关系中,我们最关注的是场景中的人与其他物体间的关系。人物交互(Human-Object Interaction,HOI)检测是用于判断人与物体间的交互行为的计算机视觉任务,具有巨大的实际应用价值和潜力。HOI检测通常被理解为检测三元组<人、动词、物>,在检测出人和物体的基础上,对候选人-物对进行交互分类。由于物体的种类较多,并且每类物体都与多种交互行为有关,因此HOI检测任务具有较大的难度。经典的HOI检测方法采用多路结构,包含人路、物路和空间路。三路分支分别处理人和物体的外观特征以及人和物体的空间关系。其他拓展算法还进一步加入了上下文信息、知识和人体姿态信息。虽然这些方法的检测效果有一定提升,但它们都将人作为一个整体进行处理,没有考虑人体的不同区域对交互的影响。实际上,人体是由许多身体部位组成的。人与物体进行交互时,这些身体部位的状态会同时发生改变并对交互产生不同的影响。与人体的coarse-level视觉特征相比,不同身体部位的视觉特征及与物体的潜在关联能够为HOI检测提供更精细的线索。针对以上问题,本文将Two-stage策略与Multi-level人体特征结合,提出了一种基于Two-stage策略的Multi-level人物交互检测框架。此框架由共享特征提取模块、交互判断模块和Multi-level交互检测模块构成。交互判断模块采用三路结构,利用人物的视觉特征和空间关系判断交互是否存在,并对无交互的人-物对进行抑制。Multilevel交互检测模块用于判定具体的交互类别。该模块在三路的基础上增加了Finelevel身体部位路。该路将不同身体部位的fine-level特征和身体部位与物体间的距离关系结合,从而与利用coarse-level人体特征的人路互相补充,共同辅助交互检测。考虑到不同身体部位对交互行为的重要性是有区别的,我们进一步引入了部位注意力机制的概念。部位注意力模块根据人和物体的空间关系和身体部位间的位置关系获得注意力打分,用来反映各个身体部位的相对重要性。将部位注意力机制应用于Fine-level身体部位路能够增强重要的身体部位的影响,从而更容易区分不同的交互行为。此外,我们还对Multi-level注意力交互检测模块的交互预测得分的融合方式进行改进,加入融合系数并根据交互行为的特点进行混合融合。实验结果表明,相比于已有方法,本方法能够有效降低交互行为的漏检和误检概率,并获得了更高的平均检测精度。