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网络模块；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；

3D人体姿态估计方法，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；

S2、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 作为输入，其中N为关节点的数量，利用多关系编码器网络来提取关节点的特征，根据学习到的关节点的全局和局部特征预测3D关节点坐标；最终进行三维坐标回归，输出三维姿态。

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 ，将X传入自适应多关系注意力模块中，其中 、 、是通过卷积实现的可学习变换；变换表示为：

其中， ， ，  是参数化的权重矩阵；

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：是用来捕捉关节之间隐式关系的注意力矩阵， 的公式表示为：是用来捕获关节之间的显式关系，引入了自相似矩阵SSM， 的公式表示为：表示预定义的骨骼邻接矩阵，用于捕获人体关节之间的固有物理拓扑关系，的公式表达为：。

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 和 作为先验知识，与 组合起来获得空间依赖注意力矩阵SpDA，表示为 ；使用Concat[·,·]操作来连接 、 和 ；SpDA的公式表达为：其中， 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 通过两个线性映射来计算，如下所示：其中， 和 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， 是第K种类型的1跳相邻节点的过滤器矩阵， 是第K种类型的邻接矩阵， 是第K种类型的度矩阵。

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， 和 分别表示为地面真实三维关节位置位置和预测的三维关节位置。