计算机工程

作者：但崇鸿, 韦洪雷, 何舟, 吴贯锋

单位：1. 西南交通大学数学学院, 四川 成都 6117562. 系统可信性自动验证国家地方联合工程实验室, 四川 成都 611756

关键词：人体关键点检测,多尺度特征提取,跳远检测,注意力机制,轻量化网络

基金：教育部人文社会科学规划基金(23YJA890038)

人体关键点检测在运动行为识别、人机交互等领域的应用越来越广泛。为进一步提高人体关键点检测的精度, 减少计算量和参数量, 以跳远运动为例, 提出一种多尺度特征提取的关键点检测算法, 并结合该算法实现智能距离检测。首先, 构建LJDataset数据集, 填补当下跳远运动数据集的不足; 然后, 基于YOLOv8训练框架提出一种参数量低、计算量小的新模型SRMpose, 该模型使用StarBlock搭建骨干网络, 设计MRB(Multi-channel Residual Block)、半耦合检测头SRMhead模块来提取特征, 引入轻量化采样算子ADown和DySample提高特征图的处理效率; 最后, 在LJDataset、MPII、COCO数据集上进行实验验证。实验结果表明, 与YOLOv8n-pose相比, SRMpose模型在3个数据集上的mAP@0.5和mAP@0.5∶0.95分别提高了2.2和1.4百分点、3.6和2.6百分点、1.9和1.2百分点, 参数量平均提高了3.3%, GFLOPs平均减少了21.7%。此外, 在COCO、LJDataset数据集上, 与YOLOv8s相比, SRMpose的参数量平均减少了48.3%, GFLOPs平均减少了59.6%, 而mAP@0.5分别降低了1.4百分点和提升了0.3百分点, 证明SRMpose在保证模型性能的前提下有效减少了参数量和计算量。在LJDataset数据集上, 将模型验证数据集调整为COCO验证集, 结果表明, SRMpose与YOLOv8s的性能差距小于1百分点, 证明了SRMpose的综合性能优势和泛化能力, 也表明LJDataset数据集具有一定的复杂度, 可以覆盖大部分人体关键点识别特征。

来源：2026年第2期

《计算机工程》期刊编辑部

查看计算机工程杂志2026年第2期