从视频估计人体3D运动姿态和形状是计算机视觉和图形领域的一项具有挑战性的任务,准确且时间一致的人体建模对于一些广泛的应用至关重要,包括角色动画、理解人类社会行为和AR/VR界面。从单目视频序列中准确捕捉人体运动仍然具有挑战性,并且捕捉到的人体运动的时间一致性对建模质量有很大的影响。当试图从一系列视频图像中定位人体姿态的3D参数时,由于背景变化、摄像机移动和灯光变化,人体的姿势和形状往往会随着时间的推移发生剧烈的变化。目前大多数基于视频的姿态和形状估计方法通常将视频中的一组图像序列特征输入到一个基于单图像的3D人体姿态和形状估计网络中,获得一组静态特征,然后所有的静态特征通过特定的时间编码器输出包含前一帧和后一帧信息合并的潜在变量,最后,利用人体参数回归模型得到人体的姿态、形状和相机参数。虽然这些工作已经发展到通过让模型预测帧的顺序来增强时间平滑,但很难在光滑性和准确性之间找到一个平衡,并且现有方法主要依赖于递归或者卷积运算直接来建模人体的全局信息,限制了对人体运动局部信息的捕捉,这导致人体的空间结构在极端姿态情况下容易被忽视。本文针对上述问题提出了新的基于深度学习的三维人体姿态和形状估计模型以解决在极端条件下的光滑性和准确性之间的不平衡。论文的主要工作如下:1.为了让模型重点关注视频对象不同粒度标记之间有意义的详细时序特征,并减少当前静态帧的支配,本文提出了一种基于帧级特征标记化的3D人体形状和姿态估计方法,利用了多粒度标记信息和注意力机制控制静态特征对时序特征的影响,使时序编码器能够准确、有效地预测相邻帧间的平滑度,从视频中生成平滑、准确的三维人体运动,增强时间信息的一致性和预测的准确性。2.为了在无约束环境下进行人体姿态和形状估计时,出现极端姿态导致的人体不可信表达和极端的人体形变问题,本文设计了关系结构推理网络（Relational Structure Inference Network,RSIN）用人体姿态先验来学习人体不同身体部位之间的结构约束关系。结构关系可以用来建立长、短距离的空间依赖关系,从而增强对各种极端姿态的鲁棒性。此外,为了改善静态特征和时序特征之间的不平衡,保持全局静态特征和时序特征的信息交互,同时避免静态特征对时序一致性的不利影响。本文设计了 一个信息交互模块（Information Interaction Module,IIM）,用跨域注意力和空间注意力来实现静态特征和时序特征之间的交互,以此来让网络输出保留原始静态特征中单帧准确度的同时,也充分提取到帧间时序信息的一致性。3.搭建并实现一个三维人体姿态和形状估计系统,GUI界面采用HTML和JaveScript,使本文提出的算法可以在Web平台进行应用,可实现任意视频的三维人体姿态和形状重建并进行可视化。