1.一种基于深度学习的多人人体姿态估计方法，其特征在于，包括：将图像输入特征提取网络获得多人人体关键点热力图；

解码关键点热力图获得多人人体所有关键点位置信息；

对每个关键点进行聚类操作，将同一人的关键点划为一类；

结合每个人的关键点位置信息得到图像中每个人的姿态；

所述将图像输入特征提取网络获得多人人体关键点热力图之前，还包括训练特征提取网络：通过训练尺度因子s，自适应调节高斯核标准差，生成带有尺度化的热力图用于训练过程中的监督信息，其中根据关键点位置信息和尺度因子生成热力图的公式如下：；

i、j代表热力图中的横纵坐标,p代表第p个人，k代表第k个关键点，、分别代表第p个人的第k个关键点的横纵坐标位置，σ0代表初始的高斯核标准差，s为尺度因子；

对预测的尺度图增加一个正则化损失，如下式所示：；

代表只保留高斯核覆盖的区域，；

总体的损失函数为热力图的L2损失加上尺度图的正则化损失，如下式所示：；

其中P为真值热力图，H为模型预测的热力图，为正则化损失的权重；

所述对每个关键点进行聚类操作，将同一人的关键点划为一类包括：每一个关键点都分配一个标签来指示聚类的分配，同一个人的所有关键点的标签值的间距小，而不同的人的关键点之间的标签值差距大，其损失函数如下式所示：；

上式中N代表图像内人的数量，代表第n个人的第k个关键点的标签值热力图在像素位置x处的标签值，代表第n个人各个关节点标签值的平均值，k代表第k个关键点，n代表图像中的第n个人，n’代表除第n个人以外的其他人。

2.根据权利要求1所述的一种基于深度学习的多人人体姿态估计方法，其特征在于，所述解码关键点热力图获得多人人体所有关键点位置信息包括：解码公式：

；

式中m代表热力图中极大值点的坐标,、分别代表热力图在m点处的二阶导和一阶导，μ为最终的人体关键点位置坐标。