[發明專利]基于體測數據的人體建模方法、裝置及電子設備

在審

• 申請號: 201910927424.5
• 申請日: 2019-09-27
• 公開（公告）號: CN110838179A
• 公開（公告）日: 2020-02-25
• 發明（設計）人: 王志全;黃哲
• 申請（專利權）人: 深圳市三維人工智能科技有限公司
• 主分類號: G06T17/10
• 分類號: G06T17/10
• 代理公司: 深圳市華優知識產權代理事務所(普通合伙) 44319
• 代理人: 余薇

本申請公布了提供一種基于體測數據的人體建模方法、裝置及電子設備，所述方法包括：獲取體測數據；根據所述體測數據，通過預先訓練好的預測模型對預先創建的人體模型進行線性回歸，擬合得到預測人體模型，所述預先創建的人體模型包括預先定義的多組標記特征點以及對應的標準形狀基，所述體測數據包括與每組標記特征點對應的測量數據；根據所述預測人體模型，得到目標人體模型，所述目標人體模型包括測量數據、目標形狀基以及目標形狀系數。通過本發明擬合得到預測人體模型，從而得到目標人體模型，可以提高建模速度以及建模精度，擬合的平均誤差極小，在0.05mm左右，重建效果強，且不依賴所創建的身體和姿態數據庫。

技術領域

本申請涉及人體建模領域，更具體的說，是涉及一種基于體測數據的人體建模方法、裝置及電子設備。

背景技術

構建高度真實的個性化虛擬人體幾何，從日常生活、游戲動畫、教育培訓到工業設計都日漸凸顯其重要性；例如，在虛擬試衣中，除了衣服的物理仿真，其身體模型的建模起著基礎性的作用；

目前，構造人體模型的方法有(1)基于回歸的方法，通過卷積神經網絡重建出體素表示的人體模型，算法首先根據輸入圖片估計人體主要關節點的位置，然后根據關鍵點位置估計出給定指定大小體素網格中，根據其內部每個單元體素是否被占用，從而用內部占用體素的整個形狀來描述重建出的人體形狀；(2)基于單張圖片的人體重建，該方法同時估計出人體三維形狀和姿態，該方法首先在圖像上對簡單的人體骨骼關鍵點進行了粗略的標注，然后根據這些粗關鍵點進行人體模型的初始匹配和擬合，得到人體大致形狀。(3)用23個骨骼節點來表示人體骨架，然后用每個骨骼節點的旋轉來表示整個人體的姿態，同時，用6890個頂點位置來表達人體形狀，在擬合過程中，給定骨骼節點位置，同時擬合出形狀和姿態的參數，從而進行三維人體重建；或者先用CNN模型來預測圖像上的關鍵點，然后采用SMPL模型進行擬合，得到初始的人體模型。接著，用擬合得到的形狀參數來回歸一個人體關節包圍盒，每個關節對應一個包圍盒，用軸長和半徑來表示其包圍盒。最后，結合初始模型和回歸得到的包圍盒從而得到三維人體重建。

以上方法存在建模速度較慢，其建模精度不夠，并且重建效果強依賴所創建的身體和姿態數據庫的問題。

申請內容

本申請的目的是針對上述現有技術存在的缺陷，提供一種基于體測數據的人體建模方法，解決了建模速度較慢，其建模精度不夠，并且重建效果強依賴所創建的身體和姿態數據庫的問題。

本申請的目的是通過以下技術方案來實現的：

第一方面，提供一種基于體測數據的人體建模方法，所述方法包括：獲取體測數據；

根據所述體測數據，通過預先訓練好的預測模型對預先創建的人體模型進行線性回歸，擬合得到預測人體模型，所述預先創建的人體模型包括預先定義的多組標記特征點以及對應的標準形狀基，所述體測數據包括與每組標記特征點對應的測量數據；

根據所述預測人體模型，得到目標人體模型，所述目標人體模型包括測量數據、目標形狀基以及目標形狀系數。

所述體測數據包括k個體測數據，所述預測模型的訓練步驟具體包括：

獲取訓練集，所述訓練集包括形狀參數與體測數據；

將所述訓練集輸入到所述預測模型中對所述預測模型進行線性回歸訓練，以使所述預測模型學習到形狀參數與體測數據的對應關系；

將所述預測模型根據輸入測量數據進行預測，得到初始化的預測模型，所述訓練好的預測模型包括參數維矩陣以及二維矩陣的線性參數。

所述根據所述初始形狀系數對所述預測人體模型進行非線性優化，得到目標人體模型的步驟具體包括：

以所述初始形狀系數為初始值，通過目標函數求解最小化形狀系數；

根據所述最小化形狀系數，得到目標人體模型。