相较于2017年提出的在当时检测效果近乎最优的RMPE模型与Mask R-CNN模型，原用于人体骨骼关键点检测的OpenPose模型有着在保持精度近乎不变的情况下能大幅缩短检测周期的优势，但同时该模型也存在着参数共享率低、冗余度高、耗时长、模型规模太大等问题。针对上述问题，提出了新的OpenPose-slim模型。该模型减小网络宽度，减少卷积块层数，将原并列式结构改成序列式结构并于内模块加入Dense连接机制，其处理过程主要分为3个模块：1）关键点定位模块，检测出人体骨骼关键点的位置坐标；2）关键点联系模块，把关键点位置连接成肢体；3）肢体匹配模块，进行肢体匹配得到人体轮廓。每一个处理阶段之间关联紧密。在MPII数据集、COCO数据集和AI Challenger数据集上的实验结果表明，所提模型使用4个定位模块和2个联系模块，并于每一个模块内部使用Dense连接机制是最佳结构，与OpenPose模型相比，在保持检测精度基本不变的基础上，测试周期缩短为原来的近1/6，参数量缩小了近50%，模型规模缩小为近1/27。