[发明专利]人体建模模型获取方法、装置、电子设备及存储介质

权利要求书

1.一种人体建模模型获取方法，其特征在于，所述方法包括：

获取样本图像集，其中，所述样本图像集包括多组样本图像数据，每组所述样本图像数据均标记有真值关键点信息及真值人体蒙版信息；

在所述样本图像集中选取样本图像数据，输入到待训练的深度学习模型中，得到预测姿态信息、预测镜头信息及预测形状信息；

将所述预测姿态信息、所述预测镜头信息及所述预测形状信息输入到预设人体三维模型中，得到预测三维人体模型信息；

基于所述预测三维人体模型信息，计算得到预测人体蒙版信息及预测关键点信息；

计算选取的样本图像数据的真值关键点信息与预测关键点信息的损失，得到关键点损失；计算选取的样本图像数据的真值人体蒙版信息与预测人体蒙版信息的损失，得到人体蒙版损失；

结合所述关键点损失及所述人体蒙版损失，计算所述深度学习模型的损失；

根据所述深度学习模型的损失，调整所述深度学习模型的参数，返回执行在所述样本图像集中选取样本图像数据，输入到待训练的深度学习模型中，得到预测姿态信息、预测镜头信息及预测形状信息的步骤，直至满足预设的结束条件，得到人体建模模型。

2.根据权利要求1所述的方法，其特征在于，任一所述样本图像数据中包括一个样本图像。

3.根据权利要求2所述的方法，其特征在于，所述深度学习模型包括矩阵转换模块、特征提取模块、第一全连接模块、第二全连接模块、第三全连接模块、第四全连接模块；

所述在所述样本图像集中选取样本图像数据，输入到待训练的深度学习模型中，得到预测姿态信息、预测镜头信息及预测形状信息，包括：

在所述样本图像集中选取样本图像数据，利用所述矩阵转换模块将选取的样本图像数据转化为样本图像矩阵；

利用所述特征提取模块对所述样本图像矩阵进行特征提取，得到样本图像特征向量；

利用所述第一全连接模块对所述样本图像特征向量进行转换，得到样本编码特征向量；

利用所述第二全连接模块对所述样本编码特征向量进行转换，得到预测姿态信息；

利用所述第三全连接模块对所述样本编码特征向量进行转换，得到预测形状信息；

利用所述第四全连接模块对所述样本编码特征向量进行转换，得到预测镜头信息。

4.根据权利要求3所述的方法，其特征在于，所述第二全连接模块由一个第二类块Block网络、一个第一类Block网络及多个第二类Block网络依次连接而成，所述利用所述第二全连接模块对所述样本编码特征向量进行转换，得到预测姿态信息，包括：

将所述样本编码特征向量输入到第一个第二类Block网络中进行转换，得到第一姿态中间特征向量；

将预设姿态先验特征向量与所述第一姿态中间特征向量相加，将相加得到的向量输入到所述第一类Block网络种进行转换，得到第二姿态中间特征向量，其中，所述预设姿态先验特征向量为所述样本图像集中各样本图像的姿态特征向量的均值；

利用所述第一类Block网络后面连接的各第二类Block网络将，对所述第二姿态中间特征向量进行转换，得到预测姿态信息。

5.根据权利要求2所述的方法，其特征在于，所述预测关键点信息为预测三维关键点信息；

所述计算选取的样本图像数据的真值关键点信息与预测关键点信息的损失，得到关键点损失，包括：

在选取的样本图像数据的真值关键点信息为真值三维关键点信息时，计算选取的样本图像数据的真值三维关键点信息与预测三维关键点信息的损失，得到关键点损失；

在选取的样本图像数据的真值关键点信息为真值二维关键点信息时，将所述预测三维关键点信息进行二维映射，得到预测二维关键点信息；计算选取的样本图像数据的真值二维关键点信息与预测二维关键点信息的损失，得到关键点损失。

6.根据权利要求1所述的方法，其特征在于，任一所述样本图像数据中包括在多个不同固定视角下拍摄同一人体得到的各人体图像。