SOMA: 光学标记基于运动捕捉自动解决方案

SOMA: 光学标记基于运动捕捉自动解决方案

soma Solving Optical MoCap Automatically 项目地址: https://gitcode.com/gh_mirrors/soma9/soma

1. 项目介绍

SOMA（Solving Optical Marker-Based MoCap Automatically）是一个自动将原始标记基于运动捕捉点云转换为解决SMPL-X身体和标记标签的开源项目。该项目由Nima Ghorbani和Michael J. Black开发，并在ICCV 2021上发表相关论文。SOMA能够自动化处理运动捕捉数据，为研究者和开发者提供了便利。

2. 项目快速启动

环境搭建

首先，确保您的系统安装了以下依赖项：

• Python 3.7
• PyTorch 1.8.2 LTS
• Ubuntu 20.04.2 LTS

安装所需的系统依赖：

sudo apt install libatlas-base-dev
sudo apt install libpython3.7
sudo apt install libtbb2

然后，使用Anaconda创建一个名为soma的新环境：

conda create -n soma python=3.7

在创建的环境中安装ezc3d：

conda install -c conda-forge ezc3d

安装PyTorch和相关库：

pip3 install torch==1.8.2+cu102 torchvision==0.9.2+cu102 torchaudio==0.8.2 -f https://download.pytorch.org/whl/lts/1.8/torch_lts.html

克隆仓库并安装依赖

克隆SOMA代码仓库：

git clone https://github.com/nghorbani/soma.git

进入SOMA代码的根目录，安装项目依赖：

cd soma
pip install -r requirements.txt
python setup.py develop

安装附加组件

按照以下指南安装附加组件：

• 安装psbody.mesh库
• 安装Blender-2.83 LTS
• 将预编译的bpy-2.83内容解压到Python的site-packages目录
• 安装MoSh++运动捕捉求解器

3. 应用案例和最佳实践

SOMA提供了多个主要部分的代码基础，以下是一些使用案例：

• 运行SOMA处理运动捕捉点云数据
• 标记未知标记布局的初始化
• SOMA消融研究
• 使用MoSh++求解已标记的运动捕捉

4. 典型生态项目

SOMA项目是运动捕捉领域的一个典型生态项目，与其他开源项目如MoSh++、SMPL等有着紧密的联系。这些项目共同构成了一个强大的运动捕捉和人体建模的生态系统，为相关领域的研究和开发提供了丰富的工具和资源。

soma Solving Optical MoCap Automatically 项目地址: https://gitcode.com/gh_mirrors/soma9/soma