1.基于单目视频的多阶段人体动作捕捉方法，其特征是对于固定相机情境下拍摄的单目RGB视频，将人体动作捕捉分为多个阶段：第一阶段对输入的单目视频逐帧进行人体姿态检测，估计二维的人体关键点，并构建三维人体模型SMPL的相机坐标系下的局部空间；第二阶段利用深度学习方法来获取视频序列中的空间与时序信息，学习从视频帧图像二维的人体关键点到相机空间中的三维人体关节点的映射关系，并检测感知人体在三维空间中的运动轨迹和触地情况；第三阶段根据反向动力学，通过制定惩罚策略，将三维的人体网格模型拟合到三维骨骼上，以刻画运动序列，实现动作捕捉。
2.根据权利要求1所述的基于单目视频的多阶段人体动作捕捉方法，其特征是第一阶段通过预处理模块实现数据预处理，对单目视频逐帧检测二维的人体关键点，并对二维人体关键点序列归一化，另外将三维人体模型SMPL的24个关节点的坐标由世界坐标系转换到相机坐标系，并以根节点为基础，将其他关节点转化为相对于根节点的相对坐标，构建局部空间；同时，通过聚类方法对左右脚关节点高度进行聚类以估计地面的高度，生成左右脚关节的触地标签；第二阶段通过相机校正模块、人体姿态估计模块、人体轨迹估计模块进行姿态估计，人体姿态估计模块用于估计三维人体关节点在局部空间中的位置，根据二维人体关键点序列得到三维人体姿态序列，相机校正模块基于单目视频获取相机的内参和外参，用于获得视频的视角，人体轨迹估计模块用于预测在相机坐标系下的人体位移和触地情况，根据二维人体关键点序列和相机内外参得到三维人体轨迹序列和触地概率；第三阶段通过模型拟合模块，基于反向动力学，综合三维人体姿态序列、三维人体轨迹序列和触地概率进行拟合，获得三维人体模型运动序列。
3.根据权利要求2所述的基于单目视频的多阶段人体动作捕捉方法，其特征是第一阶段的数据预处理包括提取二维人体关键点、转换三维人体关节点、生成触地标签三个子任务：
S11提取二维人体关键点并归一化：对训练集中的原始视频降采样并进行抽帧，将视频帧送入人体姿态检测器中估计出25个二维人体关键点的图像坐标序列 T
为视频帧数，之后在保持横纵比的情况下，将x轴的坐标由[0,w]归一化到[‑1,1]，即其中w,h为视频帧的宽和高；
S12转换三维人体关节点：通过视点变换将三维人体关节点坐标由世界坐标系转换到相机坐标系下以用于监督，记Rcam和Tcam为相机的旋转矩阵和位移量， 为三维人体模型SMPL的24个关节点在世界坐标系下的位置坐标，转换公式为：
其中P表示在相机坐标系下人体的三维关节点的空间坐标；最
后，保留根节点在相机坐标系中的空间位置坐标，将其他关节点的三维坐标减去根节点的三维坐标，转化为相对于根节点的相对坐标，即P[:,1:]＝P[:,1:]‑P[:,:1]，三维轨迹的真值为根节点在相机坐标系下的三维坐标序列，即traj＝P[:,:1]，根节点的深度为depth＝traj[:,:,2]，其中[:]表示沿对应维度的切片操作；
S13生成二分类触地标签：对于三维关节点序列，首先相邻两帧做差来计算关节点的位移速度，若节点的速度小于设定阈值，则认为在此帧中该关节处于静止状态，之后使用机器学习中的DBSCAN方法对静止的左、右脚关节的高度进行聚类，以最小的中位数减去一个偏移常量作为地面的高度，对于左脚、右脚、左脚踝、右脚踝、左膝、右膝、左手腕、右手腕八个关节点，如果速度小于设定阈值，并且关节与地面的高度差在设定范围内，则认为该关节点处于触地状态，触地标签置为1。
4.根据权利要求2所述的基于单目视频的多阶段人体动作捕捉方法，其特征是人体姿态估计模块包括编码和解码两个阶段，将归一化二维人体姿态关键点坐标序列(0,…,T‑1)作为输入，提取输入序列的特征，之后将特征送入解码器预测中间帧，即第 帧的人体关节点在三维空间中的相对位置，具体为：
在编码阶段，在通道维度上按照运动链分组、在时域维度上进行空洞卷积来提取长时特征，编码器为全卷积网络，采用空洞卷积操作和残差学习实现：将人体骨骼分为六个局部运动链：头部运动链、根节点运动链、左臂运动链、右臂运动链、左腿运动链和右腿运动链，各自的运动相对独立，将输入沿通道维度分为6组以分组提取特征，在编码器中，每一层网络输出分为7个部分，包括6个局部特征φg，g＝1,…,6，和一个全局特征ψ，第i层网络的输i i+1
出记为 从第i层网络l到第i+1层网络l 的计算过程如下：使用全
局卷积来提取全局的信息，同时在{全局，分组}连结特征上分组进行卷积，即：
其中， 均为步长为3、卷积核大小为3、空洞系数为3的空洞卷积操作，concate为沿通道维度的连结操作，编码器最终输出一个联合的分组特征
之后在解码阶段，以多分支的形式分区域回归参数化的三维人体模型中的24个关节点，分组的局部特征φg分别输入到6个独立的解码器 中预测人体模型的对应的局部运动链上的关节的位置 即：
5.根据权利要求2所述的基于单目视频的多阶段人体动作捕捉方法，其特征是相机校正模块采用预训练的ResNet‑50模型作为主干网络，并把最后一层网络替换为三个独立的MLP头部网络，分别用于估计相机的垂直视野vfov、沿x轴的旋转量pitch和沿z轴旋转角度roll，相机焦距通过vfov来计算： 则相机的内参矩阵为:
根据相机的内参和外参得到相机的投影矩阵，在训练阶段，投影矩阵将网络预测得到的人体的三维节点投影到二维平面上得到对应关节在图像上的二维坐标，并与二维真值计算距离损失加以监督；
对于vfov、pitch和roll中的每一个量的预测，预先定义一个取值范围[min,max]，并且在这个范围内均匀采样256个候选值，三个MLP头部网络均输出一个256维的向量pred代表候选值的概率，pred向量通过softargmax函数近似求出最大概率对应的索引IDsoft∈(0,
256)，将IDsoft归一化到[‑1,1]范围内得到归一化后的索引IDsoft_normalized，之后将索引映射到候选值范围[min,max]中得到对应位置的候选值 即为网络的预测结果，计算过程如下：
训练时，对于pitch和roll的预测，采用标准的 损失函数；对于vfov的预测，采用Geman‑McClure损失函数，即
6.根据权利要求5所述的基于单目视频的多阶段人体动作捕捉方法，其特征是对于实时动作捕捉的应用场景，相机拍摄的当前时刻的图像送入相机校正模块估计相机参数，记基于过去帧的估计值为 在网络估计出基于当前帧的估计值xt后，对 进行更新，更新规则为： 其中momentum＝0.1，将 作为最
新的相机估计值以供后续模块使用。
7.根据权利要求2所述的基于单目视频的多阶段人体动作捕捉方法，其特征是人体轨迹估计模块包括编码和解码两个阶段，基于归一化二维人体姿态关键点中的坐标序列(0,…,T‑1)，只取其中的左腿运动链和右腿运动链上的关键点作为输入，在编码阶段，编码器使用空洞卷积网络来提取输入序列的特征；在解码阶段，提取的特征分别经过两个不同的头部网络，来预测中间帧中的人体根节点在相机坐标系下的三维坐标 和人体各关节点的触地概率 根据相机校正模块估计出的相机内参矩阵 人体姿态估计模块预测出的相对于根节点的三维关节点坐标 人体轨迹预测模块预测的根节点的三维空间坐标求得经过投影在二维图像平面的关节点坐标 计算过程如下：
8.根据权利要求2所述的基于单目视频的多阶段人体动作捕捉方法，其特征是模型拟合模块根据预测得到的三维人体姿态序列、三维人体轨迹序列和触地概率，分步骤迭代优化出人体网格模型的形状参数和关节旋转量，并赋值给参数化三维人体模型以得到真实的驱动结果，分为四个步骤，具体如下：
S51迭代拟合三维人体形状参数：进行实时动作捕捉时，人体的骨骼长度动态更新，视频帧输入人体姿态估计模块估计得到三维关节点坐标 计算得人体的各骨骼长度L，记基于过去帧的人体骨骼长度的估计值为 在人体姿态估计模块估计计算出基于当前帧的估计值Lt后,对 进行更新，更新规则为：
其中momentum＝0.1，将 作为最新的人体骨骼长度，以供三维人体模型拟合阶段使用；
通过人体模型的三维关节点位置Psmpl得到骨骼向量 将 视为拟合目标，SMPL模型的形状参数θ为待更新的参数，损失函数定义如下：
其中λ1＝1,λ2＝0.005，迭代后得到最终的拟合结果；
S52计算全局旋转量R0：R0对应SMPL模型姿态参数β中的w0， 表示全局旋转量，以SMPL模型的三个关节点确定一个刚性结构，基于这三个关节点的初始位置(t1,t2,t3)和预测的位置(p1,p2,p3)求得一个旋转矩阵R，使(t1,t2,t3)经旋转变换后得到的向量(Rt1,Rt2,Rt3)与预测的位置(p1,p2,p3)距离和最小，使得距离最小化的R即为R0，用公式表述如下：
其中SO(3)表示由三维旋转矩阵构成的三维旋转群，上述公式通过奇异值分解SVD得到闭式解；
S53计算各关节的旋转量：三维人体模型中的父节点沿着人体运动骨骼链定义，记节点k在三维人体模型的初始位置为tk，目标位置为pk，重建的模型中节点k的位置为qk，记节点k所在的骨骼向量为 姿态参数wk表示节点k相对于其父节点f(k)的旋转量Rf(k),k，则节点k的绝对旋转量 首先将SMPL模型的根节点对齐，
有q0＝p0；经过S52得到全局旋转量R0后，沿着三维人体模型的运动骨骼链从根节点向叶子节点移动，逐步计算每个节点的相对旋转量Rf(k),k，若当前计算的节点为k，重建后的节点k的父节点的位置为 初始骨骼向量为 抵
消父节点的旋转影响后得到目标骨骼向量为 记
旋转轴为n，旋转角度为α，则 通过罗德里格斯
公式求得旋转矩阵：
∧
其中I表示3×3单位矩阵，n 表示n的反对称矩阵，则相对旋转量Rf(k),k即为
S54基于检测的二维关键点和触地标签进行优化：经S51、S52、S53步骤求得的形状参数β与姿态参数θ，得到SMPL模型，SMPL模型经过线性映射回归出三维坐标J3D，再结合相机校正模块估计出的相机内参矩阵 即可求出SMPL模型投影后的二维关键点坐标J2D，本步骤结合归一化的二维人体关键点序列X和人体轨迹预测模块预测的触地概率 进一步对人体模型进行迭代优化，待更新的参数为姿态参数β、姿态参数θ，损失函数定义如下：
其中λ3＝0.001,λ4＝10,λ5＝0.01，迭代得到最终优化后的结果。
9.一种电子设备，其特征是包括存储介质和处理器，用于根据单目视频进行人体动作捕捉，所述存储介质用于存储计算机程序，处理器用于执行所述计算机程序，计算机程序被执行时,实现权利要求1‑8任一项所述的基于单目视频的多阶段人体动作捕捉方法。
10.一种计算机可读存储介质,其特征是所述计算机可读存储介质上存储有计算机程序,该计算机程序被执行时,实现权利要求1‑8任一项所述的基于单目视频的多阶段人体动作捕捉方法。