得益于计算机性能的提高和卷积神经网络的应用,如今更多的研究人员开始关注计算机视觉领域。人体关键点检测任务希望通过对静态图像进行特征提取,推测出人体的姿态动作,是其他任务如动作识别和动作切分的基础。随着神经网络的深度增加,如何减少网络庞大参数量是一个热点问题。本文围绕人体关键点检测任务,设计并实现了一个人体关键点算法网络的轻量化改进,加入知识蒸馏实现知识迁移,实验证明网络参数量得到有效减少,基于关键点检测任务,设计了视频中动作识别、动作切分网络结构,通过实验验证其准确性,最后为了实现用户友好、数据服务的目标,研究了可视化技术并基于上述算法结果进行可视化呈现。主要工作如下:1、针对人体关键点检测网络参数量庞大的问题,提出了两种减少参数量的改进方法,设计了以Hourglass网络为主干网络,加入知识蒸馏的attention体制的网络结构。实验表明改进后的网络结构保持精度的同时,有效降低了参数量。以此结构为基础,设计了一个以LSTM单元为核心的动作识别网络,实验表明网络在运动视频关键帧上识别效果良好。2、针对视频中对某动作提取的问题,设计了一个视频动作切分模型,实现从视频中切分出特定动作。该模型分为三个部分:首先基于人体关键点检测框架,获取视频流所有图片帧关键点信息;接着提出以DTW算法为核心的切分模块,设计距离函数,利用滑动时间窗口迭代运算,最终获取动作对应时段。3、针对算法结果用户不友好的问题,为实现数据服务的目的,研究了可视化技术,包括计算机视觉开源库OpenCV,前端领域常用的可视化框架Vue.js和Echarts,设计了运动场景下算法可视化方案,最终的可视化结果直观美观。本文的最后总结所做的工作,分析可深入研究的内容。