RoMo：用于无标记全身光学动作捕捉的鲁棒求解器

光学动作捕捉（MoCap）是精确捕捉全身动作的“金标准”。为了利用原始MoCap点数据，系统会为这些点标记全身部位并求解全身运动。然而，MoCap数据常存在错误标记、遮挡和位置误差，需要大量人工修正。为减轻这一负担，我们提出了RoMo，一个用于鲁棒标记和求解原始光学动作捕捉数据的基于学习的框架。在标记阶段，RoMo采用分治策略，将复杂的全身标记挑战分解为可管理的子任务：全身分割和部位特定标记。为利用标记点的时间连续性，RoMo使用基于K部图的聚类算法生成标记点轨迹，其中标记点作为节点，边基于位置和特征相似性构建。对于运动求解，为防止误差沿运动链累积，我们引入了一种逆运动学求解器，利用关节位置作为中间表示，并调整模板骨架以匹配估计的关节位置。我们证明RoMo在多个数据集和多种指标上实现了高标记和求解精度。大量比较表明，我们的方法优于最先进的研究方法。在真实数据集上，RoMo将手部标记的F1分数从0.94提升至0.98，并将身体运动求解的关节位置误差降低了25%。此外，RoMo还可应用于商业系统不适用的场景。RoMo的代码和数据可在https://github.com/non-void/RoMo获取。