目前,汽车上三维人体姿态测量对汽车座椅的舒适性设计有着至关重要的作用,而传统的人工测量,不仅自动化程度不高,投入人力物力大而且测量的数据精度较差。本文基于深度学习的技术,研究了双目视觉与深度神经网络相结合的方法,可以提升人体三维姿态测量的速度和测量数据的精度。首先,通过对传统人体姿态测量方法以及现有三维人体姿态测量方法进行调研,综合考虑测量场景的复杂程度以及设备制造成本和测量精度,选取双目结构光测量系统作为本文的人体三维姿态数据采集设备。根据待测量场景的光线、测量物体的大小和测量精度的要求,对于系统所需相机、相机镜头、结构光条纹投影装置以及数据处理装置的配置进行了选择,完成了双目结构光测量系统的搭建。然后,本文在调研了现有国内外三维人体姿态测量技术后,提出了一种基于深度神经网络的三维人体姿态测量方法。该方法将二维人体关节点深度网络提取方法和双目测量系统相结合,将改进VGGNet-19网络的前10层网络的输出作为深度学习网络的输入,采用双通道多阶段迭代网络分别提取人体二维关节点和肢体位置。综合左右相机采集所得二维关节点,结合关节点位置的Brief特征和双目相机的外极线约束,获取左右相机采集二维关节点的匹配信息,利用双目相机标定结果将匹配二维关节点信息转换到三维空间中,最终得到三维人体姿态信息。另外,文中选取λ1’=λ123=1008,λ2’=λ23=144,λ3’=λ3=16的三波长结构光算法获取人体完整三维数据,相比传统多频外差三维重建算法,其能够有效地避免误匹配造成的点云缺失。为汽车座椅设计提供更多细节参数。最后,为了验证本文提出算法的有效性,文中对于搭建系统进行了标定,并且利用该系统进行了汽车上人体三维关节点的提取。实验结果表明,所搭建双目系统的标定误差为0.33mm,而文中深度神经网络对于COCO2017数据集中的复杂场景的关节点检测率为75.3%,在自采数据集中检测率可达到92%。利用外极线约束和Brief特征进行缺失关节点补全后可使系统检测率提高到98%,并且通过获得三维关节点计算所得关键位姿角度的稳定性小于10°。实验结果表明,本文提出的基于深度神经网络的人体位姿获取方法能够满足实际汽车座椅设计的数据采集要求,并且还可以推广到其他三维姿态测量需求中。