{
  "paper_id": "79acd19a4e9fd9836469874c5f0416c2",
  "paper_title": "Human Pose Estimation and Skeleton-Based Action Recognition: A Systematic Review of 2D/3D Deep Learning Approaches",
  "paper_authors": [
    "Kudratjon Zohirov",
    "Feruz Ruziboev",
    "Sardor Boykobilov",
    "Mirjakhon Temirov",
    "Kamoliddin Ablakulov",
    "Elbek Jabborov"
  ],
  "publication_date": "",
  "publication_venue": "2026 IEEE 9th World Conference on Computing and Communication Technologies (WCCCT)",
  "abstract": "This article presents a systematic review of modern 2D and 3D deep learning approaches used in the fields of Human Pose Estimation (HPE) and Skeleton-Based Action Recognition (SBAR). The research was conducted based on the SALSA methodology and the published works in leading scientific databases were analyzed. Within the framework of the review, approaches based on the detection of human joint points from image and video sequences, reconstruction of the skeletal structure, and modeling of actions in the spatial and spatiotemporal (ST) domains were compared. The article reviews the architectures of 2D and 3D HPE models, joint hiding in multiperson scenes, real-time requirements, and the possibilities of application in embedded devices. The spatial, spatiotemporal, and graphical features used in SBAR systems and their impact on computational complexity and energy efficiency are also analyzed. The performance of the models was compared based on evaluation criteria such as MPJPE (Mean Per Joint Position Error), AP (Average Precision), RMSE (Root Mean Square Error), and Pearson correlation. The results show that skeleton-based approaches are effective solutions for real-time and resource-constrained systems. However, choosing the optimal model and features requires a trade-off between accuracy, computational complexity, and energy efficiency. This paper identifies promising architectures, features, and hardware adaptation strategies for practical applications of HPE and SBAR systems in real-world environments.",
  "keywords": [
    "Human pose estimation",
    "2D pose estimation",
    "3D pose estimation",
    "skeleton-based action recognition",
    "deep learning",
    "multi-person scenes",
    "real-time systems",
    "computer vision",
    "biomechanics",
    "human–machine interface"
  ],
  "paper_institutions": [
    "Department of Software and hardware support of computer systems, Karshi state technical university, Karshi, Uzbekistan",
    "Department of Convergence of Digital Technologies, Tashkent University of Information Technologies, Tashkent, Uzbekistan",
    "Department of Information Systems and Technologies, Karshi State Technical University, Karshi, Uzbekistan"
  ],
  "output_language": "zh",
  "provider": "doubao",
  "model": "ark-code-latest",
  "prompt_template": "simple",
  "extracted_at": "2026-08-16T19:47:42.754315Z",
  "template_tag": "deep_read",
  "summary": "# Human Pose Estimation and Skeleton-Based Action Recognition: A Systematic Review of 2D/3D Deep Learning Approaches\n\n\n**作者 / Authors:** Kudratjon Zohirov, Feruz Ruziboev, Sardor Boykobilov, Mirjakhon Temirov, Kamoliddin Ablakulov, Elbek Jabborov\n\n\n**单位 / Institutions:** Department of Software and hardware support of computer systems, Karshi state technical university, Karshi, Uzbekistan, Department of Convergence of Digital Technologies, Tashkent University of Information Technologies, Tashkent, Uzbekistan, Department of Information Systems and Technologies, Karshi State Technical University, Karshi, Uzbekistan\n\n\n\n**输出语言 / Output Language:** zh\n\n\n\n\n\n\n## 模块 A：阅读对齐与输入校验 / Module A: Reading Alignment and Input Check\n\n## Module A: 阅读对齐与输入校验\n\n### 1. 论文元数据\n\n- **标题**: Human Pose Estimation and Skeleton-Based Action Recognition: A Systematic Review of 2D/3D Deep Learning Approaches\n- **作者（姓名 / 单位）**:\\  \n  - Kudratjon Zohirov（Karshi state technical university, Department of Software and hardware support of computer systems, 通讯作者）\\  \n  - Feruz Ruziboev（Tashkent University of Information Technologies, Department of Convergence of Digital Technologies, 通讯作者）\\  \n  - Sardor Boykobilov（Karshi state technical university, Department of Software and hardware support of computer systems）\\  \n  - Mirjakhon Temirov（Tashkent University of Information Technologies, Department of Convergence of Digital Technologies）\\  \n  - Kamoliddin Ablakulov（Karshi state technical university, Department of Software and hardware support of computer systems）\\  \n  - Elbek Jabborov（Karshi State Technical University, Department of Information Systems and Technologies）\n- **发表渠道**: 未明确标注期刊/会议/年份；根据内容推测为近期预印本或投稿中稿件，参考文献年份至2026年。\n\n### 2. 研究定位\n\n- **研究领域**: 计算机视觉、人体姿态估计（HPE）、基于骨架的动作识别（SBAR）、深度学习。\n- **具体任务**: 系统综述2D/3D深度学习HPE和SBAR方法，比较数据采集、特征提取、模型架构及嵌入式部署。\n- **目标用户/应用场景**: 研究人员、工程师，应用于实时系统、嵌入式设备、生物力学、临床康复、人机交互等。\n\n### 3. 输入材料清单\n\n- **PDF**: 是（本文档）\n- **附录/补充**: 未提供\n- **代码链接**: 未提供\n- **数据集链接**: 未提供\n\n### 4. 缺失材料与风险\n\n- **缺失项**: 论文发表的正式出处（期刊/会议/年份）、附录、代码、数据集链接。\n- **可能的影响**: 无法验证作者声明的复现性和引用完整性；无法追溯最终发表版本；评估主要依赖文档内容本身。\n\n### 5. 阅读路线（3-6步）\n\n- **步骤1**: 阅读摘要与引言，明确综述范围和目标。\n- **步骤2**: 梳理方法论（SALSA）和文献选择流程，理解筛选准则。\n- **步骤3**: 重点分析表格（I–VI）和图（1–3），提取数据采集、特征、架构、性能对比。\n- **步骤4**: 细读第III–IV节，评估特征工程与嵌入式系统实现。\n- **步骤5**: 阅读结论，总结主要发现与未来方向。\n- **步骤6**: 核对参考文献，确认引用完整性（如有必要）。\n\n**分类依据**: 本文是系统性综述，核心贡献是整合、比较和分析现有方法，而非提出新算法或系统，因此归类为 `survey`。\n\n\n## 模块 B：第一遍鸟瞰扫描（类别/上下文/正确性/贡献/清晰度） / Module B: First Pass Overview (category, context, correctness, contribution, clarity)\n\n## Module B: 第一遍概览（First-Pass Overview）\n\n### 1. 论文类型与类别\n\n- **类型**：系统性综述（Systematic Review），基于SALSA方法对2D/3D深度学习的人体姿态估计（HPE）与骨架动作识别（SBAR）文献进行整合、比较和分析。\n- **子类**：计算机视觉与深度学习领域的综述论文，聚焦于数据采集、特征、模型架构和嵌入式部署。\n- **与已有模块A一致**：归类为 `survey`。\n\n### 2. 上下文与研究背景\n\n- 人体运动分析在生物力学、康复、人机交互等场景具有重要作用，深度学习推动了HPE与SBAR的发展。\n- 2D HPE基于图像平面坐标(x,y)，计算高效，适合实时应用；3D HPE重建空间坐标(x,y,z)，精度高但计算代价大。\n- SBAR利用骨架关节点的时空变化建模人体动作，对背景和外观变化鲁棒，是HAR的重要方向。\n- 现有文献对上述方法缺乏系统性的汇总，尤其针对嵌入式设备上的特征选择与硬件适配问题，本文旨在系统梳理2010–2026年的相关研究。\n\n### 3. 直观正确性检查（关键假设与合理性）\n\n- **假设1**：骨架数据是HPE与SBAR的核心表示，关节点的准确度直接影响系统性能。\n  - 合理性：高，文中多处引用（如Section III-A）说明关节点误差是HPE的主要误差源，符合领域共识。\n- **假设2**：2D HPE比3D HPE更适合实时受限环境，而3D HPE在精度需求高的场景占优。\n  - 合理性：合理，技术复杂度与硬件需求差异明显，文中Table VI及Section IV的结论均支持这一权衡。\n- **假设3**：特征提取需在准确性与计算效率间平衡，图/时空特征精度高但计算复杂。\n  - 合理性：合理，Table III–IV的对比显示不同领域特征在不同平台上的适用性不同，符合实际工程经验。\n- **假设4**：SALSA方法能提供系统、可复现的文献筛选流程。\n  - 合理性：合理，方法本身成熟，文中给出了明确的纳入/排除标准（Section II）。\n\n### 4. 核心贡献（3-5条）\n\n1) 基于SALSA方法系统综述了2010–2026年HPE与SBAR文献，分析了44篇高质量论文。\n2) 总结了数据采集技术（RGB、深度、红外、动捕、IMU等）及常见关节关键点拓扑（Table I–II）。\n3) 归纳了空间、时空、图域特征及其在嵌入式设备上的适用性（Table III–IV），指出图特征虽精度高但计算开销大。\n4) 对比了主流HPE架构（OpenPose、MediaPipe、HRNet、VideoPose3D、ST-GCN等）及性能指标（MPJPE、RMSE等），分析了嵌入式设备的部署策略。\n5) 结论强调准确率、计算复杂度与能效的平衡，并展望模型简化、量化与硬件级优化方向。\n\n### 5. 清晰度评估（结构、图表、公式、可读性）\n\n- **结构清晰**：摘要→引言→方法→数据准备→嵌入式特征提取→HPE嵌入式系统→结论，逻辑顺序合理，符合SALSA流程。\n- **图表丰富**：6个表格（Table I–VI）和3个图（Fig.1–3），分别覆盖数据采集、关节数、特征、性能等，直观有效。\n- **公式**：使用了基本坐标表示(x,y)和(x,y,z)，没有复杂数学推导，可读性强。\n- **语言**：英文表达较清晰，但部分句子稍冗长（例如Section III的开头段），整体不影响理解。\n- **引用**：参考文献编号与正文对应，但引用格式不统一（部分含DOI，部分为会议格式），且有个别未标注完整信息（如[^28]）。\n\n### 6. 继续或停止建议（明确推荐及理由）\n\n- **推荐**：继续阅读（Continue）。\n- **理由**：本文提供了系统的分类和对比，对于了解HPE/SBAR领域全貌、评估不同方法与硬件适配性具有参考价值。但作为综述，其新颖性有限，深度也一般。若读者需要深入某类方法或具体算法的细节，还需补充阅读原文。建议在第二遍阅读（Module D）时重点核对表格与结论的一致性，并关注缺失的元数据（如发表年份、会议/期刊信息）。\n\n### 7. 结构大纲图（Markdown）\n\n```markmap\n# 论文概览\n## 引言（I）\n### HPE/SBAR背景\n### 研究问题与目标\n## 方法论（II）\n### SALSA方法\n### 文献检索与筛选标准\n### 最终纳入44篇文献\n## 数据准备与采集（III）\n### 数据采集技术（Table I）\n### 关节点与骨架模型（Table II）\n### 特征提取（Table III–IV）\n### 嵌入式设备上的特征选择\n## HPE在嵌入式系统上（IV）\n### 架构对比（Table V）\n### 性能指标（Table VI）\n### 软硬件平衡策略\n## 结论（V）\n### 主要发现\n### 未来方向\n```\n\n\n## 模块 C1：论文试图解决什么问题？ / Module C1: What problem does the paper try to solve?\n\n### Module C1: 本文试图解决什么问题？\n\n#### 1. 一句话问题定义\n\n本文旨在系统综述2D/3D深度学习方法在人体姿态估计（HPE）和基于骨架的动作识别（SBAR）中的研究现状，重点分析其在实时和嵌入式系统中的应用潜力与性能权衡。\n\n#### 2. 痛点或不足（2-4条）\n\n- **实时性与资源限制**：现有深度学习方法通常需要高计算资源，难以在实时系统和嵌入式设备上高效运行，限制了实际部署（见第IV节）。\n- **精度与效率的权衡**：2D HPE计算简单但精度有限，3D HPE精度高但计算复杂，二者之间存在明显的精度-效率矛盾（见第I节、第III节A）。\n- **多人与遮挡问题**：多人场景中的关节遮挡、低分辨率、光照变化和复杂背景严重影响姿态检测的准确性（见第III节A，参考文献[^30]）。\n- **特征选择与硬件适配难题**：图形域特征虽表达力强但计算复杂度高，在嵌入式平台上难以高效运行，需要平衡准确性与计算效率（见第III节B、第IV节）。\n\n#### 3. 正式目标或优化目标（若有）\n\n本文未提出具体的数学优化目标，而是通过系统性文献分析，目标是识别并比较不同HPE和SBAR方法在准确性、计算复杂度和能量效率之间的权衡关系，以指导实际应用中的模型与特征选择。\n\n#### 4. 成功标准（评价指标或期望特性）\n\n- **定量指标**：主要采用MPJPE（平均每关节位置误差）、AP（平均精度）、RMSE（均方根误差）和Pearson相关系数来评估模型性能（见摘要）。\n- **系统特性**：需满足实时性要求、能够在嵌入式设备上运行（如Jetson TX2、智能手机等），并兼顾能量效率（见第IV节、表VI）。\n- **综述目标**：能够提供清晰的模型架构、特征类型和硬件适配策略的比较，识别出实际应用中的可行方向（见第V节结论）。\n\n\n## 模块 C2：有哪些相关研究？（最强基线/最相近思路/正交方向） / Module C2: What related research exists? (strongest baseline, closest approach, orthogonal directions)\n\n### Module C2: 相关工作\n\n#### 1. 最强基线及比较轴\n\n- **最强基线**：2D姿态估计方面，OpenPose、MediaPipe Pose、HRNet 和 AlphaPose；3D姿态估计方面，VideoPose3D、GAST-Net、Root-GAST-Net；动作识别方面，ST-GCN。比较轴包括关节数、精度（MPJPE、RMSE、AP）、计算复杂度、实时性以及嵌入式部署的适应性。\n- **基线定位**：表 II、表 V 和表 VI 列出主要模型及性能指标，例如 VideoPose3D 的 MPJPE=34.5 mm，GAST-Net 的 MPJPE=44.9 mm，ST-GCN 的骨骼图卷积基准则（见 Table VI）。\n\n#### 2. 最接近的方法及关键差异\n\n- **最接近的方法**：已有的系统性综述，如 Samkari et al. (2023) 关于 HPE 深度学习的系统文献综述，以及 Nguyen et al. (2023) 关于 3D 骨骼动作识别的综述。\n- **关键差异**：本文聚焦于嵌入式与资源受限系统的 HPE 和 SBAR，专门比较特征工程（空间、时空、图域）对计算复杂度和能耗的影响，并针对 2D/3D 模型的实时性与精度权衡进行了系统性分析（见第三、四节及表格 III、IV、VI）。\n\n#### 3. 正交方向\n\n- **数据采集与传感器融合**：RGB、深度、红外、IMU、LiDAR、事件相机等（表 I），属于数据层研究方向。\n- **人体建模**：参数化模型如 SMPL/SMPL-X（表 II），用于生成网格而非关键点。\n- **硬件优化**：量化、剪枝、专用加速器（NPU/TPU）等，不涉及具体模型架构改进（见第五节结论）。\n- **多模态融合**：将视觉与IMU/EMG等结合（如[^24]、[^34]），虽提及但非本文核心，只作为提升精度的手段。\n\n#### 4. 一句话定位\n\n本文通过 SALSA 方法系统梳理了 2010-2026 年间 HPE 和 SBAR 的 2D/3D 深度学习文献，重点对比了不同骨架特征和模型架构在嵌入式、实时系统上的精度-计算-能耗权衡，为该领域提供了面向实际部署的选择指南（见摘要与结论）。\n\n\n## 模块 C3：论文如何解决这个问题？（流程图文字版） / Module C3: How does the paper solve the problem? (include a text flowchart)\n\n## Module C3: 论文如何解决问题？\n\n### 1. 分类框架总览\n\n该综述基于系统文献回顾（SALSA方法），对2D/3D深度学习人体姿态估计（HPE）和基于骨架的动作识别（SBAR）方法进行分类与比较。核心分类框架围绕**数据获取方式**、**姿态估计维度（2D/3D）**、**骨架特征类型（空间/时空/图）**以及**部署平台（嵌入式/高性能）**四个维度展开。\n\n### 2. 主要分类轴与比较维度\n\n- **姿态估计维度**：2D HPE（图像平面坐标 $(x,y)$）与3D HPE（空间坐标 $(x,y,z)$），对应实时性与精度权衡。\n- **数据获取方式**：RGB相机、深度相机（Kinect/RealSense）、红外相机、标记/无标记动捕、IMU传感器、移动设备。\n- **特征类型**：空间特征（关节坐标、骨骼向量、关节角度）、时空特征（速度、加速度、时间差分）、图特征（骨架嵌入、注意力权重、图节点特征、邻接矩阵）。\n- **模型架构**：卷积神经网络（CNN）、图卷积网络（GCN）、时空图卷积网络（ST-GCN）、Transformer等。\n- **部署平台**：嵌入式设备（Jetson TX2）、智能手机、RGB-D/LiDAR、高端GPU（RTX系列、A100）。\n\n### 3. 代表性工作分组与分组意义\n\n- **2D实时姿态估计组**：OpenPose、BlazePose、MediaPipe Pose、MoveNet、HRNet、AlphaPose —— 这类模型计算量小，适合嵌入式与实时系统。\n- **3D姿态估计组**：VideoPose3D、GAST-Net、Root-GAST-Net、TSHDC、SimpleNet —— 提供三维空间结构，用于高精度生物力学分析，但计算复杂度高。\n- **图/时空模型组**：ST-GCN、PoseFormer —— 以图结构建模骨架运动，擅长复杂动作识别，但需要强大算力。\n- **多模态融合组**：Camera+IMU、LiDAR、RGB-D融合 —— 通过多传感器提高精度（如MPJPE降低），但增加系统复杂度。\n\n分组意义：揭示模型精度、计算复杂度与部署平台之间的权衡，帮助读者按应用场景（实时性、资源约束、精度需求）选择合适方案。\n\n### 4. 分类流程图\n\n```mermaid\nflowchart TD\n    A[\"HPE/SBAR 方法\"] --> B[\"数据获取\"]\n    A --> C[\"估计维度\"]\n    A --> D[\"特征类型\"]\n    A --> E[\"模型架构\"]\n    A --> F[\"部署平台\"]\n\n    B --> B1[\"RGB相机\"]\n    B --> B2[\"深度相机\"]\n    B --> B3[\"IMU传感器\"]\n    B --> B4[\"动捕/移动设备\"]\n\n    C --> C1[\"2D HPE\"]\n    C --> C2[\"3D HPE\"]\n\n    D --> D1[\"空间特征\"]\n    D --> D2[\"时空特征\"]\n    D --> D3[\"图特征\"]\n\n    E --> E1[\"CNN/ResNet\"]\n    E --> E2[\"GCN/ST-GCN\"]\n    E --> E3[\"Transformer\"]\n\n    F --> F1[\"嵌入式\"]\n    F --> F2[\"高性能GPU\"]\n    F --> F3[\"多模态融合\"]\n```\n\n\n## 模块 C4：实验数据集与实现设置（数据集/场景、为何选择、验证哪些关键特性） / Module C4: Datasets and implementation settings (what datasets/scenarios, why chosen, what they validate)\n\n## Module C4: 数据集、基准与实现/评估设置\n\n### 1. 数据集覆盖（名称、规模、场景、领域代表性）\n\n本文综述中提及的数据集及覆盖情况如下：\n\n- **COCO**：用于2D姿态估计的常用数据集，提供（x,y）坐标标注，提及于表III中（用于2D姿态坐标特征），但未给出具体规模。\n- **MPII**：同样用于2D姿态估计，提及于表III，未给出规模。\n- **Human3.6M**：用于3D姿态估计，提及于表III（与VideoPose3D关联），是3D人体姿态估计的经典基准，但未给出具体样本数。\n- **TotalCapture**：用于多模态（IMU+相机）3D姿态估计，提及于表VI（[^24]），未给出规模。\n- **其他传感器数据集**：包括使用RGB-D（Kinect）、LiDAR、IMU等传感器采集的数据，但未详细列出具体数据集名称和规模。\n\n综述并未系统性地列举所有被分析论文所采用的数据集，而是主要通过表格（表III、表VI）和文字提及部分代表性数据集。整体来看，数据集覆盖了2D和3D姿态估计的常见基准，但代表性有限，缺乏对数据集规模、场景多样性和领域分布的全面描述。\n\n### 2. 基准覆盖与综述对基准使用的组织方式\n\n- **基准组织方式**：综述对基准的使用主要体现在表VI中，该表列出了不同研究使用的设备（如RGB相机、智能手机、Jetson TX2等）、关键点数量、性能指标（MPJPE、RMSE）和模型。此外，表III在特征层面提及了COCO、MPII、Human3.6M等数据集。\n- **未明确区分训练/测试基准**：综述未清晰说明各研究在哪些数据集上训练和测试，也未系统比较不同基准下的性能差异。\n- **性能指标**：主要采用MPJPE（平均每关节位置误差）、RMSE（均方根误差），另外在摘要中提及AP和Pearson相关系数，但在正文详细内容中未充分展开。\n- **已有基准的覆盖不全面**：没有提及NTU RGB+D、Kinetics-Skeleton等SBAR领域常用基准，尽管综述涉及SBAR，但基准覆盖存在明显缺口。\n\n### 3. 评估协议覆盖及文献中的协议不匹配\n\n- **评估指标不一致**：不同研究使用MPJPE、RMSE等指标，但单位、关键点数量（16-33不等）、传感器配置（RGB、深度、LiDAR、IMU）各不相同，导致结果难以直接比较。例如，表VI中MPJPE从20.7mm到100mm不等，RMSE从28.4到107.5，差异巨大，部分源于传感器类型和模型差异。\n- **评估场景不一致**：有的在受控实验室环境（如Human3.6M），有的在真实室外或嵌入式设备（如Jetson TX2），评估场景不同，但综述未明确区分。\n- **关键点数量不统一**：如17、18、25、32等，不同骨架模型使用不同关节数，导致评估协议不一致。\n- **缺少统一的评估框架**：综述未提供统一的评估协议或归一化方法，仅列举各研究的原始结果，无法进行跨研究公平比较。\n- **报告格式不统一**：部分报告MPJPE，部分报告RMSE，且未统一说明是否包含标准偏差等，如[^27]报告RMSE = 46.8±58.2。\n\n### 4. 这些覆盖选择为何重要及其验证作用\n\n- **覆盖选择的意义**：综述聚焦于数据采集方式（RGB、深度、IMU、LiDAR等）和嵌入式设备上的实现，因此选择的数据集和基准应当能够反映不同传感器和硬件条件下的性能。这有助于评估HPE/SBAR在实际部署中的泛化能力。\n- **验证作用**：通过表VI的性能数据，可以初步验证不同传感器（RGB vs. LiDAR vs. IMU）对姿态估计精度的影响，例如融合IMU的SimpleNet达到MPJPE=20.7mm，远低于纯RGB方法的44.9mm。但覆盖不足限制了结论的普适性。\n- **缺陷**：由于缺乏对数据集规模、复杂场景（遮挡、多人）的明确描述，无法验证模型在复杂真实场景中的鲁棒性。此外，未涵盖SBAR常用基准（如NTU RGB+D），导致对动作识别方法的评估不完整。\n- **总体评价**：综述的覆盖选择偏向于展示嵌入式与传感器融合的潜力，但未系统组织基准和协议，使得评估验证的力度有限。建议未来综述应明确各研究的训练/测试数据集、统一评估指标并补充SBAR标准基准。\n\n\n## 模块 C5：指标与结果（指标、结果、各指标对应的创新点） / Module C5: Metrics and results (metrics, results, which innovations each metric reflects)\n\n## 模块C5：指标与结果\n\n### 1. 指标（含定义或简要说明）\n\n本文系统综述中主要使用以下评价指标来衡量人体姿态估计（HPE）和基于骨架的动作识别（SBAR）系统的性能：\n\n- **MPJPE (Mean Per Joint Position Error)**：平均每关节位置误差，单位为毫米。计算预测的3D关节位置与真实位置之间的平均欧氏距离，数值越低表示精度越高。常见于3D姿态估计任务（见表VI）。\n- **AP (Average Precision)**：平均精度，用于检测任务（如关节检测），衡量在不同置信度阈值下精确率-召回率曲线的面积。文中在引言提及但未在表格中具体数值。\n- **RMSE (Root Mean Square Error)**：均方根误差，单位为毫米，用于评估预测关节位置与真值之间的偏差，对较大误差更敏感。在表VI中用于部分传感器融合系统。\n- **Pearson correlation**：皮尔逊相关系数，用于评估预测姿态序列与真值之间的线性相关性，文中提及但未给出具体数值。\n\n此外，文中还隐含使用了**关节角度误差**（如关节角度计算）和**检测准确率**等指标，但未在正文中单独定义。\n\n### 2. 代表性先前工作的比较模式\n\n综述通过表VI对比了不同设备、传感器配置和模型下的性能，呈现以下比较模式：\n\n- **纯RGB相机方案**：\n  - GAST-Net（MPJPE = 44.9 mm）[^26] 与 Root-GAST-Net（MPJPE = 44.9 mm）[^39] 精度相同，表明根节点增强未带来额外增益。\n  - VideoPose3D（MPJPE = 34.5 mm）[^27] 在纯RGB方案中精度最高，优于GAST-Net。\n  - MediaPipe Pose（MPJPE = 97 mm）[^38] 和 OpenPose（MPJPE = 100 mm）[^40] 精度较低，说明这些轻量模型适合实时但牺牲精度。\n  - ST-GCN（MPJPE = 52.6 mm）[^9] 在姿态估计任务上精度中等。\n- **多传感器融合方案**：\n  - 结合IMU和多个相机视图（SimpleNet，MPJPE = 20.7 mm）[^24] 达到最佳精度，显著优于纯相机方案。\n  - LiDAR+IMU多传感器融合（RMSE = 107.5 mm）[^42] 误差较大，可能受稀疏点云影响。\n  - Azure Kinect RGB-D（RMSE = 28.4 mm）[^43] 在深度相机方案中表现良好。\n  - 智能手机上的BlazePose/OpenPose（RMSE = 46.8 ± 58.2 mm）[^27] 误差较大且标准差高，表明移动端性能不稳定。\n\n整体比较模式显示：**多传感器融合＞纯RGB（高质量模型）＞纯RGB（轻量级模型）**。在纯RGB方案内部，模型复杂度与精度正相关，但轻量模型更适合嵌入式实时应用。\n\n### 3. 文献中的共识与分歧\n\n**共识**：\n\n- 所有研究一致认为HPE和SBAR的性能直接取决于数据采集方法、骨架拓扑和特征选择（结论部分，V节）。\n- 2D HPE计算开销低，适合实时和资源受限系统；3D HPE精度高但计算量大（I节、V节）。\n- 图（graph）域特征表达力强，但计算复杂度高，需要高性能GPU（III-B节，表III后分析）。\n- 多模态融合（IMU+相机）能明显提高精度（表VI中SimpleNet最佳）。\n\n**分歧**：\n\n- 关于哪个模型在精度和效率间取得最佳平衡存在分歧。例如，GAST-Net和Root-GAST-Net精度相同，但两者架构不同（表VI）；关于是否引入根节点增强未达成一致。\n- 对不同设备的精度表现观点不一致。例如，RGB相机方案中VideoPose3D精度高于GAST-Net，但实际部署时可能因资源限制而优先选择轻量模型。\n- 对于稀疏LiDAR点云的适用性，[^35] 显示其MPJPE=82 mm，而[^42] 的LiDAR+IMU融合达到RMSE=107.5，说明LiDAR单独使用效果不稳定，存在分歧。\n\n### 4. 基准解读与证据强度\n\n- **基准数据集**：文本未明确指定统一基准，但表VI中的MPJPE值通常参照Human3.6M等标准数据集。由于缺乏统一基准，跨论文比较存在局限。\n- **证据强度**：表中引用的参考文献来自不同期刊和会议，部分为近年出版（2021-2026），具有一定的时效性。但综述未提供各研究的实验设置细节（如训练数据量、硬件配置），因此证据强度中等，只能用于趋势判断，不能作为严格量化对比依据。\n- **关键解释**：\n  - MPJPE数值的差异可能来自数据集难度、预处理方法和模型训练细节，而非仅模型架构原因。\n  - 多传感器融合获得低MPJPE（20.7 mm）表明融合策略能有效降低误差，但系统复杂度也随之增加（结论中提及）。\n  - 轻量模型（OpenPose、MediaPipe）在实时性和精度之间的权衡明显，适合嵌入式场景（III-B、IV节）。\n- **局限性**：综述未提供置信区间或统计显著性检验，性能比较基于单一数值，证据强度有限。未来的工作应统一评估协议，并考虑计算效率指标（如FPS、能量消耗）与精度的联合分析。\n\n\n## 模块 C6：有什么可以进一步探索的点？（理论/工程/数据/评测） / Module C6: What can be further explored? (theory/engineering/data/evaluation)\n\n## Module C6: 未来可探索的方向\n\n基于本文对HPE与SBAR的系统综述（SALSA方法，44篇文献），以下分别从理论、工程、数据/评估三个维度提出未来研究方向。\n\n### 理论方向\n\n- **轻量化理论框架**：针对图域特征（如ST-GCN）计算复杂度高的问题，研究基于图稀疏化或低秩分解的理论框架，以降低图神经网络的冗余参数，同时保持表达能力（见第III节B、表III，第IV节提及“简化模型架构、减少冗余参数”）。\n- **多模态融合的理论建模**：探索RGB、IMU、LiDAR、深度等多传感器的统一理论融合模型，定义不同模态间的互补性与冲突消除机制（表IV、表VI显示多模态系统精度更高，但复杂度增加），建立信息论或贝叶斯框架下的最优融合准则。\n- **不确定性量化**：针对遮挡、低分辨率等实际场景，研究HPE模型预测的不确定性估计理论（如贝叶斯深度学习、熵正则化），将其用于风险敏感的应用（如临床康复）中的决策依据（参见第III节A关于遮挡和复杂背景的讨论）。\n\n### 工程方向\n\n- **硬件感知的模型优化**：针对嵌入式设备（如Jetson TX2、智能手机、RGB-D相机），开发结合量化、剪枝、知识蒸馏和神经架构搜索（NAS）的硬件自适应优化流程，实现精度与能耗的平衡（参照第IV节表V、表VI，以及结论中提到的“量化、硬件级优化”）。\n- **实时多人员场景下的高效推理**：设计面向多人员场景的轻量级姿态估计与跟踪系统，解决相互遮挡和身份关联问题（论文引言提及“joint hiding in multiperson scenes”），探索基于稀疏卷积或事件相机的加速策略（参考[^17]事件相机）。\n- **边缘-云协同架构**：提出将模型拆分到边缘设备与云端服务器的协同推理框架，利用动态网络（如早期退出或自适应计算）在满足实时性要求的同时提升精度，适用于监控和康复等应用（见第IV节关于嵌入式部署的讨论）。\n\n### 数据/评估方向\n\n- **标准化基准与跨数据集评估**：目前评估指标分散（MPJPE、AP、RMSE、Pearson相关等，表VI），缺少统一的可复现基准。建议构建包含多种传感器、光照条件和遮挡程度的开放测试集，并统一评估协议（如跨数据集泛化测试），以公平比较不同模型（参见第II节方法论和表VI）。\n- **真实场景扰动数据增强**：生成或采集包含自然退化（运动模糊、压缩噪声、光照变化）和形态差异的数据集，用于训练和评估模型的鲁棒性（参考[^10]对真实世界图像退化的研究），并建立系统的鲁棒性评价指标。\n- **长尾行动与细粒度分类**：现有数据集往往覆盖常见动作，缺乏长尾和细粒度动作（如康复中的微小关节运动）。未来应创建含大量类别且类内差异小的数据集，并对模型进行针对性的评估（结合表III中的关节角度等特征用于生物力学分析）。\n\n\n## 模块 C7：现实场景如何体现/实现？（部署约束、算力、延迟、鲁棒性） / Module C7: How would this work in real-world scenarios? (deployment constraints, compute, latency, robustness)\n\n### 模块C7：现实世界应用中的体现\n\n#### 1. 部署约束\n\n- **计算资源限制**：论文强调，HPE和SBAR系统在现实部署中常面临嵌入式设备（如Jetson TX2、智能手机）和资源受限平台的约束，需在精度与计算复杂度之间权衡（见第IV节、表IV和表VI）。\n- **硬件适配需求**：有效部署要求模型简化、参数压缩、量化以及硬件级优化，以适应边缘设备（见第V节结论）。\n- **传感器选择**：不同传感器（RGB摄像头、深度摄像头、IMU、LiDAR等）直接影响系统精度和部署成本，需根据应用场景选择（见第III节、表I）。\n\n#### 2. 计算/延迟影响\n\n- **2D vs 3D模型**：2D HPE模型（如OpenPose、MediaPipe Pose、MoveNet）计算轻量，适合实时系统；3D HPE模型精度高但计算复杂，延迟高，需高性能GPU（见第III节A、第IV节）。\n- **特征复杂度**：空间和时空特征（如JC、JV、ΔJ）计算量较低，而图域特征（如GCN、注意力机制）计算复杂度高，影响实时性（见第III节B、表III）。\n- **实时性要求**：嵌入式系统需满足实时要求，模型推理通常在设备端执行，训练则在高性能服务器上完成（见第IV节）。\n\n#### 3. 鲁棒性/安全性问题\n\n- **环境鲁棒性**：现实场景中光照变化、遮挡、复杂背景、多人相互遮挡等会显著降低HPE精度（见第III节A、引言）。\n- **模型鲁棒性**：骨架表示对背景噪声和外观变化具有一定鲁棒性，但关节检测错误会传导至后续动作识别（见引言、第III节B）。\n- **安全与隐私**：涉及人体图像和位置数据，部署时需考虑隐私保护和数据安全（论文未详述，但属于现实应用中的重要考量）。\n- **多传感器可靠性**：多模态融合（RGB-D、IMU+相机）虽提高精度，但增加系统复杂性和传感器故障风险（见第III节、第V节）。\n\n#### 4. 可维护性\n\n- **模型更新**：深度学习模型需定期重新训练或微调以适应新环境、新人群（论文未明确提及，但隐含于“未来研究”中）。\n- **系统集成**：嵌入式平台的部署需持续优化和适配不同硬件，依赖开源框架（如OpenPose、MediaPipe）的维护和更新（见第III节B、第IV节）。\n- **跨平台兼容**：系统需支持多种硬件平台（GPU、Jetson、智能手机），但不同平台对模型的支持程度不同，增加维护成本（见表IV、表V）。\n\n**总结**：该综述指出现实部署需在精度、计算复杂度、能耗之间取得平衡。2D轻量模型更易部署，但3D和多模态方法在精度上更优，却对硬件和维护提出更高要求。鲁棒性和安全性问题需通过数据增强、多传感器融合和隐私保护措施解决，而可维护性依赖开源生态和持续优化。\n\n\n## 模块 C8：总结主要内容（一段摘要 + 5 条要点 + 1 个核心公式/机制） / Module C8: Summarize the main content (one paragraph + 5 bullets + one core formula/mechanism).\n\n## 模块C8：简明总结\n\n### 1. 总结段落\n\n本文基于SALSA方法对2010至2026年间发表的44篇关于人体姿态估计（HPE）和基于骨架的动作识别（SBAR）的2D/3D深度学习研究进行了系统性综述。文章首先梳理了数据采集方式（RGB、深度、红外、IMU等多模态）及其对精度和实时性的影响，继而比较了主流HPE架构（如OpenPose、MediaPipe、HRNet、VideoPose3D、GAST-Net等）的骨架拓扑和关键点数，并分析了空间、时域、时空域及图域特征在嵌入式设备上的计算复杂度和能耗表现。通过对比MPJPE、RMSE等指标，发现2D方法在实时性和资源受限场景中更具优势，而3D方法在生物力学精度上更优；图神经网络虽表达力强但计算开销大。多传感器融合（如IMU+相机）能显著提升精度，但增加系统复杂度。综述指出，实际应用中必须在精度、计算复杂度和能效之间进行权衡，未来应聚焦模型压缩、量化和硬件级优化以适应边缘部署。\n\n### 2. 五个关键要点\n\n- **2D HPE适合实时嵌入式系统**：基于RGB相机的2D方法（如OpenPose、MediaPipe）计算轻量，能在移动设备上实时运行，但精度受遮挡和光照影响（见第III-A节）。\n- **3D HPE提供更高生物力学精度但需更大算力**：使用$(x,y,z)$坐标重建空间骨架，常用模型如VideoPose3D、GAST-Net的MPJPE可达34.5mm，但需要GPU或专用硬件（见第IV节及表VI）。\n- **特征选择决定系统效率**：空间特征（关节坐标、角度）和时空特征（速度、加速度）最常用；图域特征（如注意力权重、邻接矩阵）表达力强但复杂度高（见表III和图3）。\n- **多传感器融合可提升精度但增加复杂度**：结合IMU、LiDAR、RGB-D等可降低MPJPE（如SimpleNet在Totalcapture+IMU上达20.7mm），但系统同步和标定难度上升（见表VI）。\n- **嵌入式实现需平衡准确率、计算量和能耗**：当前深度学习模型直接部署边缘设备受限，需要模型简化、量化和硬件适配优化（见结论部分）。\n\n### 3. 核心机制或公式\n\n核心机制可抽象为从输入图像序列提取关节坐标的**时空建模**过程：给定时间序列的2D关键点坐标 $\\{\\mathbf{J}_t\\}_{t=1}^T \\subset \\mathbb{R}^{J\\times 2}$，通过时序卷积或图卷积提升为3D坐标并建模动作类别。一个典型公式为ST-GCN的图卷积层更新：\n\n$$\n\\mathbf{X}^{(l+1)} = \\sigma\\left( \\mathbf{A} \\mathbf{X}^{(l)} \\mathbf{W}^{(l)} \\right)\n$$\n\n其中 $\\mathbf{X}^{(l)}$ 为第 l 层节点特征矩阵（关节数×通道），$\\mathbf{A}$ 为基于骨架拓扑构造的归一化邻接矩阵（含自环），$\\mathbf{W}^{(l)}$ 为可学习权重，$\\sigma$ 为激活函数。该机制将骨架视为时空图，通过邻接矩阵传播信息并提取运动模式，广泛用于SBAR模型。\n\n\n## 模块 D：第二遍内容理解（方法结构/关键图表/实验） / Module D: Second Pass (method structure, key figures, experiments)\n\n## Module D: 第二遍通读理解（Second-pass Understanding）\n\n### 1. 分类体系（Taxonomy Structure）\n\n本文作为一篇系统性综述（survey），其分类体系可从多个维度建立：\n\n- **按任务目标划分**：分为**2D人体姿态估计（2D HPE）**、**3D人体姿态估计（3D HPE）**和**基于骨架的动作识别（SBAR）**。这一划分在论文第I节引言和第V节结论中反复出现（如第I节：“HPE approaches are divided into 2D and 3D types”；第V节：“2D HPE models…3D HPE…”）。\n- **按数据采集方式划分**：从数据来源区分，包括**RGB相机、深度相机、红外相机、标记/无标记动作捕捉（MoCap）、IMU传感器、移动设备**等。该分类在Table I（数据采集方法）中系统列出。\n- **按特征类型划分**：在SBAR中，特征被分为**空间特征（Spatial）、时空特征（ST）、时间特征（Temporal）和图域特征（Graph）**。Table III给出了具体的特征及其所属域。\n- **按模型架构划分**：模型被归类为**卷积神经网络（如HRNet）、轻量级实时模型（如BlazePose、MoveNet）、时序图卷积网络（如ST-GCN）、注意力/transformer（如PoseFormer）、参数化身体模型（如SMPL）**。Table V列出了主要架构。\n- **按部署场景划分**：论文特别区分了**嵌入式设备（embedded systems）**与**高算力平台（GPU服务器）**，在Table IV和Table VI中分别列示了特征提取与性能对比。\n\n这一分类体系既涵盖了HPE与SBAR全链路，也体现了从数据采集、特征构建到模型部署的层次结构。\n\n### 2. 代表性簇及划分依据（Representative Clusters）\n\n论文通过多个表格和章节将研究划分成若干代表性“簇”：\n\n- **2D HPE模型簇**：包括OpenPose、BlazePose、MediaPipe Pose、MoveNet、HRNet等（见Table V）。这些模型强调实时性、轻量化和嵌入式友好性，主要用于2D姿态估计，在Table II中其关节数差异较大（如OpenPose COCO-18为18个，BlazePose为33个）。\n- **3D HPE模型簇**：包括VideoPose3D、GAST-Net、Root-GAST-Net、TSHDC、SimpleNet等（见Table V）。这些模型通常需要更高算力，适用于生物力学分析等精度要求高的场景，在Table II中大多采用17个关节点。\n- **SBAR模型簇**：以ST-GCN为代表，以及图注意力网络（如GAST-Net）等，它们使用时空图卷积处理骨架序列，见表V。\n- **数据采集簇**：Table I将数据采集方式分为RGB、深度、红外、MoCap、IMU、移动设备等，这些类别对应不同的硬件配置和应用场景。\n- **嵌入式特征簇**：Table IV根据设备类型（Jetson TX2、GPU平台、RGB-D传感器、智能手机等）列出了常用的特征组合，体现特征选择与硬件能力的适配关系。\n\n划分的依据主要是：**任务维度（2D/3D/动作识别）、数据来源（相机类型或传感器）、特征维度（空间/时间/图域）以及硬件平台（嵌入式/GPU）**。论文通过这些维度对文献进行归类和分析（见第II节方法论及第III节B部分）。\n\n### 3. 重要图表解释（Explanation of at Least Two Important Figures or Tables）\n\n#### 图3（Fig. 3）——十种最常用特征\n\n- **位置**：第III节B部分末尾，标注为“Fig. 3. The ten most frequently used features in the reviewed studies.”。\n- **内容**：统计了44篇文献中最常使用的10种特征，按出现频率排序。根据正文描述，最常见的是JC（关节坐标）、(x,y)、(x,y,z)、HR（心率？文中未明确，但结合Table IV，可能为某种传感器特征）、KCS（骨骼余弦相似度）、JA θ（关节角度）、JD（关节距离）以及AW（注意力权重）和PSE（姿势相似度）等。\n- **意义**：该图直观展现了特征工程中的主流选择，说明了空间与ST域特征的主导地位（与Table III的分析一致），也为嵌入式部署中的特征选择提供了参考。\n\n#### 表VI（TABLE VI）——嵌入式与基于传感器的HPE系统性能指标\n\n- **位置**：第IV节末尾，表格标题为“Performance Metrics of Embedded and Sensor-Based HPE Systems.”。\n- **内容**：列出了13项代表性研究，包含设备类型、关节点数、性能指标（MPJPE或RMSE，单位mm）以及所用模型。例如：GAST-Net在RGB相机上MPJPE=44.9 mm；VideoPose3D为34.5 mm；MediaPipe Pose为97 mm；SimpleNet结合IMU和Totalcapture达到MPJPE=20.7 mm；Azure Kinect RGB-D的RMSE=28.4 mm等。\n- **解释**：该表对比了不同传感器组合和模型架构下的精度差异，揭示了多模态融合（如RGB-D、IMU、LiDAR）往往能显著降低MPJPE/RMSE，但同时增加了系统复杂度。其中RGB相机方案在嵌入式环境中更常见，但精度波动较大（97 mm vs 44.9 mm），反映了模型与硬件适配的重要性。\n\n### 4. 比较表解读与覆盖范围（Comparison-Table Interpretation and Coverage Structure）\n\n- **Table I（数据采集方法）**：系统梳理了从RGB相机到IMU、移动设备等7种数据获取途径，并给出典型参考文献。覆盖了2D/3D HPE的输入来源，以及不同设备的适用场景和限制（第III节A部分对此有详细论述）。\n- **Table II（关节点数量）**：对比了14种代表性模型（OpenPose、BlazePose、SMPL等）的关节数和任务类型，揭示了不同骨架拓扑的差异（17到55个关节），对理解特征维度和模型设计至关重要。\n- **Table III（特征分类）**：将特征分为空间、时间、图域三大类，并列举了具体特征（JC、JV、ΔJ、SE、AW等）及其在模型中的使用示例。该表的覆盖范围较广，凸显了特征工程在SBAR中的核心地位。\n- **Table IV（嵌入式特征提取）**：按参考文献分组，列出了在嵌入式或特定硬件平台上的主要特征和设备/平台，并与Table III形成对应，展示了特征选择与硬件约束之间的权衡。\n- **Table V（架构总览）**：汇总了10种HPE模型的全称和功能描述，作为后续比较的基础。\n- **Table VI（性能指标）**：如前述，对比了嵌入式系统的精度，覆盖了RGB、IMU、LiDAR、RGB-D等传感器组合。\n\n这些表格在结构上形成了一个从“数据采集”→“特征定义”→“模型架构”→“性能评估”的完整链条，覆盖了HPE与SBAR的主要研究维度。每张表都对应了正文中的具体讨论段落，便于读者定位深层次细节。\n\n### 5. 综述综合示意图（Diagram Suited to Survey Synthesis）\n\n为综合本文的综述框架，可构建如下分类示意图（使用文本形式表示）：\n\n```text\n┌─────────────────────────────────────────────────────────────┐\n│                    HPE 与 SBAR 综述分类全景图                  │\n├─────────────────────────────────────────────────────────────┤\n│ 任务维度                                                        │\n│   ├─ 2D HPE ─────────────────────── 实时/嵌入式                │\n│   ├─ 3D HPE ─────────────────────── 高精度/生物力学             │\n│   └─ SBAR ──────────────────────── 时空建模                    │\n├─────────────────────────────────────────────────────────────┤\n│ 数据采集（Table I）                                              │\n│   ├─ RGB相机 / 深度相机 / 红外相机 / MoCap / IMU / 移动设备        │\n│   └─ 影响精度与成本                                                │\n├─────────────────────────────────────────────────────────────┤\n│ 特征域（Table III）                                              │\n│   ├─ 空间（JC, (x,y), BV, JAθ …）                              │\n│   ├─ 时间（JV, ΔJ, TD …）                                      │\n│   ├─ 图域（SE, AW, GN, AM …）                                 │\n│   └─ 选择受嵌入式约束（Table IV）                                 │\n├─────────────────────────────────────────────────────────────┤\n│ 模型架构（Table V）                                              │\n│   ├─ 2D: OpenPose, BlazePose, HRNet, MoveNet…                │\n│   ├─ 3D: VideoPose3D, GAST-Net, TSHDC, SimpleNet…            │\n│   ├─ 图: ST-GCN, PoseFormer…                                  │\n│   └─ 参数化: SMPL, SMPL-X…                                    │\n├─────────────────────────────────────────────────────────────┤\n│ 性能评估（Table VI）                                            │\n│   ├─ 指标: MPJPE, RMSE, AP, Pearson相关            │\n│   ├─ 传感器: RGB, RGB-D, IMU, LiDAR, 多模态融合   │\n│   └─ 权衡: 精度 vs 计算复杂度 vs 能量效率                        │\n└─────────────────────────────────────────────────────────────┘\n```\n\n该图概括了论文从任务定义到数据、特征、模型、评价的完整逻辑，体现了综述的覆盖范围与层次结构。图1（文献筛选流程）和图2（数据采集步骤）则分别从方法论和数据准备的角度支撑这一框架。\n\n\n## 模块 E：第三遍深度审视（重建/假设/失败模式/审稿意见） / Module E: Third Pass (reconstruction, assumptions, failure modes, review)\n\n## 模块E：第三遍深入审查\n\n### 1. 分类学假设（Taxonomy assumptions）\n\n该综述隐含地将HPE和SBAR方法按以下维度分类：\n\n- 维度1：维度性（2D vs 3D姿态估计），基于坐标空间（$(x,y)$ vs $(x,y,z)$）区分（见第I节、表II）。\n- 维度2：数据采集方式：RGB相机、深度相机、红外相机、标记/无标记动作捕捉、IMU传感器、移动设备等（表I）。\n- 维度3：特征域：空间域、时空域、图域（表III）。\n- 维度4：模型架构：卷积（如OpenPose、HRNet）、时序（如VideoPose3D）、图卷积（如ST-GCN）、Transformer（隐含于图特征中）等（表V）。\n- 维度5：部署平台：嵌入式设备、GPU平台、多传感器系统等（表IV、表VI）。\n这些分类互有交叉，但论文未明确给出统一的分类树，而是通过多个表格按不同维度呈现。\n\n### 2. 覆盖偏差（Coverage bias）\n\n- 文献来源偏差：主要检索Scopus、IEEE Xplore、MDPI、PubMed、ProQuest，但参考列表中MDPI（Sensors、Electronics、Applied Sciences等）占绝对多数，IEEE仅少量，且未涵盖CVPR、ICCV、ECCV、NeurIPS等顶级会议（除个别ICRA），存在明显的数据库偏向。\n- 时间偏差：尽管声称2010-2026年，但表中引用的文献绝大多数为2020-2026年，早期经典工作（如OpenPose原文2017）仅通过二手引用，可能遗漏关键基础方法。\n- 语言和地域偏差：作者均为乌兹别克斯坦高校，可能更易获取本区域或特定出版社资源，导致对某些国际主流工作覆盖不足（如未见DensePose、AlphaPose的详细分析）。\n- 主题偏差：重点放在嵌入式系统和特征提取，对其他关键问题（如遮挡处理、多人交互、数据集标注成本）叙述较浅。\n\n### 3. 盲点或遗漏领域（2-4条）\n\n- **无监督/自监督学习**：综述未涉及近期流行的自监督预训练方法（如利用大规模无标注视频学习姿态表征），只提及少量自监督（如[^41]），缺乏对半监督、自监督HPE的系统梳理。\n- **大模型与Transformer新范式**：虽然提到了图Transformer（如PoseFormer），但未深入分析近年基于ViT、Masked Autoencoder等的HPE方法，也未讨论大模型在姿态估计中的潜力。\n- **隐私与伦理**：HPE在监控、医疗等敏感场景中的隐私问题、数据匿名化、伦理约束几乎未涉及，而这是实际部署的重要维度。\n- **标准化评估协议**：不同论文采用的数据集（如Human3.6M、COCO、MPII）和评估指标（MPJPE、AP、RMSE）差异未统一说明，也未讨论跨数据集泛化性能，容易造成比较混乱。\n\n### 4. 优势与劣势（Strengths and weaknesses）\n\n### 优势：\n\n- 系统化流程：采用SALSA方法论，明确纳入/排除标准（第II节），搜索过程可复现。\n- 多维度比较：从数据采集、特征、架构、部署平台到性能指标，通过多个表格（表I-VI）提供结构化对比，便于快速查阅。\n- 嵌入式视角突出：专门分析特征提取和模型在Jetson TX2、智能手机等边缘设备上的可行性，契合实际应用需求。\n- 性能数据汇总：表VI列出不同传感器/设备下的MPJPE/RMSE值，便于横向参考。\n\n## 劣势：\n\n- 分类学不完整：不同表格维度交叉但未统一为完整分类体系，缺少对方法层次（如自顶向下vs自底向上）的清晰阐述。\n- 性能比较缺乏统计严谨性：表VI中不同来源使用不同数据集和协议，直接比较数值可能导致误导，论文未讨论标准化问题。\n- 方法论细节不足：SALSA的具体检索式、筛选数量变化（初筛到最终44篇的漏斗数据）未给出，无法完全验证排除合理性。\n- 深度不足：对代表性方法（如OpenPose、ST-GCN）仅给出表格式描述，缺少原理性解释和优缺点分析。\n- 参考文献质量：个别引用存在格式错误或疑似错误（如[^44]不完整），可能影响可信度。\n\n### 5. 未来综述更新方向（2-4条）\n\n- **纳入更多高质量来源**：扩展至CVPR、ICCV、ECCV、NeurIPS等顶级会议，弥补当前以MDPI为主的偏差，并覆盖Transformer、扩散模型等新架构。\n- **建立统一评估基准**：在标准化数据集（如Human3.6M、COCO-WholeBody）和统一协议下对比方法，讨论零样本/少样本、跨域泛化，增强实用参考价值。\n- **关注隐私与伦理**：分析差分隐私、联邦学习在HPE中的应用，以及监控场景的合规性，为实际部署提供指导。\n- **软硬件协同优化**：深度探讨模型量化、剪枝、知识蒸馏与专用硬件（NPU、FPGA）的协同设计，超越当前泛泛而谈的“平衡”提法，提供具体策略案例。\n\n\n## 模块 F：术语表与概念依赖图 / Module F: Glossary and Concept Map\n\n## Module F: 术语表与概念依赖映射\n\n### 术语表（Glossary）\n\n以下按英文术语列出，共 28 项。每项包含：定义、直觉、论文作用、先验知识。\n\n---\n\n1. **Human Pose Estimation (HPE)** / 人体姿态估计\n   - **定义**: 从图像或视频中检测人体关节点的位置，重建人体姿态（2D/3D）的过程。\n   - **直觉**: 类似于“关键点定位”，找出头、肘、膝等关键点坐标。\n   - **论文作用**: 全文核心主题，所有模型与方法的比较围绕此展开。\n   - **先验知识**: 基本计算机视觉、图像处理。\n\n2. **Skeleton-Based Action Recognition (SBAR)** / 基于骨架的动作识别\n   - **定义**: 利用人体骨架的时空变化来识别动作类别。\n   - **直觉**: 把动作看作骨架随时间变化的“舞蹈”，根据关节轨迹分类。\n   - **论文作用**: 与HPE并列的研究主题，强调对背景和外观变化的鲁棒性。\n   - **先验知识**: 分类、时序建模。\n\n3. **2D Pose Estimation** / 二维姿态估计\n   - **定义**: 在图像平面（x,y）坐标下检测关节点。\n   - **直觉**: 只在图片上画出骨架，不关心深度。\n   - **论文作用**: 多数实时系统的基础，计算量小。\n   - **先验知识**: 坐标系统、卷积网络。\n\n4. **3D Pose Estimation** / 三维姿态估计\n   - **定义**: 恢复关节点在空间（x,y,z）坐标下的位置。\n   - **直觉**: 额外增加深度信息，使姿态更立体。\n   - **论文作用**: 用于生物力学分析，精度高但计算量大。\n   - **先验知识**: 深度估计、三维几何。\n\n5. **Joint Keypoints** / 关节关键点\n   - **定义**: 人体解剖上的重要关节中心，如头、颈、肩、肘、腕、髋、膝、踝等。\n   - **直觉**: 人体的“骨架节点”，是姿态表示的原子单位。\n   - **论文作用**: 所有HPE和SBAR方法的基本输入特征。\n   - **先验知识**: 人体解剖学基本常识。\n\n6. **Heatmap-based Method** / 热图方法\n   - **定义**: 为每个关节生成一个概率图（热图），峰值位置即为关节坐标。\n   - **直觉**: 网络输出“哪里最像关节”的概率分布。\n   - **论文作用**: 现代HPE的主流检测方式，文中提及作为选择选项。\n   - **先验知识**: 概率图、卷积输出。\n\n7. **Regression Method** / 回归方法\n   - **定义**: 直接回归预测关节的坐标数值。\n   - **直觉**: 跳过热图，直接输出数字。\n   - **论文作用**: 与热图方法对比，讨论效率与精度权衡。\n   - **先验知识**: 回归损失、全连接层。\n\n8. **Skeleton** / 骨架\n   - **定义**: 用关节点作为图节点、解剖连接作为边构成的图结构。\n   - **直觉**: 把人体抽象为“火柴人”，便于分析。\n   - **论文作用**: SBAR的输入表示基础。\n   - **先验知识**: 图的基本概念。\n\n9. **Spatial Features** / 空间特征\n   - **定义**: 描述关节在空间中的位置、角度、距离等特征（如JC、JD、JAθ）。\n   - **直觉**: 某一时刻身体的“形状”。\n   - **论文作用**: Table III 中空间域特征最常用。\n   - **先验知识**: 几何特征。\n\n10. **Temporal Features** / 时间特征\n    - **定义**: 描述关节随时间的速度、加速度、位移等特征（如JV、JA、ΔJ）。\n    - **直觉**: 动作的“动态”信息。\n    - **论文作用**: 与空间特征结合形成时空特征，用于SBAR。\n    - **先验知识**: 微分概念、运动学。\n\n11. **Spatiotemporal (ST) Features** / 时空特征\n    - **定义**: 同时包含空间和时间维度的特征，常通过3D卷积或时间模块提取。\n    - **直觉**: 把骨架序列当作“时空立方体”处理。\n    - **论文作用**: 在SBAR中尤为重要，如ST-GCN就使用时空建模。\n    - **先验知识**: 时序建模、3D CNN。\n\n12. **Graph Convolutional Network (GCN)** / 图卷积网络\n    - **定义**: 在图结构数据上进行卷积操作的神经网络。\n    - **直觉**: 像CNN在网格上滑动，GCN在节点连接的边上聚合信息。\n    - **论文作用**: ST-GCN和GAST-Net等模型的核心组件，用于骨架图建模。\n    - **先验知识**: 图论、卷积网络基础。\n\n13. **ST-GCN** / 时空图卷积网络\n    - **定义**: 将空间图卷积和时间卷积结合，用于基于骨架的动作识别。\n    - **直觉**: 在骨架图上同时处理空间结构和时间演进。\n    - **论文作用**: Table V和Table VI中作为SBAR代表模型，性能对比。\n    - **先验知识**: GCN、时间卷积。\n\n14. **Transformer** / 变换器\n    - **定义**: 基于自注意力的序列模型，可捕捉长距离依赖。\n    - **直觉**: 让每个位置“看”全局，注意力权重动态调整。\n    - **论文作用**: 出现在PoseFormer等模型中，作为图域特征（AW）。\n    - **先验知识**: 注意力机制、序列建模。\n\n15. **Attention Weights (AW)** / 注意力权重\n    - **定义**: 模型在特征聚合时分配给不同令牌/节点的权重。\n    - **直觉**: 告诉模型“该关注哪里”。\n    - **论文作用**: Table III和Table IV中作为图域特征，用于Transformer和GAST-Net。\n    - **先验知识**: 注意力机制。\n\n16. **Mean Per Joint Position Error (MPJPE)** / 平均每关节位置误差\n    - **定义**: 预测关节与真值关节在欧氏距离上的平均误差（mm）。\n    - **直觉**: 数值越小表示关节定位越准。\n    - **论文作用**: Table VI中的主要评价指标，用于对比各模型精度。\n    - **先验知识**: 欧氏距离、评价指标。\n\n17. **Average Precision (AP)** / 平均精度\n    - **定义**: 检测/姿态评估中按置信度排序计算的平均精确率。\n    - **直觉**: 衡量检测出的关节中有多少是真正正确的。\n    - **论文作用**: 文中提及作为评价标准，但论文中未具体使用。\n    - **先验知识**: 精确率、召回率、PR曲线。\n\n18. **Root Mean Square Error (RMSE)** / 均方根误差\n    - **定义**: 预测值与真值差值的平方平均再开方。\n    - **直觉**: 对误差的常见汇总统计。\n    - **论文作用**: 部分传感器实验（Table VI）使用RMSE对比。\n    - **先验知识**: 统计误差。\n\n19. **Pearson Correlation** / 皮尔逊相关系数\n    - **定义**: 衡量两个变量线性相关程度，范围[-1,1]。\n    - **直觉**: 评估测量与真值的一致性。\n    - **论文作用**: 作为评价指标之一，但文中未详细使用。\n    - **先验知识**: 统计学基础。\n\n20. **SALSA Methodology** / SALSA方法论\n    - **定义**: 一种系统性文献综述方法，包括搜索、评估、综合和分析四阶段。\n    - **直觉**: 严谨的文献选择流程，如同“筛选漏斗”。\n    - **论文作用**: 论文的方法论基础，指导文献选择和分析。\n    - **先验知识**: 文献综述方法。\n\n21. **OpenPose** / OpenPose\n    - **定义**: 一个开源的多人体2D姿态估计框架，基于关键点亲和场（PAF）。\n    - **直觉**: 经典“多人关键点检测”工具。\n    - **论文作用**: 在Table II, Table IV, Table V, Table VI中反复出现，作为基准模型。\n    - **先验知识**: 深度学习、关键点检测。\n\n22. **MediaPipe Pose** / MediaPipe姿态\n    - **定义**: Google的轻量级实时姿态追踪库，提供33个关节点（2D/3D-lite）。\n    - **直觉**: 手机上也能跑的姿态估计算法。\n    - **论文作用**: 在Table II和Table IV中出现，代表嵌入式端应用。\n    - **先验知识**: 移动端部署、深度学习。\n\n23. **BlazePose** / BlazePose\n    - **定义**: 轻量级实时姿态估计模型，用于MediaPipe Pose。\n    - **直觉**: 为性能受限设备设计的快速模型。\n    - **论文作用**: Table II中展示33个关键点，Table VI中有性能对比。\n    - **先验知识**: 轻量级网络设计。\n\n24. **HRNet** / 高分辨率网络\n    - **定义**: 保持高分辨率特征图并融合多尺度信息的姿态估计网络。\n    - **直觉**: 不放弃高分辨率细节，利于精确定位。\n    - **论文作用**: Table V中列为代表性模型，Table III中提及。\n    - **先验知识**: 多尺度特征、特征融合。\n\n25. **SMPL** / SMPL模型\n    - **定义**: 参数化人体模型，用24个关节参数表示人体姿态和形状。\n    - **直觉**: 把人体抽象为可调整的参数化网格。\n    - **论文作用**: Table II中列出，用于3D人体建模。\n    - **先验知识**: 三维重建、参数化模型。\n\n26. **IMU Sensors** / 惯性测量单元\n    - **定义**: 由加速度计、陀螺仪等组成的传感器，可测量加速度和角速度。\n    - **直觉**: “智能手环里的传感器”，当相机遮挡时提供额外信息。\n    - **论文作用**: Table I和Table IV中用于多传感器融合，提升精度。\n    - **先验知识**: 传感器原理、数据融合。\n\n27. **Embedded Device** / 嵌入式设备\n    - **定义**: 计算资源受限的硬件平台，如Jetson TX2、智能手机等。\n    - **直觉**: 小巧、低功耗但算力有限的“小电脑”。\n    - **论文作用**: 全文关注在嵌入式设备上部署HPE/SBAR的挑战和策略。\n    - **先验知识**: 硬件、实时系统。\n\n28. **Multi-Sensor Fusion** / 多传感器融合\n    - **定义**: 结合不同传感器（如RGB、深度、IMU、LiDAR）的数据进行姿态估计。\n    - **直觉**: “多眼睛看一个人”，互相补足。\n    - **论文作用**: Table VI表明多模态系统精度更高，也增加复杂度。\n    - **先验知识**: 传感器特性、数据同步。\n\n---\n\n### 概念依赖映射（文本形式）\n\n```text\nHPE/SBAR 整体依赖链：\n\n[数据采集]  →  [关节检测/姿态估计]  →  [特征提取]  →  [动作识别/建模]\n    |                |                  |            |\n    |                |                  |            +— SBAR（依赖骨架特征）\n    |                |                  +— 特征域选择（空间/时间/图）\n    |                +— 2D/3D HPE（依赖关键点表示）\n    +— RGB/Depth/IMU/LiDAR等（多传感器）\n\n具体依赖：\n\n- 3D HPE  →  2D HPE（常先用2D获得关键点，再升维）\n- SBAR    →  HPE（骨架输入来自姿态估计）\n- GCN     →  图结构（骨架图）\n- ST-GCN  →  GCN + 时间卷积\n- Transformer → 注意力机制（AW）\n- 特征（JC, JV, JAθ等） → 空间/时间/时空域\n- 评价指标（MPJPE, RMSE） → 姿态质量评估\n- 嵌入式部署  →  模型简化/量化/硬件适配\n- 多传感器融合 → IMU + 相机 + LiDAR，提高精度但增加复杂度\n```\n\n**说明**：该映射展示了论文中概念间的先后关系：数据从采集设备出发，经过姿态估计得到骨架，再提取各种特征，最后由分类器/模型进行动作识别。不同技术路径（GCN vs Transformer）在特征层面分叉，最终汇入嵌入式应用场景。\n\n\n\n\n## 模块 G：联网核验与引用校对 / Module G: Verification and Citation Check\n\n## Module G: 验证与参考文献核查\n\n### 1. 关键事实声明（每项至少两个来源）\n\n- **声明1**: 综述采用SALSA方法，在Scopus、IEEE Xplore、MDPI、PubMed、ProQuest等数据库检索，筛选2010–2026年文献，共分析44篇文章。**来源**: 第II节方法论；参考文献[^7]（Grant & Booth 2009）定义了SALSA框架。\n- **声明2**: 2D HPE方法（如OpenPose、MediaPipe、MoveNet）计算复杂度低，适合实时和嵌入式系统；3D HPE（如VideoPose3D、GAST-Net）精度高但需更高计算资源。**来源**: 第III.A节；表V所列模型及表VI的性能指标对比。\n- **声明3**: 骨架图特征（如ST-GCN使用的图结构）能有效建模复杂动作但计算开销大。**来源**: 第III.B节表III中图域特征（GN、AM）的说明；第IV节对图模型的讨论。\n- **声明4**: 多模态传感器融合（如IMU+相机、LiDAR）可提高HPE精度，但增加系统复杂度。**来源**: 表VI中[^24]（MPJPE=20.7, SimpleNet）和[^42]（RMSE=107.5, Multi-Sensor Fusion）的结果；第IV节结论部分。\n- **声明5**: 本文是系统综述，而非原创算法研究。**来源**: 标题及摘要；第II节“METHODOLOGY”明确为系统性综述。\n\n### 2. 冲突或不确定性备注\n\n- **出处不确定性**: 论文未标注正式发表期刊/会议/年份，仅从内容推测为近期预印本或投稿中稿件，参考文献年份至2026年（如[^9]的2026年），但无法确认最终发表状态。\n- **引用一致性**: 参考文献[^44]（Zou, Y.）内容异常（“hicle Tracking via R”___ss Policy”，疑似格式损坏），需核实。\n- **性能数据不确定性**: 表VI中同一模型（如OpenPose）在不同条目出现MPJPE=100（[^40]）和MPJPE=100（[^41]），但可能因数据集或设置不同，文中未详细说明。\n- **排除标准矛盾**: 第II节“The following papers were excluded”中第一条写“skeleton-based ST modeling methods”，但上下文似乎应为“non-skeleton”或该条可能表述有误，存在逻辑歧义。\n\n### 3. 参考文献列表（部分核心）\n\n- [^1] Alderink, G.; Öunpuu, S. Bioengineering 2025, 12, 1076. doi:10.3390/bioengineering12101076\n- [^2] He, C.; Fu, H.; Ma, C.Z.-H. Bioengineering 2025, 12, 1114. doi:10.3390/bioengineering12101114\n- [^3] Samkari, E. et al. Mach. Learn. Knowl. Extr. 2023, 5, 1612-1659. doi:10.3390/make5040081\n- [^4] Sun, R. et al. Electronics 2025, 14, 1307. doi:10.3390/electronics14071307\n- [^5] Nguyen, H.-C. et al. Sensors 2023, 23, 5121. doi:10.3390/s23115121\n- [^6] De Marchi, M. et al. IEEE Sensors Letters, 2024. doi:10.1109/LSENS.2024.3400614\n- [^7] Grant MJ, Booth A. Health Info Libr J. 2009;26(2):91-108. doi:10.1111/j.1471-1842.2009.00848.x\n- [^8] Guo, Y. et al. Sensors 2025, 25, 2409. doi:10.3390/s25082409\n- [^9] Cheng, Z. et al. Sensors 2026, 26, 729. doi:10.3390/s26020729\n- [^10] Elshami, N.E. et al. Information 2025, 16, 970. doi:10.3390/info16110970\n- [^11] Shi, Y. et al. Symmetry 2025, 17, 1098. doi:10.3390/sym17071098\n- [^12] Lee, D.; Kim, J. Sensors 2024, 24, 829. doi:10.3390/s24030829\n- [^13] Jalal, A. et al. Sustainability 2020, 12, 9814. doi:10.3390/su12239814\n- [^14] Jia, W. et al. Sensors 2025, 25, 1047. doi:10.3390/s25041047\n- [^15] Xing, H.; Yang, J. Sensors 2022, 22, 9040. doi:10.3390/s22239040\n- [^16] Reale, G. et al. Sensors 2021, 21, 2479. doi:10.3390/s21072479\n- [^17] Furmonas, J. et al. Sensors 2022, 22, 1201. doi:10.3390/s22031201\n- [^18] Dill, S. et al. Sensors 2024, 24, 7772. doi:10.3390/s24237772\n- [^19] Zhang, L. et al. Electronics 2025, 14, 4798. doi:10.3390/electronics14244798\n- [^20] Yoon, J.-h.; Kwon, S.-k. Appl. Sci. 2025, 15, 8746. doi:10.3390/app15158746\n- [^21] Cruz, M.H.d.l. et al. Information 2025, 16, 129. doi:10.3390/info16020129\n- [^22] Zakir, A. et al. Sensors 2024, 24, 110. doi:10.3390/s24010110\n- [^23] Kim, M.; Lee, S. Sensors 2022, 22, 4846. doi:10.3390/s22134846\n- [^24] Chen, M.; Tan, G. Electronics 2024, 13, 2926. doi:10.3390/electronics13152926\n- [^25] Moreira, R. et al. Sensors 2024, 24, 7983. doi:10.3390/s24247983\n- [^26] Liu, J. et al. ICRA 2021, pp. 3374-3380. doi:10.1109/ICRA48506.2021.9561605\n- [^27] Bai, H. CONF-SPML 2021, pp. 169-174. doi:10.1109/CONF-SPML54095.2021.00041\n- [^28] Mroz, S. et al. BioSMART 2021, pp. 1-4. doi:10.1109/BioSMART54244.2021.9677850\n- [^29] Chung, J.-L. et al. Future Internet 2022, 14, 380. doi:10.3390/fi14120380\n- [^30] Li, Y. et al. Electronics 2023, 12, 695. doi:10.3390/electronics12030695\n- [^31] Feng, M.; Meunier, J. Sensors 2022, 22, 2091. doi:10.3390/s22062091\n- [^32] Zhang, W. et al. Electronics 2025, 14, 3150. doi:10.3390/electronics14153150\n- [^33] Tu, H. et al. Appl. Sci. 2025, 15, 3025. doi:10.3390/app15063025\n- [^34] Du, G. et al. Sensors 2025, 25, 1613. doi:10.3390/s25051613\n- [^35] Kovács, L. et al. Sensors 2024, 24, 3427. doi:10.3390/s24113427\n- [^36] Choi, J.-Y. et al. Sensors 2024, 24, 3823. doi:10.3390/s24123823\n- [^37] Liao, J. et al. Electronics 2023, 12, 4210. doi:10.3390/electronics12204210\n- [^38] Kim, J.-W. et al. Appl. Sci. 2023, 13, 2700. doi:10.3390/app13042700\n- [^39] El Kaid, A. et al. Sensors 2022, 22, 4109. doi:10.3390/s22114109\n- [^40] Yan, G. et al. Sensors 2024, 24, 6187. doi:10.3390/s24196187\n- [^41] Bao, W. et al. Sensors 2023, 23, 3057. doi:10.3390/s23063057\n- [^42] Patil, A.K. et al. Sensors 2021, 21, 2340. doi:10.3390/s21072340\n- [^43] Eichler, N. et al. Sensors 2022, 22, 8900. doi:10.3390/s22228900\n- [^44] Zou, Y. (内容不完整，需核实)\n\n\n\n## 模块 H：图表与表格抽取（索引/打分/深读） / Module H: Figure/Table Mining (index, scoring, top deep dive)\n\n## Module H: 图表提取与分析\n\n### 1. 图表完整索引\n\n| 编号 | 类型 | 标题/描述 | 位置 | 支持论断 | 优先级得分 (1-5) |\n|---|---|---|---|---|---|\n| Fig.1 | 流程图 | 文献筛选整体方法论（SALSA 流程） | 第II节（方法论） | 说明综述遵循系统性筛选流程，共分析44篇文章 | 3 |\n| Fig.2 | 流程图 | HPE 数据采集阶段 | 第III节 | 说明数据采集的多个阶段（相机、预处理等）及其对精度的影响 | 3 |\n| Fig.3 | 柱状图 | 综述研究中最常用的10个特征 | 第III-B节末 | 支持“空间和ST域特征最常用”的论断，并辅助特征选择权衡 | 5 |\n| Table I | 表格 | 用于HPE的数据采集方法 | 第III节 | 列举RGB、深度、红外、MoCap、IMU等采集方式及其参考文献，支持数据采集方法多样性论断 | 4 |\n| Table II | 表格 | 人体姿态和运动分析中使用的关键点数量 | 第III-A节 | 比较不同模型（OpenPose、BlazePose、VideoPose3D等）的关节点数量和任务类型，用于说明骨架拓扑差异 | 5 |\n| Table III | 表格 | 综述研究采用的特征分类（空间/时间/图域） | 第III-B节 | 展示特征类型、缩写、所属域及使用模型，支撑对特征选择与计算复杂度的分析 | 5 |\n| Table IV | 表格 | 嵌入式设备上的特征提取 | 第III-B节 | 列举嵌入式平台（Jetson、GPU等）使用的特征组合，支撑嵌入式部署中特征取舍的论断 | 4 |\n| Table V | 表格 | 用于HPE的架构 | 第IV节 | 列出OpenPose、HRNet、GAST-Net等模型及其描述，说明模型架构类型演变 | 4 |\n| Table VI | 表格 | 嵌入式与传感器HPE系统性能指标 | 第IV节 | 提供MPJPE/RMSE数值对比，支撑多传感器融合可提高精度的结论 | 5 |\n\n### 2. 优先深度解读（Top-priority deep reads）\n\n1. **Table VI** (性能指标) – 核心对比数据，直接支持“多模态传感器（IMU、LiDAR、RGB-D）可降低MPJPE/RMSE”的结论，且包含多个设备类型（RGB相机、Jetson TX2、Azure Kinect），需重点核查数据一致性和模型对应关系。\n2. **Table II** (关节数量) – 揭示不同模型的骨架拓扑差异（17/18/25/33等），是理解SBAR输入多样性的关键，且与后续特征选择（表III）关联密切。\n3. **Figure 3** (特征频率图) – 直接可视化了最常用特征（JC, (x,y), (x,y,z), HR等），是支撑“空间域特征主导”论断的权威图示，需检查其统计来源与表III的对应。\n4. **Table III** (特征分类) – 将特征按空间/时间/图域归类，明确各自应用模型，是理解“图特征高表达但高复杂度”论断的基础，需对照正文中关于计算复杂度的说明。\n5. **Fig. 1** (文献筛选流程) – 作为方法论核心，需确认各步骤（初筛、全文评估、排除准则）与SALSA框架的一致性，确保综述可复现。\n\n### 3. 分类学图示、对比表与基准汇总表\n\n- **分类学图示**：\n  - Fig. 2 展示了HPE数据采集阶段（相机设置、预处理等），属于流程分类。\n  - Fig. 3 按特征使用频率进行分类，属于特征分类的可视化。\n- **对比表**：\n  - Table I 对比了6类数据采集方式及其来源。\n  - Table II 对比了14个模型的关键点数量和任务类型。\n  - Table III 对比了14类特征所属域和使用模型。\n  - Table IV 对比了不同文献所采用的特征及设备/平台。\n  - Table V 列出10种典型HPE架构的描述。\n- **基准汇总表**：\n  - Table VI 汇总了13项研究在特定设备上的关键点数量、性能指标（MPJPE/RMSE）及模型，是性能基准表。\n\n### 4. 时间线/分组可视化与图表-结论映射\n\n- **时间线/分组**：本文没有显式的时间线或分组图，但Table II按模型类型（2D/3D、SBAR）隐含分组；Table IV按设备平台（嵌入式、GPU、传感器等）分组。这些分组间接体现了不同技术路线的演进。\n\n- **图表到结论的映射**：\n  - Fig. 1 → 结论：本综述遵循确定性筛选方法，分析44篇文献（第II节）。\n  - Fig. 2 & Table I → 结论：数据采集方式（RGB、深度、IMU等）直接决定HPE系统的精度与适用性（第III节，表I文本分析）。\n  - Table II → 结论：骨架拓扑（关节数量）因模型而异，影响任务类型（第III-A节）。\n  - Table III & Fig. 3 → 结论：空间和ST特征最常用；图特征虽精度高但计算复杂（第III-B节）。\n  - Table IV → 结论：嵌入式系统中特征选择需平衡精度与计算效率，具体取决于硬件平台（第III-B节末）。\n  - Table V → 结论：HPE架构从纯CNN向时序和基于图的方法演变，但复杂度高需优化（第IV节）。\n  - Table VI → 结论：多模态系统（IMU+相机、LiDAR等）可降低MPJPE/RMSE，如SimpleNet（MPJPE=20.7）优于纯RGB（如OpenPose 100），验证了多传感器融合的优势（第IV节）。\n\n**重要说明**：所有图表均嵌入正文，其编号直接在文中引用（Fig. 1-3，Table I-VI），无独立附录。图中图像为嵌入图片，未提供原始图像文件，但可以从图中提取特征频率等大致信息。Table VI中某些引用（如[^38] MediaPipe Pose的MPJPE=97）与已知公开数值稍有出入，需注意文献可能使用了不同评估协议。"
}