人体三维姿态重建在影视制作,游戏和人机交互领域有很多应用,但是目前工业界中成熟的商业化解决方案大部分依靠动作捕捉系统来实现三维姿态重建的,这种方案成本高昂,使得这种技术难以向一般的消费者市场推广。随着深度学习技术的发展,研究人员开始使用卷积神经网络来进行三维姿态估计。但是深度学习方法需要大量带三维姿态点标注的训练数据,而且数据集的标注过程十分复杂繁琐。针对上述问题,本论文提出了一种不需要三维姿态点标注数据,基于迭代优化的人体三维姿态重建方法,减小了数据集采集难度和计算量,通过引入参数化人体模型来表示三维姿态,仅需要估计低维的参数即可得到完整的人体模型。本论文的主要研究工作和成果包括以下几点:1)针对参数化人体模型在表示三维姿态重建结果时常常出现自相交的问题,本论文提出了一种具有线性时间复杂度的自相交约束算法。本论文的方法只需要遍历一次模型中的三角形即可完成自相交区域的检测,然后通过使模型发生相应的形变即可消除自相交现象。相对于传统的人体自相交约束方法中将人体模型用多个简单几何体近似的做法而言,本论文的方法具有更高的自相交检测和约束精度。2)针对传统可微分渲染器的梯度需要通过复杂的数值方法得到的问题,本论文提出了 一种具有解析表达式梯度的可微分渲染器。传统方法采用差分近似微分的方法给出了梯度的数值结果,但这种做法运算效率低且重建精度差。本论文通过引入抗锯齿算法,将渲染过程近似为可微分的过程,并推导出了解析的梯度表达式。三维人体重建实验结果表明,本论文的方法在速度和精度上均优于传统方法。3)利用本论文提出的自相交约束方法和可微分渲染器,实现了仅仅依靠人体轮廓图,不需要二维姿态点信息的人体三维姿态重建。实验结果表明,本论文方法与依赖二维姿态点的三维姿态重建方法相比没有明显的精度损失。