CN106960220B - 一种通用型人体特征曲线自动分类方法 - Google Patents
一种通用型人体特征曲线自动分类方法 Download PDFInfo
- Publication number
- CN106960220B CN106960220B CN201710147789.7A CN201710147789A CN106960220B CN 106960220 B CN106960220 B CN 106960220B CN 201710147789 A CN201710147789 A CN 201710147789A CN 106960220 B CN106960220 B CN 106960220B
- Authority
- CN
- China
- Prior art keywords
- human body
- curve
- plane
- formula
- sampled point
- 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.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Prostheses (AREA)
- Absorbent Articles And Supports Therefor (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种通用型人体特征曲线自动分类方法,其特征在于,包括以下步骤:获取水平切面的人体特征曲线以及矢状切面的人体特征曲线;对于人体特征曲线,采纳其坐标平面上的极小坐标点作为起始点,采用椭圆傅里叶描述,得到M个椭圆傅里叶描绘子,将其构造为矩阵EFDs,采用相同方法得到矢状切面的人体特征曲线的k个主成分,通过不同聚类个数下类内误差函数曲线的走势来选择最佳聚类个数。本发明给出了一种通用的人体切面轮廓特征曲线(包括水平切面和矢状切面)自动分类方法,能够有效地从特征曲线的中提取聚类信息,从而完成自动分类。
Description
技术领域
本发明涉及一种对真实人体的三维扫描模型的切面轮廓所形成的特征曲线进行自动分类的方法。
背景技术
扫描仪技术的成熟使得大量真实人体体型扫描成为可能。在获取或建立了三维人体数据库之后,需要对人体的切面轮廓所形成的特征曲线进行分类识别,用于不同的体型分析领域。
发明内容
本发明的目的是提供一种通用的人体切面轮廓特征曲线(包括水平切面和矢状切面)自动分类方法。
为了达到上述目的,本发明的技术方案是提供了一种通用型人体特征曲线自动分类方法,其特征在于,包括以下步骤:
步骤1、获取水平切面的人体特征曲线以及矢状切面的人体特征曲线;
步骤2、对于步骤1获得的人体特征曲线,采纳其坐标平面上的极小坐标点作为起始点,采用椭圆傅里叶描述,其中:
对于XOY平面上的特征曲线,其椭圆傅里叶描述为:
式中,A0、C0分别为人体特征曲线中心点的x、y坐标;n为谐波次数,N为最大谐波次数;t为人体特征曲线的起点到任意采样点之间的弧长;T为函数的周期,是人体特征曲线周长;An、Bn为X轴方向椭圆系数;Cn、Dn为Y轴方向椭圆系数;
由上述公式得到椭圆傅里叶系数,即XOY平面上的特征曲线的椭圆傅里叶描述子以行向量的形式(A0,B0,C0,D0,A1,B1,C1,D1,……,AN,BN,CN,DN)来描述;
对于XOZ平面上的特征曲线,其椭圆傅里叶描述为:
式中,E0为人体特征曲线中心点的z坐标;En、Fn为Z轴方向椭圆系数;
由上述公式得到椭圆傅里叶系数,即XOZ平面上的特征曲线的椭圆傅里叶描述子以行向量的形式(A0,B0,E0,F0,A1,B1,E1,F1,……,AN,BN,EN,FN)来描述;
在建立了人体特征曲线的椭圆傅里叶描述之后,令最大谐波次数N=20即可得到符合各种特征曲线的拟合效果;
步骤3、对扫描人体数据库中M个样本的XOY平面上的人体特征曲线进行椭圆傅里叶描述,可得到M个椭圆傅里叶描绘子,将其构造为矩阵EFDs:
式中,AMN,BMN,CMN,DMN表示第M个样本的三维悬垂形态的悬垂特征轮廓线的第N次谐波的椭圆系数,计算其协方差矩阵的特征值与特征相邻,将前k个最大特征值构成投影矩阵T4N×k,则得到矩阵EFDs的k个主成分PCs=EEFDs×T4N×k,k≤4N,即得到水平切面的人体特征曲线的k个主成分;
采用相同方法得到矢状切面的人体特征曲线的k个主成分;
步骤4、通过不同聚类个数下类内误差函数曲线的走势来选择最佳聚类个数,设误差函数Wk的计算公式为:
式中,Dr为第r个类内所有样本对间距离之和,R为聚类个数,nr为第r个类内所有样本的总数目,对于给定的数据集x∈X,若设定聚类个数为R,则采用如下的K-Means++聚类分析方法:
步骤4.1、从数据集X中随机选择一个聚类中心S1;
步骤4.2、对于每个样本x,计算其与最近聚类中心的欧式距离D(x);
步骤4.3、选择一个新的聚类中心Si,使得如下概率最大化:
式中,Si=x′∈X;
步骤4.4、重复步骤4.2与步骤4.3,直到聚类中心的个数等于R;
步骤5、采用传统的K-Means聚类方法最小化目标函数Jk
式中,ck为第k个聚类中心,N为每个类中的样本个数。
优选地,在所述步骤1中,水平切面的人体特征曲线通过以下方法获取:
选取一个平面平行于XOZ平面,移至人体特征点部位,形成一个特征平面,该特征平面与人体网格模型形成一条闭合曲线,即为水平切面的人体特征曲线。
优选地,在所述步骤1中,矢状切面的人体特征曲线通过以下方法获取:
选取一个平面平行于YOZ平面,移动到过人体肚脐点位置,根据人体站立情况微调平面位置,使得选取平面与人体中心线位置重合,该平面和人体网格模型的交线即为所需的矢状切面的人体特征曲线。
优选地,所述An、Bn的计算公式为:
所述Cn、Dn的计算公式为:
所述En、Fn的计算公式为:
式中,K为人体特征曲线采样点的总数;Δxp为人体特征曲线上的采样点p到采样点p+1的距离在x轴方向的位移;Δtp为人体特征曲线上的采样点p到采样点p+1的距离,Δyp为人体特征曲线上的采样点p到采样点p+1的距离在y轴方向的位移;Δzp为人体特征曲线上的采样点p到采样点p+1的距离在z轴方向的位移。
优选地,所述A0、C0、E0的计算公式为:
式中, 且ε1=0,σ1=0,χ1=0。
本发明给出了一种通用的人体切面轮廓特征曲线(包括水平切面和矢状切面)自动分类方法,能够有效地从特征曲线的中提取聚类信息,从而完成自动分类。
附图说明
图1为类内误差与聚类个数之间的关系示意图。
具体实施方式
下面结合具体实施例,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明提供了一种通用型人体特征曲线自动分类方法,包括以下步骤:
步骤1、获取水平切面的人体特征曲线以及矢状切面的人体特征曲线;
水平切面的人体特征曲线通过以下方法获取:
选取一个平面平行于XOZ平面,移至人体特征点部位,形成一个特征平面,该特征平面与人体网格模型形成一条闭合曲线,即为水平切面的人体特征曲线。
矢状切面的人体特征曲线通过以下方法获取:
选取一个平面平行于YOZ平面,移动到过人体肚脐点位置,根据人体站立情况微调平面位置,使得选取平面与人体中心线位置重合,该平面和人体网格模型的交线即为所需的矢状切面的人体特征曲线。
步骤2、对于步骤1获得的人体特征曲线,采纳其坐标平面上的极小坐标点作为起始点,采用椭圆傅里叶描述,其中:
对于XOY平面上的特征曲线,其椭圆傅里叶描述为:
式中,A0、C0分别为人体特征曲线中心点的x、y坐标;n为谐波次数,N为最大谐波次数;t为人体特征曲线的起点到任意采样点之间的弧长;T为函数的周期,是人体特征曲线周长;An、Bn为X轴方向椭圆系数;Cn、Dn为Y轴方向椭圆系数;
由上述公式得到椭圆傅里叶系数,即XOY平面上的特征曲线的椭圆傅里叶描述子以行向量的形式(A0,B0,C0,D0,A1,B1,C1,D1,……,AN,BN,CN,DN)来描述;
对于XOZ平面上的特征曲线,其椭圆傅里叶描述为:
式中,E0为人体特征曲线中心点的z坐标;En、Fn为Z轴方向椭圆系数;
由上述公式得到椭圆傅里叶系数,即XOZ平面上的特征曲线的椭圆傅里叶描述子以行向量的形式(A0,B0,E0,F0,A1,B1,E1,F1,……,AN,BN,EN,FN)来描述;
An、Bn的计算公式为:
所述Cn、Dn的计算公式为:
所述En、Fn的计算公式为:
式中,K为人体特征曲线采样点的总数;Δxp为人体特征曲线上的采样点p到采样点p+1的距离在x轴方向的位移;Δtp为人体特征曲线上的采样点p到采样点p+1的距离,Δyp为人体特征曲线上的采样点p到采样点p+1的距离在y轴方向的位移;Δzp为人体特征曲线上的采样点p到采样点p+1的距离在z轴方向的位移。
A0、C0、E0的计算公式为:
式中, 且ε1=0,σ1=0,χ1=0。
在建立了人体特征曲线的椭圆傅里叶描述之后,令最大谐波次数N=20即可得到符合各种特征曲线的拟合效果;
步骤3、对扫描人体数据库中M个样本的XOY平面上的人体特征曲线进行椭圆傅里叶描述,可得到M个椭圆傅里叶描绘子,将其构造为矩阵EFDs:
式中,AMN,BMN,CMN,DMN表示第M个样本的三维悬垂形态的悬垂特征轮廓线的第N次谐波的椭圆系数,计算其协方差矩阵的特征值与特征相邻,将前k个最大特征值构成投影矩阵T4N×k,则得到矩阵EFDs的k个主成分PCs=EEFDs×T4N×k,k≤4N,即得到水平切面的人体特征曲线的k个主成分;
采用相同方法得到矢状切面的人体特征曲线的k个主成分;
步骤4、通过不同聚类个数下类内误差函数曲线的走势来选择最佳聚类个数,设误差函数Wk的计算公式为:
式中,Dr为第r个类内所有样本对间距离之和,R为聚类个数,nr为第r个类内所有样本的总数目,对于给定的数据集x∈X,若设定聚类个数为R,则采用如下的K-Means++聚类分析方法:
步骤4.1、从数据集X中随机选择一个聚类中心S1;
步骤4.2、对于每个样本x,计算其与最近聚类中心的欧式距离D(x);
步骤4.3、选择一个新的聚类中心Si,使得如下概率最大化:
式中,Si=x′∈X;
步骤4.4、重复步骤4.2与步骤4.3,直到聚类中心的个数等于R;
步骤5、采用传统的K-Means聚类方法最小化目标函数Jk
式中,ck为第k个聚类中心,N为每个类中的样本个数。
在具体的实施过程中,对未知的聚类中心个数R采用逐个试验的方案,从R=1一直试验到R=16,得到不同聚类个数下的Wk值,做出如图1所示的走势图,根据图中的圆圈所标识的拐点位置,就可以得到最佳聚类个数。
Claims (3)
1.一种通用型人体特征曲线自动分类方法,其特征在于,包括以下步骤:
步骤1、获取水平切面的人体特征曲线以及矢状切面的人体特征曲线;
步骤2、对于步骤1获得的人体特征曲线,采纳其坐标平面上的极小坐标点作为起始点,采用椭圆傅里叶描述,其中:
对于XOY平面上的特征曲线,其椭圆傅里叶描述为:
式中,A0、C0分别为人体特征曲线中心点的x、y坐标;n为谐波次数,N为最大谐波次数;t为人体特征曲线的起点到任意采样点之间的弧长;T为函数的周期,是人体特征曲线周长;An、Bn为X轴方向椭圆系数;Cn、Dn为Y轴方向椭圆系数;
由上述公式得到椭圆傅里叶系数,即XOY平面上的特征曲线的椭圆傅里叶描述子以行向量的形式(A0,B0,C0,D0,A1,B1,C1,D1,……,AN,BN,CN,DN)来描述;
对于XOZ平面上的特征曲线,其椭圆傅里叶描述为:
式中,E0为人体特征曲线中心点的z坐标;En、Fn为Z轴方向椭圆系数;
由上述公式得到椭圆傅里叶系数,即XOZ平面上的特征曲线的椭圆傅里叶描述子以行向量的形式(A0,B0,E0,F0,A1,B1,E1,F1,……,AN,BN,EN,FN)来描述;
在建立了人体特征曲线的椭圆傅里叶描述之后,令最大谐波次数N=20即可得到符合各种特征曲线的拟合效果;
所述An、Bn的计算公式为:
所述Cn、Dn的计算公式为:
所述En、Fn的计算公式为:
式中,K为人体特征曲线采样点的总数;Δxp为人体特征曲线上的采样点p到采样点p+1的距离在x轴方向的位移;Δtp为人体特征曲线上的采样点p到采样点p+1的距离,Δyp为人体特征曲线上的采样点p到采样点p+1的距离在y轴方向的位移;Δzp为人体特征曲线上的采样点p到采样点p+1的距离在z轴方向的位移;
所述A0、C0、E0的计算公式为:
式中, 且ε1=0,σ1=0,χ1=0;
步骤3、对扫描人体数据库中M个样本的XOY平面上的人体特征曲线进行椭圆傅里叶描述,可得到M个椭圆傅里叶描绘子,将其构造为矩阵EFDs:
式中,AMN,BMN,CMN,DMN表示第M个样本的三维悬垂形态的悬垂特征轮廓线的第N次谐波的椭圆系数,计算其协方差矩阵的特征值与特征相邻,将前k个最大特征值构成投影矩阵T4N×k,则得到矩阵EFDs的k个主成分PCs=EEFDs×T4N×k,k≤4N,即得到水平切面的人体特征曲线的k个主成分;
采用相同方法得到矢状切面的人体特征曲线的k个主成分;
步骤4、通过不同聚类个数下类内误差函数曲线的走势来选择最佳聚类个数,设误差函数Wk的计算公式为:
式中,Dr为第r个类内所有样本对间距离之和,R为聚类个数,nr为第r个类内所有样本的总数目,对于给定的数据集x∈X,若设定聚类个数为R,则采用如下的K-Means++聚类分析方法:
步骤4.1、从数据集X中随机选择一个聚类中心S1;
步骤4.2、对于每个样本x,计算其与最近聚类中心的欧式距离D(x);
步骤4.3、选择一个新的聚类中心Si,使得如下概率最大化:
式中,Si=x'∈X;
步骤4.4、重复步骤4.2与步骤4.3,直到聚类中心的个数等于R;
步骤5、采用传统的K-Means聚类方法最小化目标函数Jk
式中,ck为第k个聚类中心,N为每个类中的样本个数。
2.如权利要求1所述的一种通用型人体特征曲线自动分类方法,其特征在于,在所述步骤1中,水平切面的人体特征曲线通过以下方法获取:
选取一个平面平行于XOZ平面,移至人体特征点部位,形成一个特征平面,该特征平面与人体网格模型形成一条闭合曲线,即为水平切面的人体特征曲线。
3.如权利要求1所述的一种通用型人体特征曲线自动分类方法,其特征在于,在所述步骤1中,矢状切面的人体特征曲线通过以下方法获取:
选取一个平面平行于YOZ平面,移动到过人体肚脐点位置,根据人体站立情况微调平面位置,使得选取平面与人体中心线位置重合,该平面和人体网格模型的交线即为所需的矢状切面的人体特征曲线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710147789.7A CN106960220B (zh) | 2017-03-13 | 2017-03-13 | 一种通用型人体特征曲线自动分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710147789.7A CN106960220B (zh) | 2017-03-13 | 2017-03-13 | 一种通用型人体特征曲线自动分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106960220A CN106960220A (zh) | 2017-07-18 |
CN106960220B true CN106960220B (zh) | 2019-11-08 |
Family
ID=59470065
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710147789.7A Expired - Fee Related CN106960220B (zh) | 2017-03-13 | 2017-03-13 | 一种通用型人体特征曲线自动分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106960220B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108280476A (zh) * | 2018-01-22 | 2018-07-13 | 东华大学 | 基于主成分分析和分层聚类的人体上肢带形态分类方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101013508A (zh) * | 2007-02-12 | 2007-08-08 | 西安工程大学 | 分部位组合式三维参数化数字人台构建方法 |
CN101639349A (zh) * | 2009-08-25 | 2010-02-03 | 东华大学 | 三维人体模型的全自动测量方法 |
CN103783706A (zh) * | 2014-03-03 | 2014-05-14 | 湖南省忘不了服饰有限公司 | 基于椭圆傅里叶描述的成年男子系列人台构建方法 |
-
2017
- 2017-03-13 CN CN201710147789.7A patent/CN106960220B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101013508A (zh) * | 2007-02-12 | 2007-08-08 | 西安工程大学 | 分部位组合式三维参数化数字人台构建方法 |
CN101639349A (zh) * | 2009-08-25 | 2010-02-03 | 东华大学 | 三维人体模型的全自动测量方法 |
CN103783706A (zh) * | 2014-03-03 | 2014-05-14 | 湖南省忘不了服饰有限公司 | 基于椭圆傅里叶描述的成年男子系列人台构建方法 |
Non-Patent Citations (3)
Title |
---|
"基于椭圆傅里叶描绘子的三维人体变形技术";王祯;《中国优秀硕士学位论文全文数据库•工程科技Ⅰ辑》;20160815;第2016年卷(第8期);B024-682 * |
"基于椭圆傅里叶的女性体型分析与个性化原型定制研究";夏明;《中国博士学位论文全文数据库•信息科技辑》;20151115;第2015年卷(第11期);I138-47 * |
"基于纵截面曲线形态的青年女性体型识别研究";倪世明;《中国优秀硕士学位论文全文数据库•工程科技Ⅰ辑》;20140815;第2014年卷(第8期);B024-517 * |
Also Published As
Publication number | Publication date |
---|---|
CN106960220A (zh) | 2017-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11176359B2 (en) | Motion recognition device and motion recognition method | |
Papadopoulos et al. | Training object class detectors with click supervision | |
CN105894047B (zh) | 一种基于三维数据的人脸分类系统 | |
CN103400105B (zh) | 一种姿态归一化的非正面人脸表情识别方法 | |
CN108235770A (zh) | 图像识别方法及云端系统 | |
CN103679158A (zh) | 人脸认证方法和装置 | |
CN104239902B (zh) | 基于非局部相似性和稀疏编码的高光谱图像分类方法 | |
CN103810490A (zh) | 一种确定人脸图像的属性的方法和设备 | |
CN106257488B (zh) | 一种基于邻域特征空间鉴别分析的雷达目标识别方法 | |
CN104834923B (zh) | 基于全局信息的指纹图像配准方法 | |
CN104966075B (zh) | 一种基于二维判别特征的人脸识别方法与系统 | |
CN104794441A (zh) | 复杂背景下基于主动形状模型和poem纹理模型的人脸特征定位方法 | |
CN108009557A (zh) | 一种基于共享权重卷积网络的三维模型局部特征描述方法 | |
CN106960220B (zh) | 一种通用型人体特征曲线自动分类方法 | |
CN107977412A (zh) | 一种基于迭代式与交互式感知年龄数据库的清洗方法 | |
CN106199544B (zh) | 基于核鉴别局部切空间排列的雷达目标距离像识别方法 | |
CN107679494A (zh) | 基于选择性延展的指纹图像匹配方法 | |
CN106650616A (zh) | 虹膜定位方法及可见光虹膜识别系统 | |
CN103268494A (zh) | 基于稀疏表示的寄生虫虫卵识别方法 | |
CN109271845A (zh) | 基于计算机视觉的人体动作分析与评价方法 | |
CN102332087A (zh) | 一种基于稀疏表示的人脸识别方法 | |
CN116186580A (zh) | 一种基于手工特征的毫米波雷达点云信号手势识别方法 | |
CN104899565A (zh) | 基于纹理特征的眼动轨迹识别方法及装置 | |
CN108256569A (zh) | 一种复杂背景下的对象识别方法及使用的计算机技术 | |
Srinivasan et al. | The independent components of characters are'strokes' |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20191108 |
|
CF01 | Termination of patent right due to non-payment of annual fee |