1.一种用于3D人体姿态估计的多关系编码器，所述多关系编码器采用多关系编码器网络，所述多关系编码器网络包括注意力模块和图卷积模块；其特征在于：所述注意力模块，改进为自适应多关系注意力模块，所述自适应多关系注意力模块包括注意力矩阵、关节自相似矩阵和预定义的骨骼邻接矩阵三个矩阵，三个矩阵分别用于捕获关节的隐式关系、显式关系和固有物理拓扑关系，且在自适应多关系注意力模块中加入结构先验知识；所述自适应多关系注意力模块用于捕获关节的全局特征；

所述图卷积网络模块，通过两个GCN的串联，以及层归一化和残差连接得到，所述图卷积网络模块用于捕获相邻关节之间的局部特征。

2.根据权利要求1所述的一种用于3D人体姿态估计的多关系编码器，其特征在于，所述三个矩阵，具体表示为：给定一个输入X∈R

其中，W

使用成对函数f(·)来计算所有位置之间的亲和力，并使用点积作为f的运算：f(θ(X)，φ(X))＝θ(X)φ(X)A

A

A

A

A

A

3.根据权利要求2所述的一种用于3D人体姿态估计的多关系编码器，其特征在于，在自适应多关系注意力模块中加入结构先验知识，具体为：将A

A

其中，δ(·)表示通过卷积实现的可学习变换；因此，非局部上下文响应Y∈RY＝ρ(A

其中，ρ(·)和η(·)是通过卷积实现的可学习变换。

4.根据权利要求1所述的一种用于3D人体姿态估计的多关系编码器，其特征在于，所述图卷积网络模块中GCN的设计是根据相邻节点的语义信息对其进行分类，然后进行特征变换并聚合变换后的特征；GCN公式表达如下：其中，K是相邻节点类型的索引，W

5.根据权利要求1所述的一种用于3D人体姿态估计的多关系编码器，其特征在于，所述多关系编码器网络还包括损失函数模块，损失函数为均方误差，表示为：其中，N代表关节的数量，i是关节类型的索引，

6.应用权利要求1-5任一所述多关系编码器进行的三维人体姿态估计方法，其特征在于，包括如下步骤：S1、输入单张图像，利用2D姿态模型预测二维关键点，从单张图像中生成2D关节点坐标PS2、构建多关系编码器网络，包括自适应多关系注意力模块、图卷积网络模块和损失函数模块；

S3、在自适应多关系注意力模块中同时学习三种关节关系，分别为隐式关系、显式关系和固有物理拓扑关系；

S4、将自适应多关系注意力模块和图卷积模块有效集成，形成全局-局部结构；

S5、将2D关节点坐标P