CN113688907B - 模型训练、视频处理方法，装置，设备以及存储介质 - Google Patents

模型训练、视频处理方法，装置，设备以及存储介质 Download PDF

Info

Publication number
CN113688907B
CN113688907B CN202110983376.9A CN202110983376A CN113688907B CN 113688907 B CN113688907 B CN 113688907B CN 202110983376 A CN202110983376 A CN 202110983376A CN 113688907 B CN113688907 B CN 113688907B
Authority
CN
China
Prior art keywords
human body
parameters
camera
image frame
image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110983376.9A
Other languages
English (en)
Other versions
CN113688907A (zh
Inventor
陈冠英
叶晓青
谭啸
孙昊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202110983376.9A priority Critical patent/CN113688907B/zh
Publication of CN113688907A publication Critical patent/CN113688907A/zh
Priority to US17/869,161 priority patent/US20220358675A1/en
Application granted granted Critical
Publication of CN113688907B publication Critical patent/CN113688907B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G06T7/75—Determining position or orientation of objects or cameras using feature-based methods involving models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/174—Segmentation; Edge detection involving the use of two or more images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G06V10/242—Aligning, centring, orientation detection or correction of the image by image rotation, e.g. by 90 degrees
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G06V10/247—Aligning, centring, orientation detection or correction of the image by affine transforms, e.g. correction due to perspective effects; Quadrilaterals, e.g. trapezoids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/44—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/44—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs
    • H04N21/44008—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs involving operations for analysing video streams, e.g. detecting features or characteristics in the video stream
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N5/00—Details of television systems
    • H04N5/222—Studio circuitry; Studio devices; Studio equipment
    • H04N5/262—Studio circuits, e.g. for mixing, switching-over, change of character of image, other special effects ; Cameras specially adapted for the electronic generation of special effects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Signal Processing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Human Computer Interaction (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Image Analysis (AREA)

Abstract

本公开提供了模型训练、视频分类方法，装置，设备以及存储介质，涉及人工智能领域，具体涉及计算机视觉和深度学习技术领域，具体可用于虚拟人和增强现实场景下。具体实现方案为：对样本视频进行分析，确定样本视频中的多个人体图像帧；确定各人体图像帧对应的人体相关参数以及相机相关参数；根据人体相关参数、相机相关参数以及初始模型，确定与各人体图像帧对应的图像平面的预测图像参数，初始模型用于表征人体相关参数、相机相关参数与图像参数的对应关系；根据样本视频中各人体图像帧的原始图像参数以及各人体图像帧对应的图像平面的预测图像参数，训练初始模型，得到目标模型。本实现方式可以丰富视频处理的多样性。

Description

模型训练、视频处理方法，装置，设备以及存储介质
技术领域
本公开涉及人工智能领域，具体涉及计算机视觉和深度学习技术，尤其涉及模型训练、视频处理方法，装置，设备以及存储介质，具体可用于虚拟人和增强现实场景下。
背景技术
随着计算机、数码相机和数码摄像机大范围的普及，人们对于影音娱乐方面的制作需求越来越高。随之引发的是家庭数字娱乐领域的蓬勃发展，越来越多的人开始尝试当起了业余“导演”，热衷于制作和编辑各种的普通写实视频。本公开旨在提供一种从另一角度对视频的处理方案，丰富视频处理的多样性。
发明内容
本公开提供了一种模型训练、视频处理方法、装置、设备以及存储介质。
根据第一方面，提供了一种模型训练方法，包括：对样本视频进行分析，确定样本视频中的多个人体图像帧；确定各人体图像帧对应的人体相关参数以及相机相关参数；根据人体相关参数、相机相关参数以及初始模型，确定与各人体图像帧对应的图像平面的预测图像参数，初始模型用于表征人体相关参数、相机相关参数与图像参数的对应关系；根据样本视频中各人体图像帧的原始图像参数以及各人体图像帧对应的图像平面的预测图像参数，训练初始模型，得到目标模型。。
根据第二方面，提供了一种视频处理方法，包括：获取目标视频以及输入参数；根据目标视频中的各视频帧、输入参数以及通过入手第一方面所描述的模型训练方法训练得到的目标模型，确定目标视频的处理结果。
根据第三方面，提供了一种模型训练装置，包括：人体图像分割单元，被配置成对样本视频进行分析，确定样本视频中的多个人体图像帧；参数确定单元，被配置成确定各人体图像帧对应的人体相关参数以及相机相关参数；参数预测单元，被配置成根据人体相关参数、相机相关参数以及初始模型，确定与各人体图像帧对应的图像平面的预测图像参数，初始模型用于表征人体相关参数、相机相关参数与图像参数的对应关系；模型训练单元，被配置成根据样本视频中各人体图像帧的原始图像参数以及各人体图像帧对应的图像平面的预测图像参数，训练初始模型，得到目标模型。
根据第四方面，提供了一种视频处理装置，包括：视频获取单元，被配置成获取目标视频以及输入参数；视频处理单元，被配置成根据目标视频中的各视频帧、输入参数以及通过如第一方面所描述的模型训练方法训练得到的目标模型，确定目标视频的处理结果。
根据第五方面，提供了一种电子设备，包括：至少一个处理器；以及与上述至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，上述指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面所描述的方法或如第二方面所描述的方法。
根据第六方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，上述计算机指令用于使计算机执行如第一方面所描述的方法或如第二方面所描述的方法。
根据第七方面，一种计算机程序产品，包括计算机程序，上述计算机程序在被处理器执行时实现如第一方面所描述的方法或如第二方面所描述的方法。
根据本公开的技术提供了一种模型训练方法和视频处理方法，利用模型训练方法得到的模型，可以对视频进行多样化处理，从而能够丰富视频处理的多样性。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是本公开的一个实施例可以应用于其中的示例性系统架构图；
图2是根据本公开的模型训练方法的一个实施例的流程图；
图3是根据本公开的模型训练方法的另一个实施例的流程图；
图4是根据本公开的模型训练方法的又一个实施例的流程图；
图5是根据本公开的视频处理方法的一个实施例的流程图；
图6是根据本公开的模型训练方法、视频处理方法的一个应用场景的示意图；
图7是根据本公开的模型训练装置的一个实施例的结构示意图；
图8是根据本公开的视频处理装置的一个实施例的结构示意图；
图9是用来实现本公开实施例的模型训练方法、视频处理方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开的模型训练方法、视频处理方法或用于模型训练装置、视频处理装置的实施例的示例性系统架构100。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如视频播放类应用、视频处理类应用等。
终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是各种电子设备，包括但不限于智能手机、平板电脑、车载电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上提供模型的后台服务器。后台服务器可以利用样本视频对初始模型进行训练，得到目标模型，并将目标模型反馈给终端设备101、102、103。
需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器105为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是，本公开实施例所提供的模型训练方法一般由服务器105执行，视频处理方法可以由终端设备101、102、103执行，也可以由服务器105执行。相应地，模型训练装置一般设置于服务器105中，视频处理装置可以设置于终端设备101、102、103中，也可以设置于服务器105中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，示出了根据本公开的模型训练方法的一个实施例的流程200。本实施例的模型训练方法，包括以下步骤：
步骤201，对样本视频进行分析，确定样本视频中的多个人体图像帧。
本实施例中，模型训练方法的执行主体(例如图1所示的服务器105)可以首先获取样本视频。样本视频中可以包括多个视频帧，每个视频帧中可以包括人体图像。执行主体可以对样本视频进行分析，例如对样本视频中的各个视频帧进行人体分割，得到人体图像帧。各人体图像帧的尺寸可以相同，且各人体图像帧中的人体的运动状态可以不同。
步骤202，确定各人体图像帧对应的人体相关参数以及相机相关参数。
执行主体可以对人体图像帧进行进一步处理，例如将人体图像帧输入预先训练的模型中，得到人体相关参数以及相机相关参数。这里，人体相关参数可以包括人体的姿态参数、人体的形状参数、人体的旋转参数和人体的平移参数。其中，姿态参数用于描述人体的姿态，形状参数用于描述人体的高矮胖瘦，旋转参数和平移参数用于描述人体坐标系与相机坐标系之间的转换关系。相机相关参数可以包括相机内参、相机外参等参数。或者，执行主体可以对各人体图像帧进行各种分析(例如进行标定)，以确定上述人体相关参数以及相机相关参数。
本实施例中，执行主体可以依次对样本视频中的每个人体图像帧的人体相关参数进行处理，确定相机在该人体图像帧中的位姿。具体的，执行主体可以根据预先设置的公式，将各人体图像帧的人体相关参数代入上述公式中，得到相机在各人体图像帧中的位置。或者，执行主体可以首先利用上述人体相关参数中的旋转参数和平移参数，将各人体图像帧由相机坐标系转换至人体坐标系。然后，确定相机与人体中心的相对位置，从而确定在人体坐标系中的位姿。这里，人体中心可以是人体的臀骨位置。
步骤203，根据人体相关参数、相机相关参数以及初始模型，确定与各人体图像帧对应的图像平面的预测图像参数。
执行主体可以将所确定的相机位姿、人体相关参数、相机相关参数输入上述初始模型。上述初始模型用于表征人体相关参数、相机相关参数与图像参数的对应关系。初始模型的输出即为与人体图像帧对应的图像平面的预测图像参数。这里，图像平面可以是三维空间中与相机对应的图像平面。可以理解的是，每个人体图像帧都与相机的位置对应，则在三维空间中，每个相机也可以对应一个图像平面。因此，每个人体图像帧与图像平面也存在对应关系。预测图像参数可以包括预测的人体图像帧中各像素的颜色和预测的体图像帧中各像素的密度。上述初始模型可以为全连接神经网络。
步骤204，根据样本视频中各人体图像帧的原始图像参数以及各人体图像帧对应的图像平面的预测图像参数，训练初始模型，得到目标模型。
执行主体在得到预测图像参数后，可以将样本视频中各人体图像帧的原始图像参数与各人体图像帧对应的图像平面的预测图像参数进行对比，根据二者之间的差异，对初始模型的参数进行调整，从而得到目标模型。
本公开的上述实施例提供的模型训练方法，可以训练得到用于处理视频的目标模型，提高视频处理的丰富性。
继续参见图3，其示出了根据本公开的模型训练方法的另一个实施例的流程300。如图3所示，本实施例的方法可以包括以下步骤：
步骤301，对样本视频进行分析，确定样本视频中的多个人体图像帧。
本实施例中，执行主体可以将样本视频中的各视频帧依次输入预先训练的人体分割网络，确定样本视频中的多个人体图像帧。这里，人体分割网络可以是Mask R-CNN(MaskR-CNN是ICCV2017中提出的一种网络)。
步骤302，确定各人体图像帧对应的人体相关参数以及相机相关参数。
本实施例中，执行主体可以对各人体图像帧进行姿态估计，确定每个人体图像帧对应的人体相关参数以及相机相关参数。具体的，执行主体可以将各人体图像帧输入预先训练的姿态估计算法确定。上述姿态估计算法可以为vibe(video inference for humanbody pose and shape estimation)。
步骤303，对于每个人体图像帧，根据该人体图像帧对应的人体相关参数，确定该人体图像帧对应的相机位姿。
本实施例中，执行主体可以根据各人体图像帧对应的人体相关参数，确定该人体图像帧对应的相机位姿。具体的，人体相关参数可以包括人体的全局旋转参数R和人体的全局平移参数T。执行主体可以通过计算相机的位置，通过/>计算相机的朝向。
在本实施例的一些可选的实现方式中，上述步骤303具体可以通过以下步骤来确定相机位姿：
步骤3031，根据该人体图像帧对应的全局旋转参数以及全局平移参数，将该人体图像帧由相机坐标系转换至人体坐标系。
步骤3032，确定该人体图像帧对应的相机位姿。
本实现方式中，执行主体可以将人体的全局旋转参数R和人体的全局平移参数T反作用到相机上，将各人体图像帧由相机坐标系转换至人体坐标系。可以理解的是，人体图像帧属于二维空间，将其转换至人体坐标系后，即将其转换至三维空间。三维空间中可以包括多个空间点，这些空间点与人体图像帧中的像素点对应。然后，执行主体可以进一步得到每一人体图像帧中相机在人体坐标系下的位姿，即得到与每个人体图像帧对应的相机位姿。
步骤304，根据相机位姿、人体相关参数、相机相关参数以及初始模型，确定与该人体图像帧对应的图像平面的预测图像参数。
本实施例中，执行主体可以将上述相机位姿、人体相关参数、相机相关参数输入上述初始模型中，将初始模型的输出作为各人体图像帧对应的图像平面的的预测图像参数。或者，执行主体可以对初始模型的输出进行进一步处理，得到预测图像参数。
在本实施例的一些可选的实现方式中，执行主体可以通过以下步骤确定人体图像帧的预测图像参数：
步骤3041，根据初始模型，确定在人体坐标系中各人体图像帧对应的隐编码。
步骤3042，将相机位姿、人体相关参数、相机相关参数隐编码输入初始模型，根据初始模型的输出确定各人体图像帧对应的图像平面的预测图像参数。
本实现方式中，执行主体可以首先利用上述初始模型，对变换到人体坐标系后的各人体图像帧进行初始化，得到各人体图像帧对应的隐编码。上述隐编码可以表示各人体图像帧的特征。然后，执行主体可以将各人体图像帧对应的相机位姿、人体相关参数、相机相关参数以及隐编码输入初始模型。上述初始模型可以是神经辐射场(neural radiancefield)。神经辐射场可以利用MLP神经网络隐式地学习静态3D场景。执行主体可以根据神经辐射场的输出确定各人体图像帧的预测图像参数。具体的，神经辐射场输出的是3D空间点的颜色和密度信息。执行主体可以利用上述3D空间点的颜色和密度进行图像渲染，得到对应的图像平面的预测图像参数。在渲染时，执行主体可以对3D空间点的颜色和密度进行各种处理(例如加权、积分等)，得到预测图像参数。
步骤305，根据原始图像参数以及预测图像参数，确定损失函数。
在确定各人体图像帧的预测图像参数后，执行主体可以结合样本视频中各人体图像帧的原始图像参数，确定损失函数。具体的，执行主体可以将原始图像参数与预测图像参数之间的差异，确定损失函数。上述损失函数可以是交叉熵损失函数等。在一些具体的应用中，上述图像参数可以包括像素值。执行主体可以将预测像素值以及原始像素值的平方和误差作为损失函数。
步骤306，根据损失函数，调整初始模型的参数，得到目标模型。
执行主体可以根据损失函数，不断调整初始模型的参数，使得损失函数不断收敛，直至满足训练终止条件，则停止初始模型参数的调整，从而得到目标模型。上述训练终止条件可以包括但不限于：迭代调整参数的次数达到了预设数量阈值、损失函数收敛。
在本实施例的一些可选的实现方式中，执行主体可以通过以下步骤实现初始模型参数的调整：
步骤3061，根据损失函数，调整各人体图像帧对应的隐编码和初始模型的参数，直至损失函数收敛，得到中间模型。
步骤3062，根据损失函数，继续调整中间模型的参数，得到目标模型。
本实现方式中，执行主体可以首先固定输入模型的各个参数(如位姿参数、形状参数、全局旋转参数、全局平移参数、相机内参等)根据上述损失函数，调整各人体图像帧对应的隐编码和初始模型的参数，直至损失函数收敛，得到中间模型。然后，执行主体可以将中间模型的隐编码和参数作为初始参数，继续调整中间模型的全部参数，直至训练终止，得到中间模型。
在一些具体的应用中，执行主体可以利用优化器调整模型的参数，上述优化器可以是L-BFGS(Limited-memory BFGS，一种解无约束非线性规划问题最常用的算法)或者ADAM(2014年12月提出的一种优化器)
本公开的上述实施例提供的模型训练方法，没有显式地对人体进行表面重建，而是通过神经辐射场隐式地对人体的形状、纹理和姿态信息进行建模，从而使得目标模型对图像的渲染效果更精细。
继续参见图4，其示出了根据本公开的模型训练方法中确定预测图像参数的流程400。本实施例中，人体相关参数包括人体姿态参数和人体形状参数，预测图像参数可以包括像素点的密度和颜色。如图4所示，本实施例的方法可以通过以下步骤确定预测图像参数：
步骤401，根据全局旋转系数以及全局平移系数，确定相机坐标系中各人体图像帧中的像素点对应的在人体坐标系中人体图像帧的空间点。
本实施例中，执行主体在利用全局旋转系数以及全局平移系数，将样本视频中的各人体图像帧由相机坐标系转换到人体坐标系时，也可以根据上述全局旋转系数以及全局平移系数，确定各人体图像的帧中的像素点对应的人体坐标系中人体图像帧的空间点。可以理解的是，像素点的坐标是二维的，空间点的坐标是三维的，这里可以以x表示空间点的坐标。
步骤402，根据相机位姿以及人体坐标系中各空间点的坐标，确定人体坐标系中由相机观察各空间点的视角方向。
本实施例中，相机位姿可以包括相机的位置和姿态。执行主体可以根据相机的位置和姿态以及人体坐标系中各空间点的坐标，确定人体坐标系中由相机观察各空间点的视角方向。具体的，执行主体可以根据人体坐标系中相机的位置和各空间点的位置，确定二者的连线。然后根据相机的姿态，确定由观察各空间点的视角方向。这里可以以d表示空间点的视角方向。
步骤403，根据各人体图像帧对应的人体形状参数，确定平均形状参数。
在一些应用中，样本视频可以是人体运动的视频，即各视频帧中人体的形状可能不同。本实施例中，为了保证计算时人体形状的稳定性，执行主体可以对各人体图像帧对应的人体形状参数求平均，得到平均形状参数。这里可以以β表示平均形状参数。这样，相当于在计算过程中，将各视频帧中的人体形状强制成一个固定的形状，从而能够提高模型的鲁棒性。
步骤404，对于人体坐标系中的每一人体图像帧，将该人体图像帧中各空间点的坐标、对应的视角方向、人体位姿参数、平均形状参数以及隐编码输入初始模型，得到初始模型输出的各空间点的密度和颜色。
本实施例中，对于人体坐标系中的每一人体图像帧，执行主体可以将该人体图像帧对应的相机的坐标x、观察的视角方向d、人体位姿参数θt、平均形状参数β以及隐编码Lt输入初始模型，初始模型的输出可以是人体坐标系中相机点对应的密度σ(x)和颜色c(x)。上述初始模型可以表达成FΦ:(x,d,Lt,θt,β)→(σt(x),ct(x))，其中，Φ是网络的参数。
步骤405，根据各空间点的密度和颜色，确定各人体图像帧对应的图像平面中各像素点的预测图像参数。
本实施例中，执行主体可以使用可微体素渲染(volume rendering)计算各图像平面的RGB颜色值。可微体素渲染原理是：已知相机中心，对于图像平面的一个像素位置，可以确定三维空间中的一条射线r。该像素的像素颜色值可通过积分方程累积射线r经过的空间点的密度σ和颜色c得到。
在本实施例的一些可选的实现方式中，执行主体可以通过以下步骤确定预测图像参数：对于图像平面中的每一像素点，根据相机位置和该像素点之间的连线所经过的空间点的密度和颜色，确定该像素点的颜色。
本分实现方式中，对于图像平面中的每一像素点，执行主体可以根据相机位置和该像素点之间的连线所经过的空间点的密度和颜色，确定该像素点的颜色。具体的，执行主体可以对上述连线所经过的空间点的密度和颜色进行积分，将积分值确定为各像素点的密度和颜色。
在本实施例的一些可选的实现方式中，执行主体还可以在上述连线上采样预设数量个空间点。在采样时可以均匀采样。以n表示上述预设数量，以{xk|k＝1,...,n}表示采样的各个点。然后，执行主体可以根据所采样的空间点的密度和颜色，确定该像素点的颜色。对于每一图像平面，其预测的颜色值可以通过如下公式来计算：
δk＝‖xk+1-xk‖。
其中，表示第t个人体图像帧对应的图像平面中通过射线r计算得到的预测像素值。Tk是该射线从起点到第k-1个采样点的累积投射比。σt(xk)表示第t个人体图像帧对应的图像平面中采样得到的各个点的密度值。δk表示相邻的两个采样点之间的距离。ct(xk)表示第t个人体图像帧对应的图像平面中采样点的像素值。
本公开的上述实施例提供的模型训练方法，可以通过神经辐射场隐式地对人体的形状、纹理、和姿态信息进行建模，从而使得渲染的图片效果更加精细。
继续参见图5，其示出了根据本公开的视频处理方法的一个实施例的流程500。如图5所示，本实施例的方法可以包括以下步骤：
步骤501，获取目标视频以及输入参数。
本实例中，执行主体可以首先获取目标视频以及输入参数。这里，目标视频可以是人体运动的各种视频。上述输入参数可以是指定的相机位置，也可以是人体的姿态参数。
步骤502，根据目标视频中的各视频帧、输入参数以及目标模型，确定目标视频的处理结果。
本实施例中，执行主体可以将目标视频中的各视频帧、输入参数输入目标模型中，可以得到目标视频的处理结果。这里，目标模型可以是通过图2～图4所示实施例描述的模型训练方法训练得到。如果输入参数为相机的位置，则通过目标模型可以得到目标视频中各视频帧对应的新视角下的人体图像。如果输入参数为人体的姿态参数，则通过目标模型可以得到目标视频中各视频帧对应的不同动作下的人体图像。
根据本公开的视频处理方法，可以直接渲染出人体在指定相机视角和姿态下的图片，丰富了视频处理的多样性。
继续参见图6，其示出了根据本公开的模型训练方法、视频处理方法的一个应用场景的示意图。在图6的应用场景中，服务器601利用步骤201～204，得到训练好的目标模型。然后，将上述目标模型发送给终端602。终端602可以利用上述目标模型进行视频处理，得到人体在指定相机视角和姿态下的图片。
进一步参考图7，作为对上述各图所示方法的实现，本公开提供了一种用于输出信息的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图7所示，本实施例的用于输出信息的装置700包括：人体图像分割单元701、参数确定单元702、参数预测单元703和模型训练单元704。
人体图像分割单元701，被配置成对样本视频进行分析，确定样本视频中的多个人体图像帧；
参数确定单元702，被配置成确定各人体图像帧对应的人体相关参数以及相机相关参数；
参数预测单元703，被配置成根据人体相关参数、相机相关参数以及初始模型，确定与各人体图像帧对应的图像平面的预测图像参数，初始模型用于表征人体相关参数、相机相关参数与图像参数的对应关系；
模型训练单元704，被配置成根据样本视频中各人体图像帧的原始图像参数以及各人体图像帧对应的图像平面的预测图像参数，训练初始模型，得到目标模型。
在本实施例的一些可选的实现方式中，参数预测单元703可以进一步被配置成：对于每个人体图像帧，根据该人体图像帧对应的人体相关参数，确定该人体图像帧对应的相机位姿；根据相机位姿、人体相关参数、相机相关参数以及初始模型，确定与该人体图像帧对应的图像平面的预测图像参数。
在本实施例的一些可选的实现方式中，人体相关参数包括人体的全局旋转参数以及全局平移参数。参数预测单元703可以进一步被配置成：根据该人体图像帧对应的全局旋转参数以及全局平移参数，将该人体图像帧由相机坐标系转换至人体坐标系；确定该人体图像帧对应的相机位姿。
在本实施例的一些可选的实现方式中，参数预测单元703可以进一步被配置成：根据初始模型，确定各人体图像帧对应的隐编码；将相机位姿、人体相关参数、相机相关参数以及隐编码输入初始模型，根据初始模型的输出确定各人体图像帧对应的图像平面的预测图像参数。
在本实施例的一些可选的实现方式中，人体相关参数包括人体姿态参数和人体形状参数，预测图像参数包括图像平面中各像素点的密度和颜色。参数预测单元703可以进一步被配置成：根据全局旋转系数以及全局平移系数，确定相机坐标系中各人体图像帧中的像素点对应的在人体坐标系中的空间点；根据相机位姿以及人体坐标系中各空间点的坐标，确定人体坐标系中由相机观察各空间点的视角方向；根据各人体图像帧对应的人体形状参数，确定平均形状参数；对于人体坐标系中的每一人体图像帧，将该人体图像帧中各空间点的坐标、对应的视角方向、人体位姿参数、平均形状参数以及隐编码输入初始模型，得到初始模型输出的各空间点的密度和颜色；根据各空间点的密度和颜色，确定各人体图像帧对应的图像平面中各像素点的预测图像参数。
在本实施例的一些可选的实现方式中，参数预测单元703可以进一步被配置成：对于图像平面中的每一像素点，根据相机位置和该像素点之间的连线所经过的空间点的密度和颜色，确定该像素点的颜色。
在本实施例的一些可选的实现方式中，参数预测单元703可以进一步被配置成：在连线上采样预设数量个空间点；根据所采样的空间点的密度和颜色，确定该像素点的颜色。
在本实施例的一些可选的实现方式中，模型训练单元704可以进一步被配置成：根据原始图像参数以及预测图像参数，确定损失函数；根据损失函数，调整初始模型的参数，得到目标模型。
在本实施例的一些可选的实现方式中，模型训练单元704可以进一步被配置成：根据损失函数，调整各人体图像帧对应的隐编码和初始模型的参数，直至损失函数收敛，得到中间模型；根据损失函数，继续调整中间模型的参数，得到目标模型。
应当理解，模型训练装置700中记载的单元701至单元704分别与参考图2中描述的方法中的各个步骤相对应。由此，上文针对模型训练方法描述的操作和特征同样适用于装置700及其中包含的单元，在此不再赘述。
进一步参考图8，作为对上述图5所示方法的实现，本公开提供了一种视频处理装置的一个实施例，该装置实施例与图5所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图8所示，本实施例的视频处理装置800包括：视频获取单元801、以及视频处理单元802。
视频获取单元801，被配置成获取目标视频和输入参数。
视频处理单元802，被配置成根据目标视频中的各视频帧、输入参数以及通过图2～图4任一实施例所描述的模型训练方法训练得到的目标模型，确定目标视频的处理结果。
应当理解，视频处理装置800中记载的单元801至单元802分别与参考图5中描述的方法中的各个步骤相对应。由此，上文针对视频处理方法描述的操作和特征同样适用于装置800及其中包含的单元，在此不再赘述。
本公开的技术方案中，所涉及的用户个人信息的获取、存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
图9示出了根据本公开实施例的执行模型训练方法、视频处理方法的电子设备900的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图9所示，电子设备900包括处理器901，其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储器908加载到随机访问存储器(RAM)903中的计算机程序，来执行各种适当的动作和处理。在RAM903中，还可存储电子设备900操作所需的各种程序和数据。处理器901、ROM 902以及RAM 903通过总线904彼此相连。I/O接口(输入/输出接口)905也连接至总线904。
电子设备900中的多个部件连接至I/O接口905，包括：输入单元906，例如键盘、鼠标等；输出单元907，例如各种类型的显示器、扬声器等；存储器908，例如磁盘、光盘等；以及通信单元909，例如网卡、调制解调器、无线通信收发机等。通信单元909允许电子设备900通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器901可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器901的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器901执行上文所描述的各个方法和处理，例如模型训练方法、视频处理方法。例如，在一些实施例中，模型训练方法、视频处理方法可被实现为计算机软件程序，其被有形地包含于机器可读存储介质，例如存储器908。在一些实施例中，计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到电子设备900上。当计算机程序加载到RAM 903并由处理器901执行时，可以执行上文描述的模型训练方法、视频处理方法的一个或多个步骤。备选地，在其他实施例中，处理器901可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行模型训练方法、视频处理方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。上述程序代码可以封装成计算机程序产品。这些程序代码或计算机程序产品可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器901执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读存储介质可以是机器可读信号存储介质或机器可读存储介质。机器可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学存储设备、磁存储设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务(“Virtual Private Server”，或简称“VPS”)中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以是分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开的保护范围之内。

Claims (22)

1.一种模型训练方法，包括：
对样本视频进行分析，确定所述样本视频中的多个人体图像帧；
确定各人体图像帧对应的人体相关参数以及相机相关参数，其中，所述人体相关参数包括人体的全局旋转参数、全局平移参数、人体姿态参数和人体形状参数，所述相机相关参数不包括相机位姿；
根据所述人体相关参数、所述相机相关参数以及初始模型，确定与各人体图像帧对应的图像平面的预测图像参数，所述初始模型用于表征人体相关参数、相机相关参数与图像参数的对应关系；
根据所述样本视频中各人体图像帧的原始图像参数以及各人体图像帧对应的图像平面的预测图像参数，训练所述初始模型，得到目标模型。
2.根据权利要求1所述的方法，其中，所述根据所述人体相关参数、所述相机相关参数以及初始模型，确定与各人体图像帧对应的图像平面的预测图像参数，包括：
对于每个人体图像帧，根据该人体图像帧对应的人体相关参数，确定该人体图像帧对应的相机位姿；
根据所述相机位姿、所述人体相关参数、所述相机相关参数以及所述初始模型，确定与该人体图像帧对应的图像平面的预测图像参数。
3.根据权利要求2所述的方法，其中，
所述根据该人体图像帧对应的人体相关参数，确定该人体图像帧对应的相机位姿，包括：
根据该人体图像帧对应的全局旋转参数以及全局平移参数，将该人体图像帧由相机坐标系转换至人体坐标系；
确定该人体图像帧对应的相机位姿。
4.根据权利要求2所述的方法，其中，所述根据所述相机位姿、所述人体相关参数、所述相机相关参数以及初始模型，确定与该人体图像帧对应的图像平面的预测图像参数，包括：
根据所述初始模型，确定各人体图像帧对应的隐编码；
将所述相机位姿、所述人体相关参数、所述相机相关参数以及所述隐编码输入所述初始模型，根据所述初始模型的输出确定各人体图像帧对应的图像平面的预测图像参数。
5.根据权利要求4所述的方法，其中，所述预测图像参数包括图像平面中各像素点的密度和颜色；以及
所述将所述相机位姿、所述人体相关参数、所述相机相关参数以及所述隐编码输入所述初始模型，根据所述初始模型的输出确定各人体图像帧对应的图像平面的预测图像参数，包括：
根据所述全局旋转参数以及所述全局平移参数，确定相机坐标系中各人体图像帧中的像素点对应的在人体坐标系中的空间点；
根据所述相机位姿以及人体坐标系中各空间点的坐标，确定人体坐标系中由相机观察各空间点的视角方向；
根据各人体图像帧对应的人体形状参数，确定平均形状参数；
对于人体坐标系中的每一人体图像帧，将该人体图像帧中各空间点的坐标、对应的视角方向、所述人体姿态参数、所述平均形状参数以及所述隐编码输入所述初始模型，得到所述初始模型输出的各空间点的密度和颜色；
根据各空间点的密度和颜色，确定各人体图像帧对应的图像平面中各像素点的预测图像参数。
6.根据权利要求5所述的方法，其中，所述根据各空间点的密度和颜色，确定各人体图像帧对应的图像平面中各像素点的预测图像参数，包括：
对于图像平面中的每一像素点，根据相机位置和该像素点之间的连线所经过的空间点的密度和颜色，确定该像素点的颜色。
7.根据权利要求6所述的方法，其中，所述根据相机位置和该像素点之间的连线所经过的空间点的密度和颜色，确定该像素点的颜色，包括：
在所述连线上采样预设数量个空间点；
根据所采样的空间点的密度和颜色，确定该像素点的颜色。
8.根据权利要求1所述的方法，其中，所述根据所述样本视频中各人体图像帧的原始图像参数以及所述预测图像参数，训练所述初始模型，得到目标模型，包括：
根据所述原始图像参数以及所述预测图像参数，确定损失函数；
根据所述损失函数，调整所述初始模型的参数，得到目标模型。
9.根据权利要求8所述的方法，其中，所述根据所述损失函数，调整所述初始模型的参数，得到目标模型，包括：
根据所述损失函数，调整各人体图像帧对应的隐编码和所述初始模型的参数，直至所述损失函数收敛，得到中间模型；
根据所述损失函数，继续调整所述中间模型的参数，得到目标模型。
10.一种视频处理方法，包括：
获取目标视频以及输入参数；
根据所述目标视频中的各视频帧、所述输入参数以及通过权利要求1-9任一项所述的模型训练方法训练得到的目标模型，确定所述目标视频的处理结果。
11.一种模型训练装置，包括：
人体图像分割单元，被配置成对样本视频进行分析，确定所述样本视频中的多个人体图像帧；
参数确定单元，被配置成确定各人体图像帧对应的人体相关参数以及相机相关参数，其中，所述人体相关参数包括人体的全局旋转参数、全局平移参数、人体姿态参数和人体形状参数，所述相机相关参数不包括相机位姿；
参数预测单元，被配置成根据所述人体相关参数、所述相机相关参数以及初始模型，确定与各人体图像帧对应的图像平面的预测图像参数，所述初始模型用于表征人体相关参数、相机相关参数与图像参数的对应关系；
模型训练单元，被配置成根据所述样本视频中各人体图像帧的原始图像参数以及各人体图像帧对应的图像平面的预测图像参数，训练所述初始模型，得到目标模型。
12.根据权利要求11所述的装置，其中，所述参数预测单元进一步被配置成：
对于每个人体图像帧，根据该人体图像帧对应的人体相关参数，确定该人体图像帧对应的相机位姿；
根据所述相机位姿、所述人体相关参数、所述相机相关参数以及所述初始模型，确定与该人体图像帧对应的图像平面的预测图像参数。
13.根据权利要求12所述的装置，其中，
所述参数预测单元进一步被配置成：
根据该人体图像帧对应的全局旋转参数以及全局平移参数，将该人体图像帧由相机坐标系转换至人体坐标系；
确定该人体图像帧对应的相机位姿。
14.根据权利要求12所述的装置，其中，所述参数预测单元进一步被配置成：
根据所述初始模型，确定各人体图像帧对应的隐编码；
将所述相机位姿、所述人体相关参数、所述相机相关参数以及所述隐编码输入所述初始模型，根据所述初始模型的输出确定各人体图像帧对应的图像平面的预测图像参数。
15.根据权利要求14所述的装置，其中，所述预测图像参数包括图像平面中各像素点的密度和颜色；以及
所述参数预测单元进一步被配置成：
根据所述全局旋转参数以及所述全局平移参数，确定相机坐标系中各人体图像帧中的像素点对应的在人体坐标系中的空间点；
根据所述相机位姿以及人体坐标系中各空间点的坐标，确定人体坐标系中由相机观察各空间点的视角方向；
根据各人体图像帧对应的人体形状参数，确定平均形状参数；
对于人体坐标系中的每一人体图像帧，将该人体图像帧中各空间点的坐标、对应的视角方向、所述人体姿态参数、所述平均形状参数以及所述隐编码输入所述初始模型，得到所述初始模型输出的各空间点的密度和颜色；
根据各空间点的密度和颜色，确定各人体图像帧对应的图像平面中各像素点的预测图像参数。
16.根据权利要求15所述的装置，其中，所述参数预测单元进一步被配置成：
对于图像平面中的每一像素点，根据相机位置和该像素点之间的连线所经过的空间点的密度和颜色，确定该像素点的颜色。
17.根据权利要求16所述的装置，其中，所述参数预测单元进一步被配置成：
在所述连线上采样预设数量个空间点；
根据所采样的空间点的密度和颜色，确定该像素点的颜色。
18.根据权利要求11所述的装置，其中，所述模型训练单元进一步被配置成：
根据所述原始图像参数以及所述预测图像参数，确定损失函数；
根据所述损失函数，调整所述初始模型的参数，得到目标模型。
19.根据权利要求18所述的装置，其中，所述模型训练单元进一步被配置成：
根据所述损失函数，调整各人体图像帧对应的隐编码和所述初始模型的参数，直至所述损失函数收敛，得到中间模型；
根据所述损失函数，继续调整所述中间模型的参数，得到目标模型。
20.一种视频处理装置，包括：
视频获取单元，被配置成获取目标视频以及输入参数；
视频处理单元，被配置成根据所述目标视频中的各视频帧、所述输入参数以及通过权利要求1-9任一项所述的模型训练方法训练得到的目标模型，确定所述目标视频的处理结果。
21.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-9中任一项所述的方法或执行权利要求10所述的方法。
22.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-9中任一项所述的方法或执行权利要求10所述的方法。
CN202110983376.9A 2021-08-25 2021-08-25 模型训练、视频处理方法，装置，设备以及存储介质 Active CN113688907B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110983376.9A CN113688907B (zh) 2021-08-25 2021-08-25 模型训练、视频处理方法，装置，设备以及存储介质
US17/869,161 US20220358675A1 (en) 2021-08-25 2022-07-20 Method for training model, method for processing video, device and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110983376.9A CN113688907B (zh) 2021-08-25 2021-08-25 模型训练、视频处理方法，装置，设备以及存储介质

Publications (2)

Publication Number Publication Date
CN113688907A CN113688907A (zh) 2021-11-23
CN113688907B true CN113688907B (zh) 2023-07-21

Family

ID=78582634

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110983376.9A Active CN113688907B (zh) 2021-08-25 2021-08-25 模型训练、视频处理方法，装置，设备以及存储介质

Country Status (2)

Country Link
US (1) US20220358675A1 (zh)
CN (1) CN113688907B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114140603B (zh) * 2021-12-08 2022-11-11 北京百度网讯科技有限公司 虚拟形象生成模型的训练方法和虚拟形象生成方法
CN114119838B (zh) * 2022-01-24 2022-07-22 阿里巴巴（中国）有限公司 体素模型与图像生成方法、设备及存储介质
CN114820885B (zh) * 2022-05-19 2023-03-24 北京百度网讯科技有限公司 图像编辑方法及其模型训练方法、装置、设备和介质
CN116309983B (zh) * 2023-01-09 2024-04-09 北京百度网讯科技有限公司 虚拟人物模型的训练方法、生成方法、装置和电子设备
CN116433822B (zh) * 2023-04-28 2023-11-07 北京数原数字化城市研究中心 一种神经辐射场训练方法、装置、设备及介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103099623A (zh) * 2013-01-25 2013-05-15 中国科学院自动化研究所 一种人体运动学参数的提取方法
CN108022278A (zh) * 2017-12-29 2018-05-11 清华大学 基于视频中运动跟踪的人物动画绘制方法及系统
CN110415336A (zh) * 2019-07-12 2019-11-05 清华大学 高精度人体体态重建方法及系统
CN110430416A (zh) * 2019-07-17 2019-11-08 清华大学 自由视点图像生成方法和装置
CN111627043A (zh) * 2020-04-13 2020-09-04 浙江工业大学 一种基于标志物和特征筛选器的简易人体曲线获取方法
CN112270711A (zh) * 2020-11-17 2021-01-26 北京百度网讯科技有限公司 模型训练以及姿态预测方法、装置、设备以及存储介质
CN112818898A (zh) * 2021-02-20 2021-05-18 北京字跳网络技术有限公司 模型训练方法、装置和电子设备
CN113099208A (zh) * 2021-03-31 2021-07-09 清华大学 基于神经辐射场的动态人体自由视点视频生成方法和装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8135209B2 (en) * 2005-07-19 2012-03-13 Nec Corporation Articulated object position and posture estimation device, method and program
EP3579196A1 (en) * 2018-06-05 2019-12-11 Cristian Sminchisescu Human clothing transfer method, system and device

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103099623A (zh) * 2013-01-25 2013-05-15 中国科学院自动化研究所 一种人体运动学参数的提取方法
CN108022278A (zh) * 2017-12-29 2018-05-11 清华大学 基于视频中运动跟踪的人物动画绘制方法及系统
CN110415336A (zh) * 2019-07-12 2019-11-05 清华大学 高精度人体体态重建方法及系统
CN110430416A (zh) * 2019-07-17 2019-11-08 清华大学 自由视点图像生成方法和装置
CN111627043A (zh) * 2020-04-13 2020-09-04 浙江工业大学 一种基于标志物和特征筛选器的简易人体曲线获取方法
CN112270711A (zh) * 2020-11-17 2021-01-26 北京百度网讯科技有限公司 模型训练以及姿态预测方法、装置、设备以及存储介质
CN112818898A (zh) * 2021-02-20 2021-05-18 北京字跳网络技术有限公司 模型训练方法、装置和电子设备
CN113099208A (zh) * 2021-03-31 2021-07-09 清华大学 基于神经辐射场的动态人体自由视点视频生成方法和装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李森 ; 许宏科 ; .基于时空建模的视频帧预测模型.物联网技术.2020,(02),全文. *
路昊 ; 石敏 ; 李昊 ; 朱登明 ; .基于深度学习的动态场景相机姿态估计方法.高技术通讯.2020,(01),全文. *

Also Published As

Publication number Publication date
CN113688907A (zh) 2021-11-23
US20220358675A1 (en) 2022-11-10

Similar Documents

Publication Publication Date Title
CN113688907B (zh) 模型训练、视频处理方法，装置，设备以及存储介质
CN110163080B (zh) 人脸关键点检测方法及装置、存储介质和电子设备
JP7373554B2 (ja) クロスドメイン画像変換
EP3852068A1 (en) Method for training generative network, method for generating near-infrared image and apparatuses
US10846836B2 (en) View synthesis using deep convolutional neural networks
US20220222776A1 (en) Multi-Stage Multi-Reference Bootstrapping for Video Super-Resolution
JP2020507850A (ja) 画像内の物体の姿の確定方法、装置、設備及び記憶媒体
CN111971713A (zh) 使用图像和时间跟踪神经网络进行的3d面部捕获和修改
WO2014187223A1 (en) Method and apparatus for identifying facial features
CN115690382B (zh) 深度学习模型的训练方法、生成全景图的方法和装置
CN114511662A (zh) 渲染图像的方法、装置、电子设备及存储介质
US20220156987A1 (en) Adaptive convolutions in neural networks
KR20220117324A (ko) 다양한 초상화들로부터 학습 조명
CN112861830B (zh) 特征提取方法、装置、设备、存储介质以及程序产品
CN110111364B (zh) 运动检测方法、装置、电子设备及存储介质
TWI711004B (zh) 圖片處理方法和裝置
CN111985281A (zh) 图像生成模型的生成方法、装置及图像生成方法、装置
CN112784765A (zh) 用于识别动作的方法、装置、设备以及存储介质
CN111754622B (zh) 脸部三维图像生成方法及相关设备
CN111192308B (zh) 图像处理方法及装置、电子设备和计算机存储介质
CN116342782A (zh) 生成虚拟形象渲染模型的方法和装置
CN113766117B (zh) 一种视频去抖动方法和装置
CN116246026B (zh) 三维重建模型的训练方法、三维场景渲染方法及装置
CN110856014B (zh) 动态图像生成方法、装置、电子设备及存储介质
CN112714337A (zh) 视频处理方法、装置、电子设备和存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant