1.SMPL模型簡介

SMPL是通過參數控制的人體模型，可控制的參數為Pose和Shape。總共有24個關節點和10個Shape控制參數，模型及關節索引如下圖。

1.1.Pose——旋轉向量控制關節點旋轉

每個關節通過一個旋轉向量控制，如下圖為手動控制關節點4繞Z軸旋轉90度、關節點19繞Y軸旋轉90度的結果。

旋轉關節點是在關節點的坐標系下操作的旋轉，部位會隨著父節點旋轉而聯動位移旋轉。例如上述再繞Z軸旋轉-90度，結果如下圖。

1.2.Shape——10個Shape參數控制體型

Shape參數是通過PCA提取的10個參數。通過Shape可以控制體型，如下為控制第一個參數為-10和10的結果。通過10個參數控制可以逼近真實人體體型，影響高低、胖瘦、關節長短等。


SMPL的骨骼如下圖所示

2.Azure Kinect Body

Azure Kinect通過深度圖可以檢測出穩定的人體關節，關節點及其索引如下圖所示。

同樣可以獲得關節點的旋轉，但是每個關節的坐標系獨立且方向不全一致，每個關節點的坐標系如下圖。

通過Azure Kinect實際采集的骨架繪制結果如下：

3.人體骨骼擬合

3.1.初步對齊

由于SMPL與Azure Kinect坐標系不一致，首先需要將SMPL與Kinect Body移動旋轉到同一個位置。未對齊的示意圖如下：

根據上述兩節的關節對應關系，形成對應的參考點對齊Map。首先將SMPL Joint0與Kinect Body Joint0移動到一起，然后構造 SMPL Joint0->Joint3 向量 $Vs$ 和 Kinect Body Joint0->Joint1 向量 $Vk$。之后構造 $Vs$ 旋轉到 $Vk$ 的旋轉向量。操作SMPL模型進行旋轉平移，即完成初步對齊，示意圖如下：

3.2.調節參數進行骨骼對齊

設計能量函數為：
$$E(\beta ,\theta )=\sum _{i=1}^{24}(R_{\theta }(J(\beta {)}_i)?J_{kinect,i})$$
即，讓SMPL的關節點與Kinect Body的對應關節點距離最小。最終優化的結果如下圖所示：

此時Azure Kinect Body與SMPL的三維人體模型初步對齊。效果并不是特別好，因為Azure Kinect Body與SMPL的關節點不是完全一致的。需要對Azure Kinect Body骨骼進行變形，形成Azure Kinect Body到SMPL骨骼的近似轉化關系。從而更加準確的進行人體建模。骨骼變形結果如下：
（藍色為Azure Kinect Body采集原始骨骼，綠色SMPL骨骼，紅色為Azure Kinect Body變形到SMPL之后的骨骼）

此時進行迭代優化，即可得到較好結果。如下圖為擬合結果與采集點云的融合：

如上完成了使用Azure Kinect Body構造SMPL模型的過程，后續可以增加與點云的迭代優化本文中不再贅述。

總結

以上是生活随笔為你收集整理的使用Azure Kinect Body骨骼构造SMPL三维人体模型的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。