基于单-多视图优化的足球球员三维姿态和体型估计

足球比赛场景的三维重建有助于观众自由切换视角，增加了互动性和沉浸感。针对足球比赛场景中的足球球员，提出一种三维姿态和体型估计方法。对球员的多视图图像使用训练好的部分注意力回归的三维人体估计(PARE)模型生成初始的三维姿态和体型估计，并使用人工标注的二维关节点作为优化目标。单-多视图优化操作利用蒙皮多人线性模型(SMPL)和正交投影的可微性，将球员的三维姿态和体型参数映射到二维关节点，计算其与人工标注之间的差异，再使用神经网络的反向传播算法更新三维姿态和体型参数，持续这些过程直到差异最小化。在自建的足球球员多视图数据集上的实验结果表明，该方法能够有效估计足球球员的三维姿态和体型，与人体网格恢复、在循环中优化SMPL、PARE等方法相比，二维关节点精度在单视图上提高了9.2%～37.5%，在多视图交叉验证中提高了34.9%～54.1%。