0
点赞
收藏
分享

微信扫一扫

【3D】HybrIk

野见 2022-02-11 阅读 180

背景

  • 通过网络预测关节点有两种方式,一种是预测Nnn*n的heatmap,另外一种是预测预测heatmap通过积分计算获取关节点的位置,前者可参考视频reference,后者后可参考论文笔记1
  • 当前直接预测关节点位置的方法,可能出现关节长度的异常或者左右肢体长度不对称的情况,带有shape的人体模型可以反过来对关节点的位置进行优化
  • 【基于模型的预测】直接从图像预测模型参数比较困难,所有有的方法会在输入端借助3D关节点的位置、人体肢体分割或者2D heatmap,本文采用借助3D关节点位置的方法
  • 【反向动力学】reference1
    中有对机器人自由度进行简化的操作
    reference2涉及swing-twist

方法介绍

  • 基于3D关节点位置预测模型参数,模型可以反过来优化关节点的位置
  • 采用3D关节点位置采用反向动力学预测角度是一个ill-posed的问题,没有唯一解
  • 本文采用swing-twist方式实现反向动力学中的旋转,即纵向旋转和平面内旋转,其中swing是采用3D关节点的位置计算出的,而twist是网络预测出的一个自由度,并根据关节对其进行相应的角度限制
  • 利用解析解可解释的特征和神经网络的灵活性,引入了前馈混合 IK 算法,该方法可微分,因此可以进行端到端的训练
  • 对左臀、右臀、脊柱进行SVD分解,可以得到根节点的旋转R0
  • 因为初始关节和目标关节长度不同,所以引入了容差项,该项以目标方向为方向向量,其长度为初始与目标长度的差异
  • 采用网络去预测3D关节点的位置P、twist角度和shape参数,再采用smpl模型获取模板T,然后将P、T、和twist角度送人HybrIK结构,即可得到预测的角度,将角度送入smpl模型就可以得到最终的关节点的位置。
  • 3D关节点位置的预测采用Integral human pose regression方法,预测twist角度时采用预测正余弦两个变量,而不是一个角度的方式
    [方法效果依赖计算出的根节点的旋转角度]
  • 输入图像被resize到256*192,输入图像为什么不是正方形
  • 消融实验说明了twist正确预测的影响,twist的不准确并不影响重建的smpl关节点位置的准确性,但是会影响根据smpl生成的mesh的凸点的位置,进而影响由mesh生成的LSP的关节点的位置
举报

相关推荐

0 条评论