28、基于亿像素图像的人群重建技术解析

基于亿像素图像的人群重建技术解析

在计算机视觉领域，人群重建是一个具有挑战性但又极具价值的研究方向。尤其是在大场景下对数百人的姿态、形状和 3D 位置进行重建，对于场景理解和人群分析有着重要意义。接下来，我们将深入探讨相关技术。

1. 机器人导航与人群重建的背景

传统的机器人导航方法通常将行人视为简单的圆形障碍物，依据行人当前位置进行避障。例如“Direct - S”方法将行人当作小圆形障碍物，常导致机器人干扰行人；“Direct - L”方法把行人视为大圆形障碍物，降低了导航效率，导致路径变长。而提出的基于 GIF 的机器人导航方法，赋予机器人类似人类的预测能力，能根据行人的空间场和注意力场自适应规划路径，有效避免行人干扰，同时保持机器人的行驶效率。

2. 大场景人群重建的挑战

大场景下单目多人重建存在两大挑战：
- 人员规模和尺度差异 ：大场景中有大量不同尺度的人员，这使得重建时难以统一处理。
- 深度模糊问题 ：单视图下深度信息模糊，难以准确估计人员的绝对 3D 位置。

3. 经典人群重建方法

人群 3D 姿态估计方法主要分为自上而下和自下而上两种范式：
- 自上而下范式 ：先检测人员，再分别估计每个人的 3D 姿态。如 Moon 等人在检测人员后分别估计根位置和根相对姿态；HMOR 将人类关系分为三个层次并制定成对顺序关系。
- 自下而上范式 ：直接检测所有关节并进行分组。例如 SMAP 利用深度卷积神经网络估计根深