姿态估计
定义
姿态估计指的是从视觉数据中获取目标姿态参数的计算过程。对于人形目标，任务是定位头、颈、肩、肘、腕、髋、膝、踝等主要关节及身体部位在二维或三维空间中的位置与朝向，从而刻画整个人体姿态[3]；对于刚性物体，任务是求出物体相对相机的三维旋转与三维平移，即所谓六自由度位姿，通常用旋转矩阵与平移向量表示[4]。
按照输出空间的维度，人体姿态估计分为二维与三维两类。前者给出关节在图像平面上的像素坐标，后者给出关节在三维空间中的坐标。二维结果对基础任务已足够，但涉及空间深度和身体朝向时并不充分，因此三维姿态估计在真实场景中更为关键[5]。
按照画面中的人数，可分为单人姿态估计与多人姿态估计；多人场景下难度明显更高，因为算法需要在一帧中处理未知数量的人，并应对人与人、人与物体的相互遮挡以及小目标问题[6]。此外，相机位姿本身也可以作为估计对象，即求取相机在参考坐标系中的旋转与平移[7]。
原理
基于深度学习的二维人体姿态估计主流做法是把关节定位转化为特征图预测。网络先由主干提取共享特征，再逐像素预测每个关节的热图或置信图，峰值位置即关节坐标；热图之后可以接回归头，也可以接多阶段结构逐级细化[6]。也有方法直接回归关节坐标，但面对复杂姿态时更易受映射非线性影响[6]。
多人场景有自顶向下和自底向上两条技术路线。自顶向下先用人检测器框出每个人，再在框内做单人姿态估计，精度较高但耗时随人数线性增长；自底向上先检测画面中所有身体部件，再把这些部件组合成属于同一个人的骨架[8]。后者的代表性实现用两个并行分支分别预测部位置信图和部位亲和场，后者以二维向量场编码四肢的位置与方向，据此把候选部件匹配成完整骨架，因而不依赖人体检测器[2]。
三维姿态的获取常见两条路径：一是多视角三角化，用多台已标定相机对同一关节的二维观测做三角测量得到三维坐标[9]；二是从二维关节序列“提升”到三维，先估计二维姿态，再用网络或字典、主成分分析等手段寻找与二维观测最吻合的三维骨架[10]。刚性物体的六自由度位姿常借助三维模型与图像特征点的对应关系求解，例如透视 n 点定位，再通过迭代优化细化结果[11]。
常用评价指标包括关键点相似度、平均精度与平均召回率等，六自由度位姿则用旋转误差、平移误差以及可见表面差异等位姿误差函数衡量[12][13]。
发展历程
2014 年，托舍夫与塞格迪在 CVPR 发表 DeepPose，把姿态估计表述为深度神经网络对身体关节的回归问题，并用级联回归器提高精度，通常被视为深度学习进入该领域的起点[1][14]。此后基于卷积网络的热图方法与多阶段结构相继出现，包括堆叠沙漏网络与卷积姿态机等[6]。
多人姿态估计在 2016 年至 2017 年间取得突破。卡内基梅隆大学感知计算实验室的方法在 2016 年 COCO 关键点挑战赛中获胜，并在 2017 年 CVPR 发表基于部位亲和场的实时多人二维姿态估计；配套开源库成为该领域被广泛引用的软件之一[15][2]。
数据与评测体系同步完善。2014 年发布的 MPII 人体姿态数据集包含约 2.5 万张图像、4 万余人，2016 年发布的 COCO 数据集含约 33 万张图像、25 万余人的关键点标注，成为二维评测的主要基准[12]。面向刚性物体，研究者在 2018 年提出六自由度位姿基准，统一了多个数据集的格式与误差函数，并从 2019 年起组织公开挑战赛[16][4]。
近年研究转向 Transformer 结构、轻量化模型以及扩散模型等生成式方法，并开始把姿态推理与大语言模型结合，同时关注边缘设备上的实时部署[5]。
应用
医疗与康复是较早的落地方向。已有工作利用深度信息对卧床患者做三维姿态估计，以辅助评估身体状况；也有研究针对计算机辅助康复环境改进方法，并设计面向下肢的关键点数据集与可在移动设备上运行的模型[17]。
在机器人领域，三维人体姿态估计被用于人机协作与远程操作，边缘端的实时推理是主要工程约束；机器人抓取与操作则依赖物体的六自由度位姿来规划动作[4]。
动作识别与行为分析把姿态作为中间表示，先得到骨架序列再判断动作类别，基于骨架的图卷积网络是常见做法[18]。健身指导、舞蹈教学等场景则用关节角度与姿态序列给出量化反馈[9]。
此外，人体姿态还被引入视觉同步定位与建图，把动态行人的关键点作为约束参与相机位姿优化，以缓解动态场景下定位精度下降的问题[19]。在工业与职业健康方向，二维姿态估计被用于工效学风险姿势评估，通过手腕等关键点结合逆向运动学计算关节角度[20]。
局限
遮挡是最突出的困难之一。手部在交互中会被自身或物体挡住，关键信息缺失不仅降低被遮挡部位的估计精度，也会拖累可见部位的精度；多视角方案若简单地平均两路结果，在侧视出现自遮挡时反而可能变差[21][9]。
深度歧义是单目三维估计的固有问题。从单张图像恢复三维关节坐标时，多个不同的三维姿态可能投影出几乎相同的二维观测，需要借助人体先验或时序信息加以约束[10]。单目三维方法在真实场景中的泛化也受制于难以获取的三维真值标注，训练数据多在受限环境中采集[10]。
数据集本身存在偏差。已有综述指出，常用基准多拍摄于室内实验室环境，受试者的人口特征类别也较单一，这限制了模型在开放环境中的表现[5]。刚性物体方面，深度学习方法的早期瓶颈在于带标注真实图像不足，以及合成图像与真实测试图像之间的域差异；引入基于物理渲染的训练图像后差距才明显缩小[22]。
评测指标同样不完善。六自由度位姿常用的可见表面差异函数在早期版本中不考虑颜色，对纹理对齐敏感的增强现实等应用而言并不充分[13]。计算成本方面，自顶向下流程的耗时随画面人数线性增加，密集人群场景下的实时性因此受限[8]。
参见
参考资料
- DeepPose: Human Pose Estimation via Deep Neural Networks [引用日期2026-10-29]
- OpenPose: Real-Time Multi-Person Keypoint Detection [引用日期2026-10-29]
- EB002248323 [引用日期2026-10-29]
- F3-D-2021-Hodan-Tomas-thesis_02-25-2021_final(PDF) [引用日期2026-10-29]
- s10462-025-11430-4 [引用日期2026-10-29]
- Human Modelling and Pose Estimation Overview [引用日期2026-10-29]
- arxiv.org 上的网页 [引用日期2026-10-29]
- Openpose [引用日期2026-10-29]
- acm.org 上的网页 [引用日期2026-10-29]
- 2023UCFA0146_EL_KAID(PDF) [引用日期2026-10-29]
- [0138] 本公开的实施例的一些方面涉及使用在大基线处的多个独立相机的系统来估计场景中的对象的姿态以执行联合姿态估计 [引用日期2026-10-29]
- arxiv.org 上的网页 [引用日期2026-10-29]
- arxiv.org 上的网页 [引用日期2026-10-29]
- arxiv.org 上的网页 [引用日期2026-10-29]
- Realtime_Multi-Person_Pose_Estimation [引用日期2026-10-29]
- BOP: Benchmark for 6D Object Pose Estimation [引用日期2026-10-29]
- s10462-024-11060-2 [引用日期2026-10-29]
- nih.gov 上的网页 [引用日期2026-10-29]
- 融合人體姿態的動態視覺SLAM算法研究 - 中國優秀碩士學文論文全文數據庫 [引用日期2026-10-29]
- ieee.org 上的网页 [引用日期2026-10-29]