近年来,由于在安保监控和体育指导等领域中的深入应用,人体姿态估计逐渐成为计算机视觉中的热门研究领域,但同时市场需求的飞速增长也给人体姿态估计技术带来了挑战。现有的基于深度学习的方法本质上是利用一个映射函数将2D人体关键点提升到三维空间中去,在面对不均衡的多分布数据集时为了保证整体精度会降低离群样本的权重。具体而言这些离群样本是指大姿态动作,而在自然场景中,大姿态动作普遍存在。这导致大部分现有的方法在迁移到自然场景中时会有很大的精度损失。本文提出了一个多路提升网络用于解决大姿态样本的预测问题:首先通过挖掘人体关键点的内在联系得到了人体姿态和重心分布的粗略对应关系,借助K-means算法对重心聚类从而实现了姿态的分类,分离了大姿态动作和正常动作。然后构造了多个弱回归器用于处理不同类别的姿态,使得人体姿态估计问题由单一映射拟合多分布数据变成了多映射拟合多分布数据,减少了每个弱回归器的工作量,使其能更加专注于回归一类姿态;最后借鉴集成学习的思想,将多个弱回归器融合为一个强的回归器,用于处理所有分布下的数据。本文的主要工作如下:1.通过挖掘人体关键点之间的内在联系,本文找到了人体姿态和重心的粗略对应关系,之后采用K-means聚类算法通过重心聚类实现了无监督的人体姿态分类。2.与以往的方法不同,本文设计了一个多路提升网络来处理不同分布下的姿态,其中每个支路充当一个弱回归器负责一种特定类别姿态的预测。得益于无监督的姿态分类,在训练过程中,可以通过改变每个支路训练数据集的权重来实现特定化的训练。3.本文根据每个支路的任务为其设计了不同的初始3D姿态,同时限制了网络探索范围,使得网络的学习目标由预测3D姿态变为了对初始3D姿态的优化。进一步精细化了每个支路的任务,提高了学习效率和预测精度。4.基于本文提出的算法,设计并实现了一个3D人体姿态估计展示系统。系统中介绍了本文的数据处理过程与算法流程,可对2D输入序列进行3D姿态估计。