[发明专利]一种三维人体形状表示方法

说明书

本发明公开了一种三维人体形状表示方法，一方面，通过处理采集到的人体网格数据集，可以得到大量的有标签的训练数据，增加了模型的鲁棒性；另一方面，通过使用变形表示，并定义了一种基于人体近似刚性块的变形表示，相比于直接使用欧氏距离能有更高的精度和鲁棒性。同时，针对人体的铰链式变形，设计了一种阶层式的重建网络，充分利用了人体的形状先验，提高了模型的精度。

技术领域

本发明涉及人体三维重建技术领域，尤其涉及一种三维人体形状表示方法。

背景技术

参数化人体模型在计算机图形学和计算机视觉领域拥有广泛的应用，包括三维人体跟踪，三维人体重建，姿态估计。由于人体具有多种属性，包括性别，种族，姿态和体型等等，这些属性包含丰富的几何变形，导致人体的高精度重建是一个挑战性的任务。近年来，随着深度学习的发展，利用神经网络进行几何重建已经成为一种潮流。

在过去，人体重建主要是基于骨架蒙皮方法。这种方法将人体的身份形变空间用一组简单的线性基变形来表示，然后利用骨架把人体变形到特定的姿态。此类方法计算简洁效率高，也实现了身份和姿态的解耦，但是忽略了人体身份形变空间的高频变化，限制了几何重建精度。另外，动作有骨架关节点的相对运动表示，没有编码人体动作的先验分布，因而可能产生非正常人体模型。另一种主要方法是基于变形表示，典型地是用三角形形变代替三维点坐标，通过把形变分解到身份、姿态等各种属性相关的部分，实现人体的解耦参数化建模。此类方法拥有较高的几何重建精度，但是计算流程比较复杂，参数量大，速度较慢。

最近，利用神经网络来学习一些形状，像人脸等，已经取得了长足的发展。通过端到端的训练，网络将形状流形映射到一个低维的非线性空间，展示了较高的精度。但是人体相比于人脸，具有显著的由不同姿态造成的大尺度的变形。直接将在人脸建模上取得很好精度的网络架构应用到人体网格上，并不能得到很好的结果。这一方面是因为欧式坐标对于大尺度变形不易保持原有的变形模式，容易出现扭曲的结果。另一方面是由于此类网络架构并没有针对人体特殊的骨架铰链结构进行设计，没有利用人体形状的先验来提高精度。

发明内容

本发明的目的是提供一种三维人体形状表示方法，可以提高三维人体模型重建精度。

本发明的目的是通过以下技术方案实现的：

一种三维人体形状表示方法，包括：

对收集的人体网格数据集进行预处理，并基于标准姿态进行变形，再计算ACAP变形表示与描述刚性块变形的人体形变特征，构成的训练数据集；

构建编码器网络和阶层式重建网络构成端到端的网络结构，并利用训练数据集对网络结构进行训练；训练过程中，通过编码器网络对ACAP变形表示进行编码，获得身份属性与动作属性，重建网络则利用身份属性与动作属性重建三维人体模型，并利用重建结果与输入的训练数据之间的误差训练编码器网络和阶层式重建网络；

训练完毕后，将身份属性与动作属性输入至训练好的阶层式重建网络中，得到三维人体模型重建结果。

由上述本发明提供的技术方案可以看出，1)通过处理采集到的人体网格数据集，可以得到大量的有标签的训练数据，增加了模型的鲁棒性。2)通过使用变形表示，并定义了一种基于人体近似刚性块的变形表示，相比于直接使用欧氏距离能有更高的精度和鲁棒性。3)针对人体的铰链式变形，设计了一种阶层式的重建网络，充分利用了人体的形状先验，提高了模型的精度。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。

图1为本发明实施例提供的一种三维人体形状表示方法的流程图；