1.一种多人姿态估计方法，其特征在于，包括：确定输入图像中各人体的人体位置；

依据各人体的人体位置，分别为所述输入图像中各人体生成对应的卷积核权重；

依据所述输入图像中各人体对应的卷积核权重，通过卷积处理，得到所述输入图像中各人体的姿态点位置。

2.根据权利要求1所述的方法，其特征在于，所述依据所述输入图像中各人体对应的卷积核权重，通过卷积处理，得到所述输入图像中各人体的姿态点位置，包括：利用姿态估计模型，依据所述输入图像中各人体对应的卷积核权重，对目标特征图进行卷积处理，得到输入图像中各人体在所述目标特征图中的姿态点初始位置；所述目标特征图由所述姿态估计模型的特征提取层对所述输入图像进行特征提取得到；

对所述目标特征图中的姿态点初始位置进行微调，输出所述输入图像中各人体在所述目标特征图中的姿态点最终位置。

3.根据权利要求2所述的方法，其特征在于，所述依据所述输入图像中各人体对应的卷积核权重，对目标特征图进行卷积处理，得到输入图像中各人体在所述目标特征图中的姿态点初始位置，包括：

对所述目标特征图进行至少一次卷积处理，得到关键点特征图；

对于所述输入图像中任一人体，依据对应该人体的卷积核权重，对所述关键点特征图进行卷积处理，得到该人体在所述目标特征图中的姿态点初始位置。

4.根据权利要求2所述的方法，其特征在于，所述对所述目标特征图中的初始姿态点位置进行微调，输出所述输入图像中各人体在所述目标特征图中的姿态点最终位置，包括：利用所述姿态估计模型的小范围偏移short‑range offset分支确定所述目标特征图中各特征点对应的偏移量；

对于任一所述输入图像中的任一人体的任一初始姿态点，依据所述目标特征图中该姿态点初始位置对应的偏移量，对该姿态点初始位置进行微调，得到该姿态点最终位置。

5.根据权利要求1所述的方法，其特征在于，所述确定输入图像中各人体的人体位置，包括：

利用姿态估计模型的特征提取层，对所述输入图像进行特征提取，得到所述输入图像对应的特征图；

利用所述姿态估计模型的分类分支，对所述特征图中各特征点进行分类，得到所述输入图像中各人体的人体位置。

6.根据权利要求5所述的方法，其特征在于，所述对所述输入图像进行特征提取，得到所述输入图像对应的特征图，包括：对所述输入图像进行特征提取，得到所述输入图像的多尺度特征；所述多尺度特征包括N1个不同尺度的特征图；N1为大于1的整数；

依据所述输入图像的多尺度特征，通过特征融合处理，得到N2个不同尺度的融合特征图；N2为大于1的整数。

7.根据权利要求6所述的方法，其特征在于，所述对所述特征图中各特征点进行分类，得到所述输入图像中各人体的人体位置，包括：分别对所述N2个不同尺度的融合特征图中各特征点进行分类，得到所述N2个不同尺度的融合特征图中的人体位置；

依据非极大值抑制NMS算法，对所述N2个不同尺度的融合特征图中的人体位置进行过滤，得到过滤后的人体位置。

8.根据权利要求6所述的方法，其特征在于，所述依据各人体的人体位置，分别为所述输入图像中各人体生成对应的卷积核权重，包括：对于所述N2个不同尺度的融合特征图中的任一融合特征图，依据该融合特征图中过滤后的人体位置，生成对应的卷积核权重。

9.根据权利要求8所述的方法，其特征在于，所述依据该融合特征图中过滤后的人体位置，生成对应的卷积核权重，包括：抽取所述融合特征图中过滤后的人体位置的特征点的特征值，以该特征值为该人体位置对应的人体的卷积核权重。

10.一种多人姿态估计装置，其特征在于，包括：确定单元，用于确定输入图像中各人体的人体位置；

生成单元，用于依据各人体的人体位置，分别为所述输入图像中各人体生成对应的卷积核权重；

姿态估计单元，用于依据所述输入图像中各人体对应的卷积核权重，通过卷积处理，得到所述输入图像中各人体的姿态点位置。

11.根据权利要求10所述的装置，其特征在于，所述姿态估计单元依据所述输入图像中各人体对应的卷积核权重，通过卷积处理，得到所述输入图像中各人体的姿态点位置，包括：

利用姿态估计模型，依据所述输入图像中各人体对应的卷积核权重，对目标特征图进行卷积处理，得到输入图像中各人体在所述目标特征图中的姿态点初始位置；所述目标特征图由所述姿态估计模型的特征提取层对所述输入图像进行特征提取得到；

对所述目标特征图中的姿态点初始位置进行微调，输出所述输入图像中各人体在所述目标特征图中的姿态点最终位置；

其中，所述姿态估计单元依据所述输入图像中各人体对应的卷积核权重，对目标特征图进行卷积处理，得到输入图像中各人体在所述目标特征图中的姿态点初始位置，包括：对所述目标特征图进行至少一次卷积处理，得到关键点特征图；

对于所述输入图像中任一人体，依据对应该人体的卷积核权重，对所述关键点特征图进行卷积处理，得到该人体在所述目标特征图中的姿态点初始位置；

其中，所述姿态估计单元对所述目标特征图中的初始姿态点位置进行微调，输出所述输入图像中各人体在所述目标特征图中的姿态点最终位置，包括：利用所述姿态估计模型的小范围偏移short‑range offset分支确定所述目标特征图中各特征点对应的偏移量；

对于任一所述输入图像中的任一人体的任一初始姿态点，依据所述目标特征图中该姿态点初始位置对应的偏移量，对该姿态点初始位置进行微调，得到该姿态点最终位置；

和/或，

所述确定单元确定输入图像中各人体的人体位置，包括：利用姿态估计模型的特征提取层，对所述输入图像进行特征提取，得到所述输入图像对应的特征图；

利用所述姿态估计模型的分类分支，对所述特征图中各特征点进行分类，得到所述输入图像中各人体的人体位置；

其中，所述确定单元对所述输入图像进行特征提取，得到所述输入图像对应的特征图，包括：

对所述输入图像进行特征提取，得到所述输入图像的多尺度特征；所述多尺度特征包括N1个不同尺度的特征图；N1为大于1的整数；

依据所述输入图像的多尺度特征，通过特征融合处理，得到N2个不同尺度的融合特征图；N2为大于1的整数；

其中，所述确定单元对所述特征图中各特征点进行分类，得到所述输入图像中各人体的人体位置，包括：

分别对所述N2个不同尺度的融合特征图中各特征点进行分类，得到所述N2个不同尺度的融合特征图中的人体位置；

依据非极大值抑制NMS算法，对所述N2个不同尺度的融合特征图中的人体位置进行过滤，得到过滤后的人体位置；

其中，所述生成单元依据各人体的人体位置，分别为所述输入图像中各人体生成对应的卷积核权重，包括：

对于所述N2个不同尺度的融合特征图中的任一融合特征图，依据该融合特征图中过滤后的人体位置，生成对应的卷积核权重；

其中，所述生成单元依据该融合特征图中过滤后的人体位置，生成对应的卷积核权重，包括：

抽取所述融合特征图中过滤后的人体位置的特征点的特征值，以该特征值为该人体位置对应的人体的卷积核权重。

12.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的机器可执行指令，所述处理器用于执行机器可执行指令，以实现如权利要求

1‑9任一项所述的方法。

13.一种机器可读存储介质，其特征在于，所述机器可读存储介质内存储有机器可执行指令，所述机器可执行指令被处理器执行时实现如权利要求1‑9任一项所述的方法。