[发明专利]基于神经网络关节点估计的人体参数化三维模型变形方法

权利要求书

1.一种基于神经网络关节点估计的人体参数化三维模型变形方法，其特征在于，所述方法包括：

获取目标三维对象模型，对所述目标三维对象模型进行二维图像提取，得到目标二维对象图像集合，所述目标三维对象模型通过对目标对象进行扫描得到；

获取目标二维关节点检测模型，利用所述目标二维关节点检测模型对所述目标二维对象图像集合中的目标二维对象图像进行二维关节点检测，得到各个所述目标二维对象图像分别对应的目标二维关节点集合；

根据所述目标二维对象图像分别对应的目标二维关节点集合中，各个目标二维关节点分别对应的空间映射关系，得到所述目标二维关节点对应的目标三维关节点；

利用各个所述目标二维关节点分别对应的目标三维关节点进行对象拟合，得到所述目标三维对象模型对应的拟合三维对象模型，以控制所述拟合三维对象模型进行运动。

2.根据权利要求1所述的方法，其特征在于，所述获取目标二维关节点检测模型包括：

获取初始二维关节点检测模型以及训练二维对象图像；

确定所述训练二维对象图像对应的图像训练标签，所述图像训练标签根据所述训练二维对象图像对应的标注二维关节点集合中的标注二维关节点确定；

根据所述训练二维对象图像以及所述训练二维对象图像对应的图像训练标签，对所述初始二维关节点检测模型进行训练，得到所述目标二维关节点检测模型。

3.根据权利要求2所述的方法，其特征在于，所述图像训练标签包括所述标注二维关节点集合中各个标注二维关节点分别对应的置信图；所述方法还包括：

根据所述标注二维关节点对应的特征信息，确定所述标注二维关节点对应的目标特征点的目标特征位置；

获取所述目标特征点对应的关联特征点的关联特征位置，根据所述目标特征位置与所述关联特征位置之间的差异，确定所述标注二维关节点对应的置信图。

4.根据权利要求2至3中任意一项所述的方法，其特征在于，所述图像训练标签包括目标肢体对应的肢体向量图，所述目标肢体对应的关节点为所述标注二维关节点集合中的标注二维关节点；所述方法还包括：

获取所述目标肢体对应的目标肢体向量，所述目标肢体向量根据所述目标肢体对应的关节点的位置确定；

根据所述目标肢体向量确定所述目标肢体上的目标肢体点对应的目标点向量；

根据各个所述目标肢体点分别对应的目标点向量，得到所述目标肢体对应的肢体向量图。

5.根据权利要求1所述的方法，其特征在于，所述利用各个所述目标二维关节点分别对应的目标三维关节点进行对象拟合，得到所述目标三维对象模型对应的拟合三维对象模型包括：

获取标准三维对象模型以及所述标准三维对象模型对应的标准三维关节点集合；所述标准三维关节点集合包括多个标准三维关节点；

获取目标关节点约束项，所述目标关节点约束项包括肢体长度调整项与目标肢体长度的差异，所述肢体长度调整项为第一关节点调整项与第二关节点调整项的差异结果；所述第一关节点调整项为第一标准三维关节点的位置与形态调整参数之间运算的结果，所述第二关节点调整项为第二标准三维关节点的位置与所述形态调整参数之间运算的结果；所述第一标准三维关节点以及所述第二标准三维关节点对应目标肢体类型，所述目标肢体长度为所述目标肢体类型对应的第一目标三维关节点与对应的第二目标三维关节点之间的位置差异；

确定所述目标关节点约束项满足最小化约束条件时，所述形态调整参数对应的数值，得到目标位置调整因子；

利用所述目标位置调整因子对所述标准三维对象模型的关节点进行位置调整，得到所述拟合三维对象模型。

6.根据权利要求5所述的方法，其特征在于，所述目标关节点约束项还包括所述第一标准三维关节点对应的第三关节点调整项，与所述第一目标三维关节点的位置之间的差异，所述第三关节点调整项为姿态调整参数以及所述第一关节点调整项进行运算的结果；所述第一目标三维关节点与所述第一标准三维关节点的关节点类型一致。