基于全局一致性网络的参数化人体网格重建

人体网格重建(HMR)在人机交互和虚拟/增强现实等领域有广泛应用。为了进一步提高基于图像的人体网格重建中人体姿势和形状估计的精度,提出了基于混合逆运动学的全局一致性深度卷积神经网络,用于参数化人体网格重建(GloCoNet)。为了增强网络的全局一致性和全局上的长程依赖,该网络在特征提取网络基础上,设计了全局一致性增强器(GCB)模块,它能够增强模型对全局信息的感知能力和表达能力,并且使模型能够自适应地调整不同通道和空间位置的特征图权重。然后引入了多头注意力机制(MHSA)来捕获模型全局上的长程依赖,它可以帮助模型在处理长期依赖时更好地捕捉到关键的关系和模式,并建模全局上下文信息,从而更好的丰富特征子空间的多样性。同时,该网络采用混合逆运动学的方法弥合人体网格估计和3D人体关节点估计之间的差距,最终提升人体3D姿势和形状估计的准确度。实验结果表明,GloCoNet模型在公开的Human 3.6 M数据集上以平均每关节51.3 mm的位置误差(MPJPE)显著优于先前的主流方法。

西南地区男青年标准人体三维模型的建立

通过对我国西南地区男青年500个样本的三维扫描数据采集,提取18个关键部位相关数据,运用SPSS进行数据模块统计和分析,得出西南地区男青年标准人体各部位的加权平均线圈,导入3DMAX进行人体网格完善,从而建立其标准人体三维模型,为推动我国服装业人体号型数据采集与分析工作的信息化提供一个新的思路。

基于传播算法的三维人体模型识别方法

在三维人体网格模型的测量和建模过程中,人体部位(如手臂,躯干)的识别是非常基础且重要的。利用网格模型特点而设计的传播算法能够快速地对人体的一些部位进行自动的识别。该方法不仅代码简单易用,而且对于残缺粗糙模型的识别率也很高。