使用SMPL进行pose and shape estimation常用数据集关节点信息

最新推荐文章于 2024-08-08 08:20:28 发布
最新推荐文章于 2024-08-08 08:20:28 发布
阅读量7k 收藏 8
点赞数 3
分类专栏： pose and shape estimation Human 3.6M Dataset SMPL
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/gaizixuan/article/details/82414877
版权

1 SMPL模型关节点名称

self.j_names = {
    0: 'Pelvis',  1: 'L_Hip',  2: 'R_Hip', 3:  'Spine1',  4: 'L_Knee',  5:  'R_Knee', 6:  'Spine2',  7:  'L_Ankle', 8:  'R_Ankle',  9:  'Spine3',  10: 'L_Foot', 11: 'R_Foot',  12: 'Neck',  13: 'L_Collar',  14: 'R_Collar',  15: 'Head', 16: 'L_Shoulder', 17: 'R_Shoulder',  18: 'L_Elbow',  19: 'R_Elbow', 20: 'L_Wrist',  21: 'R_Wrist',         22: 'L_Hand',  23: 'R_Hand', }

2 Human 3.6M 数据集关节点名称，需要注意的是数据集中给出的标注是32个joints的坐标，但是其中只有17个是可以移动的，其余的点名称为‘site‘， 个人理解可能是标注了图像背景中的一些点。

图像来自于github，但从Human3.6M的release code的metdata.xml中，13是neck，14是head，15是site。因此这个待确定。

gaigaigaizi
关注
专栏目录
【VIBE: Video Inference for Human Body Pose and Shape Estimation】论文阅读
CharmsLUO的博客
12-04 878
论文连接：https://arxiv.org/pdf/1912.05656.pdf 代码连接：https://github.com/mkocabas/VIBE Video Inference for Human Body Pose and Shape Estimation摘要前言相关工作方法1.引入库2.读入数据总结 图1:给定具有挑战性的野外视频，最近最先进的视频姿态估计方法31无法产生精确的3D身体姿态。为了解决这个问题，我们利用一个大规模的运动捕捉数据集来训练一个使用对抗方法的运动鉴别器。我们的模型
(3D-HPE)Neural Body Fitting: Unifying Deep Learning and Model-Based Human Pose and Shape Estimation
qq_17721239的博客
11-11 541
Neural Body Fitting: Unifying Deep Learning and Model-Based Human Pose and Shape Estimation 一个和Learning to estimate 3D human pose and shape from a single color image. In: CVPR (2018) 类似的工作。 论文不是从RGB图片获得SMPL模型的参数，而是考虑中间监督，使用了human part segmentation,来回归参数。
SMPL|论文笔记（持续输出......）
憨憨冲鸭
05-06 728
SMPL论文 vertices顶点：N=6890，joints关节点：K=23；mean template shape平均模板形状表示，其中包括： 连接顶点的零姿态向量： 零姿态： 混合权重： 基于上述参数，SMPL建模的可视化结果如下图： 混合形状函数：该函数输入为形状参数beta，输出塑造id的混合shape。 预测关节点位置函数（注意维度变化）： 基于上述参数，SMPL建模的模型如下图所示： Note:在形状矢量beta中，顶点和关节的位置是线性的。 一个依赖姿态的混合
SMPL 人体模型简要
春秋战车
06-27 5042
smpl是指2015 马普的一篇文章“SMPL: a skinned multi-person linear model”中构建的人体参数化三维模型，人体可以理解为是一个基础模型和在该模型基础上进行形变的总和，在形变基础上进行PCA，得到刻画形状的低维参数——形状参数（shape）；同时，使用运动树表示人体的姿势，即运动树每个关节点和父节点的旋转关系，该关系可以表示为三维向量，最终每个关节点的局部旋转向量构成了smpl模型的姿势参数(pose)。考虑到与目前的市面上的渲染器，SMPL模型使用得较多，当然..
SMPL 模型使用教程
最新发布
gitblog_01108的博客
08-08 749
SMPL 模型使用教程 SMPLNumPy, TensorFlow and PyTorch implementation of human body SMPL model and infant body SMIL model.项目地址:https://gitcode.com/gh_mirrors/smp/SMPL 1. 项目介绍 SMPL（Skinned Multi-Person Linear ...
SMPL模型基本使用和资源下载地址-附件资源
03-02
SMPL模型基本使用和资源下载地址-附件资源
ＳＭＰＬ相关数据集整理
qq_43580325的博客
08-13 619
最全三维人体数据集整理（持续更新）！！！
AGORA数据集简介 （SMPL，SMPL-X）
heleneveryday的专栏
12-08 2350
数据集的用途：训练和评估“从图像中估计三维人体姿势”。 AGORA 是一个具有高度逼真和高度准确的真值的合成数据集。使用有各种姿势和自然服装的4240个商业上可获得的、高品质、纹理丰富的人体扫描（这包括257个儿童扫描）。 通过将SMPL-X身体模型（带有面部和手）拟合到3D扫描来创建参考3D姿势和身体形状（考虑到服装）。（作为真值） 通过使用基于图像的照明或3D环境渲染对每幅图像中5到15人进行渲染，创建约14K的训练图像和3K的测试图像，并注意使图像在物理上合理且真实。
SMPL学习笔记
热门推荐
weixin_43822395的博客
04-24 1万+
文章目录前言一、SMPL概述1.形状参数(β\betaβ)2.姿态参数(θ\thetaθ)二、体姿转换过程原理1.基于形状的混合成形(Shape Blend Shapes)2.基于姿态的混合成形 (Pose Blend Shapes)3.蒙皮 (Skinning)三、具体过程分析1.基于形状的混合成形2.基于姿态的混合成形3.骨骼点位置估4.蒙皮参考文章 前言 最近在研究神经网络和服装动画结合这一块的文章，发现很多文章的数据集都是和smpl模型相关的，所以记录一下笔记 一、SMPL概述 SMPL模型，其
常见人体铰链关节点数据集中的关节点顺序(SMPL，NTU,MPII,Human3.6M)
qq_35037684的博客
03-29 1034
human pose
基于深度学习的3D pose estimation总结（包括几篇2D pose estimation）
qq_40045309的博客
05-04 8031
声明：此文章是作者自己学习过程中的简单总结，也是作者第一次上传，仅供各位同行参考，也请对文中错误和不足多多指教，敬请指正，谢谢！ 一、任务描述 给定一幅图或者是一段视频，人体姿态估计就是恢复出其中的人体关节点位置的过程。 二、挑战和难点 1.人体肢体运动较为灵活； 2. 视角的变化； 3.附着物的变化（比如遮挡，衣物等）； 4.3D pose estimation缺乏数据集； 三...
骨骼关节点数据
11-30
Matplotlib之3D骨骼关节的动画显示的数据文件，欢迎大家下载
人体姿态和形状估计的视频推理：CVPR2020论文解析
吴建明wujianming_110117
03-27 1251
人体姿态和形状估计的视频推理：CVPR2020论文解析 VIBE: Video Inference for Human Body Pose and Shape Estimation 论文链接：https://arxiv.org/pdf/1912.05656.pdf Code and pretrained models are available at： https://github.com/mk...
论文学习笔记：Learning to Estimate 3D Human Pose and Shape From a Single Color Image
wangyc1208的博客
09-16 6835
解决的问题：从单个彩色图像估计人体的姿势和形状 - 一般方法：通过迭代优化 - 存在的问题：卷积网络缺少训练数据、3D预测时分辨率低 本篇论文的工作：提出一个基于卷积网络的高效的直接预测方法来解决上述问题。 论文方法的核心：在端到端框架中结合SMPL模型解决问题 - Introduction: 目标： - 计算机视觉：从图...
【图像处理】A Skinned Multi-Person Linear Model（SMPL）浅解析
Zhang_Chen_的博客
07-01 3647
1.SMPL的原理
SMPL备忘录--关节点名称
qq_40550715的博客
07-16 195
【代码】SMPL备忘录--关节点名称。
常用人体模型关节索引
weixin_42265958的博客
08-06 1841
SMPL （24 joints）
使用Azure Kinect Body骨骼构造SMPL三维人体模型
qq_29912325的博客
06-03 1万+
1.SMPL模型简介 SMPL是通过参数控制的人体模型，可控制的参数为Pose和Shape。总共有24个关节点，模型及关节索引如下图。 每个关节通过一个旋转向量控制，如下图为手动控制关节点4绕Z轴旋转90度、关节点19绕Y轴旋转90度的结果。 旋转控制的是如果再绕关节点17旋转-90度，则 ...
人体三维重建SMPL、SMPLX、SMPLifyX学习笔记
weixin_36692485的博客
10-27 8982
人体三维重建SMPL、SMPLX、SMPLifyX学习笔记
17个关节点怎么使用smpl模型
03-27
对于使用SMPL模型进行人体姿态估计和动作分析，需要先了解SMPL模型的基本概念和原理。 SMPL（Skinned Multi-Person Linear model）是一种基于线性代数的人体模型，它可以通过少量的参数来描述人体的姿态和形状，并且可以应用于不同的应用领域，如计算机图形学、虚拟现实、运动分析等。SMPL模型可以用于对人体进行3D姿势估计、动作捕捉和运动分析等任务。 SMPL模型中包含17个关节点，这些关节点包括： 1.右脚踝 2.右膝盖 3.右髋关节 4.左髋关节 5.左膝盖 6.左脚踝 7.右手腕 8.右肘 9.右肩 10.左肩 11.左肘 12.左手腕 13.头部 14.颈部 15.腰部 16.胸部 17.臀部 使用SMPL模型进行人体姿态估计和动作分析的步骤如下： 1.获取人体图像或视频，并进行预处理，如去除噪声、裁剪和缩放等操作。 2.对图像或视频中的人体进行人体分割，提取出人体的轮廓和关键点。 3.根据关键点的位置和相对关系，计算出人体的姿态和形状参数。 4.利用SMPL模型，根据姿态和形状参数生成3D人体模型。 5.对生成的3D人体模型进行姿态和动作分析，如人体运动轨迹、关节角度等指标的计算和分析。 需要注意的是，SMPL模型的精度和效果受到多种因素的影响，如图像和视频的质量、人体分割的准确度、姿态和形状参数的计算精度等。因此，在应用SMPL模型进行人体姿态估计和动作分析时，需要综合考虑多种因素，并根据实际应用场景进行调整和优化。
评论 20
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值