三维人体建模技术在游戏开发、影视动画制作、虚拟试衣等领域都有着广阔的应用前景。由于人体结构复杂多变、表面的非刚体运动较多,目前高精度的三维人体建模方法主要依赖于复杂且昂贵的多视角相机系统或激光扫描仪来进行数据采集与处理。随着SMPL模型的提出,利用该模型所提供的人体先验约束可以将复杂的三维重建问题转化为一系列参数的优化求解问题,因此如何利用SMPL模型提供的约束来对人体进行有效、便捷的三维数字化建模成为了学者们不断探讨的问题。在上述背景下,本课题围绕基于SMPL模型的三维人体建模这一主题,主要研究如何利用单个传感器设备采集的不完整信息来对模型参数进行优化求解,具体工作可总结如下:(1)基于单幅RGB图像的三维人体姿态建模。为了解决现有的基于SMPL模型的人体姿态建模算法容易出现误差、模型参数估计不准确等问题,本文将基于优化和基于深度学习的姿态建模算法相结合:首先利用深度卷积神经网络从图像中提取模型参数作为初始值,随后利用人体轮廓、二维关节点、人体身高等约束来对模型参数进一步优化求解,从而得到更加精确的人体三维姿态和体型。为了验证所提方法的有效性,将同类算法在真实数据和公开数据集上进行了评估,实验表明所提方法能够有效地将优化算法和深度学习算法两者的优势结合,提高三维人体姿态建模算法的精度,实验同时利用所提方法进行了人体部位解析的应用效果展示,以支撑相关的应用研究。(2)融合RGBD信息的三维人体姿态建模。在基于单幅RGB图像的人体姿态建模工作的基础上,通过融合深度信息来解决因二维图像深度信息的缺失而导致的姿态求解结果不唯一的问题:首先使用Kinect相机采集单帧人体彩色图和深度图并生成点云数据,然后对点云进行背景分割、去噪等操作,获得高质量的人体单侧点云;再使用基于单幅RGB图像的三维人体姿态建模算法获得初始模型,并将其与点云进行预配准;最后,基于这些数据,使用K近邻算法确定初始模型与人体点云的点对应关系,再利用点云与模型的距离约束对模型参数进行优化,从而准确估计出复杂姿态下的人体的姿态和体型。通过对实验采集的真实人体数据进行定性与定量的分析,验证本文方法具有精度高、实验环境简单等特点,能够得到精确的人体三维姿态与体型。最后利用所提算法结合服装布料模拟软件进行了虚拟试衣的应用效果展示。(3)基于RGB视频的三维动态人体建模。基于单幅RGB图像的三维人体姿态建模算法在人体自遮挡严重时容易出现误差,在处理视频时容易出现运动不连贯等问题。为了解决上述问题,同时使得SMPL模型能够包含更多的纹理细节,采用一种基于RGB视频序列的三维动态人体建模方法:首先对RGB视频序列的每帧图像进行人体姿态建模,然后利用视频序列的帧间连贯性对视频全部帧的姿态建模结果进行误差纠正,使组成的姿态序列更为准确流畅;再利用SMPL模型的变形原理,将视频每帧的人体轮廓锥体变换成标准的T型姿势,最后利用多个轮廓锥体组成的可视外壳的约束求解SMPL模型的顶点偏移量,得到一个包含纹理信息的人体模型。对真实环境下采集的人体数据进行了实验,实验结果表明所提方法能够对RGB视频中任意简单姿势的动态人体进行三维建模。另外由于生成的人体模型可以通过参数的改变进行动画驱动,实验中结合所提姿态建模算法进行了人体动作模仿的应用效果展示。