01 背景介绍
人体运动是现实世界中最常见的视觉内容之一，随着图像视频获取设备的大规模普及，对理解人类行为这一机器视觉任务的智能化解决变得日益重要。然而真实场景下的人体运动重建一直是一个具有挑战性的问题，人体高自由度的关节所构成的姿态难以用简单的模板进行匹配，真实场景下的复杂光照、背景也增大了这个问题的难度。
随着深度学习的发展，大量的研究工作致力于从视频序列中，通过有监督的方法预测人体三维关节坐标来表示人体运动[2]。在得到二维关键点或者图形深层特征后，通过在预测的坐标位置和真实坐标位置之间计算损失函数，将这个问题转变为回归问题。
然而，在预测过程中人体结构并未完全考虑。网络不同的关节点的预测结果来源于独立的维度，每一个关节点的预测都会在全局空间中进行搜索，没有相互之间的约束；在同一个视频的预测中，前后帧预测的骨架也会产生不一致，这不仅导致了不平滑的结果，近大远小的投影规则也导致了在深度预测上的二义性。
图1. 同一段预测在不同时刻的骨架相对大小 [Pavllo et al., CVPR 2019]
同时，如果想在角色动画中使用这样的数据时，首先需要利用反向运动学（Inverse Kinematics）将关节坐标点转换为对应的旋转。然而，关节位置只能描述在特定坐标维度上的信息，无法描述自身的旋转，因此这样不完整的运动信息很难直接运动于角色动画的驱动。
图2. 关节坐标位置表示方法中的二义性：同样的关节坐标可以代表不同的旋转
为了解决这些问题，本文设计了一种使用骨骼位置+动态关节旋转的方式表示人体动作的双通路网络结构，提供了以旋转为主要表达方式的人体运动重建解决方案，同时利用脚步接触信号等方式，提高了结果的可视效果。
02 方法简介
方法的核心为正向运动学，给定父关节初始位置，通过应用不同的变换方式得到子关节位置。人体的任何一个动作，都有正向运动学的参与。该过程的基本数据结构为旋转，通过不同关节之间的旋转组合，可以实现不同的人体姿态。本文通过神经网络的方式，实现了正向运动学的过程。
图3. 将旋转运用到T-pose上的正向运动学过程
网络由双分支的编码器组成，其中，第一个分支负责预测关节旋转、地面接触信号、全局坐标等信息，而另一个分支负责预测以骨骼长度为基本元素组合而成的初始姿态（T-pose），然后关节旋转与 T-pose 输入到正向运动学（FK）层，得到组合而成的三维动作序列。
图4. 网络结构示意图
对于 T 帧的输入，第一个分支会产生 T 帧的输出，而第二个分支会通过池化的方式进行信息的压缩，只产生 1 帧输出，作为时序统一的骨架信息。在我们的解决方案中，将预测出的骨骼长度应用到固定的骨骼拓扑结构上，形成 T-pose。然后第一个分支所产生的每一帧的旋转，通过 FK 应用到时序统一的 T-pose 上，便得到了这个骨架在不同帧下的人体姿态。预测的序列通过与真实三维动作进行坐标上的误差比对，进行网络的收敛。
网络的输入是由其他方法产生的二维运动序列，在训练过程中，本文使用数据集中的真实三维运动数据，然后通过投影的方式得到所对应的二维数据。但为了适应在真实视频中因为快速运动、遮挡等因素所产生的噪音，本文在训练数据中模拟噪音的分布，将代表关节预测置信度作为网络输入的另一个维度。
为了提高生成效果的质量，除了最后关节坐标的损失函数，本文还使用了以下方法提高结果的质量：
脚步接触信号
正向运动学中骨骼链的存在，使得父关节所产生的预测误差会不断在末端关节中累积，导致了脚步滑动、末端关节抖动的问题。因此在训练过程中，我们同时预测脚步与地面的接触信号，当脚关节接触地面时，其关节运动应该相对稳定，因此预测得到的关节角速度应该接近0。
生成结果的对抗训练
本文使用旋转作为运动的表达形式，因此可以很灵活的在旋转上应用各种操纵器，满足角色动画的要求。例如本文所使用了对抗学习的方法，使得预测出的关节旋转的相对变化，尽可能接近真实的旋转。在做抬手的动作时，判别器会倾向于手部不应该出现奇怪的自旋转，从而让网络输出这样认为是“真实”的结果。
03 结果展示
在不同视频上展示的结果可以看出，本文所提出的方法具有能够从复杂背景、运动中提取出合理的三维运动的能力。
图5. 不同视频下的网络输出
与其他方法进行了定性比较可以发现，其他算法在关节位置的正确性、旋转的合理性上都存在较大的问题。尤其是在快速运动或存在遮挡的情况下，这些方法往往会出现错误的预测。
图6. 对比结果, Kanazawa [2018], Pavllo [2019], Mehta [2017]
同时，由于预测的骨架在视频前后的一致性，本文产生的结果不会在深度上产生二义性，因此相比起其他方法，本文能得到更精准的全局坐标。
图7. 全局位置预测对比结果
参考文献
[1] Zhe Cao, Gines Hidalgo, Tomas Simon, Shih-En Wei, and Yaser Sheikh. 2018. OpenPose: realtime multi-person 2D pose estimation using Part Affinity Fields. arXiv preprint arXiv:1812.08008 (2018).
[2] Pavllo, D., Feichtenhofer, C., Grangier, D., & Auli, M. (2019). 3d human pose estimation in video with temporal convolutions and semi-supervised training. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 7753-7762).
图文 | 史明镒
Visual Computing and Learning (VCL)
