CN115082624A - 一种人体模型构建方法、装置、电子设备及存储介质 - Google Patents
一种人体模型构建方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115082624A CN115082624A CN202210752419.7A CN202210752419A CN115082624A CN 115082624 A CN115082624 A CN 115082624A CN 202210752419 A CN202210752419 A CN 202210752419A CN 115082624 A CN115082624 A CN 115082624A
- Authority
- CN
- China
- Prior art keywords
- human body
- detail
- global
- features
- body model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000010276 construction Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims description 69
- 230000006870 function Effects 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Computer Graphics (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Architecture (AREA)
- Geometry (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明公开了一种人体模型构建方法、装置、电子设备及存储介质。该方法包括:获取二维人体图像数据;对所述二维人体图像数据进行处理,得到全局特征和细节特征;其中,所述全局特征用于表征二维人体图像数据的人体轮廓;所述细节特征用于表征二维人体图像数据的人体细节;所述细节特征包括前景细节特征和背景细节特征;基于所述全局特征和细节特征控制预先确定的人体模型执行全局任务和细节任务,构建三维人体模型。本技术方案,利用了全局特征和细节特征,对人体模型进行构建,细节把握更加精准,重建出来的人体模型分辨率更高,且能够提高人体模型构建的效率。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种人体模型构建方法、装置、电子设备及存储介质。
背景技术
随着社会的发展,各行各业都需要根据二维人体图像数据建立三维人体模型。重建出三维人体参数化模型在众多领域有着广泛的应用场景和重要的应用价值,例如在影视娱乐、人口统计分析领域等。
传统的方法由3D美术师使用3D建模软件手工制作,通常会制作高面数的模型,再减面数做成低面数模型,构建人体模型。
手工制作模型的逼真程度完全依赖3D美术师技术水平,耗费大量的时间。
发明内容
本发明提供了一种人体模型构建方法、装置、电子设备及存储介质,能够提高人体模型构建的效率。
根据本发明的一方面,提供了一种人体模型构建方法,该方法包括:
获取二维人体图像数据;
对所述二维人体图像数据进行处理,得到全局特征和细节特征;其中,所述全局特征用于表征二维人体图像数据的人体轮廓;所述细节特征用于表征二维人体图像数据的人体细节;所述细节特征包括前景细节特征和背景细节特征;
基于所述全局特征和细节特征控制预先确定的人体模型执行全局任务和细节任务,构建三维人体模型。
根据本发明的另一方面,提供了一种人体模型构建装置,该装置包括:
二维人体图像数据获取模块,用于获取二维人体图像数据;
特征得到模块,用于对所述二维人体图像数据进行处理,得到全局特征和细节特征;其中,所述全局特征用于表征二维人体图像数据的人体轮廓;所述细节特征用于表征二维人体图像数据的人体细节;所述细节特征包括前景细节特征和背景细节特征;
三维人体模型构建模块,用于基于所述全局特征和细节特征控制预先确定的人体模型执行全局任务和细节任务,构建三维人体模型。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
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计算机程序,所述计算机程序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本发明任一实施例所述的一种人体模型构建方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的一种人体模型构建方法。
本发明实施例的技术方案,通过获取二维人体图像数据,然后对二维人体图像数据进行处理,得到全局特征和细节特征,并基于全局特征和细节特征控制预先确定的人体模型执行全局任务和细节任务,构建三维人体模型。本技术方案,利用了全局特征和细节特征,对人体模型进行构建,细节把握更加精准,重建出来的人体模型分辨率更高,且能够提高人体模型构建的效率。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明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
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种人体模型构建方法的流程图;
图2是申请实施例一提供的另一种人体模型构建的示意图;
图3是根据本发明实施例二提供的人体模型训练的流程图;
图4为本发明实施例三提供的一种人体模型构建装置的结构示意图;
图5是实现本发明实施例的一种人体模型构建方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1是根据本发明实施例一提供的一种人体模型构建方法的流程图,本实施例可适用于对三维人体模型进行构建情况,该方法可以由一种人体模型构建装置来执行,该人体模型构建装置可以采用硬件和/或软件的形式实现,该人体模型构建装置可配置于用于图像处理的智能设备中。如图1所示,该方法包括:
S110、获取二维人体图像数据。
在本方案中,二维人体图像数据可以是指低分辨率的二维人体图像数据。二维人体图像数据的数量是一个,即基于单张二维人体图像数据构建三维人体模型。
在本实施例中,可以通过摄像机或者视频设备等智能设备获取二维人体图像数据。
S120、对所述二维人体图像数据进行处理,得到全局特征和细节特征;其中,所述全局特征用于表征二维人体图像数据的人体轮廓;所述细节特征用于表征二维人体图像数据的人体细节;所述细节特征包括前景细节特征和背景细节特征。
其中,全局特征能够覆盖二维人体图像的更大空间背景的轮廓;细节特征主要包括人体躯干、四肢等特征。
在本实施例中,全局特征的分辨率较低,而细节特征的分辨率较高。基于较低分辨率的全局特征以及较高分辨率的细节特征对三维人体模型进行构建,能够缩短三维人体模型构建的时间。
在本技术方案中,可选的,对所述二维人体图像数据进行处理,得到全局特征,包括:
对所述二维人体图像数据进行下采样处理,得到全局特征。
其中,基于下采样对二维人体图像数据进行处理,将二维人体图像数据生成对应图像的缩略图。例如,可以将1024×1024大小的二维人体图像数据缩略成512×512大小的全局特征。
通过对二维人体图像数据进行下采样处理,能够基于低分辨率的全局特征对三维人体模型进行构建,缩短了三维人体模型构建的时间。
在本技术方案中,可选的,对所述二维人体图像数据进行处理,得到细节特征,包括:
利用预先确定的条件对抗网络对所述二维人体图像数据进行细节提取,得到前景细节特征和背景细节特征。
在本方案中,为了完整的重建,需要恢复背景细节特征,但是在图像中并没有给出背面的相关信息。又伴随着低分辨率的图像输入,很容易失去一些背后的未知特征信息,会造成总体的平滑与模糊。通过利用image-to-image(条件对抗)转换网络产生背部信息来克服这个问题。实现了一个端到端的从粗到细的框架来实现分辨率图像的重建。
通过对二维人体图像数据进行细节提取,得到前景细节特征和背景细节特征,能够实现精细的完整重建。
S130、基于所述全局特征和细节特征控制预先确定的人体模型执行全局任务和细节任务,构建三维人体模型。
在本方案中,全局任务用于学习二维人体图像数据中的全局特征,并向细节任务进行融合。可以辅助细节特征控制人体模型执行细节任务,提高三维人体模型构建的分辨率。
在本技术方案中,可选的,基于所述全局特征和细节特征控制预先确定的人体模型执行全局任务和细节任务,构建三维人体模型,包括:
将所述全局特征输入到预先确定的人体模型,执行全局任务;
将所述细节特征同步输入到预先确定的人体模型,并基于执行全局任务得到的全局图像,控制人体模型执行细节任务。
在本方案中,利用多级像素对齐隐式函数,以分辨率为512×512的全局特征作为输入,输出的3D模型分辨率不高。为了得到高分辨率的输出,额外叠加了一个像素对齐的预测模块。
具体的,将1024×1024的细节特征作为输入,并将其编码成高分辨率的图像特征(512×512)。此后,高分辨率特征嵌入和全局任务中得到的3D模型嵌入被结合起来,构建三维人体模型。为了进一步提高重建的质量和保真度,还会在图像空间中预测正反两面的法线图,并将其作为额外的输入反馈给网络。
示例性的,图2是申请实施例一提供的另一种人体模型构建的示意图,MLP表示多层感知机;Ω表示加权、平均或者求和,即将全局任务输出的全局图像和细节任务输出的细节图像进行叠加。如图2所示,获取二维人体图像数据;基于人体模型的粗略层对二维人体图像数据的全局特征进行处理,得到全局图像,以及基于人体模型的精细层将全局图像和细节特征作为输入,构建细节图像;并将全局图像和细节图像进行叠加,得到三维人体模型。
本发明实施例的技术方案,通过获取二维人体图像数据,然后对二维人体图像数据进行处理,得到全局特征和细节特征,并基于全局特征和细节特征控制预先确定的人体模型执行全局任务和细节任务,构建三维人体模型。通过执行本技术方案,利用了全局特征和细节特征,对人体模型进行构建,细节把握更加精准,重建出来的人体模型分辨率更高,且能够提高人体模型构建的效率。
实施例二
图3是根据本发明实施例二提供的人体模型训练的流程图,本实施例与上述实施例之间的关系是对人体模型训练过程的详细描述。如图3所示,该方法包括:
S310、获取训练样本特征。
其中,训练样本特征可以通过对训练用的二维人体图像数据进行处理得到。训练用的二维人体图像数据可以通过摄像机或者视频设备等智能设备获取。
在本技术方案中,可选的,所述训练样本特征包括第一样本特征和第二样本特征;
其中,所述第一样本特征和所述第二样本特征分别通过不同的预设特征处理得到;所述第二样本特征中包括全局数据。
具体的,可以通过对训练用的二维人体图像数据进行下采样处理,得到第一样本特征,并通过条件对抗网络对训练用的二维人体图像数据进行处理,得到第二样本特征。
通过对训练样本特征进行获取,能够基于训练样本特征对人体模型进行训练。
S320、对所述训练样本特征执行全局训练任务和细节训练任务。
其中,全局训练任务用于对第一样本特征进行处理,得到全局训练图像;细节训练任务用于对第二样本特征和全局训练图像进行处理,得到细节训练图像,并基于全局训练图像和细节训练图像对人体模型的训练参数进行调整。
S330、依据所述全局训练任务和所述细节训练任务,对所述人体模型进行调整,得到训练更新后的人体模型。
在本方案中,进入对人体模型进行训练时,通过引入全局训练任务对细节训练任务进行辅助训练,得到一个高分辨率的人体模型,以提高三维人体模型构建效率。
在本技术方案中,可选的,依据所述全局训练任务和所述细节训练任务,对所述人体模型进行调整,得到训练更新后的人体模型,包括:
确定所述全局训练任务对应的第一损失函数值和所述细节训练任务对应的第二损失函数值;
依据所述第一损失函数值和所述第二损失函数值对所述人体模型进行调整,得到训练更新后的人体模型。
其中,第一损失函数和第二损失函数可以是mean square error loss(均方误差损失函数)或l1 loss(回归损失函数)。
具体的,可以将第一样本特征作为输入,通过人体模型的粗略层的全局训练任务进行特征提取,确定全局训练任务对应的第一损失函数值。以及,可以通过人体模型中的精细层对第二样本特征进行细节提取后,确定细节训练任务对应的第二损失函数。其中,粗略层和精细层可以是任意网络,包括CNN、DNN、RNN等及其变形的各种结构的组合。
在本方案中,可以将第一损失函数值和第二损失函数值进行加权组合,得到加权结果,并基于加权结果对人体模型的网络参数进行调整。也可以分别基于第一损失函数值和第二损失函数值对人体模型的网络参数进行调整,尽可能使得第一损失函数和第二损失函数达到最优。
通过对第一损失函数值和第二损失函数值进行确定,能够优化人体模型的训练,实现低复杂度的具有较强设备泛化能力的人体模型。
本发明实施例的技术方案,通过获取训练样本特征,对训练样本特征执行全局训练任务和细节训练任务,然后依据全局训练任务和细节训练任务,对人体模型进行调整,得到训练更新后的人体模型。通过执行本技术方案,能够实现低复杂度的具有较强设备泛化能力的人体模型。
实施例三
图4为本发明实施例三提供的一种人体模型构建装置的结构示意图。如图4所示,该装置包括:
二维人体图像数据获取模块410,用于获取二维人体图像数据;
特征得到模块420,用于对所述二维人体图像数据进行处理,得到全局特征和细节特征;其中,所述全局特征用于表征二维人体图像数据的人体轮廓;所述细节特征用于表征二维人体图像数据的人体细节;所述细节特征包括前景细节特征和背景细节特征;
三维人体模型构建模块430,用于基于所述全局特征和细节特征控制预先确定的人体模型执行全局任务和细节任务,构建三维人体模型。
可选的,三维人体模型构建模块430,具体用于:
将所述全局特征输入到预先确定的人体模型,执行全局任务;
将所述细节特征同步输入到预先确定的人体模型,并基于执行全局任务得到的全局图像,控制人体模型执行细节任务。
可选的,所述装置还包括:
训练样本特征获取模块,用于获取训练样本特征;
训练样本特征执行模块,用于对所述训练样本特征执行全局训练任务和细节训练任务;
人体模型得到模块,用于依据所述全局训练任务和所述细节训练任务,对所述人体模型进行调整,得到训练更新后的人体模型。
可选的,人体模型得到模块,具体用于:
确定所述全局训练任务对应的第一损失函数值和所述细节训练任务对应的第二损失函数值;
依据所述第一损失函数值和所述第二损失函数值对所述人体模型进行调整,得到训练更新后的人体模型。
可选的,所述训练样本特征包括第一样本特征和第二样本特征;
其中,所述第一样本特征和所述第二样本特征分别通过不同的预设特征处理得到;所述第二样本特征中包括全局数据。
可选的,特征得到模块420,具体用于:
对所述二维人体图像数据进行下采样处理,得到全局特征。
可选的,特征得到模块420,还用于:
利用预先确定的条件对抗网络对所述二维人体图像数据进行细节提取,得到前景细节特征和背景细节特征。
本发明实施例所提供的一种人体模型构建装置可执行本发明任意实施例所提供的一种人体模型构建方法,具备执行方法相应的功能模块和有益效果。
实施例四
图5示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,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,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)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/或者要求的本发明的实现。
如图5所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10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。
处理器11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。处理器11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、各种运行机器学习模型算法的处理器、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。处理器11执行上文所描述的各个方法和处理,例如一种人体模型构建方法。
在一些实施例中,一种人体模型构建方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的一种人体模型构建方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行一种人体模型构建方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、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***的***(SOC)、负载可编程逻辑设备(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***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***、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***、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序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,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序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。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的计算机程序。计算机可读存储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***、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。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,可以在电子设备上实施此处描述的***和技术,该电子设备具有: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电子设备。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***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(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***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***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***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算***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服务中,存在的管理难度大,业务扩展性弱的缺陷。
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,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种人体模型构建方法,其特征在于,包括:
获取二维人体图像数据;
对所述二维人体图像数据进行处理,得到全局特征和细节特征;其中,所述全局特征用于表征二维人体图像数据的人体轮廓;所述细节特征用于表征二维人体图像数据的人体细节;所述细节特征包括前景细节特征和背景细节特征;
基于所述全局特征和细节特征控制预先确定的人体模型执行全局任务和细节任务,构建三维人体模型。
2.根据权利要求1所述的方法,其特征在于,基于所述全局特征和细节特征控制预先确定的人体模型执行全局任务和细节任务,构建三维人体模型,包括:
将所述全局特征输入到预先确定的人体模型,执行全局任务;
将所述细节特征同步输入到预先确定的人体模型,并基于执行全局任务得到的全局图像,控制人体模型执行细节任务。
3.根据权利要求1所述的方法,其特征在于,所述人体模型的训练过程包括:
获取训练样本特征;
对所述训练样本特征执行全局训练任务和细节训练任务;
依据所述全局训练任务和所述细节训练任务,对所述人体模型进行调整,得到训练更新后的人体模型。
4.根据权利要求3所述的方法,其特征在于,依据所述全局训练任务和所述细节训练任务,对所述人体模型进行调整,得到训练更新后的人体模型,包括:
确定所述全局训练任务对应的第一损失函数值和所述细节训练任务对应的第二损失函数值;
依据所述第一损失函数值和所述第二损失函数值对所述人体模型进行调整,得到训练更新后的人体模型。
5.根据权利要求3所述的方法,其特征在于,所述训练样本特征包括第一样本特征和第二样本特征;
其中,所述第一样本特征和所述第二样本特征分别通过不同的预设特征处理得到;所述第二样本特征中包括全局数据。
6.根据权利要求1所述的方法,其特征在于,对所述二维人体图像数据进行处理,得到全局特征,包括:
对所述二维人体图像数据进行下采样处理,得到全局特征。
7.根据权利要求1所述的方法,其特征在于,对所述二维人体图像数据进行处理,得到细节特征,包括:
利用预先确定的条件对抗网络对所述二维人体图像数据进行细节提取,得到前景细节特征和背景细节特征。
8.一种人体模型构建装置,其特征在于,包括:
二维人体图像数据获取模块,用于获取二维人体图像数据;
特征得到模块,用于对所述二维人体图像数据进行处理,得到全局特征和细节特征;其中,所述全局特征用于表征二维人体图像数据的人体轮廓;所述细节特征用于表征二维人体图像数据的人体细节;所述细节特征包括前景细节特征和背景细节特征;
三维人体模型构建模块,用于基于所述全局特征和细节特征控制预先确定的人体模型执行全局任务和细节任务,构建三维人体模型。
9.一种电子设备,其特征在于,所述电子设备包括:
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计算机程序,所述计算机程序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1-7中任一项所述的一种人体模型构建方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的一种人体模型构建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210752419.7A CN115082624A (zh) | 2022-06-28 | 2022-06-28 | 一种人体模型构建方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210752419.7A CN115082624A (zh) | 2022-06-28 | 2022-06-28 | 一种人体模型构建方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115082624A true CN115082624A (zh) | 2022-09-20 |
Family
ID=83254754
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210752419.7A Pending CN115082624A (zh) | 2022-06-28 | 2022-06-28 | 一种人体模型构建方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115082624A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117911630A (zh) * | 2024-03-18 | 2024-04-19 | 之江实验室 | 一种三维人体建模的方法、装置、存储介质及电子设备 |
-
2022
- 2022-06-28 CN CN202210752419.7A patent/CN115082624A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117911630A (zh) * | 2024-03-18 | 2024-04-19 | 之江实验室 | 一种三维人体建模的方法、装置、存储介质及电子设备 |
CN117911630B (zh) * | 2024-03-18 | 2024-05-14 | 之江实验室 | 一种三维人体建模的方法、装置、存储介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115082639A (zh) | 图像生成方法、装置、电子设备和存储介质 | |
CN111507914A (zh) | 人脸修复模型的训练方法、修复方法、装置、设备和介质 | |
CN113610989B (zh) | 风格迁移模型训练方法和装置、风格迁移方法和装置 | |
CN113409430B (zh) | 可驱动三维人物生成方法、装置、电子设备及存储介质 | |
CN113901909B (zh) | 基于视频的目标检测方法、装置、电子设备和存储介质 | |
CN114494784A (zh) | 深度学习模型的训练方法、图像处理方法和对象识别方法 | |
CN114792355B (zh) | 虚拟形象生成方法、装置、电子设备和存储介质 | |
CN113538235A (zh) | 图像处理模型的训练方法、装置、电子设备及存储介质 | |
CN115953468A (zh) | 深度和自运动轨迹的估计方法、装置、设备及存储介质 | |
CN114708374A (zh) | 虚拟形象生成方法、装置、电子设备和存储介质 | |
CN113870399A (zh) | 表情驱动方法、装置、电子设备及存储介质 | |
CN114332590B (zh) | 联合感知模型训练、联合感知方法、装置、设备和介质 | |
CN115578515A (zh) | 三维重建模型的训练方法、三维场景渲染方法及装置 | |
CN114092673B (zh) | 图像处理的方法、装置、电子设备和存储介质 | |
CN111768467A (zh) | 图像填充方法、装置、设备及存储介质 | |
CN115082624A (zh) | 一种人体模型构建方法、装置、电子设备及存储介质 | |
CN113344213A (zh) | 知识蒸馏方法、装置、电子设备及计算机可读存储介质 | |
CN117094362A (zh) | 一种任务处理方法及相关装置 | |
CN117351299A (zh) | 图像生成及模型训练方法、装置、设备和存储介质 | |
CN113421335B (zh) | 图像处理方法、图像处理装置、电子设备和存储介质 | |
CN113177483B (zh) | 视频目标分割方法、装置、设备以及存储介质 | |
CN113240780B (zh) | 生成动画的方法和装置 | |
CN114529649A (zh) | 图像处理方法和装置 | |
CN114419182A (zh) | 图像处理方法和装置 | |
CN114078097A (zh) | 图像去雾模型的获取方法、装置和电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |