CN105678792A - 一种人体轮廓提取方法及系统 - Google Patents
一种人体轮廓提取方法及系统 Download PDFInfo
- Publication number
- CN105678792A CN105678792A CN201610104006.2A CN201610104006A CN105678792A CN 105678792 A CN105678792 A CN 105678792A CN 201610104006 A CN201610104006 A CN 201610104006A CN 105678792 A CN105678792 A CN 105678792A
- Authority
- CN
- China
- Prior art keywords
- human body
- measured
- image
- line drawing
- profile
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种人体轮廓提取方法及系统,所述方法包括:获取包含待测人体的身体轮廓的图像;对获取的图像进行灰度处理,得到所述待测人体的灰度图像;提取所述灰度图像的人体轮廓信息,得到所述待测人体的轮廓线图;根据预设的类型确定规则,确定所述轮廓线图的类型;根据所述轮廓线图的类型,确定所述待测人体的各部位的轮廓。上述人体轮廓提取方法及系统,可节省图像处理的时间,从而有效地提高对待测人体的轮廓提取的效率,解决了现有技术提取人体轮廓线效率低的技术问题。
Description
技术领域
本发明涉及模式识别领域,尤其涉及一种人体轮廓提取方法及系统。
背景技术
三维人体测量技术可以服务于服装在线设计、人体精确三维建模和行为识别等多个相关领域的研究和实际应用。现在的人体测量技术,成本高,实现难度较大。同时,三维人体测量技术的发展和服装行业的加快以及互联网信息的飞速发展都要求解决这一重要问题。
三维人体测量技术可以作为服装设计和制作的基础,从而提高服装产品的质量。近年来,与三维人体测量技术相关的研究项目越来越多。国际机构认为“必须每十年各个国家对现有人体测量调查进行更新或修订,从而反映生活水平、营养状况、教育水平和自然环境变化的影响”。美国由CAESAR(CivilianAmericanandEuropeanSurfaceAnthropometryResource)组织、美国汽车工业和航空业参与,JantzenInc、LeeCo.、LeviStraussandCo.、SaraLeeKnitProducts、SearsManufacturingCompany,VanityFairInc.等公司参加的三维人体测量项目于1997年开始2000年结束,已广泛应用于美国、意大利、荷兰等国。此外,国内外服装CAD技术快速发展,美国、德国、英国和日本等从20世纪70年代中期开始对三维人体测量技术进行研究。
我国从20世纪80年代中后期开始研究三维人体测量技术。现有的一项研究提出了一种服装在线人体尺寸测量方法,能充分利用常用设备如普通计算机等进行人体测量,无需特制的硬件设备就可以测量人体尺寸,操作程序简单便利。然而,这种设备在具体测量人体尺寸过程中,计算机耗时长,精确度不是很高。现有的另一项研究提出了一种递归凸壳算法来构造基于轮廓模型寻找可能的身体部位。这种方法仍然有些不足之处,没有考虑快速剔除“类似人体形状”的预处理,并且可能需要大量训练照片,步骤繁琐冗余。还有一项研究提出一种基于人脸检测和关键点定位的人体组件划分方法,主要针对无肢体重叠的图像进行人体组建的划分,通过边缘检测获取准确的人体轮廓,再使用十字链表存储和检索方法,该方法有较好的实时性和较高的准确性,但计算成本高,计算速度较慢,难以满足现在对人体尺寸测量的要求。
发明内容
本发明提供一种人体轮廓提取方法及系统,以解决现有技术提取人体轮廓线效率低的技术问题。
为此目的,第一方面,本发明提供一种人体轮廓提取方法,包括:
获取包含待测人体的身体轮廓的图像;
对获取的图像进行灰度处理,得到所述待测人体的灰度图像;
提取所述灰度图像的人体轮廓信息,得到所述待测人体的轮廓线图;
根据预设的类型确定规则,确定所述轮廓线图的类型;
根据所述轮廓线图的类型,确定所述待测人体的各部位的轮廓。
可选地,所述对获取的图像进行灰度处理,得到所述待测人体的灰度图像,包括:
将所述获取的图像中的每个像素的三个通道按照预设比例加权,得到单通道的合成灰度值;
根据所述合成灰度值,确定所述待测人体的灰度图像。
可选地,所述提取所述灰度图像的人体轮廓信息,得到所述待测人体的轮廓线图,包括:
对所述获取的图像进行边缘检测,得到所述待测人体的边缘线;
将得到的所述待测人体的边缘线闭合,得到所述待测人体的闭合轮廓线;
对所述待测人体的闭合轮廓线进行还原处理,得到所述待测人体的还原图像;
查找所述还原图像的最大轮廓,得到所述待测人体的轮廓线图。
可选地,所述根据预设的类型确定规则,确定所述轮廓线图的类型,包括:
对所述轮廓线图进行裁剪,得到裁剪的轮廓线图;
自所述裁剪的轮廓线图的预设位置处,遍历所述裁剪的轮廓线图;
水平方向颜色跳变次数为K1时,确定所述裁剪的轮廓线图为待测人体的正视图;
水平方向颜色跳变次数为K2时,确定所述裁剪的轮廓线图为待测人体的侧视图;
K1、K2为预设常数。
可选地,所述根据所述轮廓线图的类型,确定所述待测人体的各部位的轮廓,包括:
根据所述轮廓线图的类型,确定所述待测人体的腋下、颈部以及大腿根部;
根据所述待测人体的腋下、颈部以及大腿根部,确定所述待测人体的臂膀及臀部;
根据所述待测人体的腋下、颈部、大腿根部、臂膀以及臀部,确定所述待测人体的各部位的轮廓。
可选地,所述根据所述待测人体的腋下、颈部、大腿根部、臂膀以及臀部,确定所述待测人体的各部位的轮廓,包括:
根据所述待测人体的腋下、颈部、大腿根部、臂膀以及臀部,对所述轮廓线图进行边缘检测,确定所述待测人体的各部位的轮廓。
可选地,在提取获取的图像的人体轮廓之前,所述方法还包括:
按照预设的图像截取规则,截取所述获取的图像,得到所述待测人体的截取图像;
相应地,所述提取获取的图像的人体轮廓,包括:
提取所述截取图像的人体轮廓。
第二方面,本发明提供一种人体轮廓提取系统,包括:
获取单元,用于获取包含待测人体的身体轮廓的图像;
灰度处理单元,用于对获取的图像进行灰度处理,得到所述待测人体的灰度图像;
轮廓提取单元,用于提取所述灰度图像的人体轮廓信息,得到所述待测人体的轮廓线图;
类型确定单元,用于根据预设的类型确定规则,确定所述轮廓线图的类型;
轮廓确定单元,用于根据所述轮廓线图的类型,确定所述待测人体的各部位的轮廓。
可选地,所述灰度处理单元,具体用于:
将所述获取的图像中的每个像素的三个通道按照预设比例加权,得到单通道的合成灰度值;
根据所述合成灰度值,确定所述待测人体的灰度图像。
可选地,所述轮廓提取单元,具体用于:
对所述获取的图像进行边缘检测,得到所述待测人体的边缘线;
将得到的所述待测人体的边缘线闭合,得到所述待测人体的闭合轮廓线;
对所述待测人体的闭合轮廓线进行还原处理,得到所述待测人体的还原图像;
查找所述还原图像的最大轮廓,得到所述待测人体的轮廓线图。
由上述技术方案可知,本发明的人体轮廓提取方法及系统,通过对获取的包含待测人体的身体轮廓的图像进行灰度处理后,提取人体轮廓线图,然后确定待测人体的各个部位,从而得到待测人体的身体轮廓,有效地提高了人体轮廓线提取的效率,解决了现有的人体测量技术提取效率低的技术问题。
附图说明
图1为本发明一实施例提供的人体轮廓提取方法的流程示意图;
图2为本发明一实施例提供的获取包含待测人体的身体轮廓的图像的示意图;
图3为本发明一实施例提供的灰度处理后的待测人体的灰度图像的示意图;
图4为本发明一实施例提供的利用Canny边缘检测算子得到的待测人体的边缘线图的示意图;
图5为本发明一实施例提供的膨胀腐蚀后的待测人体的轮廓线图的示意图;
图6为本发明一实施例提供的处理后的待测人体的正视图和侧视图的示意图;
图7为本发明一实施例提供的划分的待测人体的身体各部位的轮廓图的示意图;
图8为本发明一实施例提供的人体轮廓提取系统的结构示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
图1示出了本发明一实施例提供的人体轮廓提取方法的流程示意图。如图1所示,本实施例的人体轮廓提取方法包括步骤S11至S15。
S11、获取包含待测人体的身体轮廓的图像。
本实施例中采集的包含待测人体的身体轮廓的图像具体如图2所示,包括待测人体的正视图和侧视图,并且从正视图中可以清楚的看到待测人体的各部位,包括:头部、颈部、手臂、腿部及臀部等。
本实施例中,采集图像的具体操作过程为:在黑色背景布帘下,利用单反相机对待测人体进行拍摄,得到的彩色图像,像素高,图像清晰。
S12、对获取的图像进行灰度处理,得到所述待测人体的灰度图像。
因为获取的图像一般是彩色图像,每个像素点的颜色是由B、G、R三个通道表示,为了后续更好的处理图像,将彩色图像三个通道的信息进行调整。本实施例中对彩色图像进行灰度处理,这样就可以更加突出图像灰度的细节特征信息。
本实施例中对获取的待测人体的图像进行灰度化处理后的图像如图3所示。
S13、提取所述灰度图像的人体轮廓信息,得到所述待测人体的轮廓线图。
S14、根据预设的类型确定规则,确定所述轮廓线图的类型。
S15、根据所述轮廓线图的类型,确定所述待测人体的各部位的轮廓。
根据轮廓线图,可以确定待测人体的各部位,从而可以得到待测人体的各部位的轮廓。
本实施例的人体轮廓提取方法,有效地提高了提取速度,能够满足对人们对人体轮廓提取的要求,且能够得到更多的细节信息,极大地提高了图像的准确性。
在本发明一个优选的实施例中,步骤S12具体包括图1中未示出的子步骤S121和S122。
S121、将所述获取的图像中的每个像素的三个通道按照预设比例加权,得到单通道的合成灰度值。
一般普通图像的灰度化是按等权值对每个通道的比例值(如B:G:R=3:3:1)进行加权得到的灰度值。因为普通的灰度化不能详细的表现出细节上的差异,所以本实施例采取不同比例的灰度化方法,对于B通道,G通道和R通道,按照70%的B通道,70%的G通道和15%的R通道的比例加权,得到一个单通道的合成灰度值。
S122、根据所述合成灰度值,确定所述待测人体的灰度图像。
利用上述灰度值,从而可以清晰得到图像的细节信息,并且能突出人体的正常肤色。具体如图3所示。
本实施例的人体轮廓提取方法,可以使待测人体的肤色与背景颜色对比更加明显,清晰的得到待测人体图像的细节信息,保证了人体轮廓提取的准确度。
在本发明一个优选的实施例中,步骤S13具体包括图1中未示出的子步骤S131至S134。
S131、对所述获取的图像进行边缘检测,得到所述待测人体的边缘线。
图像边缘是指图像局部区域亮度变化显著的部分,该区域的灰度剖面一般可以看作是一个阶跃。图像边缘集中了图像的大部分信息,图像边缘的确定与提取是图像分割所依赖的重要特征。
本实施例中,采用Canny边缘检测算子提取边缘,选用Canny边缘检测算子实现图像的边缘检测,就是要用离散化梯度逼近函数根据二维灰度矩阵梯度向量来寻找图像灰度矩阵的灰度跃变位置,然后在图像中将这些灰度跃变位置的点连起来就构成图像边缘。
可以理解的是,图像边缘在本实施例中是一个统称,包括了二维图像上的边缘、角点、纹理等基元图。
Canny边缘检测算子检测边缘包括对灰度化图像进行滤波、用一阶偏导的有限差分计算梯度的幅值和方向,然后对梯度进行非极大值抑制,最后用双阈值法检测和连接边缘。双阈值法是Canny边缘检测算子中减少假边缘数量的方法。实现原理为:预设两个阈值,一个高阈值和一个低阈值,根据高阈值得到一个边缘图像,这样一个图像含有很少的假边缘,但是由于阈值较高,产生的图像边缘可能不闭合,解决这样一个问题就采用另外一个低阈值。
利用Canny边缘检测算子检测边缘后,得到的待测人体的边缘线图如图4所示。
S132、将得到的所述待测人体的边缘线闭合,得到所述待测人体的轮廓线图。
S133、对所述待测人体的闭合轮廓线进行还原处理,得到所述待测人体的还原图像。
由于用Canny边缘检测算子检测出来的边缘线不一定连通,本实施例中利用图像处理中的膨胀技术使得原先Canny边缘检测算子检测出来的不连通的边缘线形成闭合的连通域。得到的线条闭合的目标图像中仍存在误差,并且还有很多噪声污染,尤其是小噪点,所以需要对图像进行处理。具体操作如下:选取一个4*4的矩阵结构单元,对包含待测人体边缘线的图像进行遍历,按照膨胀腐蚀的规则处理,得到线条闭合且清晰的目标图像。
S134、查找所述还原图像的最大轮廓,得到所述待测人体的轮廓线图。
运用轮廓查找算法,找到图像中最大的轮廓即人体轮廓线。具体见附图5。并对轮廓进行颜色填充,本实施例中填充的颜色的是灰色,即B、G和R,3个通道都是120,最大轮廓以外的部分填充黑色,即B、G和R,3个通道都是0,这样重新得到图像的最大轮廓。
本实施例的人体轮廓提取方法,查找速度快操作简便,抗干扰性强,适用于所有存在边缘的图片,进而提高了人体轮廓提取的速度,且消除了轮廓线图中的噪声,减小了轮廓提取时的误差,提高了对待测人体轮廓提取的精度。
在本发明一个优选的实施例中,步骤S13具体包括图1中未示出的子步骤S141至S144。
S141、对所述轮廓线图进行裁剪,得到裁剪的轮廓线图。
上述轮廓线图为待测人体的最大连通域,对上述轮廓线图进行抠图,运用算法选择与图像相切的位置进行裁剪得到裁剪的轮廓线图。
S142、自所述裁剪的轮廓线图的预设位置处,遍历所述裁剪的轮廓线图。
本实施例中,定义了一个find_oxter函数对带测人体的轮廓线图进行类型辨别。具体操作为:自裁剪的轮廓线图的1/4处向下遍历轮廓线图。每下降5个像素点对图像从左往右遍历一次。
本实施例中预设位置选取轮廓线图的1/4的原因是:根据人体生理结构,头部颈部的高度约占总身高的1/4。
本实施例并不对轮廓线图的预设位置进行限定,本领域技术人员可根据实际需要,确定自轮廓线图的何位置处开始遍历图像。
S143、水平方向颜色跳变次数为K1时,确定所述裁剪的轮廓线图为待测人体的正视图。
本实施例中,取K1=6,即当水平方向上(从左到右或者从右到左)颜色跳变次数为6次时,确定此轮廓线图为待测人体的正视图。
S144、水平方向颜色跳变次数为K2时,确定所述裁剪的轮廓线图为待测人体的侧视图。
本实施例中,取K2=2,即当水平方向上(从左到右或者从右到左)颜色跳变次数一直为2次时,确定此轮廓线图为待测人体的侧视图。
区分的待测人体的正视图和侧视图如图6所示。
本实施例并不对K1、K2的取值进行限定,本领域技术人员可根据实际需要,确定K1、K2的取值。
本实施例的人体轮廓提取方法,可以区分采集的待测人体的图像的类型,从而为更好的提取待测人体各部位的轮廓奠定基础。
在本发明一个优选的实施例中,步骤S15具体包括图1中未示出的子步骤S151至S153。
S151、根据所述轮廓线图的类型,确定所述待测人体的腋下、颈部以及大腿根部。
在待测人体的轮廓线图的正视图中,确定颜色跳变次数为6次的位置为待测人体的腋下。在待测人体的腋下位置画一条水平线,该水平线与待测人体的轮廓线图有交点。
上述水平线向上遍历图像,确定上述水平线与待测人体的轮廓线图在左右两端交点之间的距离,距离最小的两交点所连的线即为人物的颈部位置。
将待测人体的两个腋下的坐标取中间值,垂直向下遍历轮廓线图,在遍历过程中得到的第一个灰度值改变的位置即为待测人体的大腿根部所在的位置。
对于待测人体的轮廓线图的侧视图,从上述侧视图的1/8处向下遍历,并从侧视图的1/2处向上遍历,水平方向上侧视图的两个颜色跳变位置之间的距离最小的地方即为待测人体的颈部所在的位置。
S152、根据所述待测人体的腋下、颈部以及大腿根部,确定所述待测人体的臂膀及臀部。
对于待测人体的正视图,从待测人体的腋下两端点值开始,每向上6个像素往同侧偏移一个像素点,即以1/6的斜率划分人物臂膀,可以确定出待测人体的臂膀位置。
对于待测人体的侧视图,根据上述待测人体的颈部所在的位置,再从侧视图的1/3处向下遍历至侧视图的3/4处,在水平方向上从右向左遍历待测人体的侧视图,侧视图的最右侧与第一次灰度跳变点之间的距离最小处即为待测人体的臀部的顶端。
自待测人体的臀部顶端,确定其下方20-30个像素点的位置为待测人体的大腿所在的位置。
S153、根据所述待测人体的腋下、颈部、大腿根部、臂膀以及臀部,确定所述待测人体的各部位的轮廓。
步骤S153具体为:根据所述待测人体的腋下、颈部、大腿根部、臂膀以及臀部,对所述轮廓线图进行边缘检测,确定所述待测人体的各部位的轮廓。
确定了待测人体的各部位的位置,结合侧视图,继续使用Canny边缘检测算子检测待测人体的边缘线,就可以得到待测人体的各身体部位的轮廓。得到的划分的待测人体的身体各部位的轮廓图如图7所示。
本实施例的人体轮廓提取方法,可以有效简便快速的划分待测人体的各部位,极大地缩短了图像的处理时间,精度在正负3个像素点,很好的解决了提取人体轮廓的速度和精度。
在本发明一个优选的实施例中,在步骤S12之前,上述方法还包括图1中未示出的以下步骤:
按照预设的图像截取规则,截取获取的图像,得到所述待测人体的截取图像。
获取的图像周围存在很多无用信息,对这样的图像进行处理会加大处理时间,尽量缩小图像尺寸是提高效率的最有效方法,所以将人物所在区域进行集中处理,重新建立新的图像空间,这样可以快速得到目标图像。
具体操作为:对获取到的图像选取相应的高度和宽度重新抠图,从而去除图像周围无用的背景图像,使得新图像减少冗余信息,方便后续处理。
相应地,步骤S12包括:提取所述截取图像的人体轮廓。
本实施例的人体轮廓提取方法,通过去除获取到的图像中的多余信息,减少了无用的冗余信息,提高了处理速度,方便做后续的处理。
图8示出了本发明一实施例提供的人体轮廓提取系统的结构示意图。如图8所示,本实施例的人体轮廓提取系统包括:获取单元801、灰度处理单元802、轮廓提取单元803、类型确定单元804以及轮廓确定单元805。
获取单元801,用于获取包含待测人体的身体轮廓的图像;
灰度处理单元802,用于对获取的图像进行灰度处理,得到所述待测人体的灰度图像;
轮廓提取单元803,用于提取所述灰度图像的人体轮廓信息,得到所述待测人体的轮廓线图;
类型确定单元804,用于根据预设的类型确定规则,确定所述轮廓线图的类型;
轮廓确定单元805,用于根据所述轮廓线图的类型,确定所述待测人体的各部位的轮廓。
本实施例的人体轮廓提取系统,能够有效地提高人体轮廓线提取的效率。
在本发明一个优选的实施例中,上述灰度处理单元802,具体用于:
将所述获取的图像中的每个像素的三个通道按照预设比例加权,得到单通道的合成灰度值;
根据所述合成灰度值,确定所述待测人体的灰度图像。
本实施例的人体轮廓提取系统,能够得到清晰的待测人体图像的细节信息,保证了人体轮廓提取的准确度。
在本发明一个优选的实施例中,上述轮廓提取单元803,具体用于:
对所述获取的图像进行边缘检测,得到所述待测人体的边缘线;
将得到的所述待测人体的边缘线闭合,得到所述待测人体的闭合轮廓线;
对所述待测人体的闭合轮廓线进行还原处理,得到所述待测人体的还原图像;
查找所述还原图像的最大轮廓,得到所述待测人体的轮廓线图。
本实施例的人体轮廓提取系统,大大提高了提取待测人体轮廓线图的速度。
本领域普通技术人员可以理解:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明权利要求所限定的范围。
Claims (10)
1.一种人体轮廓提取方法,其特征在于,包括:
获取包含待测人体的身体轮廓的图像;
对获取的图像进行灰度处理,得到所述待测人体的灰度图像;
提取所述灰度图像的人体轮廓信息,得到所述待测人体的轮廓线图;
根据预设的类型确定规则,确定所述轮廓线图的类型;
根据所述轮廓线图的类型,确定所述待测人体的各部位的轮廓。
2.根据权利要求1所述的方法,其特征在于,所述对获取的图像进行灰度处理,得到所述待测人体的灰度图像,包括:
将所述获取的图像中的每个像素的三个通道按照预设比例加权,得到单通道的合成灰度值;
根据所述合成灰度值,确定所述待测人体的灰度图像。
3.根据权利要求1所述的方法,其特征在于,所述提取所述灰度图像的人体轮廓信息,得到所述待测人体的轮廓线图,包括:
对所述灰度图像进行边缘检测,得到所述待测人体的边缘线;
将得到的所述待测人体的边缘线闭合,得到所述待测人体的闭合轮廓线;
对所述待测人体的闭合轮廓线进行还原处理,得到所述待测人体的还原图像;
查找所述还原图像的最大轮廓,得到所述待测人体的轮廓线图。
4.根据权利要求1所述的方法,其特征在于,所述根据预设的类型确定规则,确定所述轮廓线图的类型,包括:
对所述轮廓线图进行裁剪,得到裁剪的轮廓线图;
自所述裁剪的轮廓线图的预设位置处,遍历所述裁剪的轮廓线图;
水平方向颜色跳变次数为K1时,确定所述裁剪的轮廓线图为待测人体的正视图;
水平方向颜色跳变次数为K2时,确定所述裁剪的轮廓线图为待测人体的侧视图;
K1、K2为预设常数。
5.根据权利要求1所述的方法,其特征在于,所述根据所述轮廓线图的类型,确定所述待测人体的各部位的轮廓,包括:
根据所述轮廓线图的类型,确定所述待测人体的腋下、颈部以及大腿根部;
根据所述待测人体的腋下、颈部以及大腿根部,确定所述待测人体的臂膀及臀部;
根据所述待测人体的腋下、颈部、大腿根部、臂膀以及臀部,确定所述待测人体的各部位的轮廓。
6.根据权利要求5所述的方法,其特征在于,所述根据所述待测人体的腋下、颈部大腿根部、臂膀以及臀部,确定所述待测人体的各部位的轮廓,包括:
根据所述待测人体的腋下、颈部、大腿根部、臂膀以及臀部,对所述轮廓线图进行边缘检测,确定所述待测人体的各部位的轮廓。
7.根据权利要求1所述的方法,其特征在于,在提取获取的图像的人体轮廓之前,所述方法还包括:
按照预设的图像截取规则,截取所述获取的图像,得到所述待测人体的截取图像;
相应地,所述提取获取的图像的人体轮廓,包括:
提取所述截取图像的人体轮廓。
8.一种人体轮廓提取系统,其特征在于,包括:
获取单元,用于获取包含待测人体的身体轮廓的图像;
灰度处理单元,用于对获取的图像进行灰度处理,得到所述待测人体的灰度图像;
轮廓提取单元,用于提取所述灰度图像的人体轮廓信息,得到所述待测人体的轮廓线图;
类型确定单元,用于根据预设的类型确定规则,确定所述轮廓线图的类型;
轮廓确定单元,用于根据所述轮廓线图的类型,确定所述待测人体的各部位的轮廓。
9.根据权利要求8所述的系统,其特征在于,所述灰度处理单元,具体用于:
将所述获取的图像中的每个像素的三个通道按照预设比例加权,得到单通道的合成灰度值;
根据所述合成灰度值,确定所述待测人体的灰度图像。
10.根据权利要求8所述的系统,其特征在于,所述轮廓提取单元,具体用于:
对所述获取的图像进行边缘检测,得到所述待测人体的边缘线;
将得到的所述待测人体的边缘线闭合,得到所述待测人体的闭合轮廓线;
对所述待测人体的闭合轮廓线进行还原处理,得到所述待测人体的还原图像;
查找所述还原图像的最大轮廓,得到所述待测人体的轮廓线图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610104006.2A CN105678792A (zh) | 2016-02-25 | 2016-02-25 | 一种人体轮廓提取方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610104006.2A CN105678792A (zh) | 2016-02-25 | 2016-02-25 | 一种人体轮廓提取方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105678792A true CN105678792A (zh) | 2016-06-15 |
Family
ID=56305454
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610104006.2A Pending CN105678792A (zh) | 2016-02-25 | 2016-02-25 | 一种人体轮廓提取方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105678792A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107025656A (zh) * | 2017-05-05 | 2017-08-08 | 哈尔滨电工仪表研究所 | 一种新型灼热丝火焰监测系统 |
CN107169976A (zh) * | 2017-04-20 | 2017-09-15 | 温州市鹿城区中津先进科技研究院 | 电商平台展示图片大数据的产品轮廓线绘制方法 |
CN107224129A (zh) * | 2017-07-28 | 2017-10-03 | 京东方科技集团股份有限公司 | 办公座椅 |
WO2018035814A1 (zh) * | 2016-08-25 | 2018-03-01 | 华讯方舟科技有限公司 | 一种基于毫米波图像的人体异物检测方法及系统 |
CN107865473A (zh) * | 2016-09-26 | 2018-04-03 | 华硕电脑股份有限公司 | 人体特征测距装置及其测距方法 |
CN109033945A (zh) * | 2018-06-07 | 2018-12-18 | 西安理工大学 | 一种基于深度学习的人体轮廓提取方法 |
CN110047065A (zh) * | 2019-03-28 | 2019-07-23 | 青岛大学附属医院 | 肾脏医学图像轮廓线提取系统及方法 |
WO2019206082A1 (zh) * | 2018-04-27 | 2019-10-31 | 京东方科技集团股份有限公司 | 图像处理方法、图像处理系统及存储介质 |
US10884116B2 (en) | 2016-08-25 | 2021-01-05 | Shenzhen Cct Thz Technology Co., Ltd. | Human-body foreign-matter detection method and system based on millimetre-wave image |
CN113780253A (zh) * | 2021-11-12 | 2021-12-10 | 佛山科学技术学院 | 一种人体关节运动关键点识别方法及系统 |
CN114648542A (zh) * | 2022-03-11 | 2022-06-21 | 联宝(合肥)电子科技有限公司 | 一种目标物提取方法、装置、设备及可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6775403B1 (en) * | 1999-02-02 | 2004-08-10 | Minolta Co., Ltd. | Device for and method of processing 3-D shape data |
US6862374B1 (en) * | 1999-10-06 | 2005-03-01 | Sharp Kabushiki Kaisha | Image processing device, image processing method, and recording medium storing the image processing method |
CN102982323A (zh) * | 2012-12-19 | 2013-03-20 | 重庆信科设计有限公司 | 快速步态识别方法 |
-
2016
- 2016-02-25 CN CN201610104006.2A patent/CN105678792A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6775403B1 (en) * | 1999-02-02 | 2004-08-10 | Minolta Co., Ltd. | Device for and method of processing 3-D shape data |
US6862374B1 (en) * | 1999-10-06 | 2005-03-01 | Sharp Kabushiki Kaisha | Image processing device, image processing method, and recording medium storing the image processing method |
CN102982323A (zh) * | 2012-12-19 | 2013-03-20 | 重庆信科设计有限公司 | 快速步态识别方法 |
Non-Patent Citations (1)
Title |
---|
程伟: ""非接触式人体三维测量"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018035814A1 (zh) * | 2016-08-25 | 2018-03-01 | 华讯方舟科技有限公司 | 一种基于毫米波图像的人体异物检测方法及系统 |
US10884116B2 (en) | 2016-08-25 | 2021-01-05 | Shenzhen Cct Thz Technology Co., Ltd. | Human-body foreign-matter detection method and system based on millimetre-wave image |
EP3506148A4 (en) * | 2016-08-25 | 2019-07-24 | China Communication Technology Co., Ltd. | METHOD AND SYSTEM FOR DETECTING FOREIGN MATERIALS OF THE HUMAN BODY ON A MILLIMETER WAVE IMAGE BASIS |
CN107865473B (zh) * | 2016-09-26 | 2019-10-25 | 华硕电脑股份有限公司 | 人体特征测距装置及其测距方法 |
CN107865473A (zh) * | 2016-09-26 | 2018-04-03 | 华硕电脑股份有限公司 | 人体特征测距装置及其测距方法 |
CN107169976A (zh) * | 2017-04-20 | 2017-09-15 | 温州市鹿城区中津先进科技研究院 | 电商平台展示图片大数据的产品轮廓线绘制方法 |
CN107025656A (zh) * | 2017-05-05 | 2017-08-08 | 哈尔滨电工仪表研究所 | 一种新型灼热丝火焰监测系统 |
CN107224129A (zh) * | 2017-07-28 | 2017-10-03 | 京东方科技集团股份有限公司 | 办公座椅 |
WO2019206082A1 (zh) * | 2018-04-27 | 2019-10-31 | 京东方科技集团股份有限公司 | 图像处理方法、图像处理系统及存储介质 |
US11216925B2 (en) | 2018-04-27 | 2022-01-04 | Boe Technology Group Co., Ltd. | Image processing method, image processing system, and storage medium |
CN109033945A (zh) * | 2018-06-07 | 2018-12-18 | 西安理工大学 | 一种基于深度学习的人体轮廓提取方法 |
CN109033945B (zh) * | 2018-06-07 | 2021-04-06 | 西安理工大学 | 一种基于深度学习的人体轮廓提取方法 |
CN110047065A (zh) * | 2019-03-28 | 2019-07-23 | 青岛大学附属医院 | 肾脏医学图像轮廓线提取系统及方法 |
CN113780253A (zh) * | 2021-11-12 | 2021-12-10 | 佛山科学技术学院 | 一种人体关节运动关键点识别方法及系统 |
CN114648542A (zh) * | 2022-03-11 | 2022-06-21 | 联宝(合肥)电子科技有限公司 | 一种目标物提取方法、装置、设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105678792A (zh) | 一种人体轮廓提取方法及系统 | |
CN105975972B (zh) | 基于影像的桥梁裂缝检测与特征提取方法 | |
CN101706445B (zh) | 用于牛肉大理石花纹等级评分的图像处理方法 | |
CN107067415B (zh) | 一种基于图像匹配的目标定位方法 | |
CN104008553B (zh) | 融合影像梯度信息和分水岭方法的裂缝检测方法 | |
CN108288271A (zh) | 基于三维残差网络的图像检测系统及方法 | |
CN103208001B (zh) | 结合形状自适应邻域和纹理特征提取的遥感图像处理方法 | |
CN104361582B (zh) | 一种对象级高分辨率sar影像洪水灾害变化检测方法 | |
CN101826209B (zh) | 一种基于Canny模型的三维医学图像分割方法 | |
Rau et al. | Bridge crack detection using multi-rotary UAV and object-base image analysis | |
CN110232389A (zh) | 一种基于绿色作物特征提取不变性的立体视觉导航方法 | |
CN110378242A (zh) | 一种双重注意力机制的遥感目标检测方法 | |
CN110189408B (zh) | 一种根据人体照片得到人体外表数据的系统及方法 | |
CN110009618A (zh) | 一种轴类零件表面质量检测方法及装置 | |
CN109801318A (zh) | 一种快速物体匹配算法 | |
CN104715238A (zh) | 一种基于多特征融合的行人检测方法 | |
CN106651880B (zh) | 基于多特征融合的热红外遥感影像的海上动目标检测方法 | |
CN106023134A (zh) | 一种钢材晶粒的自动晶界提取方法 | |
CN106355552B (zh) | 一种基于虚拟视点绘制质量的深度图上采样方法 | |
CN107392929A (zh) | 一种基于人眼视觉模型的智能化目标检测及尺寸测量方法 | |
CN104408711A (zh) | 一种基于多尺度区域融合的显著区域检测方法 | |
CN106529432A (zh) | 一种深度融合显著性检测与先验知识的手部区域分割方法 | |
CN111597930A (zh) | 一种基于遥感云平台的海岸线提取方法 | |
CN106650749B (zh) | 一种高分辨率光学影像中直角建筑物的标绘方法 | |
CN106682678A (zh) | 一种基于支撑域的图像角点检测和分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160615 |