摘要

从单张图像中进行多人3D人体姿态估计是一项极具挑战性的任务，尤其在真实场景（in-the-wild）下，由于缺乏3D标注数据，问题更为复杂。本文提出HG-RCNN，一种基于Mask R-CNN架构的网络，并融合了Hourglass网络结构的优势，用于实现多人3D人体姿态估计。该方法采用两阶段策略：首先在每个感兴趣区域（Region of Interest, RoI）内估计2D关键点，随后将这些关键点提升至3D空间。最后，通过弱透视投影假设，结合焦距与根关节平移量的联合优化，将估计得到的3D姿态映射到相机坐标系中。所提出的HG-RCNN结构简洁且模块化，无需依赖任何多人3D姿态标注数据集。尽管模型结构简单，HG-RCNN在MuPoTS-3D数据集上仍取得了当前最优的性能表现，同时能够准确估计出位于相机坐标系中的3D人体姿态。