摘要
本文探讨了从单张图像中估计三维人体姿态的问题。我们遵循标准的两步流程，首先检测出 $N$ 个身体关节的二维位置，然后利用这些观测结果推断三维姿态。对于第一步，我们使用了一种基于最近卷积神经网络（CNN）的检测器。对于第二步，大多数现有方法通过回归 2$N$ 到 3$N$ 的笛卡尔坐标来实现关节坐标的转换。我们证明，通过使用 $N \times N$ 距离矩阵表示二维和三维人体姿态，并将问题表述为从二维到三维距离矩阵的回归，可以获得更精确的姿态估计。为了学习这种回归器，我们利用了简单的神经网络架构，该架构在构建过程中强制预测矩阵的正定性和对称性。这种方法还具有自然处理缺失观测数据的优势，并允许假设未观测到关节的位置。我们在 Humaneva 和 Human3.6M 数据集上的定量结果显示，相比现有最先进方法，本方法具有一致的性能提升。此外，在 LSP 数据集中的野外图像上进行定性评估时，使用在 Human3.6M 上训练得到的回归器，展示了非常有前景的泛化结果。