ICCV 2021 _ 当图卷积遇上多视角3D人体姿态估计

Graph-Based 3D Multi-Person Pose Estimation Using Multi-View Images

Size Wu^1,3  Sheng Jin^2,3  Wentao Liu³  Lei Bai⁴  Chen Qian³  Dong Liu¹  Wanli Ouyang^{4  1}University of Science and Technology of China  ²The University of Hong Kong  ³SenseTime Research and Tetras.AI  ⁴The University of Sydney

Wsz32741010@mail.ustc.edu.cn     {jinsheng, liuwentao, qianchen}@sensetime.com      baisanshi@gmail.com     dongeliu@ustc.edu.cn     wanly.ouyang@uni.sydney.edu.au

Part 1 动机和背景

图 1 本文算法的可视化展示

多视角的多人3D姿态估计，指从多个相机（已标定）拍摄的图像中，恢复出该场景的所有的人体骨架。它是视频动作分析和高级人机交互的基础，在运动分析、影视特效等领域具有重要的应用前景。

目前多视角3D人体姿态估计有如下两种主流方案：

图 2 匹配+三角化重建算法的示意图

(a) 匹配+三角化重建（Triangulation）：首先，检测各个视角的 2D 人体骨架；再利用几何关系计算距离，进行多视角人体的匹配；最终，利用多视角的2D坐标和相机参数，计算出3D坐标。

代表方法：MVPose[1]

缺点：（1）方法的精度十分依赖 2D 检测结果。2D 检测的误差会影响匹配的效果，错误的匹配进一步导致异常的重建；2D 的误差也会影响 3D 重建的精度。（2）匹配部分和三角重建部分并不是数据驱动的，没有监督训练和损失反传。

图 3 3D空间体素化算法的示意图

(b) 3D空间体素化：将 3D 空间等距地划分为一个个小网格，通过概率模型或者 3D 卷积神经网络（CNN）检测关键点。

代表方法：VoxelPose[2]

缺点：（1）空间体素化的精度会受到网格大小的制约，会产生量化误差；（2）空间体素化在相同的精度下，计算复杂度随空间大小三次方增长，无法应用于较大场景。

图 4 本文算法的示意图

(c) 本文方法：我们结合两者的优势，提出了一种基于图卷积神经网络的，自顶向下（Top-down）的两阶段算法。我们的整体算法流程，分为两个阶段：3D人体中心点定位+3D人体姿态估计。

图 5 本文方法的整体框架图

1. 针对3D人体中心点定位，我们采用了proposal-refine "由粗到精"的策略。首先进行”粗筛选”，预测一系列候选中心点位置（MMG）；再在候选中心点附近“精细”搜索（CRG），得到精确的人体中心点定位结果。

优点：（1）现有方法在融合多视角的特征时，通常直接级联或池化各个视角的特征向量，忽视了视角之间的相互关系。我们利用图卷积网络，能够有效利用跨视角的特征。（2）我们的"由粗到精"策略，能够有效提升模型的预测精度。（3）搜索空间被限制在了候选中心点附近，与实际的空间大小无关，大大降低了运算复杂度。

2. 针对3D人体姿态估计，我们同样采用"由粗到精"的策略，首先用模型预测初始3D人体姿态，再共同利用人体骨架结构信息和多视角特征，来优化预测的结果（PRG）。

优点：我们采用了"由粗到精"策略。图卷积神经网络PRG，能够直接对人体骨架结构进行建模，利用骨架约束，优化了模型的预测结果。

Part 2: 方法

2.1 中心点候选区域生成：Multi-view Matching Graph(MMG)

我们设计了多视角匹配图神经网络（MMG），判断不同视角的两两2D中心点，是否属于同一个人。随后，对于属于同一个人的一对关键点，两两重建出一个3D坐标作为候选中心点。

图 6 MMG模块示意图

建图（Graph Construction）：我们利用各个视角检测得到的人体2D中心点，来构造跨视角图模型。图模型的“节点”为 各个视角检测到的2D人体中心点；节点的特征为：2D人体中心点位置的图像特征。图模型的“边”，两两连接不同视角的节点，两个节点对应的2D中心点的极线距离作为边特征。

信息传递（Message Passing）：利用GNN来进行相关性特征的学习。我们使用EdgeConv来搭建图卷积神经网络模型，对所构造好的Graph 进行卷积，不断更新节点的特征；通过图的表征，模型同时利用了几何信息（边特征）和图像信息（节点特征），高效的融合多视角特征，匹配精度远高于直接利用极线匹配。

判断边的属性：训练一个边判别器（Edge Discriminator），对每一对中心点（即一个边）进行判别，判断这一对中心点是否属于同一个人。

提出候选点：每一对被判断为同一个人的中心点，通过三角化重建出一个3D候选点。

2. 2 中心点坐标优化：Center Refinement Graph(CRG)

有了候选中心点后，我们以候选点为球心的球形范围作为搜索空间，灵活地在候选区域采样。对于每个采样点，将采样点投影到各个视角并在相应位置提取特征。接着利用中心点优化图模型（CRG），通过多个视角节点的连接，实现了高效的多视角特征融合，可以准确地判断采样点是否为人体中心点。

图7 CRG模块示意图

搜索空间：以候选点为球心的球形范围作为搜索空间，所有搜索空间的并集作为总的搜索空间。

采样：我们可以进行适应性的采样，先在搜索空间中等距采样，用中心点图卷积网络检测中心点，在检测到的中心点周围进一步精细采样，以获得更精确的位置。

建图（Graph Construction）：对每一个3D 采样点，构建一个图模型。其中，节点和节点特征分别对应 3D采样点投影到各个视角后的2D位置 以及 该位置的图像特征。图中的边，对各个节点进行全连接。

信息传递（Message Passing）：利用GCN来进行相关性特征的学习。我们使用EdgeConv来搭建图卷积神经网络模型，利用多层图卷积不断更新节点的特征。

判断图的属性：首先对图中节点进行全局池化，得到图的特征，再训练一个多层感知机MLPs，判断图的属性：判断采样点是否为人体中心，即输出每个采样点为人体中心的置信度。

非极大值抑制 (NMS)：得到每个采样点的置信度后，通过NMS操作，获得优化后的人体中心点坐标。

2. 3 人体姿态优化：Pose Regression Graph(PRG)

图8 PRG模块示意图

我们采用"由粗到精"的策略，来估计人体3D姿态。首先，我们采用现有的姿态估计方法[2]，得到初始的3D人体姿态（Initial 3D Pose）；为了提升人体关键点的预测精度，本文提出了人体姿态回归图模型（Pose Regression Graph, PRG），利用图卷积，高效地融合多视角的特征和人体的拓扑结构信息（头和脖子相连，手和胳膊相连等），回归出每个关键点坐标的修正值。

建图（Graph Construction）：首先将初始3D人体姿态，投影到各个相机视角，得到各个视角的2D人体姿态。利用各个视角下的2D人体关键点，构造跨视角姿态图（Multi-view Pose Graph）。

图模型的每个“节点”代表各个视角的每个2D关键点。节点的特征包括：关键点的类别信息，2D关键点位置处的图像特征，以及初始3D人体姿态中对应关键点的置信度。

图模型的“边”代表节点之间的关系，共包括两种类型的边：跨视角且相同类型关键点间的连接边 和 单视角且不同类型关键点间的连接边。

信息传递（Message Passing）：利用GCN来进行相关性特征的学习。我们使用EdgeConv来搭建图卷积神经网络模型，对所构造好的Graph 进行卷积，不断更新节点的特征；完成多视角特征的更新和融合后，对相同类型的关键点特征进行最大值池化，得到一副人体骨架。

回归修正值（Regression）：使用回归模型，预测出 Nx3 维的偏移向量（其中，N代表关键点个数），代表相对于初始3D人体姿态的修正值。

Part 3: 实验结果

我们在 CMU Panoptic 和 Shelf 两个主流的数据集上做了实验。定量实验表明，我们提出的算法，取得了最优的精度。而且在计算量和耗时方面，我们的方法相比之前的SOTA也有明显优势。

表1 CMU Panoptic 数据集的定量结果对比

表2 Shelf 数据集的定量结果对比

Part 4: 总结与展望

在本文中，我们提出了一套自顶向下的多视角3D人体姿态估计解决方案。我们针对该任务，精心设计了各类“多视角”图卷积神经网络（MMG, CRG, PRG）来提取人体结构性特征。我们在各数据集上的实验，也充分证明了我们算法的有效性。关于对未来的展望，我们将继续研究把算法扩展到时序，实现更高效的多视角人体姿态跟踪。在方法层面，如何更加合理地利用相机的几何信息，设计更高效的图卷积神经网络，是一个重要的改进方向。

Reference:

[1] Dong, J., Jiang, W., Huang, Q., Bao, H., & Zhou, X. (2019). Fast and robust multi-person 3d pose estimation from multiple views. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 7792-7801).

[2] Tu, H., Wang, C., & Zeng, W. (2020). Voxelpose: Towards multi-camera 3d human pose estimation in wild environment. In Computer Vision–ECCV 2020: 16th European Conference, Glasgow, UK, August 23–28, 2020, Proceedings, Part I 16 (pp. 197-212). Springer International Publishing.