基于重参数化网络和共享卷积的轻量化YOLOV8n-Pose人体姿态估计算法.pdfVIP

ISSN1009-3044E-mail：eduf@

ComputerKnowledgeandTechnology电脑知识与技术

第21卷第2期(2025年1月)ComputerKnowledgeandTechnology电脑知识与技术

http：//

Vol.21,No.2,January2025Tel：+86-551

基于重参数化网络和共享卷积的轻量化YOLOV8n-Pose

人体姿态估计算法

刘磊，胡永祥

(湖南工业大学，湖南株洲412000)

摘要：针对实时人体姿态估计模型计算复杂度大、效率低的问题，文章以YOLOv8n-Pose模型为基准，提出了一种结合重

参数化网络和共享卷积的轻量化人体姿态估计算法。首先，引入MLCA注意力机制，改进C2f模块中的Bottleneck结构，

提升骨干网络对人体关键点的特征提取能力。其次，将原有的PANet特征融合网络替换为重参数化网络RepGFPN，实

现更高效的多尺度特征融合。最后，设计了一种共享卷积的轻量化检测头，降低模型参数量，减少计算开销。在COCO

数据集上的实验结果表明，改进后的模型计算复杂度(GFLOPS)降低了10%，mAP50精度提升了2.8%，模型参数量减

少了20%。这些改进为人体姿态估计任务的轻量化和高效部署提供了新思路。

关键词：人体姿态估计；轻量化；YOLOv8n-Pose；重参数化网络RepGFPN；共享卷积

中图分类号：TP183文献标识码：A

文章编号：1009-3044(2025)02-0019-04

开放科学(资源服务)标识码(OSID)：

0引言(DEKR)，通过逐像素空间变换器和自适应卷积激活

关键点区域，以精确回归关键点位置。该方法采用多

人体姿态估计是计算机视觉中的重要任务，广泛应

分支结构，使每个分支专注于单个关键点回归，从而

用于行为分析、人机交互、智能监控和虚拟现实等领域。

提升空间精度。

近年来，基于卷积神经网络(CNN)的姿态估计方随着YOLOv8-Pose[6]系列模型的出现，实时姿态

法逐渐成为主流，主要分为基于热图的方法和回归的

估计取得了显著进展。然而，在处理遮挡、复杂姿态

方法。基于热图的方法虽然精度较高，但计算量大，

和多人体场景时，YOLOv8-Pose在关键点定位上仍存

难以在资源有限的设备上实现实时应用。基于回归

在局限，特别是对被遮挡关键点的检测不够准确。为

的方法直接从图像中预测人体关键点的坐标，具有速

解决上述问题，本文以YOLOv8n-Pose模型为基准，提

度快、计算量小的优势，但在复杂场景下(如多人或遮

挡情况下)，定位精度较低。Toshev等[1]提出了一种以出了一种结合重参数化网络和共享卷积的轻量化人