基于计算机视觉的人体姿态估计,主要研究了计算机对摄像机获取的原始图像的处理分析过程,图像经过经预处理后,对图像中人体的主要关节或关键部位进行检测,并输出人体各个关节相对位置,最后学习理解人体的行为动作,将其投入行人检测、电影特效等实际应用场景。深度相机如Kinect等,能够直接获取人体各种姿势的深度信息,便于计算机与用户之间的交流,这种交流方式能取得较稳定的结果,但极度依赖硬件设备要求,并且应用场景受限。而目前社会环境中,普通摄像机被广泛使用。因此,研究单目相机的姿态估计和应用的稳定性具有较好的社会效益和经济效益。本课题在基于单目相机的人体姿态估计基础上,完成了机械臂高度模仿人臂的研究。主要内容包括:1、本文对基于计算机视觉的人体姿态估计技术进行了研究。首先,分析了MobileNetV2的基本结构,替换了网络中的激活函数,并借鉴ShuffleNetV2网络结构的优点,改进了MobileNetV2的网络结构,提升了网络的识别率和识别效率;然后构建了基于改进MobileNetV2的姿态估计网络模型;最后使用数据样本完成了网络的训练,并对识别结果做了对比分析。2、本文对机械臂运动学进行了研究,并建立了机械臂运动学模型。首先,以UR3为目标,采用标准的D-H参数法利用Matlab进行数学建模;然后根据几何变换和空间向量法完成机械臂的逆运动学求解;最后,在关节空间中,完成了机械臂的轨迹规划并进行了轨迹规划的仿真实验。3、本文对机械臂模仿人臂实验做了研究。首先提出了基于图像测距和空间几何的三维人体手臂信息恢复方法,然后根据空间向量法构建人机映射模型,最后完成了模仿实验,并给出了模仿结果的相似性评价方法。在进行多组实验测试后,结果表明基于改进的MobileNetV2在进行人体姿态估计时,识别效率提升了40%,识别成功率达到了92%,并且具有稳定性。而且机械臂能够完全跟随人手臂的动作,相似度达到了94%,证明了本文技术方案的可行性。