1.基于对抗学习的多人姿态估计方法，其特征在于，包括以下步骤：

步骤一、使用带有多人关键点坐标标签的公开数据集作为训练集，对训练集图像进行边缘信息增强预处理；

步骤二、对训练集中的关键点坐标标签做预处理，制作成对应的关键点热点图和整体骨架热点图；

步骤三、构建双分支关键点特征提取子网络；

步骤四、使用子网络构建A‑HPose网络生成器部分；

步骤五、使用卷积神经网络构建A‑HPose网络判别器部分；

步骤六、使用训练集对A‑HPose网络进行中继监督循环训练，输出网络模型参数；

步骤七、对网络输出热点图做后处理，根据骨架热点图来对关键点热点图中的关键点进行搜索分类，得到多人中每一个人的关键点位置，预估多人姿态。

2.如权利要求1所述的基于对抗学习的多人姿态估计方法，其特征在于，步骤一中对训练集图像进行边缘信息增强预处理的方法为：使用边缘提取算子提取输入图像的边缘特征，再将图像边缘特征信息综合线性叠加到原始图像上。

3.如权利要求1所述的基于对抗学习的多人姿态估计方法，其特征在于，步骤二中关键点热点图是以关键点位置为中心点、R为半径的圆盘上标注关键点位置信息的热点图，整体骨架热点图是在关键点热点图的基础上添加关键点间的连接信息。

4.如权利要求1所述的基于对抗学习的多人姿态估计方法，其特征在于，步骤三中的子网络包括上分支和下分支，上分支用于在保持原始图像尺寸的特征图上提取骨架信息，下分支用于在不同尺寸特征图上提取关键点信息。

5.如权利要求1所述的基于对抗学习的多人姿态估计方法，其特征在于，步骤四中A‑HPose网络生成器部分包括多个网络生成器G，网络生成器G的目标是使其输出接近真实坐标标签的分布，因此网络生成器G的目标是减小输出与坐标标签值的差值，即网络生成器G的目标函数为： 其中M是指训练过程中共有M个样本，N是指每一个训练样本中共有N类关键点， 是指第i个训练样本的第n类关键点的位置标注向量， 是指是指第i个训练样本的第n类关键点的预测位置向量， 是指第i个训练样本的第n类关键点的可见性标注向量， 是指第i个训练样本的第n类关键点的预测可见性向量，θ为网络生成器G的网络模型参数。

6.如权利要求5所述的基于对抗学习的多人姿态估计方法，其特征在于，步骤五中A‑HPose网络判别器部分包括用于区分人体姿态真假的姿态判别器P和置信度判别器C，姿态判别器P的目标是从真实姿势中区分假姿势，即姿态判别器P的目标函数为：其中x是输入向量，y是关

键点位置标注向量，z是关键点可见性标注向量，pfake为生成姿态的姿态得分；

置信度判别器C的目标是用于区分高置信度预测和低置信度预测，即置信度判别器C的目标函数为： 其中x是输入向量，y是关键点位置标注向量，z是关键点可见性标注向量，cfake是生成姿态的置信度得分。

7.如权利要求6所述的基于对抗学习的多人姿态估计方法，其特征在于，A‑HPose网络整体目标函数如下： 其中α为置信度判别器C损失权重，β是姿态判别器P损失权重。

8.如权利要求1所述的基于对抗学习的多人姿态估计方法，其特征在于，步骤六中网络模型参数的获取方法为：使用训练集对A‑HPose网络进行循环对抗训练，平衡网络生成器部分和网络判别器部分的学习效率，同时在A‑HPose网络生成器部分使用不同半径R构成的关键点热图用于中继监督训练，输出网络模型参数。

9.如权利要求1所述的基于对抗学习的多人姿态估计方法，其特征在于，步骤七中后处理方法采用快速贪心解码算法。