一种用于统计体型模型的新型自相交惩罚项及其在三维姿态估计中的应用
计算机视觉与模式识别
2019-01-25 v1
摘要
统计体型模型因其低维参数表示而广泛应用于三维姿态估计。然而，难以精确避免身体部位间的自相交。受此启发，我们提出了一种用于三维姿态估计中统计体型模型的新型自相交惩罚项。为避免计算如身体网格等复杂曲面的自相交之烦，我们从几何角度手动推导了所提自相交惩罚项的梯度。首先，将自相交惩罚项定义为自相交区域的体积。为计算关于顶点坐标的偏导数，我们采用检测射线将统计体型模型的顶点依据是否位于自相交区域内部分组。其次，可利用顶点邻三角形的法向量轻易导出偏导数。最后，该惩罚项可应用于基于梯度的优化算法中以去除三角网格的自相交，且无需任何近似。我们进行了定性与定量评估，以证明相较先前方法，所提方法的有效性与通用性。实验结果表明，我们所提惩罚项能避免自相交以排除不合理预测，并间接提升三维姿态估计精度。此外，该方法可普遍用于基于三角网格的三维重建。
引用
@article{arxiv.1901.08274,
title = {A Novel Self-Intersection Penalty Term for Statistical Body Shape Models and Its Applications in 3D Pose Estimation},
author = {Zaiqiang Wu and Wei Jiang and Hao Luo and Lin Cheng},
journal= {arXiv preprint arXiv:1901.08274},
year = {2019}
}