[发明专利]一种基于三维人体参数化模型的姿态迁移方法

说明书

本发明公开了一种基于三维人体参数化模型的姿态迁移方法，包括：1)得到与源人物姿态和表情一致的目标人物三维人体参数化模型；2)将目标人物三维人体参数化模型不同的部位绑定不同的颜色进行渲染，得到姿态图像；3)对姿态图像进行图像操作后，得到头部以及身体姿态图；4)将头部以及身体姿态图像输入至人体部位生成模块，得到头部以及身体姿态迁移图像；5)对头部以及身体姿态迁移图像进行图像操作后，得到头部以及身体姿态迁移中间图像；6)将头部以及身体姿态迁移中间图像输入至融合模块，得到目标人物姿态迁移后的结果图像。本发明在保证结果质量的同时，减少了训练数据需求量，降低了训练数据的采集难度，加快了训练的时间。

技术领域

本发明涉及图像处理的技术领域，尤其是指一种基于三维人体参数化模型的姿态迁移方法。

背景技术

人体姿态迁移的主要任务是变换目标人物姿态，使其做出与源人物相同的动作，并最终产生与源人物姿态一致的目标人物的姿态图片。这项课题拥有较好的应用前景，如在电影中为演员生成特定动作的图片帧等娱乐工业应用场景。此外，随着利用深度学习对人类行为理解的研究成为主流，使得人类数据的需求激增，而人体姿态迁移可以起到数据扩充的作用，为进一步的人类行为研究提供大量数据。

目前，人体姿态迁移任务主要基于生成对抗网络(GAN)来展开。生成对抗网络是一种深度网络，可以通过训练使生成对抗网络学习到数据分布，并可以应用该生成对抗网络生成新的样本，这一特性与人体姿态迁移任务对深度网络的需求十分吻合。而现今人体姿态迁移的生成对抗网络大致可以分为两类：第一类是生成对抗网络对任意目标人物适用，第二类是生成对抗网络只对单个目标人物适用。第一类方法利用大量不同人物的图像数据进行训练，生成对抗网络具有很强的泛化性，对于新目标人物只需要一张或数张图像即可对其进行姿态迁移。但是由于新目标人物的数据不够丰富，最终的姿态迁移图像结果往往细节不好。第二类方法通过单一人物的大量图像数据去训练生成对抗网络，由于生成对抗网络充分学习到该目标人物的数据分布，使得产生的目标人物新姿态图片的结果较好。但缺点是对于新目标人物，需重新训练该生成对抗网络，且需要该目标人物大量的图像。而在实际应用中，保证结果的质量比增强模型泛用型更加重要，因此本发明针对第二类方法进行改进，在保证最终姿态迁移结果图像的质量的前提下，通过减少训练生成对抗网络的数据量，来降低训练数据采集的难度以及减少训练的时间。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提出了一种基于三维人体参数化模型的姿态迁移方法，利用三维人体参数化模型的渲染图作为姿态图，提供了更加丰富的人体信息，能够产生结果较好的人体姿态迁移图像，且突破了单目标人适用的姿态迁移方法训练数据需求大，训练时间长的问题，在保证生成结果质量的同时，大大减少了训练数据量，让实际应用人体姿态迁移更加容易和高效。

为实现上述目的，本发明所提供的技术方案为：一种基于三维人体参数化模型的姿态迁移方法，包括以下步骤：

1)从目标人物图像中拟合出三维人体参数化模型的体型参数，从源人物图像中拟合出三维人体参数化模型的姿态参数，结合体型参数和姿态参数，还原出与源人物姿态一致的目标人物三维人体参数化模型；

2)将目标人物三维人体参数化模型按照不同人体部位赋予不同的颜色后，进行渲染，得到姿态图像；

3)将姿态图像进行分割后，得到头部姿态中间图像和身体姿态中间图像；对头部姿态中间图像进行裁切、缩放操作后，得到头部姿态图像；对身体姿态中间图像进行裁切、缩放以及拼接操作后得到身体姿态图像；

4)将头部姿态图像和身体姿态图像输入至人体部位生成模块，得到头部姿态迁移图像和身体姿态迁移图像；

5)将头部姿态迁移图像进行补边框操作，得到头部姿态迁移中间图像；将身体姿态迁移图像进行裁切、补边框操作，得到身体姿态迁移中间图像；

6)将头部姿态迁移中间图像和身体姿态迁移中间图像输入至融合模块，得到目标人物姿态迁移后的结果图像。