人体姿态估计算法是计算机视觉领域的一个基础性研究。它是行为识别、人物追踪等其他计算机视觉研究的基础。人体姿态估计可以分为单人任务和多人任务。在现实的应用场景里摄像头获得的照片或者视频中往往不止包括一个人,多人的人体姿态估计算法更能满足实际应用的需求。多人人体姿态估计任务中,图片中人体之间存在的重叠或者干扰是任务复杂性的主要来源。如何正确地检测图片中所有人体的姿态是一个极具挑战性的课题。在目前的多人人体姿态估计算法研究中,主要存在自底向上和自顶向下两个大类的算法。自底向上的方法首先检测图片中所有人体的关键点,然后对这些关键点进行聚类以形成不同的个体姿态。自顶向下的方法则首先检测人体,然后根据人体候选区域从图片中将人裁剪下来,再针对裁剪下来的图片做单人的人体姿态估计。本文主要研究基于深度学习的自顶向下的多人人体姿态估计算法,并且主要关注于其中的单人人体姿态估计部分。当图片中存在非常靠近的多个人体时,根据目标检测算法获得的人体候选区域裁剪出来的图片中很容易存在其他人体的相同局部关键点造成混淆。关键点的局部信息区分性较弱。因此需要通过全局信息来辅助分辨局部区域。本文引入非局部模块来使神经网络在浅层就可以获得全局感受野,更好地捕获全局信息。为了使网络能够高效地提取特征,本文引入双注意力模块,使得模型能够聚焦于与多人人体姿态估计任务相关性大的特征,获取更多所需要关注的目标的细节信息,抑制与当前任务无关的信息。人体具有一定的肢体结构,不同关键点之间的相关性不一样。相关性强的关键点之间可以为彼此的检测定位提供有效信息,而相关性弱的关键点之间则很可能存在相互干扰。本文通过基于人体肢体结构的特定特征学习来有效地建模关键点之间的相互关系。本文通过在COCO和MPII数据集上的实验,充分验证了本文改进方法的有效性和正确性。在COCO测试集上,本文改进后的方法平均精度达到74.0,与基准模型相比精度提升了2.5。