人体姿态估计（Human Pose Estimation）作为计算机视觉领域的一个重要分支,在人机交互、体感游戏、运动预测以及医疗康复等领域得到广泛的应用。其目标是检测出图像中人体各部位的骨骼关键点并将这些点连接形成人体姿态骨架,是人体动作特征中很重要的一种表征,尤其是在视频数据中,可以通过将多帧的人体姿态串联在一起形成某种动作轨迹。因此,越来越多的研究人员会把时间和经历投入到该方面的研究中来。其中,基于OpenPose的人体姿态识别存在模型结构大、计算复杂度高,使得网络检测速度慢以及不易部署在边缘设备等问题。因此,为了能够在边缘设备上实时识别出人体动作姿态,本文主要从两个方面进行了研究:一方面,为了网络在运行时能够达到实时标准,在网络层面上利用轻量级网络对人体姿态估计网络进行改进,以减少模型的计算量。另一方面,为了减轻服务器端计算压力,在边缘设备Jetson Xavier NX上运行人体姿态识别模型。本文的最终目标是将基于嵌入式系统的人体姿态识别模型应用到现实场景中。具体工作主要包括以下几点:（1）为了解决OpenPose算法在无人区域存在误检出人体骨骼关键点的问题,本文提出了在人体姿态估计之前先进行人体目标检测的方法。即先检测出图像中目标人体的位置并将其框出,再将框出了人体的图像输入到人体姿态估计网络中进行人体关键点检测。（2）将摄像头实时捕获的数据输入到人体姿态估计网络中提取每一帧中人体的18个关键点的坐标信息,对坐标数据做归一化处理,并采用COCO数据集的格式对动作姿态类别进行标定,形成包含37列数据的csv文件数据集。该数据集一共有24276条数据,包含11类动作姿态,有站立、跑步和踢腿等,并用该数据集训练人体动作姿态识别模型。（3）针对OpenPose模型结构大、参数量多等特点,提出了一种轻量化的人体姿态估计算法。用轻量级MobileNet网络中的深度可分离卷积替换原OpenPose模型中的标准卷积,减少网络的参数量,提升检测速度。同时为了验证改进算法的有效性,做了基于OpenPose、改进OpenPose以及MediaPipe Pose的人体姿态识别实验,通过比较分析,基于轻量级OpenPose的人体姿态识别在识别准确率和实时性方面均表现良好。（4）为了减轻服务器端计算压力,在边缘设备上识别人体动作姿态。在Jetson Xavier NX平台上安装操作系统、搭建运行环境,将人体姿态识别模型移植到该平台上,通过实验测试验证了该模型在边缘设备上运行的效果,可基本满足检测实时性要求。并针对意外摔倒对老年人造成的伤害,本文也进行了摔倒检测实验,实验验证了人体姿态识别模型可以有效的识别出摔倒动作并进行报警。因此,能够将该模型应用到对独居老人摔倒检测的现实场景中。