姿态估计（Pose Estimation）是指从图像或视频中自动找出人体的关键点（Keypoint）——比如肩、肘、腕、髋、膝、踝这些关节位置，以及它们之间的连接关系，从而还原出人的姿势。用一句话说：给机器一张照片，它能告诉你这个人的胳膊腿分别在哪儿。
原理：像给人体搭一副火柴人骨架
常见的做法是先定义一套"骨架模板"，比如 17 个关键点（鼻子、左右眼、左右耳、左右肩、左右肘……），然后让模型预测每个关键点在图像中的坐标。深度学习方法通常会让网络输出每个关键点的"热力图"（Heatmap）——可以理解成一张模糊的定位图，亮度最高的地方就是模型认为关节所在的位置。最后把热力图的峰值连起来，就得到一副火柴人骨架。
打个比方：这就像在一张半透明纸上给照片里的人描出关节位置。模型看的照片够多之后，就学会了各种姿势的规律——比如"肘部通常不会长在肩膀上方"，于是即使有人被遮挡，它也能靠上下文猜个八九不离十。
几个容易混淆的维度
姿态估计不是单一任务，它有几组常见分法：
| 维度 | 区别 | 典型场景 |
|---|---|---|
| 2D vs 3D | 2D 只给图像平面上的坐标（x, y）；3D 还要给出深度（x, y, z），即关节在真实空间中的位置 | 2D 用于健身 App 计数；3D 用于动画驱动、动作捕捉 |
| 单人 vs 多人 | 单人假设图里只有一个人；多人需要先检测出每个人，再分别估计，并保证跨帧的人物身份一致 | 单人用于体感游戏；多人用于球场分析、商场客流 |
| 单帧 vs 跟踪 | 单帧独立处理每张图；跟踪（Pose Tracking）要在视频里把同一个人的关键点随时间连起来 | 跟踪用于跑步姿态分析、动作识别 |
多人跟踪的难点在于"身份保持"：如果两个人交叉走过，模型很容易把 A 的胳膊接成 B 的，人物 ID 一乱，后续的动作分析就全错了。
为什么它有用
对普通人来说，姿态估计已经悄悄进了生活：手机健身 App 能数你做了几个深蹲、判断膝盖有没有内扣；直播里的虚拟形象靠它驱动；体育转播里给运动员画的技术分析线，背后也是它。
对从业者来说，姿态估计常是更复杂任务的"中间层"：动作识别（Action Recognition）、手势交互、人机协作、运动损伤评估，都要先有稳定的骨骼数据。它的价值在于把原始像素压缩成少量结构化坐标——数据量小了，语义也清晰了。
落地时要注意几件事：遮挡和拥挤场景仍是主要难点；3D 精度在无深度传感器时通常不如 2D；边缘设备上还要考虑推理速度和功耗的平衡。具体模型选型与最新性能，以官方页面和论文为准。