CN117218297A - 人体重建参数生成方法、装置、设备和介质 - Google Patents

Abstract

本公开提供了一种人体重建参数生成方法、装置、设备和介质，涉及人工智能技术领域，具体为计算机视觉、虚拟现实、大模型等技术领域，可应用于人工智能的内容生成等场景。该方法包括：对多个帧进行人体姿态检测；获取首帧的初始三维人体重建模型，并将首帧作为目标帧执行以下操作：基于目标帧的人体姿态检测结果对初始三维人体重建模型进行优化，以得到目标三维人体重建模型；将目标帧输入目标三维人体重建模型，以得到目标帧的目标三维人体重建参数；以及针对多个帧中的其余帧，将该帧的上一帧的目标三维人体重建模型确定为该帧的初始三维人体重建模型，并将该帧作为目标帧执行上述操作，以得到与该帧对应的目标三维人体重建参数。

Description

人体重建参数生成方法、装置、设备和介质

技术领域

本公开涉及人工智能技术领域，具体为计算机视觉、虚拟现实、大模型等技术领域，可应用于人工智能的内容生成等场景，特别涉及一种人体重建参数生成方法、人体重建参数生成装置、电子设备、计算机可读存储介质和计算机程序产品。

背景技术

人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。

当前高精度人体数据制作成本较高，门槛高，无法快速普及。快速便捷的制作高精度人体数据(如动画制作，虚拟人直播互动等)成为迫切需求。

在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明，否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地，除非另有指明，否则此部分中提及的问题不应认为在任何现有技术中已被公认。

发明内容

本公开提供了一种人体重建参数生成方法、人体重建参数生成装置、电子设备、计算机可读存储介质和计算机程序产品。

根据本公开的一方面，提供了一种人体重建参数生成方法，包括：对多个视频帧进行人体姿态预测，以得到多个视频帧的人体姿态预测结果；获取多个视频帧中的首个视频帧的初始三维人体重建模型，并将首个视频帧作为目标视频帧执行以下操作：基于目标视频帧的人体姿态预测结果，对目标视频帧的初始三维人体重建模型进行优化，以得到目标视频帧的目标三维人体重建模型；以及将目标视频帧输入目标视频帧的目标三维人体重建模型，以得到与目标视频帧对应的目标三维人体重建参数；以及针对多个视频帧中的其余视频帧，将该视频帧的上一帧的目标三维人体重建模型确定为该视频帧的初始三维人体重建模型，并将该视频帧作为目标视频帧执行操作，以得到与该视频帧对应的目标三维人体重建参数。

根据本公开的一方面，提供了一种人体重建参数生成装置，包括：人体姿态预测单元，被配置为对多个视频帧进行人体姿态预测，以得到多个视频帧的人体姿态预测结果；首帧操作单元，被配置为获取多个视频帧中的首个视频帧的初始三维人体重建模型，并将首个视频帧作为目标视频帧执行以下操作：基于目标视频帧的人体姿态预测结果，对目标视频帧的初始三维人体重建模型进行优化，以得到目标视频帧的目标三维人体重建模型；以及将目标视频帧输入目标视频帧的目标三维人体重建模型，以得到与目标视频帧对应的目标三维人体重建参数；以及其余帧操作单元，被配置为针对多个视频帧中的其余视频帧，将该视频帧的上一帧的目标三维人体重建模型确定为该视频帧的初始三维人体重建模型，并将该视频帧作为目标视频帧执行操作，以得到与该视频帧对应的目标三维人体重建参数。

根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与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，这些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上述方法。

根据本公开的另一方面，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，其中，计算机指令用于使计算机执行上述方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，其中，计算机程序在被处理器执行时实现上述方法。

根据本公开的一个或多个实施例，通过获取人体视频中的目标视频帧的准确的人体姿态预测结果，进而基于目标视频帧的人体姿态预测结果对目标视频帧的初始三维人体重建模型进行优化，使得优化后得到的目标三维人体重建模型能够输出目标视频帧中的人体的准确的人体重建参数，实现了利用三维人体重建模型基于单目图像生成准确的人体重建参数。

此外，考虑到相邻视频帧之间的人体的变动较为微小，在对目标视频帧进行处理时通过将上一个视频帧的优化后得到的目标三维人体重建模型作为目标视频帧的的初始三维人体重建模型，使得优化过程能够快速收敛，并且能够充分利用从人体视频中在先帧学习到的知识，在提升模型的优化效率的同时进一步提升模型的预测能力。

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

附图示例性地示出了实施例并且构成说明书的一部分，与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的，并不限制权利要求的范围。在所有附图中，相同的附图标记指代类似但不一定相同的要素。

图1示出了根据本公开的实施例的可以在其中实施本文描述的各种方法的示例性系统的示意图；

图2示出了根据本公开示例性实施例的人体重建参数生成方法的流程图；

图3示出了根据本公开示例性实施例的对目标视频帧的初始三维人体重建模型进行优化的过程的流程图；

图4示出了根据本公开示例性实施例的分别对多个模块中的对应的模块进行优化的过程的流程图；

图5示出了根据本公开示例性实施例的4D人体数据生成的示意图；

图6示出了根据本公开示例性实施例的人体重建参数生成装置的结构框图；以及

图7示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。

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。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。

在本公开中，除非另有说明，否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系，这种术语只是用于将一个元件与另一元件区分开。在一些示例中，第一要素和第二要素可以指向该要素的同一实例，而在某些情况下，基于上下文的描述，它们也可以指代不同实例。

在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的，而并非旨在进行限制。除非上下文另外明确地表明，如果不特意限定要素的数量，则该要素可以是一个也可以是多个。此外，本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。

相关技术中，三维人体重建模型基于单目图像的效果较差，对从视频中抽取的多个视频帧进行四维人体重建的效果较差。

为解决上述问题，本公开通过获取人体视频中的目标视频帧的准确的人体姿态预测结果，进而基于目标视频帧的人体姿态预测结果对目标视频帧的初始三维人体重建模型进行优化，使得优化后得到的目标三维人体重建模型能够输出目标视频帧中的人体的准确的人体重建参数，实现了利用三维人体重建模型基于单目图像生成准确的人体重建参数。

此外，考虑到相邻视频帧之间的人体的变动较为微小，在对目标视频帧进行处理时通过将上一个视频帧的优化后得到的目标三维人体重建模型作为目标视频帧的的初始三维人体重建模型，使得优化过程能够快速收敛，并且能够充分利用从人体视频中在先帧学习到的知识，在提升模型的优化效率的同时进一步提升模型的预测能力。

下面将结合附图详细描述本公开的实施例。

图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。

在本公开的实施例中，服务器120可以运行使得能够执行本公开的方法的一个或多个服务或软件应用。

在某些实施例中，服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(SaaS)网络下提供给客户端设备101、102、103、104、105和/或106的用户。

在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。

用户可以使用客户端设备101、102、103、104、105和/或106来进行人机交互。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。

客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如MICROSOFT Windows、APPLE iOS、类UNIX操作系统、Linux或类Linux操作系统(例如GOOGLE Chrome OS)；或包括各种移动操作系统，例如MICROSOFT WindowsMobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序，并且可以使用各种通信协议。

网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。

服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。

服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。

在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和106的一个或多个显示设备来显示数据馈送和/或实时事件。

在一些实施方式中，服务器120可以为分布式系统的服务器，或者是结合了区块链的服务器。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。

系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据库130可以驻留在各种位置。例如，由服务器120使用的数据存储库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中，由服务器120使用的数据库可以是数据库，例如关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。

在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。

图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。

根据本公开的一方面，提供了一种人体重建参数生成方法。如图2所示，人体重建参数生成方法200包括：步骤S201、对多个视频帧进行人体姿态预测，以得到多个视频帧的人体姿态预测结果；步骤S202、获取多个视频帧中的首个视频帧的初始三维人体重建模型，并将首个视频帧作为目标视频帧执行以下操作：步骤S203、基于目标视频帧的人体姿态预测结果，对目标视频帧的初始三维人体重建模型进行优化，以得到目标视频帧的目标三维人体重建模型；以及步骤S204、将目标视频帧输入目标视频帧的目标三维人体重建模型，以得到与目标视频帧对应的目标三维人体重建参数；以及步骤S205、针对多个视频帧中的其余的视频帧，将该视频帧的上一帧的目标三维人体重建模型确定为该视频帧的初始三维人体重建模型，并将该视频帧作为目标视频帧执行操作，以得到与该视频帧对应的目标三维人体重建参数。可以理解的是，步骤S203-步骤S204可以是步骤S202的子步骤，也可以是步骤S205的子步骤。

由此，通过获取人体视频中的目标视频帧的准确的人体姿态预测结果，进而基于目标视频帧的人体姿态预测结果对目标视频帧的初始三维人体重建模型进行优化，使得优化后得到的目标三维人体重建模型能够输出目标视频帧中的人体的准确的人体重建参数，实现了利用三维人体重建模型基于单目图像生成准确的人体重建参数。

此外，考虑到相邻视频帧之间的人体的变动较为微小，在对目标视频帧进行处理时通过将上一个视频帧的优化后得到的目标三维人体重建模型作为目标视频帧的的初始三维人体重建模型，使得优化过程能够快速收敛，并且能够充分利用从人体视频中在先帧学习到的知识，在提升模型的优化效率的同时进一步提升模型的预测能力。

在步骤S201，多个视频帧可以是在人体视频数据中进行抽帧而得到的，并且均可以包括同一个目标人体。

在人体数据生成领域，人体数据生成模型(例如，Skinned Multi-Person LinearExpresive，SMPL-X模型)能够直接生成数量庞大的参数(例如，相机参数和人体重建参数)，用于进行人体重建，但通常仅在原始图像数据质量较高(例如，多目图像数据)时才能生成准确的结果。这类模型基于单目图像直接生成的参数(例如，姿态信息、姿态信息、三维关键点信息)通常质量欠佳，利用这样的参数进行人体重建的效果较差。

在一些实施例中，基于单目图像的人体姿态预测方法通常能够生成准确的人体姿态预测结果，特别是二维关键点(2D关键点)和部分人体部位的三维网格(3D Mesh)。因此，可以对视频帧进行人体姿态预测，得到准确的人体姿态预测结果，进而利用该人体姿态预测结果优化三维人体重建模型，以使得优化后的三维人体重建模型能够输出针对该视频帧的准确的三维人体重建参数。换句话说，可以先利用与视频帧对应的初始三维人体重建模型得到该视频帧的质量较差的初始三维人体重建参数，进而通过模型优化的方式基于人体姿态预测结果和初始三维人体重建参数调整初始三维人体重建模型的模型参数，得到能够输出准确的三维人体重建参数的模型。需要注意的是，通过这样的优化方式得到的三维人体重建模型适用于当前的视频帧，但可能并不适用于其他包含人体的图像。

在步骤S202，针对多个视频帧中的首个视频帧，可以采用预先训练的三维人体重建模型作为首个视频帧的初始三维人体重建模型。如上文所描述的，尽管该模型已经进行了预先训练，但基于单目数据(例如，首个视频帧)可能仍无法生成准确的人体重建参数(以及可选的，相机参数)。

根据一些实施例，初始三维人体重建模型可以为SMPL-X模型。可以理解的是，对初始三维人体重建模型进行优化后得到的目标三维人体重建模型也可以为SMPL-X模型。

在步骤S203，可以将目标视频帧的人体姿态预测结果作为真实值(groundtruth)，并通过对目标视频帧的初始三维人体重建模型进行优化，使得目标视频帧的初始三维人体重建模型基于目标视频帧输出的三维人体重建参数与人体姿态预测结果中体现的人体姿态信息尽可能一致。

在一个示例性实施例中，可以将目标视频帧输入目标视频帧的初始三维人体重建模型，以获取模型输出的三维人体重建参数。进而，可以计算三维人体重建参数和人体姿态预测结果之间的损失值，并基于损失值调整模型的参数。人体姿态预测结果可以包括2D关键点预测结果和3D网格重建结果，三维人体重建参数可以通过建模、投影等方式转换为2D关键点和3D网格，从而能够计算出相应的损失值。

在步骤S204，在得到目标视频帧的优化后的目标三维人体重建模型后，可以将目标视频帧输入目标三维人体重建模型中，以得到与目标视频帧对应的、关于目标视频帧中的目标人体的准确的目标三维人体重建参数。

在步骤S205，可以对多个视频帧中的其余的每一个视频帧执行如上描述的操作，以得到与每一个视频帧对应的、关于该视频帧中的目标人体的准确的目标三维人体重建参数。由此，通过使用本公开的人体重建参数生成方法，能够得到多个视频帧的准确的目标三维人体重建参数，实现了低成本获取高精度的四维人体重建参数。

在一些实施例中，在得到四维人体重建参数后，可以基于该参数进行重建，以得到四维人体数据。四维人体重建参数是指在三维人体重建参数的基础上增加时间维度，即不同视频帧的三维人体重建参数的组合。四维人体数据是指在三维空间基础上增加时间维度的数据，即三维空间中的人体目标随着时间进行运动的数据。

根据一些实施例，在对视频帧进行人体姿态检测时，可以将人体拆分为多个部分，并对每个部分进行单独检测。步骤S201、对多个视频帧进行人体姿态预测，以得到多个视频帧的人体姿态预测结果可以包括：对多个视频帧中的多个人体部位分别进行姿态预测，以得到多个视频帧的与多个人体部位对应的多个人体部位姿态预测结果。

由此，通过将人体拆分为多个人体部分，并对每个人体部分单独进行人体姿态预测可以提升预测精度，从而得到更准确的人体姿态预测结果。

根据一些实施例，多个人体部位可以包括躯干、手部和头部。多个人体部位姿态预测结果可以包括躯干二维关键点预测结果、手部二维关键点预测结果、手部三维网格预测结果、头部二维关键点预测结果和头部三维网络预测结果。

如上文所描述的，基于单目图像的人体姿态预测方法通常能够生成准确的人体姿态预测结果，特别是二维关键点(2D关键点)和部分人体部位的三维网格(3D Mesh)。具体地，相关技术可以提供得到准确的躯干二维关键点预测结果、手部二维关键点预测结果、手部三维网格预测结果、头部二维关键点预测结果和头部三维网络预测结果的方法。

在一个示例性实施例中，可以使用OpenPose等方法得到准确的躯干二维关键点预测结果、手部二维关键点预测结果和头部二位关键点预测结果，可以使用SMPL等方法得到准确的手部三维网格预测结果和头部三维网络预测结果的方法。

可以理解的是，多个人体部位还可以包括其他的人体部位或更细化的人体部位，人体部位姿态预测结果也可以包括其他的预测结果，并且可以通过其他技术手段得到人体部位姿态预测结果，在此不作限定。

根据一些实施例，目标视频帧的初始三维人体重建模型可以包括与多个人体部位对应的多个模块。

图3示出了根据本公开的示例性实施例的对目标视频帧的初始三维人体重建模型进行优化的过程300的流程图。可以利用图3示出的过程300实现图2中描述的步骤S203。

在步骤S301，基于与多个人体部位对应的多个人体部位姿态预测结果，分别对多个模块中的对应的模块进行优化。

由于三维人体重建模型中包括与这些人体部位对应的模块，因此通过基于每个人体部位对应的姿态检测结果对相应的模块进行优化，可以更有效地对模型进行优化，进一步提升了模型的预测能力。

图4示出了根据本公开的示例性实施例的分别对多个模块中的对应的模块进行优化的过程400的流程图。可以利用图4示出的过程400实现图3中描述的步骤S301。

在步骤S401，在多个人体部位中确定目标人体部位。在一些实施例中，可以逐一将每一个人体部位确定为目标人体部位，并相应执行步骤S402-步骤S404。

在步骤S402，将目标视频帧输入目标视频帧的初始三维人体重建模型，以得到多个模块中的与目标人体部位对应的模块输出的初始目标人体部位重建参数。初始目标人体部位重建参数可以是与目标人体部位相关的人体重建参数，能够用于生成人体数据中与目标人体部位的部分，或对人体数据中与目标人体部位对应的部分的生成具有影响。

在步骤S403，基于初始目标人体部位参数和与目标人体部位对应的人体部位姿态预测结果，计算损失值。

在步骤S404，基于损失值，调整与目标人体部位对应的模块的参数。可以理解的是，被调整的参数是指模块内置的、用于计算输出结果的模型参数。在一些实施例中，可以采用梯度反向传播的方式基于损失值调整与目标人体部位对应的模块的参数，并且可以不调整初始三维人体重建模型中的其他模块的参数。其他模块的参数可以在将其他模块确定为目标人体部位时进行调整。

由此，通过上述方式，实现了对多个人体部位对应的多个模块进行优化，得到能够输出准确的目标三维人体重建数据的目标三维人体重建模型。

根据一些实施例，多个模块是基于预设顺序逐一优化的，并且在优化下一个模块之前冻结已优化的模块的参数。换句话说，可以多次执行过程400，并在每一次执行步骤S401时基于预设顺序确定目标人体部位。在每一次执行完过程400之后，冻结所有曾经被确定为目标人体部位的人体部位对应的模块的参数。

由此，通过按照特定的预设顺序进行优化，并且在完成模块的优化后冻结其参数，实现了对模型的分步优化，降低了优化难度，提升了优化效率，并且能够避免调参过程中产生不同人体部位对应的模块之间产生干扰。

根据一些实施例，多个人体部位可以包括躯干、手部和头部，其中，预设顺序可以指示依次对初始三维人体重建模型中的与躯干对应的模块、与手部对应的模块和与头部对应的模块进行优化。

由于上述不同的模块和参数之间可能会互相产生影响，因此通过采用如上描述的先整体后部分、先易后难的策略对这些模块进行优化，能够以更合理的方式分步提升各个模块的效果，进一步降低了优化难度，提升了优化效率，并且能够得到预测能力更强的三维人体重建模型。

根据一些实施例，初始三维人体重建模型可以为SMPL-X模型，与躯干对应的模块可以包括SMPL-X模型中的输出人体形态参数的模块，与手部对应的模块可以包括SMPL-X模型中的输出手部姿态参数的模块和输出人体姿态参数的模块，与头部对应的模块可以包括SMPL-X模型中的输出头部形态参数的模块和输出人脸表情参数的模块。

在一些实施例中，初始三维人体重建模型中的输出相机参数的模块可以作为与躯干对应的模块，并且可以被优先调整参数。

在一些实施例中，人体形态参数也称为身体形状参数，包括10个控制人体高矮胖瘦、头身比等维度的模型参数。可以理解的是，人体形态参数还可以采用其他形式，躯干姿态检测结果也可以用于对输出其他参数的模块进行优化，在此不作限定。通过调整输出相机参数的模块和输出人体形态参数模块的参数，可以对整个人物的位置和大小进行调整。

在一些实施例中，人体姿态参数可以包括24个关节的旋转角度，共72个参数。手部姿态参数可以包括15个关键点的旋转角度，共45个参数。可以理解的是，人体姿态参数和手部姿态参数还可以采用其他形式，手部姿态检测结果也可以用于对输出其他参数的模块进行优化，在此不作限定。通过调整输出手部姿态参数的模块和输出人体姿态参数的模块的参数，可以调整手部和人体的姿态，使其对目标数据进行对齐。

在一些实施例中，头部形态参数可以是一个300维的向量，它表示人脸的身份特征，例如性别、年龄等。不同的参数可以生成不同的头部形态。人脸表情参数可以是一个100维的向量，它表示面部的表情变化，例如微笑、皱眉、张嘴等。可以理解的是，头部形态参数和人脸表情参数还可以采用其他形式，头部姿态检测结果也可以用于对输出其他参数的模块进行优化，在此不作限定。通过调整输出头部形态参数的模块和输出人脸表情参数的模块的参数，可以调整头部的大小和人脸表情的对齐。

由此，通过对SMPL-X模型中的上述模块进行分步优化，能够显著提升SMPL-X模型输出的三维人体重建参数的准确性。

根据一些实施例，步骤S203、基于目标视频帧的人体姿态预测结果，对目标视频帧的初始三维人体重建模型进行优化，以得到目标视频帧的目标三维人体重建模型还可以包括：在分别对多个模块中的对应的模块进行优化之后，基于与多个人体部位对应的多个人体部位姿态预测结果，对多个模块整体进行微调，其中，微调所使用的学习率小于在先的优化所使用的学习率。

可以理解的是，在对多个模块整体进行微调时，可以解除对多个模块的参数冻结。由此，通过将所有模块的优化后的参数整合在一起，并对模型进行小学习率的微调，使得能够提升优化后的目标三维人体重建模型所输出的目标三维人体重建参数在姿态和形态的协调性。

图5示出了根据本公开示例性实施例的4D人体数据生成的示意图。如图5所示，可以从人体视频数据中抽取到的多个视频帧502，并可以将每一个视频帧进行人体结构拆分504，进而对各个部位进行检测506，得到相应的检测结果。此外，可以使用初始SMPL-X模型508对视频帧进行处理，得到初始三维人体重建参数。而后，可以对SMPL-X中的各种类型的参数进行分布优化510：首先优化相机参数和人体形态参数512，其次优化手部姿态参数和人体姿态参数514，然后优化头部形态参数和人脸表情参数516，最后对参数整体优化微调518，得到目标SMPL-X模型。最终可以利用目标SMPL-X模型得到该视频帧的3D人体数据。通过将每一个视频帧的初始SMPL-X确定为上一帧的目标SMPL-X，使得能够快速获得每一个视频帧的准确的3D人体数据，最终合成为4D人体数据520。

根据本公开的另一方面，提供了一种人体重建参数生成装置。如图6所示，装置600包括：人体姿态检测单元610，被配置为对多个视频帧进行人体姿态检测，以得到多个视频帧各自的人体姿态检测结果，多个视频帧是在人体视频数据中抽取得到的；首帧操作单元620，被配置为获取多个视频帧中的首个视频帧的初始三维人体重建模型，并将首个视频帧作为目标视频帧执行以下操作：基于目标视频帧的人体姿态检测结果，对目标视频帧的初始三维人体重建模型进行优化，以得到目标视频帧的目标三维人体重建模型；以及将目标视频帧输入目标视频帧的目标三维人体重建模型，以得到与目标视频帧对应的目标三维人体重建参数；以及其余帧操作单元630，被配置为针对多个视频帧中的其余视频帧，将该视频帧的上一帧的目标三维人体重建模型确定为该视频帧的初始三维人体重建模型，并将该视频帧作为目标视频帧执行操作，以得到与该视频帧对应的目标三维人体重建参数。

可以理解的是，装置600中的单元610-单元630的操作和效果可以参照上文对图2中的步骤S201-步骤S205的操作的描述，在此不作赘述。

根据一些实施例，初始三维人体重建模型可以为SMPL-X模型。

根据一些实施例，人体姿态预测单元可以包括：人体部分姿态预测子单元，被配置为对多个视频帧中的多个人体部位分别进行姿态预测，以得到多个视频帧的与多个人体部位对应的多个人体部位姿态预测结果。

根据一些实施例，多个人体部位姿态预测结果可以包括躯干二维关键点预测结果、手部二维关键点预测结果、手部三维网格预测结果、头部二维关键点预测结果和头部三维网络预测结果。

根据一些实施例，目标视频帧的初始三维人体重建模型可以包括与多个人体部位对应的多个模块。基于目标视频帧的人体姿态预测结果，对目标视频帧的初始三维人体重建模型进行优化，以得到目标视频帧的目标三维人体重建模型可以包括：基于与多个人体部位对应的多个人体部位姿态预测结果，分别对多个模块中的对应的模块进行优化。

根据一些实施例，基于与多个人体部位对应的多个人体部位姿态预测结果，分别对多个模块中的对应的模块进行优化可以包括：在多个人体部位中确定目标人体部位；将目标视频帧输入目标视频帧的初始三维人体重建模型，以得到多个模块中的与目标人体部位对应的模块输出的初始目标人体部位重建参数；基于初始目标人体部位参数和与目标人体部位对应的人体部位姿态预测结果，计算损失值；以及基于损失值，调整与目标人体部位对应的模块的参数。

根据一些实施例，多个模块可以是基于预设顺序逐一优化的，并且在优化下一个模块之前可以冻结已优化的模块的参数。

根据一些实施例，多个人体部位可以包括躯干、手部和头部，其中，预设顺序可以指示依次对初始三维人体重建模型中的与躯干对应的模块、与手部对应的模块和与头部对应的模块进行优化。

根据一些实施例，与躯干对应的模块可以包括SMPL-X模型中的输出人体形态参数的模块，与手部对应的模块可以包括SMPL-X模型中的输出手部姿态参数的模块和输出人体姿态参数的模块，与头部对应的模块可以包括SMPL-X模型中的输出头部形态参数的模块和输出人脸表情参数的模块。

根据一些实施例，基于目标视频帧的人体姿态预测结果，对目标视频帧的初始三维人体重建模型进行优化，以得到目标视频帧的目标三维人体重建模型还可以包括：在分别对多个模块中的对应的模块进行优化之后，基于与多个人体部位对应的多个人体部位姿态预测结果，对多个模块整体进行微调，其中，微调所使用的学习率小于在先的优化所使用的学习率。

本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。

根据本公开的实施例，还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

参考图7，现将描述可以作为本公开的服务器或客户端的电子设备700的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，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，个人数字助理、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7所示，设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

设备700中的多个部件连接至I/O接口705，包括：输入单元706、输出单元707、存储单元708以及通信单元709。输入单元706可以是能向设备700输入信息的任何类型的设备，输入单元706可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元707可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元708可以包括但不限于磁盘、光盘。通信单元709允许设备700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，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙^TM设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。

计算单元701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。计算单元701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、各种运行机器学习网络算法的计算单元、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。计算单元701执行上文所描述的各个方法和处理，例如人体重建参数生成方法。例如，在一些实施例中，人体重建参数生成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介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时，可以执行上文描述的人体重建参数生成方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行人体重建参数生成方法。

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)、复杂可编程逻辑设备(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。这些程序代码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或控制器执行时使流程图和/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。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读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)、光学储存设备、磁储存设备、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。服务器也可以为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、也可以顺序地或以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。

Claims (23)

1.一种人体重建参数生成方法，包括：

对多个视频帧进行人体姿态预测，以得到所述多个视频帧的人体姿态预测结果；

获取所述多个视频帧中的首个视频帧的初始三维人体重建模型，并将所述首个视频帧作为目标视频帧执行以下操作：

基于所述目标视频帧的人体姿态预测结果，对所述目标视频帧的初始三维人体重建模型进行优化，以得到所述目标视频帧的目标三维人体重建模型；以及

将所述目标视频帧输入所述目标视频帧的目标三维人体重建模型，以得到与所述目标视频帧对应的目标三维人体重建参数；以及

针对所述多个视频帧中的其余视频帧，将该视频帧的上一帧的目标三维人体重建模型确定为该视频帧的初始三维人体重建模型，并将该视频帧作为目标视频帧执行所述操作，以得到与该视频帧对应的目标三维人体重建参数。

2.根据权利要求1所述的方法，其中，对多个视频帧进行人体姿态预测，以得到所述多个视频帧的人体姿态预测结果包括：

对多个视频帧中的多个人体部位分别进行姿态预测，以得到多个视频帧的与所述多个人体部位对应的多个人体部位姿态预测结果。

3.根据权利要求2所述的方法，其中，所述目标视频帧的初始三维人体重建模型包括与所述多个人体部位对应的多个模块，其中，基于所述目标视频帧的人体姿态预测结果，对所述目标视频帧的初始三维人体重建模型进行优化，以得到所述目标视频帧的目标三维人体重建模型包括：

基于与所述多个人体部位对应的多个人体部位姿态预测结果，分别对所述多个模块中的对应的模块进行优化。

4.根据权利要求3所述的方法，其中，基于与所述多个人体部位对应的多个人体部位姿态预测结果，分别对所述多个模块中的对应的模块进行优化包括：

在所述多个人体部位中确定目标人体部位；

将所述目标视频帧输入所述目标视频帧的初始三维人体重建模型，以得到所述多个模块中的与所述目标人体部位对应的模块输出的初始目标人体部位重建参数；

基于所述初始目标人体部位参数和与所述目标人体部位对应的人体部位姿态预测结果，计算损失值；以及

基于所述损失值，调整与所述目标人体部位对应的模块的参数。

5.根据权利要求3所述的方法，其中，所述多个模块是基于预设顺序逐一优化的，并且在优化下一个模块之前冻结已优化的模块的参数。

6.根据权利要求5所述的方法，其中，所述多个人体部位包括躯干、手部和头部，其中，所述预设顺序指示依次对所述初始三维人体重建模型中的与躯干对应的模块、与手部对应的模块和与头部对应的模块进行优化。

7.根据权利要求5所述的方法，其中，基于所述目标视频帧的人体姿态预测结果，对所述目标视频帧的初始三维人体重建模型进行优化，以得到所述目标视频帧的目标三维人体重建模型还包括：

在分别对所述多个模块中的对应的模块进行优化之后，基于与所述多个人体部位对应的多个人体部位姿态预测结果，对所述多个模块整体进行微调，其中，所述微调所使用的学习率小于在先的优化所使用的学习率。

8.根据权利要求2所述的方法，其中，所述多个人体部位姿态预测结果包括躯干二维关键点预测结果、手部二维关键点预测结果、手部三维网格预测结果、头部二维关键点预测结果和头部三维网络预测结果。

9.根据权利要求6所述的方法，其中，所述初始三维人体重建模型为SMPL-X(SkinnedMulti-Person Linear Expresive)模型。

10.根据权利要求9所述的方法，其中，所述与躯干对应的模块包括所述SMPL-X模型中的输出人体形态参数的模块，所述与手部对应的模块包括所述SMPL-X模型中的输出手部姿态参数的模块和输出人体姿态参数的模块，所述与头部对应的模块包括所述SMPL-X模型中的输出头部形态参数的模块和输出人脸表情参数的模块。

11.一种人体重建参数生成装置，包括：

人体姿态预测单元，被配置为对多个视频帧进行人体姿态预测，以得到所述多个视频帧的人体姿态预测结果；

首帧操作单元，被配置为获取所述多个视频帧中的首个视频帧的初始三维人体重建模型，并将所述首个视频帧作为目标视频帧执行以下操作：

基于所述目标视频帧的人体姿态预测结果，对所述目标视频帧的初始三维人体重建模型进行优化，以得到所述目标视频帧的目标三维人体重建模型；以及

将所述目标视频帧输入所述目标视频帧的目标三维人体重建模型，以得到与所述目标视频帧对应的目标三维人体重建参数；以及

其余帧操作单元，被配置为针对所述多个视频帧中的其余视频帧，将该视频帧的上一帧的目标三维人体重建模型确定为该视频帧的初始三维人体重建模型，并将该视频帧作为目标视频帧执行所述操作，以得到与该视频帧对应的目标三维人体重建参数。

12.根据权利要求11所述的装置，其中，所述人体姿态预测单元包括：

人体部分姿态预测子单元，被配置为对多个视频帧中的多个人体部位分别进行姿态预测，以得到多个视频帧的与所述多个人体部位对应的多个人体部位姿态预测结果。

13.根据权利要求12所述的装置，其中，所述目标视频帧的初始三维人体重建模型包括与所述多个人体部位对应的多个模块，其中，基于所述目标视频帧的人体姿态预测结果，对所述目标视频帧的初始三维人体重建模型进行优化，以得到所述目标视频帧的目标三维人体重建模型包括：

基于与所述多个人体部位对应的多个人体部位姿态预测结果，分别对所述多个模块中的对应的模块进行优化。

14.根据权利要求13所述的装置，其中，基于与所述多个人体部位对应的多个人体部位姿态预测结果，分别对所述多个模块中的对应的模块进行优化包括：

在所述多个人体部位中确定目标人体部位；

将所述目标视频帧输入所述目标视频帧的初始三维人体重建模型，以得到所述多个模块中的与所述目标人体部位对应的模块输出的初始目标人体部位重建参数；

基于所述初始目标人体部位参数和与所述目标人体部位对应的人体部位姿态预测结果，计算损失值；以及

基于所述损失值，调整与所述目标人体部位对应的模块的参数。

15.根据权利要求13所述的装置，其中，所述多个模块是基于预设顺序逐一优化的，并且在优化下一个模块之前冻结已优化的模块的参数。

16.根据权利要求15所述的装置，其中，所述多个人体部位包括躯干、手部和头部，其中，所述预设顺序指示依次对所述初始三维人体重建模型中的与躯干对应的模块、与手部对应的模块和与头部对应的模块进行优化。

17.根据权利要求15所述的装置，其中，基于所述目标视频帧的人体姿态预测结果，对所述目标视频帧的初始三维人体重建模型进行优化，以得到所述目标视频帧的目标三维人体重建模型还包括：

在分别对所述多个模块中的对应的模块进行优化之后，基于与所述多个人体部位对应的多个人体部位姿态预测结果，对所述多个模块整体进行微调，其中，所述微调所使用的学习率小于在先的优化所使用的学习率。

18.根据权利要求12所述的装置，其中，所述多个人体部位姿态预测结果包括躯干二维关键点预测结果、手部二维关键点预测结果、手部三维网格预测结果、头部二维关键点预测结果和头部三维网络预测结果。

19.根据权利要求16所述的装置，其中，所述初始三维人体重建模型为SMPL-X(SkinnedMulti-Person Linear Expresive)模型。

20.根据权利要求19所述的装置，其中，所述与躯干对应的模块包括所述SMPL-X模型中的输出人体形态参数的模块，所述与手部对应的模块包括所述SMPL-X模型中的输出手部姿态参数的模块和输出人体姿态参数的模块，所述与头部对应的模块包括所述SMPL-X模型中的输出头部形态参数的模块和输出人脸表情参数的模块。

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1-10中任一项所述的方法。

22.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-10中任一项所述的方法。

23.一种计算机程序产品，包括计算机程序，其中，所述计算机程序在被处理器执行时实现权利要求1-10中任一项所述的方法。