一种基于SBA-StarC-GN的人体姿态估计方法

本发明公开了一种基于选择性边界聚合‑星形卷积‑分组归一化（SBA‑StarC‑GN）的人体姿态估计方法。该方法在Hyper‑YOLO‑Pose架构基础上，集成选择性边界聚合模块（SBA）、MANet‑StarC模块和基于分组归一化的姿态检测头（GN‑Pose Head），以解决复杂背景、遮挡及小尺度关节点检测不准的问题。SBA模块通过双向注意力机制自适应融合高低层语义与空间特征；MANet‑StarC模块结合星形卷积结构与上下文锚点注意力（CAA），增强长程依赖建模并抑制背景干扰；GN‑Pose Head采用分组归一化替代批归一化，降低小批量训练对精度的影响并减少计算开销。本发明在MPII人体姿态数据集上实现mAP50达85.3%、mAP50:95达47.7%，显著优于现有YOLO系列模型，适用于实时、轻量级的人体姿态估计应用场景。