人体姿态识别（Human pose estimation）是指还原给定的一段视频或者是一张照片中人体关键点的位置。根据输入图像的类型，人体姿态识别算法可以分为两类：基于深度图的算法、以及直接基于RGB图像的算法。相较于深度图对图像采集设备要求过高而带来的应用易受限的问题，基于RGB图像的人体姿态估计算法具有更广的应用前景，并且在学术上也取得了很好的成果。目前，即便是针对比较复杂的场景下，基于RGB图像的人体姿态估计算法也能达到很好的识别效果。

人体姿态识别技术对于描述人体姿态、预测人体行为至关重要。因此人体骨骼关键点检测是诸多计算机视觉任务的基础，例如动作分类，异常行为检测，以及自动驾驶等等。近年来，随着深度学习技术的发展，人体骨骼关键点检测效果不断提升，已经开始广泛应用于计算机视觉的相关领域。

人体姿态识别的应用范围十分广泛, 可用于人机交互、影视制作、运动分析、游戏娱乐等各种领域，比如抖音app上的尬舞机功能，通过姿态识别，可以给舞蹈动作打分，而且打分是基于全身动作的判断，而不仅仅像跳舞机一样是步伐的判断。

在这个过程中，姿态估计的目标是在RGB图像或视频中描绘出人体的形状，这是一种多方面任务，其中包含了目标检测、姿态估计、分割等等。有些需要在非水平表面进行定位的应用可能也会用到姿态估计，例如图形、增强现实或者人机交互。姿态估计同样包含许多基于3D物体的辨认。

此外，人体姿态识别目前最为广泛的应用是在智能监控方面，智能监控就是利用现代信息技术发展起来的新技术，具有内容分析功能，带有运动物体识别的监控系统可以忽略掉大量无用信息，提取到关键信息，并依据规则自动作出判断，从而节省了大量的人力成本。固定场景下的人体姿态识别技术可以应用于家庭监控，如对独居家中老年人摔倒情况的识别；也可应用于安保、监视系统，通过监控识别出特殊的人体姿态，以便及时作出响应，比如在新零售领域判断人们的购买行为。

1.基于深度学习模型提取人体关键点，并对关键点进行分类。针对不同体态的人群身体比例不同导致的分类模型泛化能力差的问题，提出一种关键点预处理方法，并归一化后输入CNN分类模型，有效提高模型鲁棒性，能够较好得识别并分类。

2.基于深度学习的人体姿态检测算法：通过摄像头实时采集画面，对画面进行预处理后输入基于深度学习构建的姿态检测模型，检测模型预置了人体拓扑关键点，在对输入的图像进行处理后会输出拓扑关节点的归一化坐标。

3.基于角度、距离计算和机器学习的姿态判别：根据选择不同需要不同的姿态判别策略，一般分为以下几种：

(1)通过特定角度识别：例如肘关节屈伸训练关注肩部、肘部和腕关节关节点，通过计算出关节点构成的角度来判别姿态的有效性；

(2)通过特定距离识别：比如检测手触脸的动作，就可以根据手部和脸部特征点的距离来判定；

(3)通过机器学习算法来检测：采集期望的姿态样本，对样本应用机器学习算法并输出分类模型，使用时对模型输入采集的图像即可得到分类判定结果。

4.基于状态序列的姿态分析：为了动态分析和判别姿态、提高判别的准确度，采用了基于状态序列的检测方法，该方法适合基于时间的姿态识别。

▲ 竹石信息 手势识别技术效果展示

▲ 竹石信息 姿态识别技术效果展示