人体姿态估计任务是计算机视觉领域的一个研究热点,首先需要检测出图像中人体不同部位的关键点,然后再估计出人体姿态。随着对深度学习特别是对深度卷积神经网络研究的深入,基于深度卷积神经网络的二维人体姿态估计取得了极大进展,目前基于深度卷积神经网络的姿态估计方法已经成为人体姿态估计的主流方法。尽管人体姿态估计方法取得了较高的精度,但是仍存在一些优化改进空间。首先,大多数现有的基于深度卷积神经网络的二维人体姿态估计方法仅通过均方误差损失函数来约束输出的热力图,训练过程中并未直接使用标签热力图符合高斯分布这一先验,而这是有效提升模型精度的一个关键途径。再者,为了提升二维人体姿态估计方法运行的效率,降低计算量和参数规模,使之能够部署到移动或嵌入式设备中,人体姿态估计模型的轻量化也是一个研究热点。最后,由于为了降低计算量,姿态估计方法处理图像时通常需要降低其分辨率,导致原始图像和热力图分辨率不一致,使得基于热力图的最大激活关键点坐标解码方法存在系统性的亚像素误差问题,因此需要设计更优的解码方法以提升估计效果。针对基于深度卷积神经网络的二维人体姿态估计方法,本文进行了如下研究:1、利用“标签热力图符合高斯分布”这一先验,本文提出了一种通用的高斯强约束模块用于提升姿态估计的精度。所提出的高斯强约束模块可以方便地集成到主流的二维人体姿态估计模型中,在模型的训练过程、推理过程均发挥强约束作用,实现了基于深度卷积神经网络的二维人体姿态估计方法的端到端优化,提升网络输出热力图的准确性。“标签热力图符合高斯分布”这一先验在先前的大多数的基于深度卷积神经网络的二维人体姿态估计方法中也被充分认可,而且在计算损失函数为网络训练提供梯度时使用。本文提出的强约束模块强化了这一先验在训练和推理过程中的约束力,使得获得的模型更加符合期望。通过在三个主流的基于深度卷积神经网络的二维人体姿态方法上进行实验验证,可以发现,在几乎不提升模型参数量和计算量的情况下,所提出的高斯强约束模型均获得了有竞争力的性能提升。2、为了降低模型规模实现轻量化网络的设计,参考沙漏网络的结构,本文将传统的基于深度卷积神经网络的二维人体姿态估计方法中的标准卷积替换成可分离卷积,在保证精度的条件下,极大地降低了模型的参数量和计算量。另外,在模型结构设计中引入通道注意力机制,增强了网络的特征提取能力。同时,对估计难度较高的姿态估计所需的身体部位关键点实施了重估计,提升了复杂关键点的估计准确性。并且将知识蒸馏作为模型训练策略,在有效降低模型规模的同时,还可以缓解模型规模降低导致的精度下降。最后,由于轻量级网络输出的热力图分辨率一般远小于原始图像,关键点解码中存在着明显的亚像素误差,本文提出了一种基于高斯概率期望的关键点解码方法。实验结果表明,本文设计的轻量级人体姿态估计网络,因其经过了系统全面的优化,取得了具有竞争力的效果。