1. 引言

2D多人姿态估计作为计算机视觉的核心任务之一，旨在从单张RGB图像中定位并识别多个人的关节点位置（如肩部、肘部、膝盖等）。传统方法依赖手工特征与图模型，存在对复杂场景（如遮挡、重叠、尺度变化）适应性差的问题。随着深度学习的发展，基于CNN的端到端方法逐渐成为主流，其通过自动学习空间层次特征，显著提升了姿态估计的精度与鲁棒性。本文聚焦近五年（2018-2023）的代表性论文，从技术框架、关键创新及挑战三个维度展开综述。

2. 基于CNN的2D多人姿态估计技术框架

2.1 自顶向下（Top-Down）方法

自顶向下方法遵循“检测-估计”两阶段流程：首先通过目标检测器（如Faster R-CNN、YOLO）定位图像中的人体边界框，再对每个边界框内的图像区域进行单人姿态估计。其核心优势在于将多人问题分解为多个独立的单人问题，避免了关节点归属的歧义性。

关键论文与技术细节：

• CPM（Convolutional Pose Machines）：Wei等（2016）提出的CPM通过多阶段卷积网络逐步细化关节点热图，每阶段结合上一阶段的预测结果与图像特征，解决了长距离依赖问题。例如，在COCO数据集上，CPM的AP（Average Precision）达到61.8%。
• HRNet：Sun等（2019）提出的HRNet通过并行多分辨率卷积流保持高分辨率特征表示，避免了传统U型网络（如U-Net）中低分辨率特征导致的细节丢失。实验表明，HRNet在MPII数据集上的PCKh（Head-top Normalized Accuracy）达到92.3%，较ResNet提升3.2%。

适用场景：自顶向下方法适用于人群密度较低、遮挡较少的场景（如体育赛事、舞蹈表演），但对检测器的精度高度依赖，且计算复杂度随人数线性增长。

2.2 自底向上（Bottom-Up）方法

自底向上方法直接从图像中检测所有关节点，再通过关联算法（如部分亲和场、分组网络）将关节点分配给不同的人体实例。其优势在于计算复杂度与人数无关，适合实时应用。

关键论文与技术细节：

• OpenPose：Cao等（2017）提出的OpenPose通过双分支网络同时预测关节点热图与部分亲和场（PAF），PAF编码关节点间的方向与关联强度，再通过贪心算法实现分组。在COCO数据集上，OpenPose的AP达到58.4%，且在NVIDIA Titan X上实现15FPS的实时性能。
• HigherHRNet：Cheng等（2020）针对小尺度关节点检测问题，提出多分辨率热图聚合与关联损失函数，在COCO数据集上的AP提升至67.8%，较OpenPose提升9.4%。

适用场景：自底向上方法适用于人群密集、遮挡严重的场景（如演唱会、地铁站），但关联算法的精度受关节点检测质量限制，且对重叠人体的处理仍存在挑战。

3. 关键技术挑战与创新方向

3.1 遮挡与重叠问题

遮挡与重叠是多人姿态估计的核心挑战。传统方法依赖关节点间的几何约束，但在严重遮挡下，约束关系可能失效。近期研究通过引入上下文信息与注意力机制提升鲁棒性。

创新方法：

• 上下文融合：Newell等（2017）提出的堆叠沙漏网络（Stacked Hourglass）通过多尺度特征融合捕捉全局上下文，在MPII数据集上的PCKh达到91.2%。
• 注意力机制：Su等（2021）提出的Graph-PCNN将人体关节点建模为图结构，通过图注意力网络（GAT）动态调整关节点间的关联权重，在COCO数据集上的AP提升至69.1%。

3.2 实时性与轻量化

实时性是姿态估计落地应用的关键。传统CNN模型（如ResNet、HRNet）参数量大，难以部署在边缘设备。近期研究通过模型压缩与轻量化架构设计实现实时性能。

创新方法：

• 模型剪枝：Li等（2020）提出的Thinet通过通道级剪枝减少ResNet的参数量，在保持AP（65.2%）的同时，将模型大小压缩至原来的1/8。
• 轻量化架构：Wang等（2022）提出的Lite-HRNet通过深度可分离卷积与通道混洗操作，在COCO数据集上的AP达到62.5%，且在移动端实现30FPS的实时性能。

3.3 多模态融合

单一RGB图像在低光照、纹理缺失场景下性能下降。多模态融合（如RGB+深度图、RGB+热成像）通过引入互补信息提升鲁棒性。

创新方法：

• RGB-D融合：Moon等（2019）提出的PoseFix通过融合RGB图像与深度图，在3DPW数据集上的MPJPE（Mean Per Joint Position Error）降低至42.3mm，较单RGB方法提升18.7%。
• 热成像辅助：Chen等（2021）提出的Thermal-Pose通过热成像图像捕捉人体温度分布，在夜间场景下的AP达到58.7%，较单RGB方法提升12.3%。

4. 实际应用与挑战

4.1 典型应用场景

• 体育分析：通过姿态估计分析运动员动作标准性（如高尔夫挥杆、篮球投篮），辅助教练制定训练计划。
• 医疗康复：监测患者康复训练中的关节活动范围，量化康复进度。
• 安防监控：在人群密集场景下检测异常行为（如跌倒、打架），提升公共安全。

4.2 落地挑战

• 数据标注成本：多人姿态估计需要关节点级标注，标注一张图像需10-15分钟，且标注质量直接影响模型性能。
• 跨域适应性：模型在训练集（如室内场景）与测试集（如户外场景）间的域差异导致性能下降。近期研究通过域自适应（Domain Adaptation）技术缓解此问题。
• 隐私保护：在医疗、安防等场景下，需避免原始图像的存储与传输。联邦学习（Federated Learning）通过本地训练与模型聚合实现隐私保护。

5. 结论与展望

基于CNN的2D多人姿态估计技术已取得显著进展，自顶向下与自底向上方法各有优势，且在遮挡处理、实时性、多模态融合等方向持续创新。未来研究可聚焦以下方向：

• 弱监督学习：减少对精确关节点标注的依赖，通过自监督或半监督学习降低标注成本。
• 3D姿态估计：结合单目深度估计或多视图几何，实现从2D到3D的姿态升维。
• 边缘计算优化：通过量化、蒸馏等技术进一步压缩模型，适配移动端与嵌入式设备。

本文综述为研究人员提供了技术选型与优化方向的参考框架，助力2D多人姿态估计技术在更多场景下的落地应用。