張宜春，黃一鳴，潘達

（1.中國藝術(shù)科技研究所，北京 100007；2.中國傳媒大學(xué)媒體融合與傳播國家重點實驗室，北京 100024）

1 研究背景

人體姿態(tài)估計（Human Pose Estimation,HPE）是計算機視覺領(lǐng)域的高級任務(wù)之一，它通過對計算機輸入一幅含有人體的圖像或者一段視頻，從而使人們獲得圖像或視頻中人體骨架關(guān)鍵點位置［1］。人體姿態(tài)估計在現(xiàn)實生活中的應(yīng)用十分廣泛，它可以應(yīng)用于多個領(lǐng)域，例如：動作識別、姿態(tài)跟蹤以及基于計算機視覺的人體動作捕捉等。

人體動作捕捉技術(shù)，簡稱動捕（Mocap)，意為記錄并處理人的動作行為的技術(shù)。目前人體動作捕捉技術(shù)應(yīng)用廣泛，例如在體育、娛樂、醫(yī)療健康等領(lǐng)域動捕技術(shù)都有所涉及。根據(jù)使用設(shè)備與實現(xiàn)技術(shù)的不同，主流的人體動作捕捉技術(shù)可分為以下三種類型——光學(xué)動捕、慣性動捕和視覺動捕。光學(xué)動捕需要較大捕捉空間且設(shè)備昂貴、部署繁瑣，但是其優(yōu)點是精度極高，發(fā)展成熟。慣性動捕由慣性傳感器組成，優(yōu)點是使用靈活、性價比較高、便攜性強；缺點是易受干擾，長時間使用易產(chǎn)生估計偏移量，不夠精確［2］。視覺動捕是一種僅需要攝像頭和計算機便可實現(xiàn)的動捕方法，典型實現(xiàn)方法是使用Kinect深度相機進行人體捕捉［3］。目前只使用普通攝像頭實現(xiàn)動作捕捉的技術(shù)也日益發(fā)展，這使得視覺動捕成本更加低廉、部署更加便捷、前景更加廣闊。

本文主要研究基于姿態(tài)估計技術(shù)的視覺動捕技術(shù)。目前人體姿態(tài)估計技術(shù)根據(jù)輸出結(jié)果的維度劃分，可以分成二維人體姿態(tài)估計和三維人體姿態(tài)估計。

1.1 二維人體姿態(tài)估計

二維人體姿態(tài)估計，即給計算機輸入圖像信息后可以得到圖像中人體關(guān)鍵點的二維預(yù)測坐標。二維人體姿態(tài)估計根據(jù)同一幅圖中估計出的最多人數(shù)，進一步劃分為單人二維姿態(tài)估計和多人二維姿態(tài)估計；二維人體姿態(tài)估計根據(jù)檢測關(guān)鍵點的方式，又分為自頂向下（Top-Down）以及自底向上（Bottom-Up）的方法。自底向上的方法是先通過人體檢測器判斷出人體檢測框，然后通過多次剪裁修正，最后對每個檢測框進行人體關(guān)鍵點識別，這種方法的精度往往較高，但是識別的速度較慢。自底向上的方法則是首先根據(jù)人體關(guān)鍵點熱力圖預(yù)測人體關(guān)鍵點可能存在的區(qū)域，再利用諸如匈牙利算法等方法去將關(guān)鍵點組合成一個完整的人體骨架，這種方法的實時性較優(yōu)，但是難以達到較高的檢測精度，應(yīng)用場景受到一定的限制。

1.2 三維人體姿態(tài)估計

由于二維人體姿態(tài)估計無法預(yù)測出人體深度信息，因此，越來越多的研究者著眼于三維人體姿態(tài)估計。三維人體姿態(tài)估計旨在通過輸入的二維圖像或視頻，尋求三維空間上的人體關(guān)節(jié)點的位置信息。隨著深度學(xué)習技術(shù)的發(fā)展以及人們對人機交互要求的提高，三維人體姿態(tài)估計越來越成為了姿態(tài)估計領(lǐng)域研究者熱衷的課題。在三維姿態(tài)估計中，人體的表示形式一般分為兩種：骨架圖表示和參數(shù)化表示。

第一種表示方式是Skeleton方式，這種表示方式如圖1所示，即通過人體關(guān)鍵點以及相鄰關(guān)鍵點之間的連線組成相應(yīng)的人體姿態(tài)［4］。

圖1 姿態(tài)估計人體三維骨架圖

第二種表示方式是參數(shù)化的人體模型（如SMPL），這種表示方法使用身形參數(shù)、姿態(tài)參數(shù)來控制mesh網(wǎng)格表示人體姿態(tài)、高矮、胖瘦等信息，多用于人體三維重建。

由于三維人體姿態(tài)估計能夠預(yù)測圖像中人的深度信息，因此，三維人體姿態(tài)估計具有更加廣泛的應(yīng)用前景。

基于三維人體姿態(tài)估計技術(shù)，本文研發(fā)了基于人體姿態(tài)估計的京劇虛擬人物互動系統(tǒng)，使用該系統(tǒng)可以通過單目攝像機實現(xiàn)京劇藝術(shù)家表演動作的實時捕捉并將之遷移到虛擬的人物身上。

2 虛擬人物互動系統(tǒng)

本章主要介紹虛擬人物互動系統(tǒng)的四大模塊，即姿態(tài)估計方法模塊、虛擬人物驅(qū)動模塊、卡爾曼濾波模塊和視覺動捕設(shè)計模塊。基于人體姿態(tài)估計的京劇虛擬人物互動系統(tǒng)框圖見圖2。其中，虛擬人物骨骼綁定以及關(guān)鍵點角度限制均屬于虛擬人物驅(qū)動模塊。

圖2 虛擬人物互動系統(tǒng)流程圖

2.1 姿態(tài)估計方法

VNect是一種針對單人且實時性較好的三維人體姿態(tài)估計方法，該算法能夠通過攝像頭視頻流捕獲人體信息，且人體關(guān)鍵點的預(yù)測精度較高，并實時預(yù)測出人體的三維姿態(tài)［5］。因此，本文使用VNect姿態(tài)估計算法，將之應(yīng)用在人體視覺動捕和虛擬人物驅(qū)動上。此外，出于對非物質(zhì)文化遺產(chǎn)——京劇的發(fā)揚和保護，本文使用時下流行的游戲開發(fā)引擎Unity3D，實現(xiàn)了對京劇藝術(shù)家動作的捕捉，并將京劇藝術(shù)家的動作遷移到了Unity3D的虛擬人物形象上，使得虛擬人物也可以做出京劇的動作，有助于增強人們對于京劇的興趣，對傳統(tǒng)京劇進行“新創(chuàng)造”。

VNect模型較好地解決了三維姿態(tài)估計中的空間歧義性問題，即解決了二維人體姿態(tài)估計結(jié)果提升到三維空間時，一個二維姿態(tài)會對應(yīng)多個三維姿態(tài)的問題。VNect通過圖像特征直接進行學(xué)習、提取三維隱含特征，不再分階段提取，而是聯(lián)合訓(xùn)練人體的二維姿態(tài)和三維姿態(tài)。

VNect模型的算法流程如圖3所示，整個流程分成多階段，依次為人體邊界框提取，CNN回歸，時域濾波，以及骨骼綁定，最終可以實現(xiàn)三維姿態(tài)估計的效果。其中最重要的就是CNN回歸，用于回歸人體關(guān)鍵點坐標和人體關(guān)鍵點熱力圖。

圖3 VNect模型流程圖

VNect算法的目的是能夠?qū)崿F(xiàn)高質(zhì)量且快速的三維人體姿態(tài)估計。因此，VNect采用了聯(lián)合訓(xùn)練的方式，計算出每個網(wǎng)絡(luò)的熱力圖以及回歸出每個關(guān)節(jié)點相對于根節(jié)點的三個方向的位移。卷積神經(jīng)網(wǎng)絡(luò)回歸部分的結(jié)構(gòu)如圖4所示：

圖4 VNect模型結(jié)構(gòu)圖

VNect的主干網(wǎng)絡(luò)是ResNet50，僅使用到Conv4的最后一層res4f，到res4f開始進行結(jié)構(gòu)修改，將連續(xù)多幀單目RGB圖像（可看成視頻流）作為網(wǎng)絡(luò)輸入，輸出則是預(yù)測每個關(guān)鍵點二維坐標點熱力圖H和三維相對于根節(jié)點的坐標XYZ，從而以向量的形式輸出。

VNect的損失函數(shù)通過關(guān)鍵點區(qū)域xjyjzj和ground truth的差異進行L2范數(shù)計算：

其中，j表示關(guān)節(jié)點的索引值，Xj表示第j個關(guān)鍵點在X方向的位移，是關(guān)鍵點的ground truth，?代表Hadamard積。

此外，對于VNect的網(wǎng)絡(luò)訓(xùn)練超參數(shù)等條件的設(shè)置同VNect保持一致。

2.2 虛擬人物驅(qū)動

虛擬人物驅(qū)動，即使用三維姿態(tài)估計技術(shù)預(yù)測人體關(guān)鍵點的運動信息，并將關(guān)鍵點信息遷移到已經(jīng)綁定骨骼的三維虛擬人物形象上，讀取運動數(shù)據(jù)并使用姿態(tài)估計算法回歸出的運動數(shù)據(jù)驅(qū)動虛擬人物，使之進行運動。

2.2.1 blender人物模型骨骼綁定

虛擬人物實時運動需要對人物模型進行骨骼綁定，然而各個關(guān)節(jié)點的旋轉(zhuǎn)限制角度不盡相同，為了使得虛擬人物的肢體動作更加真實且自然，除了使用已預(yù)測的人體關(guān)鍵點數(shù)據(jù)之外，還需要對虛擬人物不同關(guān)鍵點的旋轉(zhuǎn)角度進行設(shè)置。虛擬人物關(guān)鍵點旋轉(zhuǎn)角度設(shè)置主要依靠制作人物模型的軟件進行骨骼限制，不同關(guān)鍵點的旋轉(zhuǎn)角度的設(shè)置詳情見表1。

表1 人體主要關(guān)節(jié)點旋轉(zhuǎn)角度限制

本文人物模型綁定使用建模軟件blender，人物模型綁定的流程見圖5。其中，人物模型綁定需要用到正向運動學(xué)（Forward Kinematics,FK）和反向運動學(xué)（Inverse Kinematics,IK)［6］。正向運動學(xué)的原理是父骨骼帶動子骨骼進行運動，例如膝關(guān)節(jié)帶動踝關(guān)節(jié)運動，可以實現(xiàn)腿部彎曲的效果。反向運動學(xué)的原理是子骨骼帶動父骨骼進行運動，例如手部帶動肩部進行揮手運動等。

圖5 骨骼綁定流程圖

2.2.2 Unity3D游戲開發(fā)引擎

本文選用的虛擬人物驅(qū)動引擎是Unity3D。Unity3D是由Unity Technologies研發(fā)的3D游戲引擎，Unity3D開發(fā)功能強大，兼容性好，使之受到越來越多的開發(fā)者青睞［7］。Unity3D支持全平臺，應(yīng)用廣泛且具有逼真的物理模擬系統(tǒng)，因此本文選擇Unity3D作為基于人體姿態(tài)估計的京劇虛擬人物演藝系統(tǒng)的開發(fā)平臺。

2.2.3 開放神經(jīng)網(wǎng)絡(luò)交換格式

本文使用開放神經(jīng)網(wǎng)絡(luò)交換格式（Open Neural Network Exchange,ONNX）存儲深度學(xué)習模型并將之遷移到Unity3D中［8］，實現(xiàn)運動信息的傳遞。

2.2.4 骨骼數(shù)據(jù)處理與表示

基于VNect的姿態(tài)估計算法得出的人體關(guān)鍵點數(shù)量和Unity3D中虛擬人物驅(qū)動的關(guān)鍵點數(shù)量是不相同的。因此，需要對骨骼數(shù)據(jù)進行處理才可以讓深度學(xué)習網(wǎng)絡(luò)得到的人體數(shù)據(jù)應(yīng)用于Unity3D中。

本文使用三維建模軟件blender綁定虛擬人物的骨骼，通過增加子節(jié)點關(guān)節(jié)來提升虛擬人物運動的真實性（例如不止關(guān)注于手部位置，還關(guān)注于指關(guān)節(jié)位置）。VNect三維姿態(tài)估計算法所計算出的骨骼關(guān)鍵點熱力圖都是人體的重要關(guān)鍵點，算法識別到的僅為骨骼兩端節(jié)點的坐標，在三維旋轉(zhuǎn)角度方面沒有涉及，因此卷積神經(jīng)網(wǎng)絡(luò)沒有涉及到的關(guān)鍵點只能通過臨近涉及到的關(guān)鍵點進行定位。神經(jīng)網(wǎng)絡(luò)預(yù)測出的二維關(guān)鍵點表示見圖6。與關(guān)鍵點圖相對應(yīng)的關(guān)鍵點名稱見表2。

圖6 神經(jīng)網(wǎng)絡(luò)預(yù)測骨架圖

表2 預(yù)測關(guān)鍵點編號及名稱

在游戲開發(fā)引擎Unity3D中，骨骼轉(zhuǎn)動有多種表示方法，例如通過方向余弦、歐拉角、四元數(shù)表示等。其中，四元數(shù)是使用頻率最高的一種表示方法，四元數(shù)計算高效，可以表示狀態(tài)和旋轉(zhuǎn)動作，且能通過歐拉角轉(zhuǎn)換。因此，本文選用Unity3D游戲開發(fā)中最常用的四元數(shù)來表示。

在完成人物模型的骨骼綁定、開發(fā)平臺的選擇、深度學(xué)習模型的遷移以及三維骨骼數(shù)據(jù)的四元數(shù)表示后，基本可以實現(xiàn)虛擬人物的運動，但是此時由于可能會有一些幀沒有捕捉到所有的人體關(guān)鍵點、背景環(huán)境的干擾以及遮擋難題的存在，會對連續(xù)幀的姿態(tài)估計造成干擾，因而并不會令每一幀圖像都能預(yù)測出平滑的運動表示。如果沒有人為處理，神經(jīng)網(wǎng)絡(luò)預(yù)測出的骨骼運動就會發(fā)生閃跳現(xiàn)象，因此需要后續(xù)的進一步處理。

2.3 卡爾曼濾波

卡爾曼濾波器（Kalman filter）是一種常用的連續(xù)信號跟蹤濾波器，且卡爾曼濾波器是一種純粹的時域濾波器，無需在頻域設(shè)計后再在時域?qū)崿F(xiàn)，因此，該濾波器占用的內(nèi)存很小，適用于視覺動作捕捉的平滑處理［9］。

2.3.1 卡爾曼濾波器原理

卡爾曼濾波器分為非線性方程直接法和線性方程間接法。人體姿態(tài)可視為域內(nèi)線性運動，因此，選用線性卡爾曼濾波器作為運動平滑的優(yōu)化器。

線性卡爾曼濾波器公式為：

2.3.2 卡爾曼濾波器在動捕方面的應(yīng)用

在虛擬人物驅(qū)動過程中，神經(jīng)網(wǎng)絡(luò)預(yù)測出的人體關(guān)鍵點跳閃現(xiàn)象通過卡爾曼濾波得到緩解，針對人體運動數(shù)據(jù)在各個坐標軸上的規(guī)律，通過卡爾曼濾波進行處理，為視覺動捕系統(tǒng)開發(fā)的算法性能穩(wěn)定性提供了保障。

2.4 視覺動捕系統(tǒng)設(shè)計

基于人體姿態(tài)估計的京劇虛擬人物互動系統(tǒng)除了由姿態(tài)估計算法模塊、虛擬人物驅(qū)動模塊、卡爾曼濾波模塊組成外，還有一個重要組成模塊即為視覺動捕系統(tǒng)模塊。以下將主要介紹本文研發(fā)的視覺動捕系統(tǒng)的實現(xiàn)功能、系統(tǒng)界面UI設(shè)計等方面。

2.4.1 動捕系統(tǒng)實現(xiàn)的功能

本文基于人體姿態(tài)估計技術(shù)研發(fā)出的視覺動捕系統(tǒng)同傳統(tǒng)京劇的結(jié)合可以實現(xiàn)京劇表演動作的“遷移”，即將京劇藝術(shù)家展示的京劇動作進行捕捉，并“遷移”給虛擬人物，從而實現(xiàn)姿態(tài)估計和京劇表演的有機結(jié)合。Unity3D游戲引擎支持計算機攝像頭調(diào)用［10］。本文采用的姿態(tài)估計算法模型可以實現(xiàn)使用計算機攝像頭對于三維人體關(guān)鍵點的捕獲。通過攝像頭進行的虛擬人物驅(qū)動見圖7。

圖7 攝像頭實時的虛擬人物驅(qū)動

2.4.2 動捕系統(tǒng)的界面設(shè)計

在視覺動捕系統(tǒng)的UI設(shè)計中，本工程采用了模塊化的設(shè)計思想，動捕系統(tǒng)主界面見圖8所示。

圖8 攝像頭實時的虛擬人物驅(qū)動

主要分為三部分——舞臺、虛擬人物、視頻窗口以及選項框。其中，舞臺選用了傳統(tǒng)的京劇舞臺圖片，人物模型采用的是NicoNico網(wǎng)站中的人物形象，選項框分為兩大部分，依次是視頻源和人物模型，視頻源可以選取網(wǎng)上或電腦本地的京劇動作視頻，或者通過同計算機連接的攝像頭捕獲的視頻數(shù)據(jù)，對之進行讀取并驅(qū)動。

3 實驗與分析

以下為對本文提出的基于姿態(tài)估計算法的視覺動作捕捉系統(tǒng)的性能進行實驗分析。

3.1 虛擬人物互動系統(tǒng)實驗開發(fā)環(huán)境

基于人體姿態(tài)估計的京劇虛擬人物互動系統(tǒng)開發(fā)所用相關(guān)工具、使用的編程語言等條件見表3。

表3 動捕系統(tǒng)開發(fā)環(huán)境表

3.2 視覺動捕系統(tǒng)精度評價實驗

精度評價實驗是視覺動捕系統(tǒng)中最重要的實驗，它主要的考慮因素是姿態(tài)估計算法的精確性，姿態(tài)估計算法的精確性越高，則視覺動捕系統(tǒng)的可靠性就越高。

3.2.1 評價指標

姿態(tài)估計領(lǐng)域的精度實驗最常見的姿態(tài)估計算法性能評價指標就是平均關(guān)節(jié)位置誤差（Mean Per Joint Position Error,MPJPE)［11］。平均關(guān)節(jié)位置誤差是預(yù)測關(guān)鍵點同ground truth之間的平均歐氏距離，單位是毫米。MPJPE的公式如下：

其中，N代表骨骼圖中關(guān)鍵點的數(shù)量，pij為預(yù)測出的關(guān)鍵點位置，表示標簽中關(guān)鍵點的實際位置。

3.2.2 數(shù)據(jù)集

本文精度實驗選用的是Human 3.6M數(shù)據(jù)集。Human3.6M數(shù)據(jù)集中含有360萬三維人體姿勢及對應(yīng)圖像。該數(shù)據(jù)集由11個實驗者的動作組成，依次存放于S1-S11文件夾。本文選用S1、S5、S6、S7、S8作為訓(xùn)練集，S9和S11作為測試集，且主要選用測試集中的Walk、Smoke、Wait作為測試姿態(tài)。三維姿態(tài)估計算法精度實驗的結(jié)果見表4。

表4 三維姿態(tài)估計算法精度比較表

表4所示實驗選用的比較指標為平均關(guān)節(jié)位置誤差，單位為毫米。表中最后一行加粗的結(jié)果所對應(yīng)的方法為本文所使用的姿態(tài)估計方法，可以看到在三個精度實驗的結(jié)果中，VNect所得到的平均關(guān)節(jié)位置誤差是最小的，證明VNect算法具有更高的姿態(tài)估計精度。

3.3 視覺動捕系統(tǒng)實時性評價實驗

實時性實驗主要是以算法達到的幀率（Frame rate）來進行衡量。幀率是指位圖圖像連續(xù)出現(xiàn)在顯示器上的頻率，單位是幀每秒。本文選用另外兩個主流的姿態(tài)估計算法（DconvMP和StructNet）訓(xùn)練的模型，將之嵌入到視覺動捕系統(tǒng)中進行性能對比。實時性實驗的結(jié)果見表5。

表5 三維姿態(tài)估計算法實時性比較表

實時性實驗比較表中最后一行加粗的數(shù)值最大，表示VNect姿態(tài)估計算法的實時性最好，30FPS已經(jīng)可應(yīng)用于視覺動作捕捉。

3.4 卡爾曼濾波效果評價實驗

本實驗主要檢驗卡爾曼濾波是否對驅(qū)動的虛擬人物運動具有平滑作用。對于京劇演示視頻中同一幀的動作，有無卡爾曼濾波的效果對比圖見圖9。根據(jù)三幅圖圖中紅色框標明的腳部細節(jié)可知，未經(jīng)卡爾曼濾波處理的腳部會因為噪聲干擾而翹起，經(jīng)過卡爾曼濾波處理的腳部姿態(tài)會更加貼近視頻圖中的原始姿態(tài)。由此可知，使用卡爾曼濾波算法的虛擬人物驅(qū)動可以避免單幀的預(yù)測錯誤，提升虛擬人物動作的正確性。

圖9 卡爾曼濾波效果對比圖

3.5 視覺動捕系統(tǒng)性能主觀評價實驗

本實驗主要用于測試使用者對于此虛擬人物互動系統(tǒng)的主觀交互體驗感。實驗邀請了5位受試者，依次在攝像頭前做站立、揮手、行走、側(cè)身動作，受試者通過觀察視覺動捕系統(tǒng)中的虛擬人物的運動效果以及體驗到的虛擬人物驅(qū)動系統(tǒng)的交互感受，根據(jù)虛擬人物運動的精確度、流暢度等主觀感受進行評分。受試者編號為1-5，分數(shù)區(qū)間設(shè)置為0-100分，實驗結(jié)果見表6。

表6 視覺動捕系統(tǒng)性能主觀實驗評價表

五位受試者對于站立動作、揮手動作和側(cè)身動作的打分均在90分以上，證明站立、揮手和側(cè)身動作的表現(xiàn)較好；行走動作分數(shù)略低于90分，效果不如前兩個動作效果，但是分數(shù)依然較高，證明本文視覺動捕系統(tǒng)帶給使用者較好的體驗。主觀評價受試者1的站立動作、揮手動作、行走動作、側(cè)身動作實驗效果圖見圖10。

圖10 主觀評價實驗效果圖

綜合以上四個實驗的結(jié)果，可以發(fā)現(xiàn)基于VNect姿態(tài)估計算法的虛擬人物互動系統(tǒng)的精度、速度、平滑性、受試者評價都較優(yōu)，基于人體姿態(tài)估計的京劇虛擬人物互動系統(tǒng)的性能較好。

5 小結(jié)

本文研發(fā)了一種基于人體姿態(tài)估計的京劇虛擬人物互動系統(tǒng)，僅通過向計算機輸入京劇教學(xué)視頻或單目普通相機捕捉的視頻流，即可將京劇藝術(shù)家的動作遷移到虛擬人物身上，并實時驅(qū)動虛擬人物進行京劇表演。本動作捕捉系統(tǒng)在可靠性和實時性方面均達到了較好的效果。在未來的開發(fā)中，可以考慮將之遷移到移動設(shè)備中，在保證精度和速度的前提下，讓基于此姿態(tài)估計算法的應(yīng)用更加普及。