SMPL 是一个低维度的参数化人体模型，SMPL系数有pose和shape，在训练基于SMPL的3Dmesh重建任务时候，一般需要进行数据增强 例如旋转，镜像等，那当GT 中有pose和3d点的时候，怎么处理？

 

一 ：关于3d点的数据增强：

          

        这里设置3d点坐标表示为（x，y，z），如图红色箭头表示x方向。

         注意在进行3d点监督的时候，使用的是相对于根节点的相对3d值。

       （1） 旋转，当图像发生旋转，3d点只需要全部乘以相应的旋转矩阵即可：

            

      （2） 镜像，当图像沿着x轴方向进行镜像的时候，主要影响3d点的x方向的数值。

                 第一步：将x方向向量乘以-1

                 第二步：将左右四肢的关节点交换。

         

                 可以发现只有x方向发生了变化。因为各个3d点是相对根节点的相对值，即根节点的坐       标是（0，0，0），当图像发生镜像后，x只有方向发生了变换，绝对值没有影响。

二  关于pose的数据增强：

      pose一般采用旋转向量表示，向量旋转公式最早由 Rodrigues（罗德里格斯） 提出，用一个三维向量来表示三维旋转变换，该向量的方向是旋转轴，其模则是旋转角度。pose 通常采用旋转向量，因为旋转矩阵和旋转向量之间是可以通过Rodrigues，

设旋转向量的单位向量为 r，模为 θ。三维点（或者说三维向量）p 在旋转向量 r 的作用下变换至 p′，则：

 

设旋转向量为（x，y，z）

1   旋转操作，当对含有目标人体的图像进行旋转操作的时候，只需要对SMPL的根节点做相应的旋转操作即可，类似相机外参操作。

         先将根节点旋转向量转为旋转矩阵，然后进行旋转操作，再还原到旋转向量。

     

2  镜像操作，当对含有目标人体的图像进行镜像操作的时候，则需要小心处理：

2.1 第一步： 直接交换左右双方的值

2.2 第二步：需要将每一个pose的旋转向量的第2和第3个值乘以-1。

具体实现代码：

为什么需要执行第二步？

 如下图，x方向为红色，y方向为绿线，z方向为黄线。图1经过镜像得到图2

 

                                图1                                                        图2

每一次旋转前均为初始T-pose

                                                    

                                                                  T-Pose 

动作1:   让左右手腕以x方向为轴方向，逆时针旋转90，可以发现旋转后方向一直，说明x向量是等价的，交换后不需要进行额外操作。

左右手均绕x向量方向旋转相同角，发生镜像，也不会影响这个旋转结果。

动作2:让左右手腕以y方向为轴方向，向顺时针旋转90

动作3:让左右手腕以y方向为轴方向，向逆时针旋转90

 

可以发现如果发生镜像，上面两个操作的结果将存在变化，这是因为尽管他们都是绕着y轴进行相同方向的旋转，但是因为初始方向相反，导致结果不一样。

动作4:让左右手腕以z方向为轴方向，顺时针旋转120，

动作5:让左右手腕以z方向为轴方向，逆时针旋转120

 

 可以发现如果发生镜像，上面两个操作的结果将存在变化，这是因为尽管他们都是绕着z轴进行相同方向的旋转，但是因为初始方向相反，导致结果不一样。

动作6 让3号点绕x轴逆/顺时针旋转60度

 动作7 让3号点绕y轴旋转逆时针60度

 

动作8 让3号点绕z轴顺时间旋转60度

 

附上：旋转矩阵和旋转向量之间的转换，opencv自带该函数Rodrigues()

或者：

from scipy.spatial.transform import Rotation as R   

alxe_pose=  np.zeros((24, 3))

rotmat_pose =  R.from_rotvec(alxe_pose).as_matrix()