(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210727053.8 (22)申请日 2022.06.24 (71)申请人 苏州浪潮智能科技有限公司 地址 215000 江苏省苏州市吴中经济开发 区郭巷街道官浦路1号9幢 (72)发明人 孙红岩　 (74)专利代理 机构 北京连和连知识产权代理有 限公司 1 1278 专利代理师 杨帆　黄艳南 (51)Int.Cl. G06T 13/40(2011.01) G06T 17/00(2006.01) (54)发明名称 SMPL参数预测模型的训练方法、 装置、 设备 及介质 (57)摘要 本发明涉及计算机视觉领域， 尤其涉及一种 SMPL参数预测模型的训练方法、 装置、 设备及介 质。 所述方法包括： 获取包括人体的图片并构造 训练集； 将训练集中的图片输入至SMPL参数预测 模型以得到SMPL姿态、 SMPL形态、 图片全局转动 角度、 3D姿态以及相机姿态； 基于L1损失函数分 别计算SMPL姿态、 SMPL形态、 图片全局转动角度、 3D姿态以及相机姿态对应的第一预测损失； 基于 预设关节转动正则化函数计算各个关节点的第 二预测损失； 以每张图片为单位利用第一预测损 失与第二预测损失的加和反向训练SMPL参数预 测模型。 本发 明的方案在训练过程中加入相对关 节转动正则化项， 防止远端关节相对根节点转动 过小而出现的失真 现象。 权利要求书2页 说明书10页 附图6页 CN 115049764 A 2022.09.13 CN 115049764 A 1.一种SMPL 参数预测模型的训练方法， 其特 征在于， 所述方法包括： 获取包括人体的图片并构造训练集； 将所述训练集中的图片输入至SMPL参数预测模型以得到SMPL姿态、 SMPL形态、 图片全 局转动角度、 3D姿态以及相机姿态； 基于L1损失函数分别计算SMPL姿态、 SMPL形态、 图片全局转动角度、 3D姿态以及相机姿 态对应的第一预测损失； 基于预设 关节转动正则化 函数计算各个关节点的第二预测损失； 以每张图片为单位利用第一预测损失与第二预测损 失的加和反向训练SMPL参数预测 模型。 2.根据权利 要求1所述的SMPL参数预测模型的训练方法， 其特征在于， 所述SMPL参数预 测模型包括特 征提取网络和关节点回归网络， 所述特征提取网络构造为： 通过卷积和池化对输入的图片进行 特征提取以生成早期特 征； 利用预设高斯 函数将输入的图片转换成高斯热图； 对所述早期特征图和所述高斯热图进行组合， 并使用ResNet50 网络进行特征提取以得 到组合特 征图； 所述关节点回归网络构造为： 利用第一支 路使所述组合特征图依次经过卷积、 reshape&soft  argmax和grid  sample 生成3D姿态； 利用第二支路使所述组合特 征经过grid sample后生成3D形态； 将所述3D姿态和所述3D形态进行组合 生成3D特 征图； 使所述3D特征 图依次经过卷积、 图卷积神经网络和reshape后输入至四个MLP网络， 其 中， 四个MLP网络分别输出SMPL姿态、 SMPL形态、 图片全局转动角度和相机姿态。 3.根据权利要求2所述的SMPL参数预测模型的训练方法， 其特征在于， 所述预设高斯函 数为： 其中， (x,y)为经过图片像素点坐标， (px,py)为经过图片中对应 的GT关键点坐标， σ ＝ 2.5。 4.根据权利要求2所述的SMPL参数预测模型的训练方法， 其特征在于， 所述图卷积网络 的计算公式为： 其中， 为图卷积网络的输出， Fiin为第i个关节点的图特征， 是 在(j,i)的数值， 是归一化邻接矩阵， 计算公式为 A为根据骨骼层次建立的邻接矩阵， D 为(A+I)特征向量， I为单位矩阵， σReLU为线性整流函数， σBN为批归一化函数， Wi为网络的权 重。 5.根据权利 要求2所述的SMPL参数预测模型的训练方法， 其特征在于， 所述L1损失函数权　利　要　求　书 1/2 页 2 CN 115049764 A 2为： 其中， f(xi)表示SMPL姿态或SMPL形态或图片全局转动角度或3D姿态或相机姿态预测 值， yi表示SMPL姿态或SMPL形态或图片全局转动角度或3D姿态或相机姿态预测值的期望 值。 6.根据权利要求2所述的SMPL参数预测模型的训练方法， 其特征在于， 所述预设关节转 动正则化 函数为： 其中， 为当前关节点和根关节点在球坐标系中相对于z轴的角度 标签θ， 为当前关 节点和根关节点在球坐标系中相对于x轴的相角度标签 fiθ(xi)、 则为网络预测 值， ki为权重值， 且头关节、 脖子关节相对于根节点角度权重是其它关节相对于根节点角度 权重的2倍至 5倍。 7.根据权利要求1所述的SMPL参数预测模型的训练方法， 其特征在于， 所述获取包括人 体的图片并构造训练集的步骤 包括： 获取Human3 6M数据集； 采用图片尺度随机变换、 随机旋转和颜色随机变换中的至少一种对所述Human36M数据 集中的图片进行处 理以得到处 理后的图片； 由处理前和处 理后的图片共同构成训练集。 8.一种SMPL 参数预测模型的训练装置， 其特 征在于， 所述装置包括： 获取模块， 配置用于获取包括人体的图片并构造训练集； 输入模型， 配置用于将所述训练集中的图片输入至SMPL参数预测模型以得到SMPL姿 态、 SMPL形态、 图片全局转动角度、 3D姿态以及相机姿态； 第一计算模块， 配置用于基于L1损失函数分别计算SMPL姿态、 SMPL形态、 图片全局转动 角度、 3D姿态以及相机姿态对应的第一预测损失； 第二计算模块， 配置用于基于预设关节转动 正则化函数计算各个关节点的第 二预测损 失； 训练模块， 配置用于以每张图片为单位利用第 一预测损失与第 二预测损失的加和反向 训练SMPL 参数预测模型。 9.一种计算机设备， 其特 征在于， 包括： 至少一个处 理器； 以及 存储器， 所述存储器存储有可在所述处理器中运行的计算机程序， 所述处理器执行所 述程序时执 行权利要求1 ‑7任意一项所述的方法。 10.一种计算机可读存储介质， 所述计算机可读存储介质存储有计算机程序， 其特征在 于， 所述计算机程序被处 理器执行时执行权利要求1 ‑7任意一项所述的方法。权　利　要　求　书 2/2 页 3 CN 115049764 A 3