[发明专利]一种基于编码译码器网络重建人体模型的方法

说明书

本发明公开了一种基于编码译码器网络重建人体模型的方法。本发明将深度相机采集到的点云数据作为输入，通过编码译码器网络将输入数据产生的模型矫正到T型标准姿势，并通过搭建的神经网络模型预测模型形状向量和姿势向量参数，再将预测出的参数应用于人体参数化模型，从而重建清晰完整的人体模型。本发明处理时间短，算法简单，大大提高模型的计算效率，改善T型标准姿势准确性，并且采集过程中被采集对象无需一直保持标准姿势，采集难度大大降低。

技术领域

本发明属于服装定制行业人体测量技术领域，具体涉及一种编码译码器网络重建人体模型的方法。

背景技术

随着互联网+时代的到来，计算机、服装制造、影视动画等行业正在向智能化快速发展。三维重建技术为服装行业引领了新的方向，目前，人体尺寸数据的获取一般采用传统点云建模的方法，对相机捕获的原始数据进行后处理得到三维人体模型数据，但现有的去噪、孔锉、错位等后处理操作过程存在处理复杂且结果不准确等问题。

21世纪以来，深度学习技术获得迅猛发展，深度学习技术也为服装定制行业转型升级提供了充足动力。例如，深度学习在网络初始化之后能够进行自主式训练调整网络参数，这种全新的后处理方式不仅节省了人力还具有很高的运算效率。但现有应用于服装定制的训练模型往往算法十分复杂、耗时长且需要额外的姿势矫正等，仍然有很大的优化空间。

发明内容

本发明针对现有的人体三维测量后处理技术普遍存在的计算量大、耗时长，且后处理结果不准确等问题，提出一种基于编码译码器网络重建人体模型的方法。

本发明将深度相机采集到的点云数据作为输入，通过编码译码器网络将输入数据产生的模型矫正到T型标准姿势，并通过搭建的神经网络模型预测模型形状向量和姿势向量参数，再将预测出的参数应用于人体参数化模型(SMPL)从而重建清晰完整的人体模型。

为实现上述目的，本发明包含如下步骤：

S1、利用SMPL模型的随机组合和模拟深度相机生成了一组人体点云数据，随机选择SMPL参数得到不同人体姿势的人体点云数据集，将模拟相机采集到的人体点云数据导入仿真软件，调整软件参数模拟人体数据采集过程中会出现异常情况，最终生成一组包含人体模型的不同姿势及离群值、孔洞、点云错位、姿势问题等各种异常情况的数据集。

S2、设计编码译码器网络

S2.1、编码器网络将人体模型以点的形式记录，每一个点包含人体的三维向量坐标，将这种三维向量坐标的向量集合即输入点云数据，先从小范围进行不断卷积来捕获局部特征，然后局部特征经聚合并转化为全局特征向量。

S2.2、译码器网络先由编码器网络输出的全局特征向量估计预测粗略的T型标准姿势，再将粗略的T型姿势作为输入，由训练好的译码器估计人体模型的形状向量和姿势向量参数，训练模型包含的数据由随机组合的人体数据集合成，由形状向量和姿势向量可以得到标准人体姿势。

S3、将预测的向量参数输入到SMPL中得到重建的人体模型。

进一步，基于编码译码器网络的重建人体模型处理方法以三维非结构化点为输入，是点网的改进变体。该编码器网络由两个堆叠的神经网络架构(PN)层组成，第一个PN层通过两个感知器将输入的点云数据处理并获得逐点特征，感知器由使用ReLU激活函数的神经元组成，将得到的逐点特征与输入点云进行点云拼接构成一组特征点云，第二个PN层使用逐点最大池化算法运算，将特征点云转化为全局特征向量。