运动姿态评估基础：人体关键点检测概念、常见关键点数据集（COCO、MPII）介绍
运动姿态评估模型的核心任务，是从图像或视频中定位人体骨骼的关键关节位置，并基于这些位置信息分析动作的规范性与潜在风险。这一技术链条的起点，正是“人体关键点检测”（Human Keypoint Detection），也称为人体姿态估计（Human Pose Estimation）。本章将系统梳理关键点检测的基本概念、主流数据集的构成与差异，并深入探讨数据集选择对模型训练效果的实际影响，为后续构建健身动作识别与错误提醒系统打下坚实基础。
2.1 人体关键点检测的核心概念与原理
人体关键点检测，本质上是一个回归与分类相结合的视觉任务。模型需要从输入图像中定位人体关节（如肘部、膝盖、手腕等）的像素坐标，同时输出每个关键点的置信度分数。在健身动作识别场景中，我们通常关注的是“二维单人姿态估计”或“二维多人姿态估计”。前者假设画面中只有一个人，后者需要先检测出多个人体实例，再分别估计每个人的关键点位置。
从技术实现角度，主流方法分为两大类：自顶向下（Top-Down）和自底向上（Bottom-Up）。自顶向下方法先使用目标检测器框出每个人体，再对每个框单独进行关键点回归，代表算法有HRNet、CPM（Convolutional Pose Machines）等；自底向上方法则先检测出图像中所有关键点，再通过关联算法将属于同一个人的关键点连接起来，代表算法有OpenPose、Associative Embedding等。在健身场景中，由于用户通常位于固定摄像头前且画面相对简单，自顶向下方法往往能获得更高的精度。
2.2 常见关键点数据集：COCO与MPII
数据集是模型训练的“教材”，决定了模型能识别哪些关键点、适应哪些场景。目前业界最常用的两个公开数据集是COCO（Common Objects in Context）和MPII（Max Planck Institute for Informatics）。两者在关键点定义、数据规模、场景覆盖上存在显著差异，理解这些差异对于健身动作识别系统的选型至关重要。
| 对比维度 | COCO数据集 | MPII数据集 |
|---|---|---|
| 关键点数量 | 17个（含鼻子、眼睛、耳朵、肩膀、肘部、手腕、髋部、膝盖、脚踝） | 16个（不含耳朵，但包含胸部、骨盆等额外点） |
| 图像规模 | 训练集约11.8万张，验证集约5000张 | 训练集约2.2万张，测试集约3000张 |
| 场景特点 | 日常生活场景，多人、遮挡、小目标较多 | 单人为主，姿态多样，包含较多全身运动 |
| 标注格式 | JSON格式，包含关键点坐标、可见性标志、包围盒 | MATLAB格式，包含关键点坐标、头部方向、尺度信息 |
| 适用场景 | 通用姿态估计、多人场景、复杂背景 | 单人姿态分析、运动生物力学研究 |
| 评价指标 | AP（Average Precision）基于OKS（Object Keypoint Similarity） | PCKh（Percentage of Correct Keypoints within head length） |
在健身动作识别项目中，COCO的17个关键点定义更贴近实际需求，因为它包含了脚踝、手腕等远端关节，这些对于判断深蹲深度、俯卧撑幅度等动作至关重要。MPII虽然包含胸部、骨盆等躯干中心点，但缺少脚踝关键点，在分析下肢动作时会受到限制。不过，MPII的头部方向标注和全身姿态多样性，对于研究动作的连贯性和协调性仍有参考价值。
2.3 数据集选择与预处理实战
假设我们正在开发一款智能健身镜产品，需要识别用户是否完成了标准的深蹲动作。初始阶段，我们选择了COCO数据集预训练的HRNet模型作为基础。但在实际测试中发现，当用户侧对摄像头时，模型对髋关节和膝关节的定位误差明显增大。分析原因后发现，COCO数据集中侧身样本占比不足15%，且多为日常活动场景，缺乏健身动作的特定姿态。
针对这一问题，我们采取了以下优化策略：
- 数据增强：对COCO训练样本进行随机旋转（±30°）、水平翻转、尺度缩放（0.8~1.2倍）和颜色抖动，增加模型对姿态变化的鲁棒性。
- 迁移学习：保留COCO预训练模型的骨干网络权重，仅微调最后的回归层，使用自采样的5000张健身动作图片（包含深蹲、硬拉、卧推等）进行二次训练。
- 关键点加权：在损失函数中对髋关节、膝关节、踝关节赋予更高的权重（1.5倍），因为这些关节对深蹲质量评估起决定性作用。
经过上述优化，模型在侧身场景下的关键点定位误差从平均12像素降低至6像素（图像分辨率720p），深蹲动作的识别准确率从78%提升至93%。这一案例说明，公开数据集虽然提供了良好的起点，但针对特定运动场景的定制化优化不可或缺。
2.4 常见误区与总结复盘
在人体关键点检测的实际应用中，开发者常陷入以下几个误区：
- 误区一：盲目追求关键点数量。有些团队认为关键点越多越好，于是选择包含30个甚至更多关键点的数据集。但关键点过多会增加模型复杂度，且部分关键点（如手指关节）在低分辨率图像中难以准确定位，反而降低整体精度。对于健身动作识别，17个关键点通常已足够。
- 误区二：忽略关键点的可见性（Visibility）信息。COCO数据集中每个关键点都标注了可见性（0-不可见，1-可见但被遮挡，2-可见）。在训练和推理时，如果忽略这一信息，模型会对被遮挡的关键点产生不可靠的预测，进而影响动作判断。
- 误区三：直接使用原图分辨率进行推理。关键点检测模型通常需要将输入图像缩放到固定尺寸（如256×192或384×288）。如果健身摄像头画面中人体占比过小，直接缩放会导致关键点定位精度下降。建议先进行人体检测，裁剪出人体区域后再送入关键点模型。
- 误区四：忽视时间序列信息。健身动作是连续的过程，单帧图像的关键点检测结果可能存在抖动。实际系统中应结合时序平滑算法（如卡尔曼滤波、滑动窗口平均）来稳定关键点轨迹，避免动作判断出现跳变。