Windows自带的画图软件曾陪伴了我小时候最后接触电脑的几年时光，这个简略的小工具对于小时候的我来说神奇，好像什么都能够画进去。我画过很多人像，也曾空想着让这些人像跟着我一起动起来（过后还不晓得有flash这种货色）。前段时间，我应用飞桨实现了一个让涂鸦动起来的小我的项目，明天来和大家分享我小时候的想法——让涂鸦君子跟着人动起来。

MetaAI公布的我的项目

关键点检测

想让涂鸦君子和我做出一样的动作，首先咱们须要一个人体关键点检测模型。飞桨提供人体关键点检测模型的有飞桨预训练模型利用工具PaddleHub与飞桨指标检测套件PaddleDetection。本我的项目应用的是PaddleHub中的human_pose_estimation_resnet50_mpii模型。这个模型绝对于openpose更快，然而成果略微差一点，如果对涂鸦君子动作的准确度需要特地高，或者心愿模型返回关键点坐标的置信度信息的，能够试试openpose_body_estimation模型，或是PaddleDetection中的HRNet系列模型和最新的PP-TinyPose。

PaddleDetection链接：https://github.com/PaddlePaddle/PaddleDetectionPaddleHub链接：https://github.com/PaddlePaddle/PaddleHub因为涂鸦中的每一个点都要与骨骼点绑定在一起，所以骨骼点并不能太少，否则与骨骼点不相近的点也会因为一些非凡起因绑定在一起。咱们须要对检测出的骨骼点K进行肯定的裁减，本我的项目在每两个相邻骨骼点之间计算中点作为裁减的骨骼点，而后反复这个操作两次。human_pose_estimation_resnet50_mpii这个模型的训练数据集是mpii，有16个关键点。咱们先在“thorax”和“pelvis”两个关键点之间创立一个中心点作为所有关键点的根。而后构建咱们整个人体的一个以关键点为结点的树形构造。这个树形构造在前面都会用到。最终，咱们扩大后的关键点个数为65，这里将这个扩大的关键点组记为K’。将关键点检测模型封装一下：

class estUtil():    #封装的关键点检测类    def __init__(self):        super(estUtil, self).__init__()        # 应用human_pose_estimation_resnet50_mpii模型        self.module = hub.Module(name='human_pose_estimation_resnet50_mpii')    def do_est(self, frame):        res = self.module.keypoint_detection(images=[frame], use_gpu=True)        return res[0]['data']

裁减关键点的办法：

def complexres(res, FatherAndSon):#裁减关键点，但依然要放弃逻辑上的关键点的节点程序    cres = copy.deepcopy(res)    for key,pos in res.items():        father = FatherAndSon[key]        if father == key:#过后根节点的时候进行            continue         if key[0] == 'm' or father[0] == 'm':#子节点第一种命名规定            midkey = 'm'+key+'_'+father        else:            kn = ''            for t in key.split('_'):                kn += t[0]            fn = ''            for t in father.split('_'):                fn += t[0]#子节点第二种命名规定            midkey = 'm_'+kn+'_'+fn#计算中点，并把后果按逻辑程序存到字典中        midvalue = [(pos[0] + res[father][0]) / 2, (pos[1] + res[father][1])/2]        FatherAndSon[key] = midkey        FatherAndSon[midkey] = father        cres[midkey] = midvalue    return cres, FatherAndSon

左为扩大前的关键点k，右为扩大后的关键点k’。

涂鸦的记录与优化

为了不便交互，我应用OpenCV制作了一个简略的小画板，用户能够抉择不同的色彩来绘制涂鸦。这里为了后续绑定关键点与涂鸦，我先将模板的人体关键点画在了画布上，用户就领有了一套参考坐标，更不便地绘制本人的涂鸦君子。

OpenCV会在用户按下鼠标后一直地采集咱们的画笔（鼠标）的以后地位（Mouse_x,Mouse_y）。当用户松开鼠标后，程序则进行记录。将方才记录的点顺次连接起来，就是咱们鼠标方才点击并挪动的轨迹。一幅画能够由一笔实现，也能够多笔多个色彩来实现。咱们把这里失去的涂鸦君子记作B。因为OpenCV是依照肯定的帧率来采集咱们的画笔地位，对于同样长的一条线，如果咱们画得慢，则取样的点就会多；如果咱们画得快，则取样的点就会少。在后续的应用中，因为要大量的计算取样点和骨骼点的绝对关系（通过评估，这部分的工夫会远远大于模型的运算工夫，成为了晦涩运行的瓶颈），所以这里咱们要对这些取样点B进行过滤，我这里应用最直观的过滤办法，即当间断的三个点在同一条直线上时，将两头的那个点过滤掉，只保留两个端点。通过这个办法，一个简略的涂鸦君子的点数能够从几千个升高到几十个，我的项目也能更平滑的运行。这里咱们将过滤后的取样点记为B’。过滤简化皮肤数据的办法：

def linesFilter():    global lines    for line in lines:        linelen = len(line)        sindex = 0        mindex = 1        while mindex < len(line):            eindex = mindex + 1            if eindex >= len(line):                break            d1 = line[mindex][0] - line[sindex][0]            d2 = line[mindex][1] - line[sindex][1]            d3 = line[eindex][0] - line[sindex][0]            d4 = line[eindex][1] - line[sindex][1]#判断三个点是否在一条直线上            if abs(d1*d4-d2*d3) <= 1e-6:                line.pop(mindex)            else:                sindex += 1                mindex += 1def linesCompose():#避免删除点过多，在每两个点两头插值出一个新的点    global lines    tlines = []    for line in lines:        tlines.append([line[0]])        for i in range(1,len(line)):            l_1 = tlines[-1][-1]            tlines[-1].append(((l_1[0] + line[i][0]) / 2,(l_1[1] + line[i][1]) / 2))            tlines[-1].append((line[i]))    lines = tlines

关键点与涂鸦的绑定

锚点绑定数量：在动画开始之前，还有十分重要的一步，就是要把咱们取样后画的皮肤B’和裁减后的关键点组K’进行绑定。通过下面的形容，咱们晓得皮肤B’其实就是一个个点，这个过程就是皮肤的点和关键点之间的绑定，更业余的词语来说，咱们要为皮肤点抉择它们的锚点（Anchor），这些锚点都是来源于骨骼关键点。在这个我的项目中咱们每个皮肤点和最多四个关键点绑定，这个数量和咱们关键点K’的个数无关，当咱们的关键点K’足够浓密的时候，咱们的锚点数量是能够少一点。

锚点绑定规范：这里选定锚点的衡量标准为间隔，也就是抉择皮肤点n最近的m个关键点。这种办法有毛病，譬如在例子中，因为咱们抉择的是最近的关键点，在咱们画的胡须的对应的锚点中，咱们肩部的锚点反而比脸部的某些点更近，这就导致胡须会跟随者咱们的肩膀来静止。如果想要更准确的匹配锚点，也能够人为干涉这个过程，删除某些上述相似的不合理的绑定。

左为咱们画好的涂鸦，右为涂鸦和关键点绑定的成果

绑定皮肤数据和骨骼数据：

def buildskin(lines, colors, cirRads, nodes):    if lines is None or nodes is None or len(lines) == 0 or len(nodes) == 0:        return []    skins = []    print("doodle node length", len(nodes))    #将opencv获取的皮肤点列表封装成skinItem类的对象列表    for lineindex in range(len(lines)):        init = True        line = lines[lineindex]        color = colors[lineindex]        cirRad = cirRads[lineindex]        for p in line:            if init:                skins.append(skinItem(p[0], p[1], True, color, cirRad))                init = False            else:                skins.append(skinItem(p[0], p[1], False, color, cirRad))    #计算每个skinItem对象最近的四个骨骼点并封装为锚点    for skin in skins:        md = [float("inf"), float("inf"), float("inf"), float("inf")]        mn = [None, None, None, None]        mdlen = 0        for key,node in nodes.items():            d = distance(skin.getPos(), node.getPos())            maxi = judge(md)            if d < md[maxi]:                md[maxi] = d                mn[maxi] = node                mdlen += 1        if mdlen < 4:            md = md[:mdlen]            mn = mn[:mdlen]        ws = dist2weight(md)        # 调配每个锚点的权重        for j in range(len(mn)):            th = math.atan2(skin.y-mn[j].y, skin.x-mn[j].x)            r = distance(skin.getPos(), mn[j].getPos())            w = ws[j]            skin.appendAnchor(anchorItem(mn[j], th-mn[j].thabs, r, w))    return skins

涂鸦的更新

在咱们做好前一步的初始化后，就能够在之后的每一帧中，计算皮肤点的新地位了。在前一步绑定的时候，咱们同时还记录了一些锚点的其余信息：该皮肤点与锚点的间隔和角度信息。在失去四个锚点之后，咱们还要计算一个初始权重。这样一来，当咱们的关键点的地位变动了之后，咱们能依据锚点的新地位计算出一个加权的皮肤点的新地位S’’。咱们依照S’’的程序把皮肤都画进去，就实现了整个我的项目。

在每帧中依据新的骨骼计算新的皮肤点：

def calculateSkin(skins, scale):    for skin in skins:        xw = 0        yw = 0#依据皮肤点每个锚点的坐标与角度，计算出新的皮肤点的坐标        for anchor in skin.getAnchor():            x = anchor.node.x + math.cos(anchor.th+anchor.node.thabs) * anchor.r * scale            y = anchor.node.y + math.sin(anchor.th+anchor.node.thabs) * anchor.r * scale            xw += x * anchor.w            yw += y * anchor.w        skin.x = xw        skin.y = yw    return skins

目前的一些问题与改良方向

1）问题human_pose_estimation_resnet50_mpii这个模型很大的一个毛病就是没有关节的置信度的输入，因而咱们没有方法对后果进行过滤。如果输出不残缺的人体图像，模型依然会输入16个关键点，其中本应不在图像中的关键点也会存在，这些虚伪的后果点会导致皮肤点也画错的景象。除此之外，为了更好的成果，输出的视频最好背景少一点，缩小一些影响因素。2）改良方向

  • 大家能够尝试应用飞桨指标检测套件PaddleDetection中的其余的关键点检测模型，值得注意的是，如果你应用的模型是基于COCO数据集，须要更改doodle文件。
  • 为了能有更晦涩的体验，能够尝试把关键点检测模型放到另一个线程里，这样的成果会更好一点。

我在飞桨开发者说专栏也直播进行了本我的项目的分享，欢送大家移步B站观看视频分享。

分享视频：https://www.bilibili.com/video/BV1N34y1y72o？spm_id_from=333.999.0.0我的项目链接：https://aistudio.baidu.com/aistudio/projectdetail/2498845PaddleDetection：https://github.com/PaddlePaddle/PaddleDetectionPaddleHub：https://github.com/PaddlePaddle