人们在运动或健身训练过程中,动作不规范将影响训练效果,甚至导致运动损伤,但是各种体育活动的标准动作需要专业人员指导,自身很难发现动作是否标准。近年来,人体姿态估计已成为了计算机视觉技术研究的热点。深度学习模型可有效识别图片或者视频中人体的关节点及其运动轨迹,并对目标人体的动作进行评估。利用深度学习方法,自动判断运动过程中的动作是否标准,可使运动者在无专业人员指导的情况下,自行评估动作,纠正错误动作,从而实现健康高效锻炼,防止运动损伤。然而,运动过程普遍存在他人遮挡或者邻近人员的情况,导致人体的动作识别出现偏差,影响动作的评估,从而无法有效纠正错误动作,反而会误导训练人员。本文提出了一种基于区域感知网络的人体姿态估计网络模型,加强在严重遮挡、相近人体重叠和因为对称肢体遮挡情况下的抗混淆能力。该方法涉及数据增强、特征学习和预测融合三个关键技术。首先,提出一套解决人体姿态估计纹理混淆问题的数据增强方法,生成大量数据用以合成混淆纹理,将混淆的肢体部件像素整体覆盖到当前人体上,增强模型对于混淆肢体的辨别能力。其次,设计了特征金字塔根模块,将高低层网络特征融合,相比于以往工作对输入图像直接进行下采样造成的有效像素损失,该模块可在网络输入阶段提取更丰富的图像特征,充分利用输入图像的有效像素解决纹理混淆问题,再结合端到端图像区域处理结构挖掘更好的目标特征。第三,设计了神经网络多阶段输出结果的级联融合策略,考虑每一个关键点的热力图置信度信息,有效排除离群点,从而明确排除劣质预测,获得更精准的预测结果。上述方法在MPII和LSP两个常见人体姿态估计数据集上的实验结果证明了方法的有效性,特别是对易混淆的关节,识别准确度提升显著。基于目标人体关节点识别技术,实现了运动辅助系统,可通过关键帧图片判断训练者动作是否标准。系统对运动关键帧进行关节点识别,将标准动作与练习动作对比,计算相似度,得到练习动作的评估结果。