一种基于时空运动信息交互建模的三维人体姿态估计方法

三维人体姿态估计在虚拟现实和人机交互等领域具有重要作用。近年来，Transformer已被引入三维人体姿态估计领域，用于捕捉人体关节点的时空运动信息。然而，现有研究通常只关注于人体关节点群的整体运动，或只对单独的人体关节点运动进行建模，均没有深入地探讨每个关节点的独特运动模式及不同关节点运动间的相互影响。因此，提出了一种创新的方法，旨在细致地学习每帧中的二维人体关节点的空间信息，并对每个关节点的特定运动模式进行深入分析。通过设计一个基于Transformer编码器的运动信息交互模块，精确地捕捉不同关节点之间的动态运动关系。相较于已有直接对人体关节点的整体运动进行学习的模型，此方法能够使得预测精度提高约3%。与注重单节点运动的最先进MixSTE模型相比，该模型在捕捉关节点的时空特征方面更为高效，推理速度实现了20%以上提升，使其更适合于实时推理的场景。