3D人体姿态估计总结

3D人体姿态估计
姿态估计

人体姿态估计：估计人的关节点坐标（回归问题）

RGB or RGBD
图像 or 视频
单目 or 多视角
单人 or 多人
2D or 3D
3D姿态 or 3D形态

2D姿态估计

任务

• 单人姿态估计
  Benchmark: MPII (2014)
  代表作: CPM (CVPR 2016), Hourglass (ECCV 2016)
• 多人姿态估计
  Benchmark: COCO (2016), CrowdPose (2018)
  自底向上: OpenPose (CVPR 2017), Associative Embedding (NIPS 2017)
  自顶向下: CPN (CVPR 2018), MSPN (Arxiv 2018), HRNet (CVPR 2019)
• 人体姿态跟踪
  Benchmark: PoseTrack (2017)
  代表作: Simple Baselines (ECCV 2018)

挑战

• 遮挡
• 复杂背景
• 特殊姿态
  

3D姿态估计
问题

从图片或视频中估计出关节点的三维坐标 (x, y, z) （回归问题）

• 输入: 包含人体的图片
• 输出: N×3个人体关节点

挑战

• 巨大的3D姿态空间、自遮挡 单视角2D到3D的映射中固有的深度模糊性、不适定性（一个2D骨架可以对应多个3D骨架）

• 缺少大型的室外数据集（主要瓶颈）

  • 缺少特殊姿态的数据集（如摔倒，打滚等）
  • 由于数据集是在实验室环境下建立的，模型的泛化能力较差

• 3D姿态数据集是依靠适合室内环境的动作捕捉（MOCAP）系统构建的。MOCAP系统需要带有多个传感器和紧身衣裤的复杂装置，在室外环境使用是不切实际的

应用

• 动画，游戏
• 运动捕捉系统
• 行为理解
• 姿态估计可以做为其他算法的辅助环节（行人重识别）
• 人体姿态估计跟人体相关的其他任务一起联合学习（人体解析）
  
  方法
• 从2D图片直接暴力回归得到3D坐标
  • 3D Human Pose Estimation from Monocular Images with Deep
    Convolutional Neural Network (ACCV 2014)
  • Coarse-to-Fine Volumetric Prediction for Single-Image 3D Human Pose
    (CVPR 2017)
  • 通过深度学习模型建立单目RGB图像到3D坐标的端到端映射，虽然能从图片中获取到丰富的信息，但没有中间监督的过程，模型受到图片的背景、光照和人的穿着影响较大，对于单一模型来说需要学习的特征也太过复杂。
• 先获取2D信息，然后再“提升”到3D姿态
  • 联合2D，3D共同训练（2D信息通常以heatmap来表示）
    • Towards 3D Human Pose Estimation inthe Wild (ICCV 2017)
    • 3D Hand Shape and Pose Estimation from a Single RGB Image (CVPR 2019)
    • 需要复杂的网络架构和充足的训练样本。
  • 直接用预训练好的2D姿态网络，将得到的2D坐标输入到3D姿态估计网络中（得益于2D姿态估计较为成熟）
    • Simple Yet Effective Baseline (ICCV 2017)
    • 3D human pose estimation in video with temporal convolutions (CVP R 2019)
    • 2D姿态网络: Hourglass (ECCV 2016), CPN (CVPR 2018)

      • 优点
        减少了模型在2D姿态估计上的学习压力
        网络结构简单，轻量级
        实时性，快速
        训练快，占用显存少

      • 缺点

        缺少原始图像输入，可能会丢失一些空间信息
        2D姿态估计的误差会在3D估计中放大

为什么要先进行2D估计再进行3D估计？

• 因为基于检测的模型在2D的关节点检测中表现更好，而在3D空间下，由于非线性程度高，输出空间大，所以基于回归的模型比较流行。
  

监督方法

• 弱监督: 不直接用标签，而用其他信息计算Loss
  - 深度图、点云、网格、GAN、3D投影到2D
• 半监督
  - 3D投影到2D
• 自监督
• 全监督

视频序列的优点

• 当前帧有遮挡的时候，可利用相邻帧的完整性解决这个问题
• 由于单独预测每个帧的3D姿态时，每个帧中的结果与其他帧无关，会导致输出不连贯，带有视频抖动
• 单张图片包含的深度信息是有限的，网络可以从序列中挖掘到更丰富的深度信息
• 一张2D图片可以对应无穷多个3D姿态，让模型“多看”同个视角不同时间人的图片，可以减少深度模糊性，缩小3D姿态的空间范围

3D形态估计

问题

人体姿态重建：从图片或视频中重建或恢复人体姿态的3D模型

3D形态的表示

• 网格: 由三角形组成的多边形网格
• 深度图: 每个像素值代表的是物体到相机xy平面的距离
• 体素: 三维空间中的一个有大小的点，一个小方块，相当于是三维空间中的像素
• 点云: 某个坐标系下的点的数据集。点包含了丰富的信息，包括三维坐标xyz、颜色、分类值、强度值、时间等

SMPL(A Skinned Multi-Person Linear Model)