1.机器读懂人体姿态

当手机 App 判断舞蹈动作是否到位、康复系统提醒患者膝关节弯曲角度不足、虚拟主播实时复现演员动作时，背后都离不开人体姿态估计。它的任务是精确识别画面中人的头、肩、肘、腕、髋、膝、踝分别在哪里？这些关节如何连接？动作是否稳定、协调、符合目标要求？

对计算机而言，人体动作先被转化为结构化数据，把视觉画面中的姿态变成坐标、角度、速度和置信度等数值，后续系统才可以进行评分、预警、跟踪、交互或动画驱动。

图 1 人体关键点与骨架示意图（图来源AI制作）

2.人体姿态估计

人体姿态估计是计算机视觉中的关键技术，目标是在图像或视频中定位人体主要关节点，并根据人体结构把这些点连接成骨架。常见输出包括关节点坐标、关键点置信度、人体实例编号，以及骨架连接关系。

从维度上看，二维姿态估计输出的是图像平面上的像素坐标，例如“右膝在画面第 x、y 个像素附近”；三维姿态估计则进一步恢复关节点在相机坐标系或真实空间中的位置，可以用于更严谨的运动学分析。

• 二维姿态估计：部署成本低，适合移动端、短视频分析、基础动作识别等场景。
• 三维姿态估计：需要更多几何约束、深度信息或多视角数据，适合体育训练、康复评估、动作捕捉等场景。
• 单人姿态估计：先定位一个人，再精细估计关键点。
• 多人姿态估计：需要同时解决多人检测、关键点归属和遮挡问题。

3.从图像到可计算骨架

现代姿态估计通常依赖深度学习模型。先从图像中提取纹理、边缘和人体结构特征，再预测每个关节点最可能出现的位置。常见方法包括“自顶向下”和“自底向上”两类。前者先检测每个人，再对每个人做关键点估计；后者先找出所有关键点，再把关键点分配给不同人体。

图 2人体姿态估计的典型处理流程

3.1 关键点检测

模型会为头部、肩、肘、腕、髋、膝、踝等关键点生成预测结果。很多系统不是直接给出一个坐标，而是先生成“热力图”：热力图越亮的位置，代表某个关节点出现的概率越高。

3.2 骨架连接与人体实例归属

找到关键点后，还需要判断哪些点属于同一个人，并按人体拓扑结构连接成骨架。在多人场景中，这一步尤其重要：画面里可能有多人交叉、遮挡或部分身体离开画面，算法必须避免把甲的手腕接到乙的手臂上。

3.3 时序跟踪与动作分析

视频场景中，单帧结果还不够。系统需要在陆续在帧中跟踪同一组关节点，计算关节角度、速度、加速度、动作节律和左右侧对称性。由此可以进一步完成动作分类、动作评分、异常姿态检测和风险预警。

4. 技术难点与评价指标

常见评价指标包括 PCK、OKS、AP、MPJPE 等。它们分别从关键点是否落在合理范围内、多人关键点匹配质量、检测精度以及三维关节点误差等角度衡量模型表现。

当前的主要技术难点包括以下几个方面：

• 遮挡：手臂被身体挡住、多人互相遮挡时，关键点会变得不确定。
• 运动模糊：快速跑跳、挥拍、转身会让关节边界不清晰。
• 尺度变化：远处人体很小，近处人体可能只拍到半身。
• 三维歧义：单张二维照片中，不同三维姿态可能投影成相似画面。
• 隐私与安全：人体姿态数据可能反映健康状况和行为习惯，采集与使用需要有边界。

5. 典型应用

姿态估计的本质，是让机器把看见的人转化为可计算的人体结构，有效图像理解、运动学分析和人机交互。随着模型轻量化、多模态传感器和隐私保护技术的开展，姿态估计会更自然地进入运动、医疗、教育、工业和娱乐等场景。

图2 典型应用示意图（图来源AI制作）

参考与延伸阅读

1. Cao Z. 等. OpenPose: Realtime Multi-Person 2D Pose Estimation Using Part Affinity Fields.
2. Sun K. 等. Deep High-Resolution Representation Learning for Human Pose Estimation.
3. COCO Keypoints、MPII Human Pose、Human3.6M 等公开数据集可作为进一步学习入口。