无限想象空间，用Python玩转3D人体姿态估计

前言

姿态估计，一直是近几年的研究热点。

它就是根据画面，捕捉人体的运动姿态，比如 2D 姿态估计：

再比如 3D 姿态估计：

看着好玩，那这玩应有啥用呢？

自动驾驶，大家应该都不陌生，很多公司研究这个方向。

自动驾驶里，就用到了人体行为识别。

通过摄像头捕捉追踪人体的动作变化，根据肢体动作或变化角度判断人体动作行为，可用于无人车、机器人、视频监控等行为分析需求场景。

而这些的基础，就是人体的姿态估计。

再比如，虚拟形象。

通过真人驱动，让虚拟形象具备类比真人的肢体动作，并支持与3D人脸特效、手势识别等功能结合应用，让虚拟形象更加灵活生动，可用于虚拟IP驱动、肢体驱动类游戏、远程授课或播报等场景。

姿态估计，无疑有着巨大的应用价值。

但今天，咱们说的这个算法，比上文提到的，还要酷炫一些！

它就是 FrankMocap。

FrankMocap

FrankMocap 是港中文联合 Facebook AI 研究院提出的3D 人体姿态和形状估计算法。

不仅仅是估计人体的运动姿态，甚至连身体的形状，手部的动作都可以一起计算出来。

算法很强大，能够从单目视频同时估计出 3D 人体和手部运动，在一块 GeForce RTX 2080 GPU 上能够达到 9.5 FPS。

缺点就是，速度有点慢，计算量较大，达到实时性有一定难度。

不过随着硬件的快速发展，这都不是问题，「老黄刀法」很给力。

FrankMocap 算法就在这几天，刚刚开源，有 Python 和深度学习基础的朋友，不容错过。

项目地址：

https://github.com/facebookresearch/frankmocap

算法使用 SMPL-X 人体模型。

给定一张彩色图片，通过两个网络模块分别预测手部姿态和人体姿态。

然后再通过整合模块将手和身体组合在一起，得到最终的3D全身模型，整个流程如下图所示：

在具体的各个模块的实现，那就涉及具体的数学公式了。

本文就不多做扩展了，感兴趣的小伙伴，可以直接看论文。

论文地址：

https://arxiv.org/pdf/2008.08324.pdf

论文对每个模块的公式，记录的很详细。

FrankMocap 算法怎么玩？

这里有详细的安装教程：

https://github.com/facebookresearch/frankmocap/blob/master/docs/INSTALL.md

除了常规的第三方库，还需要 Detectron2 用于手部动作捕捉，以及 Pytorch3D 做姿态渲染。

推荐使用 Anaconda 配置，环境配置完毕，就可以开始体验了。

使用方法很简单：

如果只做身体姿态捕捉，可以运行如下命令：

# using a machine with a monitor to show output on screenpython -m demo.demo_bodymocap --input_path ./sample_data/han_short.mp4 --out_dir ./mocap_output
# screenless mode (e.g., a remote server)xvfb-run -a python -m demo.demo_bodymocap --input_path ./sample_data/han_short.mp4 --out_dir ./mocap_output

运行效果：

如果只做手部姿态捕捉，可以运行如下命令：

# using a machine with a monitor to show outputs on screenpython -m demo.demo_handmocap --input_path ./sample_data/han_hand_short.mp4 --out_dir ./mocap_output
# screenless mode  (e.g., a remote server)xvfb-run -a python -m demo.demo_handmocap --input_path ./sample_data/han_hand_short.mp4 --out_dir ./mocap_output

运行效果：

全身的姿态估计，使用如下指令：

# using a machine with a monitor to show outputs on screenpython -m demo.demo_frankmocap --input_path ./sample_data/han_short.mp4 --out_dir ./mocap_output
# screenless mode  (e.g., a remote server)python -m demo.demo_frankmocap --input_path ./sample_data/han_short.mp4 --out_dir ./mocap_output

运行效果：