KinePose：一种用于带生物力学约束的6DOF人体姿态估计的时间优化逆运动学技术
计算机视觉与模式识别
2022-09-07 v2 最优化与控制
摘要
基于计算机视觉/深度学习的3D人体姿态估计方法旨在从图像和视频中定位人体关节。姿态表示通常仅限于3D关节位置/平移自由度（3DOF），然而许多潜在的生物力学应用还需要额外的三个旋转自由度（6DOF）。在3D人体骨骼模型中，仅由位置自由度无法解析求解关节旋转自由度。因此，我们提出一种时间逆运动学（IK）优化技术，以在具有生物力学信息和受试者特异性的运动链中推断关节朝向。为此，我们根据基于位置的3D姿态估计给出连杆方向。采用序贯最小二乘二次规划求解包含基于帧的姿态项与时间项的最小化问题。解空间受关节自由度与活动范围（ROM）约束。我们生成3D姿态运动序列，从总体精度与边界情形精度两方面评估该IK方法。我们的时间算法获得的6DOF姿态估计具有较低的每关节角分离平均误差（MPJAS）（整体3.7{\deg}/关节，下肢1.6{\deg}/关节）。逐帧IK在肘部和膝部弯曲情形下误差较低，但包含伸展/伸直肢体阶段的运动序列会导致扭转角歧义。采用时间IK可减弱这些姿态的歧义，从而降低平均误差。
引用
@article{arxiv.2207.12841,
title = {KinePose: A temporally optimized inverse kinematics technique for 6DOF human pose estimation with biomechanical constraints},
author = {Kevin Gildea and Clara Mercadal-Baudart and Richard Blythman and Aljosa Smolic and Ciaran Simms},
journal= {arXiv preprint arXiv:2207.12841},
year = {2022}
}
备注
Project page: https://kevgildea.github.io/KinePose/