人体姿态估计是计算机视觉领域的研究重点之一,在实际应用中占有越来越重要的位置,如人机交互,视频监控,动画制作等。然而参数量大,计算量大的卷积神经网络不利于在存储有限的移动端或嵌入式设备上实现。为了使人体姿态估计网络模型有更好的实际应用,有必要对模型进行轻量化设计。同时为了加强人体姿态估计网络的学习能力,提升检测性能,有必要对网络中多尺度,多级别特征的提取和融合进行深入研究。本文基于人体姿态估计中的金字塔沙漏网络,设计了轻量化网络和多级高分辨率特征融合网络。具体内容如下:本文针对经典的金字塔沙漏网络,提出了轻量化的金字塔沙漏网络。通过使用深度可分离卷积代替了普通的卷积以减少训练的参数。同时,加入通道分离模块和通道混合模块来改变特征图通道维数以降低参数量并加强特征的融合。在标准MPII数据集上进行测试,实验证明轻量化的金字塔沙漏网络有效的减少了网络的参数,降低了计算复杂度,减少了约50%的参数存储空间并保持相当的准确度。本文针对普通沙漏网络对于高分辨率特征提取和融合的不足,提出了一个多级高分辨率特征融合网络。本文重点关注高分辨率特征的提取,因为它们具有最丰富的信息。在提取不同分辨率特征的过程中,网络不断补充高分辨率特征。此外,设计了深层金字塔残差模块以融合不同层次特征。整个网络由子网络堆叠生成。为了更好地在有限的存储空间中应用,本文仅使用两级堆叠网络。在标准MPII数据集上测试了网络,并对结果进行了分析和验证。实验证明该网络有效的提升了检测的准确度。