人体关键点检测是计算机视觉领域重要的研究方向。获得人体关键点后,可以进一步用于识别人体行为。这些技术在实际生活中具有广泛的应用价值,例如公共场所的智能安防监控、人与机器的互动等等。现有人体关键点检测研究多集中在提高算法的检测精度,导致网络结构趋于复杂,网络的参数和计算量过于庞大,网络预测耗时过长。在基于人体关键点的行为识别算法中,一些算法将人体关键点信息编码成二维图像的形式,减低了算法预测的效率;另一些算法没有充分利用人体关键点特征信息。鉴于这些原因,本文主要内容有:1.设计一种高效人体关键点检测算法,大幅减少网络的参数量和计算量,提高网络预测速度。首先,本文采用自上而下的方法,关键点检测网络使用基础网络提取特征,结合上采样操作预测关键点热度图的高效结构。然后,在基础网络提取特征时,为了防止下采样造成的定位误差,减少网络下采样的次数,同时使用膨胀卷积提高网络的感受野。为了平衡网络预测效果和速度,验证不同网络深度、通道数、上采样方式以及注意力机制对网络的影响。最后使用知识蒸馏,提高网络的检测精度。此外压缩人体检测网络,实现算法总体效率的提高。2.在获得人体关键点后,对于关注人体姿态的行为,进行单帧人体姿态识别;对于一般的人体行为,利用序列信息识别行为类型。在单帧人体姿态识别中,简化人体关键点归一化方式,对人体姿态进行数据增强,并验证基于图像识别与基于关键点坐标识别的准确率。在序列人体行为识别中,首先对帧内的人体关键点进行多种静态特征编码,对帧间的人体关键点以轨迹的形式进行多种动态特征编码;然后设计两路网络分别学习静态与动态信息,最后融合两路网络的特征信息预测行为类型。