我們已經介紹過很多單目的動作捕捉方案，最近的單目動捕方案可以說大同小異，在原理上基本沒有什么區別，都是利用卷積神經網絡識別對象，估算骨骼模型，再在此基礎上進行渲染。這些解決方案的困難也都類似，例如老大難的遮擋問題，腳踝處的識別和骨骼模型往往估計不準等等。

最近，清華、北航、南加州大學、馬克思普朗克研究所等的研究人員合作了一篇論文DoubleFusion: Real-time Capture of Human Performances with Inner Body Shapes from a Single Depth Sensor，提出了一種叫做DoubleFusion、基于單個深度攝像頭的解決方案，對人體動作捕捉識別有更好的效果。

簡單地講，DoubleFusion的原理是這樣的，一般深度攝像頭的動作捕捉來源于深度數據，因此可以構建人身體的表面形狀（即包含衣服在內的外形數據），但這種方案難以在有遮擋的情況下實現捕捉，為了補足深度捕捉的缺憾，DoubleFusion將它和估算骨架模型的方案融合了起來，因此形成了一個“雙層表面表示”，外層是深度數據得到的表面重建的數據，內層則是骨架模型數據，最終計算得到最合理的動作數據。我們看到的完整的身體模型，實際上是內外兩層數據相互制約、相互融合的結果。

具體來說，DoubleFusion的輸入只有捕獲的深度數據，而輸出是捕捉目標的雙層表面。在骨架估計方面，它采用最近出現的基于Mask-RCNN的模型SMPL，可以非常迅速的得到比較完美的骨架模型，在外表數據方面，采用同樣是近年來提出的捕獲方法DynamicFusion。外表數據生成一個節點圖，主要用于判斷姿勢變化方式，骨架數據同樣形成節點圖，主要用作判據，盡量避免姿勢變化中違法骨骼連接的情況。

那么，這個方案的實際效果如何？

DoubleFusion方案比單方面骨架模型估計的方案效果更好，例如與BodyFusion相比較， 后者即使較緊身的衣服也會對結果產生影響，而前者捕捉的結果更為干凈、完整；另外DoubleFusion的每幀最大誤差更小，而且平均誤差也較小，在捕捉快速運動期間表現也要更好，還有，實時重建的身體形狀和顯示的目標穿著看起來也要更合理一些。

從性能上來說，測試環境中，DoubleFusion每一幀執行6次ICP迭代，進行關節運動跟蹤需要21毫秒，9毫秒用于體積形狀和身體姿態的優化；另外，輸入的深度數據屬于異步運行處理，算上運行時間不到1毫秒，綜合下來基本是每幀32毫秒。

然而，這種解決方案還是存在限制，例如，當用戶穿著較厚的衣服時，這個方案在捕捉過程中會將衣服的厚度都當成人的身體來計算，導致身體建模的誤差出現；另外，目前的方案還無法處理人物對象之間的交互，不過按照論文的說法，這將會在未來的研究中得到解決。

最后，必須要說的是，這篇論文提出的解決方案效果可能比較好，但要實現它，深度攝像頭至少是必須品，而現在的市場上仍然有很大一部分智能手機沒有深度攝像頭，否則之前的普通攝像頭單目動捕也不至于備受關注。從這個方面來說，論文中解決方案的實用價值可能并沒有我們想象中那么大。