仅包括身体的数据预处理

October 15, 2023 · View on GitHub

首先，我们生成动作关节点(T, 52, 3)。请针对每个数据集运行以下命令。DATASET应为['KIT', 'H3D', 'BABEL']。
```
python raw_pose_processing.py --data {DATASET}
```
在这里，对于BABEL子集，我们只支持all模式（包括seg和seq模式）。

我们认为这是两全其美的选择。我们将在不久的将来支持seg和seq模式。欢迎社区贡献！

第一步完成后，您的文件树应如下所示：
```
./body-only-unimocap/
├── joints-BABEL
│   └── *.npy
├── joints-H3D
│   └── *.npy
└── joints-KIT
    └── *.npy
```

接下来，我们将为每个子集（['KIT', 'H3D', 'BABEL']）生成new_joint和new_joint_vecs文件夹。在此步骤中，我们将生成263维的动作特征（遵循HumanML3D论文中的数据格式）。

请针对每个数据集运行以下命令。DATASET应为['KIT', 'H3D', 'BABEL']。

python motion_representation.py --data {DATASET}

将所有文本文件复制到每个子集文件夹：

cp -r ./babel_new_text ./body-only-unimocap/BABEL/texts
cp -r ./humanml3d_new_text ./body-only-unimocap/H3D/texts
cp -r ./kit_new_text ./body-only-unimocap/KIT/texts

第二步完成后，您的文件树应如下所示：

./body-only-unimocap/
├── BABEL
│   ├── new_joints       # 每个子文件的*.npy
│   ├── new_joint_vecs   # 每个子文件的*.npy
│   └── texts            # 每个子文件的*.txt
├── H3D
│   ├── new_joints       # 每个子文件的*.npy
│   ├── new_joint_vecs   # 每个子文件的*.npy
│   └── texts            # 每个子文件的*.txt
├── KIT
│   ├── new_joints       # 每个子文件的*.npy
│   ├── new_joint_vecs   # 每个子文件的*.npy
│   └── texts            # 每个子文件的*.txt
├── joints-BABEL
│   └── *.npy
├── joints-H3D
│   └── *.npy
└── joints-KIT
    └── *.npy

最后，我们将将UniMoCap数据集统一为HumanML3D格式。
1. 首先，请生成镜像文本。
```
python diff.py
```
2. 合并三个子集。
```
python split.py
```
3. 计算均值和方差。
```
python mean_variance.py
```

OK！经过所有这些处理，我们将获得结构如下的H3D格式UniMocap数据集：

./datasets/UniMocap
├── Mean.npy
├── new_joints
├── new_joint_vecs
├── Std.npy
├── test.txt
├── texts
├── train.txt
└── val.txt

[1]: Guo, Chuan, et al. "Generating diverse and natural 3d human motions from text." Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2022.