? ? ? SMPL模型是一種參數(shù)化人體模型，是馬普所提出的一種人體建模方法，該方法可以進行任意的人體建模和動畫驅(qū)動。這種方法與傳統(tǒng)的LBS的最大的不同在于其提出的人體姿態(tài)影像體表形貌的方法，這種方法可以模擬人的肌肉在肢體運動過程中的凸起和凹陷。因此可以避免人體在運動過程中的表面失真，可以精準的刻畫人的肌肉拉伸以及收縮運動的形貌。?

? ? ?該方法中β和θ是其中的輸入?yún)?shù)，其中β代表是個人體高矮胖瘦、頭身比等比例的10個參數(shù)，θ是代表人體整體運動位姿和24個關(guān)節(jié)相對角度的75個參數(shù)。

? ? ? ? β參數(shù)是ShapeBlendPose參數(shù)，可以通過10個增量模板控制人體形狀變化：?具體而言：每個參數(shù)控制人體形態(tài)的變化可以通過動圖來刻畫：

? ? ? ?PoseBlendShape參數(shù)是給出肌肉的凸起與凹下去與人體姿態(tài)，但是一般都優(yōu)化算法都不采用poseBlendShape參數(shù)，因為PoseBlendShape項的懲罰能量的Landscape不利于非線性優(yōu)化算法的迭代優(yōu)化。

? ? ? ?但是如果要與Kinect給出的25個參數(shù)進行匹配直接進行是不夠的，因為兩者的關(guān)節(jié)節(jié)點是不匹配的。其中原因在于SMPL不但需要考慮基本的人體構(gòu)型，還需要考慮關(guān)節(jié)密度能否控制點的運動，因此胸部并無明顯關(guān)節(jié)的情況下，增加了幾個關(guān)節(jié)，而手上的關(guān)節(jié)數(shù)量較少。此外需要注意因為SMPL為了較好的人體模型表達，因此較為精細的部位增加了較多的點數(shù)，如手指部分，按照正常人面積應該點數(shù)較少，但這對于SMPL模型不利。

? ? ? ? 按照doublefusion的思路可以用測地線距離（geodesic distance）為度量進行簡化，簡化后的模型為了保證關(guān)節(jié)的正確性，需要額外加入關(guān)節(jié)附近的頂點索引，此外由于頂點的抽離，在weights、Jregressor、Shape_Tensor、Mean-vertices都應該相應變化，并重新利用Python等語言的腳本進行處理寫成新的模型文件（.pkl或Json）。

? ? ?在實際的關(guān)節(jié)運動中，由于是級聯(lián)的鉸鏈的運動（Articulated），因此在CPU或者GPU中都需要進行順序運算，類似于Ai=Ai-1*Bi，從根節(jié)點出發(fā)到肢體關(guān)節(jié)點遍歷類似于比遍歷一棵特定深度的樹，而樹的深度決定順序運算的最長鏈，樹深度越長并行性越差，按照SMPL原始定義從尾骨位置出發(fā)的三叉樹深度為9，在此種情況下GPU的單個warp最后的兩個if會出問題，樹的葉子節(jié)點深度分別為6,9,9, 5,5，而修改根節(jié)點為原來3號節(jié)點后，葉子節(jié)點的深度變?yōu)?,7,7,7,7，因此樹深度下降，樹平衡性增加，求解節(jié)點旋轉(zhuǎn)平移的并行性提高。有望提高節(jié)點RT計算速度以及提高后續(xù)雅各比矩陣的稀疏性。

Json的索引需要重新排布，

對照表：?

smpl? [0, 1, 2, 3,? 4,? ?5,? 6,? 7,? 8,? 9, 10, 11, 12, 13, 14, 15, 16, 17,? 18,? 19,? 20, 21, 22, 23]

father = [-100, 0, 0, 0, 1, 2, 3, 5, 6, 7, 8, 9, 9, 9, 12, 13, 14, 16, 17, 18, 19, 20, 21]

正確??? ? [-100, 0, 0, 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 9, 9, 12, 13, 14, 16, 17, 18, 19, 20, 21]

smplx的對照表的前24位與smpl是一樣的。后面的待補充

[-1000, 0, 0, 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 9, 9, 12, 13, 14, 16, 17, 18, 19, 20, 22, 23, 20, 25, 26, 20, 28, 29, 20, 31, 32, 20, 34, 35, 21, 37, 38, 21, 40, 41, 21, 43, 44, 21, 46, 47, 21, 49, 50, 15, 15, 15]
?

new:? [ 3? 7? 8? 1? 12 13? 0? 16 17? 2? 20? ?21? 4? ? 5? ? ?6? ?9? ?10? ?11? 14? ?15? 18? ?19? 22? 23 ]

之前寫錯成了：（21號重復了兩遍）?

new:? [ 3? 7? 8? 1? 12 13? 0? 16 17? 2? 20? ?21? 4? ? 5? ? ?6? ?9? ?10? ?11? 14? ?21? 18? ?19? 22? 23 ]

GMM的默認的8個中心姿態(tài)：

? ? ? ? ? ? ? ? ? ? ? ? ? ?更改后的關(guān)節(jié)點編號? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?原始的關(guān)節(jié)點編號? ?

? ?

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?Kinect關(guān)節(jié)點? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ??SMPL模型關(guān)節(jié)點

? ? ? 我整理的kinect與SMPL模型關(guān)節(jié)點對應關(guān)系如上圖和下表所示， 但并非嚴格的對應關(guān)系。?

Table =?[ 0 ?16 ?12 1 ? 17 ? 13 ?18 ?14 ? 15 ?19 ? 20 ?4 ? 8 ? 9 ?10 ? 5 ?6 ? 7 ?11 ?;? %%?Kinect
? ? ? ? ? ? ? ?0 ? 1 ?2 ?3 ? 4 ? ?5 ? 7 ? ?8 ? 11 ?10 ? 12 17 ?16 ?18 ?20 ?19 ?21 23 ?24 ?]; %% SMPL

? ? ? ?此外從Kinect中人體姿態(tài)為T-pose時候可以直接推出人體的部分β參數(shù)，如關(guān)于人體高矮、頭身比例、肢體相關(guān)的比例等，但是不能得到胖瘦相關(guān)的參數(shù)，根據(jù)實際實驗可以得到前五個參數(shù)，后面五個參數(shù)較難獲得，甚至會因為無法獲得而取得較大數(shù)值，導致人體模型嚴重失真。?

? ? ? ? ? 為了對人體模型進行約束，作者還給了人體姿態(tài)的GMM模型參數(shù)，該模型由八個中心構(gòu)成。 其中最大概率的GMM的并非為人站成T-pose狀態(tài)下。 在利用GMM作為非線性優(yōu)化重建人體模型相關(guān)研究中，GMM一般以對數(shù)的形式出現(xiàn)，但是此時需要注意的是目標懲罰函數(shù)并非以原始的概率密度的對數(shù)作為優(yōu)化項，而是有一個constant項，甚至為了符合一般性，會先計算出貢獻最大的多分布中在特定姿態(tài)下概率密度最大的分布，然后乘以相應的固定常數(shù)，然后進行優(yōu)化。

? ?然后實際中通過RGB回歸的人體二維點多半是coco25，分布如下

? ? ?很遺憾，兩者很大不同，比如coco25的臉部分布點很多，而smpl在脊柱上面分布點更加密集。另外兩者的Pelvis點和左右hip的定義也不同。?所以在做基于coco25的優(yōu)化smpl姿態(tài)方面脊柱是個難點。

總結(jié)

以上是生活随笔為你收集整理的SMPL模型进阶的全部內(nèi)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(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。