陳夢婷， 王興剛， 劉文予

(華中科技大學(xué) 電子信息與通信學(xué)院,湖北 武漢 430074)

0 引言

人體姿態(tài)估計一直是計算機(jī)視覺領(lǐng)域[1]中一個非?；A(chǔ)卻又非常具有挑戰(zhàn)性的任務(wù)。在給定圖像或視頻的情況下，預(yù)測人體關(guān)鍵點(diǎn)的2D或3D位置信息，這對于虛擬現(xiàn)實(shí)、增強(qiáng)現(xiàn)實(shí)、自動駕駛等需要空間推理的應(yīng)用場景而言是至關(guān)重要的。得益于深度卷積神經(jīng)網(wǎng)絡(luò)(DCNN)的快速發(fā)展以及大規(guī)模手動注釋的數(shù)據(jù)集的獲取，目前在2D人體姿態(tài)估計方面已經(jīng)取得了重大進(jìn)展。

反觀3D人體姿態(tài)估計的進(jìn)展仍然有限，主要是由于在不受限制的環(huán)境中難以獲得人體關(guān)節(jié)3D位置的真實(shí)標(biāo)簽?，F(xiàn)有的數(shù)據(jù)集(例如Human3.6M[2])是使用Mocap系統(tǒng)在受限的室內(nèi)實(shí)驗(yàn)室環(huán)境中收集的，這樣采集得到的數(shù)據(jù)集無論是在視角還是在光照和場景的變化上都比較單一。雖然深度卷積神經(jīng)網(wǎng)絡(luò)能夠很好地擬合這類數(shù)據(jù)集，但將這樣訓(xùn)練得到的模型運(yùn)用到僅有2D標(biāo)注的不受限的場景圖片上時(例如MPII[3]、MPI-INF-3DHP[4])，模型的表現(xiàn)往往不盡如人意。

研究發(fā)現(xiàn)，雖然人體是一個可以活動的結(jié)構(gòu)，但是單個軀干(比如上臂、大腿等)可以近似看作是剛體結(jié)構(gòu)。雖然數(shù)據(jù)集僅僅標(biāo)注了關(guān)鍵點(diǎn)的3D信息，本文可以利用軀干兩端的深度，通過密集插值估算出整個軀干的深度信息，從而構(gòu)成密集深度插值特征圖。本文將這個深度特征圖作為模型訓(xùn)練的中間監(jiān)督，這樣可以為模型提供一個更加結(jié)構(gòu)化的學(xué)習(xí)目標(biāo)，而不僅僅是學(xué)習(xí)離散關(guān)鍵點(diǎn)的信息，從而有效提高模型的泛化能力，避免過擬合。而且在3個維度的學(xué)習(xí)過程中，深度學(xué)習(xí)往往是最具有難度的，通過密集深度特征圖，可以讓模型學(xué)習(xí)到結(jié)構(gòu)化的深度信息，從而緩解因?yàn)檎趽?、視覺變形帶來的誤差。

1 相關(guān)工作

1.1 2D人體姿態(tài)估計

樹形結(jié)構(gòu)模型最早被用來解決2D人體姿態(tài)估計問題，比如pictoral structures[5]和mixtures of body parts[6]，其主要思路是設(shè)計一個用于檢測人體關(guān)節(jié)的一元項，加上用于模擬人體2個關(guān)節(jié)之間的成對關(guān)系的成對項。還有傳統(tǒng)方法中建立四肢之間外觀的對稱性模型或是設(shè)計兩臂之間的排斥邊緣，以解決重復(fù)計數(shù)問題[7]。最近，DCNN取得了令人矚目的進(jìn)展[8]。相較于直接回歸關(guān)鍵點(diǎn)的坐標(biāo)[8]，目前更常見的做法是使用熱力圖，即以人體關(guān)節(jié)位置為中心的二維高斯生成的特征圖作為模型回歸的目標(biāo)。常見的主干網(wǎng)絡(luò)有ResNet[9]、hourglass[10]和multi-stage網(wǎng)絡(luò)[11]。本文使用最新的HRNet[12]作為網(wǎng)絡(luò)的主干架構(gòu)。

1.2 3D人體姿態(tài)估計

3D人體姿態(tài)估計與2D人體姿態(tài)估計一直有很多相關(guān)之處。Lee等[13]首先研究了從相應(yīng)的2D投影中來推斷3D關(guān)鍵點(diǎn)的方法。后來的方法有的是利用最近臨近算法來完善姿態(tài)推斷[14]，有的是提取手工特征來完成回歸[15]。

后來越來越多的研究致力于利用深度神經(jīng)網(wǎng)絡(luò)來完成這一任務(wù)。可以大致分為單階段方法和兩階段方法。單階段的方法希望可以直接由輸入圖像得到3D人體姿態(tài)的估計結(jié)果。Pavlakos等[16]提出了3D關(guān)節(jié)的體積表示，并使用了從粗粒度到精粒度的策略來迭代地精修預(yù)測結(jié)果。此類方法都需要具有相應(yīng)3D標(biāo)注的圖像。由于缺乏帶有3D標(biāo)注的室外場景圖像，這些方法往往會在跨域數(shù)據(jù)集上效果較差。Yang等[17]將3D姿態(tài)估計器看作是生成器，并使用對抗學(xué)習(xí)的方法生成令判別器無法區(qū)分的3D姿態(tài)，以保證預(yù)測結(jié)果結(jié)構(gòu)上的真實(shí)性。而兩階段方法主要是先學(xué)習(xí)一個2D人體姿態(tài)估計的模型，再學(xué)習(xí)從2D到3D的映射模型。比如在2D人體姿態(tài)估計模型的后面加一個優(yōu)化模型[18]或者是回歸模型[19-20]來完成對3D姿態(tài)的估計。比如Martinez等[20]引入了一種簡單而有效的方法，可以僅通過對關(guān)鍵點(diǎn)的2D預(yù)測得到3D關(guān)鍵點(diǎn)的預(yù)測結(jié)果。Fang等[21]通過姿勢語法網(wǎng)絡(luò)進(jìn)一步擴(kuò)展了這種方法。這類方法往往能更好地泛化到其他室外場景數(shù)據(jù)集上。

2 密集插值姿態(tài)估計網(wǎng)絡(luò)

2.1 密集深度插值

作為3D關(guān)鍵點(diǎn)任務(wù)檢測，數(shù)據(jù)集只有離散的關(guān)鍵點(diǎn)的3D標(biāo)注信息，所以很多方法僅僅通過2D的熱力圖作為中間特征，來幫助最后的3D回歸。本文發(fā)現(xiàn)，雖然人體是非常靈活的結(jié)構(gòu)，但是單獨(dú)去看人體的某個軀干(比如左小臂、右大腿)，可以近似地把它們看作一個剛體。因此，當(dāng)僅僅只知道軀干兩端點(diǎn)的深度信息時，可以近似估計出整個軀干的深度。

如圖1所示，此處以一個小臂為例。Pw和Pe代表關(guān)鍵點(diǎn)手腕w(wrist)和手肘e(elbow)的2D位置，它們構(gòu)成第m個軀干。這兩點(diǎn)的深度真實(shí)值分別為Dm(Pw)和Dm(Pe)。那么Pw和Pe連線上的任意點(diǎn)P′的深度Dm(P′)都可以通過線性插值進(jìn)行估算：

圖1 密集深度插值示意圖Figure 1 Diagram of dense depth interpretation map

(1)

不僅僅是兩點(diǎn)連線上的點(diǎn)，本文對于位于軀干上的點(diǎn)P1都可以給出估計深度，只要P1滿足：

(2)

除了上述矩形空間，本文對關(guān)鍵點(diǎn)附近的區(qū)域點(diǎn)P2也進(jìn)行了深度估計：

(3)

(4)

所有滿足式(3)范圍內(nèi)的點(diǎn)的深度等于Dm(Pe)；所有滿足式(4)范圍內(nèi)的點(diǎn)的深度等于Dm(Pw)。最后得到的范圍區(qū)域以及對應(yīng)的預(yù)估深度圖如圖1所示。

每個軀干由一個單獨(dú)的特征通道表示，本文采用一共有16個關(guān)鍵點(diǎn)組成的15個軀干，因此密集深度插值構(gòu)成的目標(biāo)特征共有15個通道，如圖2所示。每個通道僅有部分屬于軀干的點(diǎn)才有深度回歸的目標(biāo)，其他點(diǎn)因?yàn)闆]有目標(biāo)值，所以在計算損失函數(shù)時不考慮。最后構(gòu)造得到的目標(biāo)特征圖用D表示，它的第m個通道為Dm，代表第m個軀干的連續(xù)深度分布。

圖2 人體軀干示意圖Figure 2 Diagram of human body

2.2 輔助2D熱力圖

上述密集深度插值特征既包含了軀干在2D平面的位置信息，還包括了軀干的連續(xù)深度值。但是相對而言學(xué)習(xí)起來比較困難。為了能夠更好地學(xué)習(xí)擬合該特征圖，本文用另外兩個2D熱力圖作為輔助分支，如圖3所示。

圖3 輔助2D熱力圖示意圖Figure 3 Diagram of auxiliary 2D heat map

在關(guān)鍵點(diǎn)熱力圖中，每個關(guān)鍵點(diǎn)單獨(dú)占一個通道。假設(shè)Pk是第k個點(diǎn)在圖像中的真實(shí)位置，且Pk∈R2。那么第k個關(guān)鍵點(diǎn)在位置P的置信度為

(5)

其中，σ控制山峰的陡峭程度。由此構(gòu)造得到的輔助2D熱力圖如圖3 (b)所示。

上述輔助2D熱力圖僅僅表征了關(guān)鍵點(diǎn)的2D位置，為了能更好地輔助軀干的深度圖，本文構(gòu)造了另一個代表軀干位置置信度的熱力圖。同樣，本文以Pw和Pe代表關(guān)鍵點(diǎn)手腕w(wrist)和手肘e(elbow)的2D位置為例，它們構(gòu)成第m個軀干。對于所有滿足式(2)的點(diǎn)P1屬于第m個軀干的置信度為

(6)

對于所有滿足式(3)或式(4)的點(diǎn)P2，它們的置信度分別為

(7)

由此構(gòu)造得到的輔助熱力圖如圖3(c)所示。

2.3 整體網(wǎng)絡(luò)結(jié)構(gòu)

當(dāng)獲取了上述3個目標(biāo)特征圖后，網(wǎng)絡(luò)的整體框架如圖4所示。整個訓(xùn)練過程分為2個階段。第一個階段是輸入圖像到中間特征的訓(xùn)練。這里的Backbone使用的是HRNet[12]結(jié)構(gòu)，本文的最后一個模塊分成3個不同的分支，來分別預(yù)測3個特征圖，之前的所有網(wǎng)絡(luò)都是共享參數(shù)。對于關(guān)鍵點(diǎn)和軀干的熱力圖，本文使用的是均方誤差(MSE)損失函數(shù)。輔助關(guān)鍵點(diǎn)熱力圖的損失函數(shù)為

圖4 模型整體框架圖Figure 4 Diagram of model structure

(8)

因?yàn)閷τ谲|干而言，不同的軀干的長度差異較大，為了避免因非0值的數(shù)量造成的差異，本文設(shè)置權(quán)重因子來平衡這種差異：

(9)

(10)

對于密集深度插值特征圖，因?yàn)橹豢紤]軀干位置的深度，其他位置不參與損失函數(shù)的計算，所以通過軀干的輔助熱力圖對不考慮的點(diǎn)的損失函數(shù)設(shè)置為0，并且也通過權(quán)重因子來平衡不同軀干的權(quán)重：

(11)

L1=LD+w2D(LS+LQ)。

(12)

式中：w2D是輔助2D任務(wù)所占的權(quán)重。

第一階段訓(xùn)練完成之后，用將第一階段模型預(yù)測得到的3個輸出作為輸入，通過網(wǎng)絡(luò)直接回歸最后的3D姿態(tài)。使用的網(wǎng)絡(luò)是由卷積層、最大池化層、ReLU層以及全連接層組合得到。最后得到關(guān)鍵點(diǎn)的3D位置預(yù)測，采用兩階段的訓(xùn)練方式，主要是為了防止回歸網(wǎng)絡(luò)過擬合，中間監(jiān)督失去作用，從而使網(wǎng)絡(luò)的泛化性能變差。

3 實(shí)驗(yàn)結(jié)果

3.1 數(shù)據(jù)集

在3個最常見的人體姿態(tài)估計數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn)。Human3.6M[1]數(shù)據(jù)集是最大的3D人體姿態(tài)估計數(shù)據(jù)集，它包含了3.6×106張圖片，來自11個人。每人會表演15個日常動作，比如：吃、坐下、行走和拍照等。數(shù)據(jù)集的3D姿態(tài)真實(shí)標(biāo)簽由Mocap系統(tǒng)獲取，2D姿態(tài)真實(shí)標(biāo)簽可以通過已知的攝像機(jī)內(nèi)外部參數(shù)投影得到。參照Human3.6M上的標(biāo)準(zhǔn)協(xié)議，評估指標(biāo)為在對齊根關(guān)節(jié)深度后，所有關(guān)節(jié)的真實(shí)值與預(yù)測值的平均位置誤差(MPJPE)，單位為mm。

MPI-INF-3DHP[4]數(shù)據(jù)集是最近提出的由Mocap系統(tǒng)構(gòu)建的3D人體姿態(tài)數(shù)據(jù)集。本文僅使用該數(shù)據(jù)集的測試集，其中包含來自6個人的7個動作，共2 929張樣本。本文用3DPCK(閾值150 mm)和AUC兩個指標(biāo)來定量評估模型的泛化能力。

MPII[3]數(shù)據(jù)集是2D人體姿態(tài)估計任務(wù)中使用最廣泛的數(shù)據(jù)集之一。它包含從YouTube視頻中收集的2.5萬張圖像。數(shù)據(jù)集提供了2D標(biāo)注，但沒有3D的標(biāo)注。因此，直接使用此數(shù)據(jù)集進(jìn)行3D姿態(tài)估計訓(xùn)練是不可行的，故本文將此數(shù)據(jù)集用于多任務(wù)網(wǎng)絡(luò)的訓(xùn)練。

3.2 實(shí)驗(yàn)結(jié)果

在目前最常用的3D人體姿態(tài)估計數(shù)據(jù)集Human3.6M上進(jìn)行了評估。和之前的許多方法一樣，在第一階段的訓(xùn)練過程中，聯(lián)合MPII數(shù)據(jù)一起訓(xùn)練。因?yàn)镸PII只有2D標(biāo)注， 所以只參與輔助2D分支的訓(xùn)練。詳細(xì)的結(jié)果和對比如表1所示?？梢钥闯?，本文方法和之前的方法相比，結(jié)構(gòu)更加清晰簡單，而且具有更好的性能。

表1 在Human3.6M上的MPJPE比較結(jié)果Table 1 Results of MPJPE on Human3.6M mm

3.3 跨域泛化結(jié)果

本文使用數(shù)據(jù)集MPI-INF-3DHP來驗(yàn)證模型到另一個全新的3D人體姿態(tài)估計數(shù)據(jù)集上的跨域遷移能力，該數(shù)據(jù)集的所有數(shù)據(jù)都不會參與訓(xùn)練過程，比較結(jié)果如表2所示?？梢钥闯?，通過密集插值特征圖訓(xùn)練得到的模型具有更強(qiáng)的泛化遷移能力。

表2 在MPI-INF-3DHP上的跨域驗(yàn)證實(shí)驗(yàn)結(jié)果Table 2 Results of domain transfer on MPI-INF-3DHP mm

模型在數(shù)據(jù)集MPI-INF-3DHP[4]上的可視化結(jié)果如圖5所示?？梢钥闯?，即使在出現(xiàn)物體遮擋或者姿態(tài)比較獨(dú)特的時候，本文的模型也可以給出精確的結(jié)果。

圖5 在數(shù)據(jù)集MPI-INF-3DHP上的可視化結(jié)果Figure 5 Visualization on MPI-INF-3DHP

3.4 消融實(shí)驗(yàn)

首先比較了分兩個階段訓(xùn)練與單階段聯(lián)合訓(xùn)練的區(qū)別，實(shí)驗(yàn)結(jié)果如表3所示?？梢钥闯?，如果采用單一階段的訓(xùn)練方式，在Human3.6M上的MPJPE結(jié)果會有細(xì)微提升，但是如用訓(xùn)練好的模型直接在數(shù)據(jù)集MPI-INF-3DHP做跨域驗(yàn)證時，3DPCK和AUC都有大幅度下降，說明只有分兩階段訓(xùn)練，才能強(qiáng)制模型去學(xué)習(xí)有用的結(jié)構(gòu)化信息，而不是直接去擬合離散關(guān)鍵點(diǎn)。這也進(jìn)一步證明了本文所提出的密集深度插值特征圖可以為模型帶來更強(qiáng)的泛化能力。

表3 不同訓(xùn)練方式在Human3.6M和 MPI-INF-3DHP上的結(jié)果Table 3 Results of different training strategy on Human3.6M and MPI-INF-3DHP mm

4 結(jié)論

提出了一種基于線性插值的密集深度插值特征圖作為3D人體姿態(tài)估計任務(wù)的中間監(jiān)督，并通過兩個輔助2D熱力圖來降低學(xué)習(xí)難度。通過在公認(rèn)基準(zhǔn)Human3.6M上的實(shí)驗(yàn)證明了該特征圖的有效性和簡潔性。并通過在MPI-INF-DHP上的跨域驗(yàn)證實(shí)驗(yàn)展示了模型強(qiáng)大的泛化遷移能力。由此可以看出，用結(jié)構(gòu)化的深度信息作為學(xué)習(xí)目標(biāo)可以有效地提高模型的性能。這種結(jié)構(gòu)化也可以直接拓展到整個3D空間，將這種插值結(jié)構(gòu)信息的作用發(fā)揮到最大，這也是本文未來的研究目標(biāo)之一。