随着动漫、游戏、电影等产业的迅速发展,人体三维建模的需求日益增加。但传统建模需要精密仪器的测量,成本高且使用环境严苛。视觉计算的迅猛发展为人体三维建模提供另一种方法—基于图像重建模型,即从图像中获取人体三维空间信息,构建人体三维模型。单目图像重建相较于多目图像,因缺少深度信息,获得三维信息是具有难度的。为解决单目图像重建缺乏三维信息,重建模型只关注姿势而忽略形状,且重建误差较大的问题,结合参数化模型--SMPL人体模型,提出了基于迭代误差反馈网络的人体三维模型重建方法,能够根据单目图像重建出与图像人体具有相似形状和姿势的三维模型。为了构建与图像人体具有相似姿态和形状的模型,需要估计人体模型的两个参数--形状参数和姿势参数。首先,对图像分别进行二维姿势估计和人体前景分割,获得人体二维骨架和整体轮廓等二维信息。然后将SMPL标准模型利用透视投影原理投影到二维平面上,姿势参数的估计通过最小化模型关节投影与二维骨架的误差实现,而形状参数的估计则是通过优化模型轮廓投影与图像人体轮廓的EMD距离实现。另外,为处理姿势的模糊性,优化形状,通过引入运动捕捉数据库Mocap建立先验知识,验证估计的参数是否符合正常人体模型。将Mocap三维标记数据集与SMPL拟合,得到正常人体模型的姿势集合和形状集合,然后应用于高斯混合模型,通过EM算法训练得到关于正常人体模型姿势和形状的分布。对估计的参数计算属于不正常人体的概率,并以此概率构造先验函数,对姿势、形状参数进行约束。针对CNN进行改进,添加自上而下的反馈机制构建迭代误差反馈网络优化关节匹配误差、轮廓距离误差和先验函数。与CNN直接预测输出不同,迭代误差反馈网络可以通过反馈调节早期层中的特征提取,对模型参数进行迭代地进行修正。将二维特征向量与模型的两个参数作为网络的输入,训练CNN获得模型参数的校正残差值,利用残差值更新模型参数,重复上述过程,迭代地修正模型参数直到达到设定的迭代次数为止,最终得到调整后的模型参数,构建人体三维模型。在德国马克斯-普朗克研究所制作的MPI-INF-3DHP数据集和公开的体育姿势数据集LSP上评估本文提出的重建算法,从形状和姿势两个方面分析,本文算法重建的三维模型与图像人体具有相似的形状和姿势;且在与同类算法对比实验中,本文提出的重建算法能减少重建误差,证明基于迭代误差反馈网络的重建算法能根据单目图像重建出与图像相似的人体三维模型。