CN107016721A - 人体三维模型的建模方法 - Google Patents
人体三维模型的建模方法 Download PDFInfo
- Publication number
- CN107016721A CN107016721A CN201710132436.XA CN201710132436A CN107016721A CN 107016721 A CN107016721 A CN 107016721A CN 201710132436 A CN201710132436 A CN 201710132436A CN 107016721 A CN107016721 A CN 107016721A
- Authority
- CN
- China
- Prior art keywords
- human
- model
- point
- eigenmatrix
- trunk
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/08—Indexing scheme for image data processing or generation, in general involving all processing steps from image acquisition to 3D model generation
Abstract
本发明公开了一种人体三维模型的建模方法,所述建模方法包括以下步骤:S01、建立人体体型三维模型数据库;S02、建立体重、身高、人体体型特征向量与人体三维模型特征矩阵的数学模型;S03、获取被测量者的正面照、侧面照和身高、体重;S04、获得被测量者的人体三维模型特征矩阵;S05、建立被测量者的人体三维模型。本发明用户提供正面照、侧面照、身高和体重即可实现人体三维模型的建模,操作简单、效率高且准确度高。
Description
技术领域
本发明属于服装领域,具体涉及一种根据人体正面和侧面的两维轮廓图形生成人体的三维立体模型的方法。
背景技术
人体三维模型是进行3D虚拟试衣,3D虚拟现实等应用领域的数据基础。获取人体三维模型主要通过3D软件建模,三维扫描等方式。
三维扫描方式获得的模型数据最准确反映被测对象体型,但需要昂贵和体积较大的扫描仪设备支持,另一方面通过三维扫描方式获取的模型,通常是通过点云数据重建的3D模型,由于扫描原理和盲区限制,重建的网格模型一般有孔洞,且不包含人体的特征信息。因此通过三维扫描直接获取3D模型方式应用范围上有一定限制。
3D软件建模的方法,需要人工利用3D软件工具对模型进行修改塑性,很难在短时间内自动得到与个体对象体型一致的3D模型。
本发明只需要通过人体的正面和侧面轮廓图形就可以生成与给定轮廓形态一致的三维人体模型。在应用中对硬件设备要求低、操作简单,只需要利用手机等具备摄像头的移动终端,就可以对人体进行拍摄并自动生成与个体体型一致的三维人体模型,适用于网络环境下的异地量身定制等应用邻域。
发明内容
本发明利用具备拍照功能的智能手机、平板电脑等移动终端,实现快速生成个性化三维人体模型。该方法分为建模过程和应用过程,其中建模过程具体步骤为:
本发明要解决的技术问题是为了克服现有技术中的人体三维建模的方式均存在测量复杂、且无法适应异地量身定制的需求的缺陷,提供快速、简便的人体三维模型建模的方法。
本发明是通过下述技术方案来解决上述技术问题:
一种人体三维模型建模的方法,其特点在于,所述建模方法包括以下步骤:
S01、建立人体体型三维数据库。采集大量人体体型三维模型数据,包括身高、体重、人体体型特征向量和人体三维模型特征矩阵。
首先,通过S011步骤,采集身高、体重和人体三维模型尺寸。其中的人体三维模型采用传统专用设备的三维扫描方式获取。
其次,在S012步骤中,从人体三维模型中提取人体体型特征向量。其中,在S0121步骤中,从人体三维模型中提取人体躯干体型特征向量;在S0122步骤中,从人体三维模型中提取人体下肢体型特征向量;在S0123步骤中,从人体三维模型中提取人体上肢体型特征向量。在S0124步骤中,由人体躯干体型特的特征向量、人体下肢体型特的特征向量和人体上肢体型特的特征向量合并为人体体型特征向量,即【人体躯干体型特的特征向量、人体下肢体型特的特征向量、人体上肢体型特的特征向量】。
在S0121步骤中,以三维扫描模型的后颈点、侧颈点、大腿根点、腋下点、肩点为特征点,获取人体躯干部分的三维模型,将人体躯干部分模型按身高方向按一定间隔进行分层切片,计算各层切片在正面视图和侧面视图上的投影点,依次连接各层投影点形成躯干的正面和侧面轮廓曲线。对正面和侧面轮廓曲线进行曲线拟合,对选定的曲线函数降维并选取贡献率大于预设值的分量作为人体躯干体型的特征向量。
在S0122步骤中,以三维扫描模型的臀、大腿根点、膝盖点、脚为特征点,获取人体下肢部分的三维模型,将人体下肢部分模型按身高方向按一定间隔进行分层切片,计算各层切片在正面视图和侧面视图上的投影点,依次连接各层投影点形成下肢的正面和侧面轮廓曲线。对正面和侧面轮廓曲线进行曲线拟合,对选定的曲线函数降维并选取贡献率大于预设值的分量作为人体下肢体型的特征向量。
在S0123步骤中,以三维扫描模型的肩点、腋下点、肘点、腕为特征点,获取人体上肢部分的三维模型,将人体上肢部分模型按身高方向按一定间隔进行分层切片,计算各层切片在正面视图和侧面视图上的投影点,依次连接各层投影点形成上肢的正面和侧面轮廓曲线。选取一条上肢的轮廓曲线,对正面和侧面轮廓曲线进行曲线拟合,对选定的曲线函数降维并选取贡献率大于预设值的分量作为人体上肢体型的特征向量。
较佳的,在S0121、S0122、S0123中,曲线拟合选择椭圆曲线函数。
较佳的,在S0121、S0122、S0123中,选择傅里叶变换方式。所述椭圆傅里叶描述子进行主成分分析,计算得到降维矩阵,并取累积贡献率大于预设贡献率的降维主成分,建立人体体型特征向量。
较佳的,在S0121、S0122、S0123中,累计贡献率为90%。
然后,在S013中,使用S01获得的人体三维模型获得人体三维模型特征矩阵。其中在S0131步骤中,从人体三维模型中获得人体躯干三维模型特征矩阵;其中在S0132步骤中,从人体三维模型中获得人体下肢三维模型特征矩阵;其中在S0133步骤中,从人体三维模型中获得人体上肢三维模型特征矩阵。在S0134步骤中合并为人体躯干三维模型特征矩阵。
在步骤S0131中,以三维扫描模型的后颈点、侧颈点、大腿根点、腋下点、肩点为特征点,获取人体躯干部分的三维模型,从人体躯干三维模型中提取一组闭合曲线,将闭合曲线通过降维并选取贡献率大于预设值的分量生成闭合曲线的特征向量,所有各组闭合曲线的特征向量组合成为人体躯干三维模型特征矩阵。
较佳的,在步骤S0131中,在闭合曲线选取,按人体的胸、腰、臀、肩、颈等特征位置将人体躯干分段,并对每段取一组均匀断面曲线。
在步骤S0132中,以三维扫描模型的臀、大腿根点、膝盖点、脚为特征点,获取人体下肢部分的三维模型,从人体下肢三维模型中提取一组闭合曲线,将闭合曲线通过降维并选取贡献率大于预设值的分量生成闭合曲线的特征向量,所有各组闭合曲线的特征向量组合成为人体下肢三维模型特征矩阵。
较佳的,在步骤S0132中,在闭合曲线选取,按人体的腰、臀、大腿、膝盖、小腿、脚踝等特征位置将人体躯干分段,并对每段取一组均匀断面曲线。
在步骤S0133中,以三维扫描模型的肩点、腋下点、肘点、腕为特征点,获取人体上肢部分的三维模型,选取左上肢或右上肢的三维模型,从人体上肢三维模型中提取一组闭合曲线,将闭合曲线通过降维并选取贡献率大于预设值的分量生成闭合曲线的特征向量,所有各组闭合曲线的特征向量组合成为人体上肢三维模型特征矩阵。
较佳的,在步骤S0133中,在闭合曲线选取,按人体的肩、上臂、肘、下臂等特征位置将人体躯干分段,并对每段取一组均匀断面曲线。
较佳的,在S0131、S0132、S0133中,曲线拟合选择椭圆曲线函数。
较佳的,在S0131、S0132、S0133中,选择傅里叶变换方式。所述椭圆傅里叶描述子进行主成分分析,计算得到降维矩阵,并取累积贡献率大于预设贡献率的降维主成分,建立断面曲线特征向量。
较佳的,在S0S0131、S0132、S0133中,贡献率为90%。
最后,在S014中,将S011、S012、S013中得到的身高、体重、人体体型特征向量和人体三维模型特征矩阵输入数据库,建立人体体型三维模型数据库。
S02步骤,建立体重、身高、人体体型特征向量与人体三维模型特征矩阵的数学模型。
较佳的,S02步骤采用BP神经网络法,通过对S01步骤建立的人体体型三维模型数据库的拟合得到输入参数(身高、体重、人体体型特征向量)与输出参数(人体三维模型特征矩阵)映射关系的神经网络模型。
通S01、S02建立人体体型特征向量与人体三维模型特征矩阵的数学模型,据此可以通过采集被测量人的身高、体重、人体轮廓,获得人体三维模型特征矩阵,从人体三维模型特征矩阵完成对人体躯干和下肢的三维模型建模。对单个被测量者的人体三维模型建模通过S03、S04、S05步骤完成。
S03步骤,获取被测量者相关信息,其中身高、体重由被测量者在S031步骤中输入;人体正面照和侧面照在S032步骤中通过拍摄获取。
S04步骤,获得倍测量者的人体三维模型特征矩阵。首先,在S041将S032获取的人体正面照和侧面照选取后颈点、侧颈点、大腿根点、腋下点、肩点为特征点,获得正面人体躯干轮廓曲线和侧面人体躯干轮廓曲线;选取臀、大腿根点、膝盖点、脚为特征点,获得正面人体下肢轮廓曲线和侧面人体下肢轮廓曲线;选取肩点、腋下点、肘点、腕为特征点,获得正面人体上肢轮廓曲线和侧面人体上肢轮廓曲线。采用步骤S012相同的曲线拟合、曲线降维方式和合并方式获得被测量者的人体体型特征向量。然后,在S042步骤中,将由S031获取的身高、体重和S041获取的人体躯干特征向量输入S02步骤获得的人体三维模型特征矩阵的数学模型,可以得到被测量者的人体三维模型特征矩阵。
S05步骤,从根据被测量者的人体三维模型特征矩阵建立被测量者的三维模型,完成人体三维模型的建模。在S05中,S052步骤采用S0131步骤的逆运算方式建立人体躯干三维模型;S053步骤采用S0132步骤的逆运算方式建立人体下肢三维模型;S054步骤采用S0132步骤的逆运算方式建立人体上肢三维模型。
较佳的,在S052、S053、S054中,优选将人体躯干三维模型特征矩阵还原为各断面的椭圆傅里叶描述子,根据各断面的椭圆傅里叶描述子计算出各断面的点坐标,还原出各个断面曲线。
较佳的,在S052中,将各断面的断面曲线还原至人体的胸、腰、臀、肩、颈等特征位置的各个分段,根据断面模型的结构生成人体躯干三维人体模型。
较佳的,在S053中,将各断面的断面曲线还原至人体的腰、臀、大腿、膝盖、小腿、脚踝等特征位置的各个分段,根据断面模型的结构生成人体下肢三维人体模型。
较佳的,在S054中,将各断面的断面曲线还原至人体的肩、上臂、肘、下臂等特征位置的各个分段,并根据断面模型的结构生成左上肢或右上肢的人体上肢三维人体模型;根据对称性,建立另一个上肢的三维人体模型。
本发明具有操作简单、易实现、效率高、精确好等优点。
(1)设备要求低、易实现、成本低。建立三维模型过程不需要使用的三维扫描设备,使用具有摄像头的普通智能手机即可完成三维模型生成。
(2)模型的生成过程,没有扫描、点云生成、点云降噪、孔洞修复,特征识别等复杂的处理过程。因此模型生成的速度快。
(3)生成的模型包含人体的结构和特征信息,可以快速的从生成的模型上测量如胸围、腰围、臀围等人体尺寸。
附图说明
图1为本发明一较佳实施例的人体三维模型的建模方法的流程图。
图2为本发明从正面图像中提取人体躯干轮廓的示意图。
图3为本发明从侧面图像中提取人体躯干轮廓的示意图。
具体实施方式
下面通过实施例的方式进一步说明本发明,但并不因此将本发明限制在所述的实施例范围之中。
如图1所示,本实施例的人体三维模型的建模方法包括以下步骤:
S01、建立人体体型三维模型数据库;
S02、建立体重、身高、人体体型特征向量与人体三维模型特征矩阵的数学模型;
S03、获取被测量者的正面照、侧面照和身高、体重;
S04、获得被测量者的人体三维模型特征矩阵;
S05、建立被测量者的人体三维模型。
其中,步骤S01中包括以下步骤,
S011:获取人体的身高、体重和人体三维模型;
S012:获取人体体型特征向量;
S013:获取人体三维模型特征矩阵;
S014:将身高、体重、人体体型特征向量和人体三维模型特征矩阵录入人体体型三维模型数据库。
步骤S012中包括以下步骤,
S0121、获取人体躯干体型的特征向量;
S0122、获取人体下肢体型的特征向量;
S0123、获取人体上肢体型的特征向量;
S0124、建立人体体型特征向量。
步骤S013中包括以下步骤,
S0131、获取人体躯干三维模型特征矩阵;
S0132、获取人体下肢三维模型特征矩阵;
S0133、获取人体下肢三维模型特征矩阵;
S0134、建立人体三维模型特征矩阵。
步骤S03包括以下步骤,
S031、被测量者输入身高和体重;
S032、拍摄被测量者的正面照和侧面照。
步骤S04包括以下步骤:
S041、获取被测量者的人体体型特征向量;
S042、输入体重、身高、人体体型特征向量与人体三维模型特征矩阵的数学模型获取人体三维模型特征矩阵。
步骤S05包括以下步骤:
S051、获得被测量者的人体躯干三维模型特征矩阵、人体下肢三维模型特征矩阵和人体上肢三维模型特征矩阵;
S052、建立被测量者的躯干三维模型;
S053、建立被测量者的下肢三维模型;
S054、建立被测量者的上肢三维模型。
下面详细介绍本发明的具体实施流程:
步骤101、获取人体样本的正面和侧面的图像,并从图像中提取人体样本轮廓。
获取人体样本的正面和侧面的图像可通过具有摄像头的手机、平板电脑等移动终端实现。拍摄时,为了便于后期处理,最好按推荐的测量姿势站好:将双臂伸直,并与水平线成约45°角度张开双臂,两腿张开约与肩同宽;保证腋下和裆下左右轮廓清晰分离。将摄像头的高度调整到与腰线齐平,视角保持水平状态,使人体在拍摄画面中居中位置,摄像头距离拍摄对象一定距离,拍摄完整的人体正面和侧面视图照片。为了提高提取人体样本轮廓的精确度,拍摄时最好使用与人体皮肤和服装颜色反差较大的纯色背景;使用分辨率高的摄像头;穿着能突显人体轮廓的紧身服装;使用等效焦距35~50mm的镜头拍摄。获得图像后通过图像轮廓检测和提取方法提取图像中的人体轮廓。优先地,通过主动形状模型(ActiveShape Model)方法和轮廓提取算法获得人体正面、侧面轮廓的几何图形。在提取的轮廓数据中保留了模板的主要特征点信息。
步骤102、从人体样本轮廓中提取人体躯干轮廓,通过椭圆傅里叶法描述人体躯干轮廓以得到椭圆傅里叶描述子,并对椭圆傅里叶描述子进行主成分分析以得到降维矩阵D和降维主成分P。
下面以一份样本数据(一个人体的正面、侧面图像)为例,说明从人体样本轮廓中提取人体躯干轮廓以及对的人体躯干轮廓进行处理得到降维矩阵D和降维主成分P的步骤:从上述人体正面、侧面轮廓的几何图形获得人体的主要特征点(可通过识别几何图形的折点实现)。如图2-3所示,人体的主要特征点包括人体后颈点、侧颈点、大腿根点、腋下点、肩点,根据后颈点、侧颈点、大腿根点、腋下点和肩点取出人体躯干轮廓。
将上述人体躯干轮廓进行椭圆傅里叶描述,具体为:
将躯干轮廓描述为一系列像素点集U=(xi,yi),i=1,2,…,n。其中n为构成轮廓的像素点数量。
按以下方法将轮廓曲线转换为椭圆傅里叶描述子:
各像素点在x,y轴上投影的椭圆傅里叶级数展开为
其中:A0为轮廓中心点x坐标;C0为轮廓中心点y坐标;n为谐波次数;N为最大谐波次数,即近似逼近的椭圆个数;t为点沿轮廓的累积位移,即轮廓起点到点p(p为轮廓上任意一点)弧长。T为总的累积位移,即轮廓周长。将轮廓离散为K个采样点近似描述,则X方向的椭圆系数An,Bn分别为:
Y方向的椭圆系数Cn,Dn分别为:
其中:K为轮廓的总采样点数;n为谐波次数;Δxp为从轮廓点p到轮廓点p+1两点间沿X轴方向的位移量;Δyp为从轮廓点p到轮廓点p+1两点间沿Y轴方向的位移量;T为轮廓周长;Δtp为轮廓点p到轮廓点p+1间的距离,即:
轮廓的中心点O在x,y轴方向的投影,即傅里叶级数的直流分量,分别为:
其中:
且:ε1=σ1=0
接下来,采用以下方法对椭圆傅里叶描述子进行规格化。
(a)位置规格化:使椭圆傅里叶的直流分量A0=C0=0,即将轮廓描述的第一个椭圆中心平移到坐标原点。
(b)尺度规格化:计算椭圆傅里叶描述子的第一个椭圆大小E,将各描述子系数除以E。
经过规格化处理后,得到一组与轮廓位置、方位、尺度无关的椭圆傅里叶描述子向量。优选的,使椭圆傅里叶的谐波次数不小于30。经过规格化处理后,使得本方法对正面和侧面的图像的拍摄比例、拍照精度要求不高,也即用户可自行拍照,无需繁琐的标定过程,对拍摄环境无特殊要求,对拍摄者无特殊技能要求,简化了获取正面和侧面图像的过程。
重复步骤102,处理多个人体样本的正面和侧面的图像。其中,人体样本数量可根据实际需求自行确定,当然,数量越多以下得到的数学模型就越能准确表征人体身高、体重、正面和侧面图像与人体尺寸(服装用人体尺寸)的映射关系,测量结果就越精确。
本实施例中,还通过主成分分析法,对测得的所有人体躯干轮廓数据(也即所有椭圆傅里叶描述子)进行主成分分析,将轮廓数据降维为一组累积贡献率大于预设贡献率的主成分,得到降维矩阵D和降维主成分P,以简化步骤104中的数学建模过程,并使测量更精确。优选的,累积贡献率大于90%,也即预设贡献率为90%。
步骤103、根据人体样本的实际测量的体型参数建立测量尺寸向量S。
其中,体型参数包括颈围、胸围、下胸围、腰围、中臀围、臀围、肩宽、躯干长、背长、腰高和臂长等服装用人体尺寸。也即,测量人体样本实际的身高、体重,并测量颈围、胸围、下胸围、腰围、中臀围、臀围、肩宽、躯干长、背长、腰高和臂长等服装用人体尺寸。
步骤104、将测量尺寸向量S作为输出参数,将降维主成分P以及人体样本实际测量的身高h、体重w作为输入参数I=[h,w,P,1]构建数学模型,也即利用已测量的样本数据作为训练数据,建立输出参数S与输入参数I之间的映射关系,得到输出参数与输入参数的映射关系的数学模型M。
其中,数学模型可以是线性数学模块或非线性数学模型。当数学模型为线性数学模块时,在步骤104中,可通过多元线性回归方法计算S=M*I中的矩阵M以得到输出参数与输入参数的映射关系的数学模型。当数学模型为非线性数学模块时,优选的,为BP神经网络,在步骤104中,通过已知数据(输出参数S和输入参数I)对网络进行训练以得到神经网络模型。
步骤105、将待测人体的正面和侧面的图像,以及待测人体的身高和体重输入数学模型,生成测量结果。
本实施例的测量方法可以通过APP(计算机应用程序)方式实现,当需要测量人体尺寸时,用户只需打开APP,输入自己的身高hx、体重wx以及正面和侧面的图像,即可得到颈围、胸围、下胸围、腰围、中臀围、臀围、肩宽、躯干长、背长、腰高和臂长等服装用人体尺寸的测试结果Sx。具体的数据处理过程如下所述:执行步骤101和102获取待测人体的轮廓数据主成分Px,并根据输入的人体的身高hx、体重wx数据,构成输入向量Ix=[hx,wx,Px,1],代入步骤104建立的数学模型M,即可得人体的体型尺寸,也即测量结果Sx=M*Ix。
本实施例中,用户通过手机或平板电脑等移动终端即可实现正面照和侧面照的获取。若移动终端还具有数据处理功能,则可在移动终端实现上述处理数据的过程并输出显示测量结果,若移动终端不具备数据处理功能,则可将正面照、侧面照、身高和体重输送至具有数据处理功能的计算机或服务器进行处理,并将处理数据后生成的测量结果传输回移动终端进行显示。
从而,本实施例的测量方法不仅具有操作简单、易实现、效率高、精确好等优点,还具有以下优点:
(1)与传统的皮尺测量法相比较:测量不需要专业量体人员的参与,测量过程简单、速度快,测量结果一致好。
(2)与一般的两维摄影测量方法相比较:首先拍照过程简单,不需要繁琐的标定过程;自动化程度高,完成拍摄和身高、体重输入后,由程序自动提取轮廓和测量尺寸数据;对拍摄环境无特殊要求;对拍摄者无特殊技能要求,甚至可以借助三脚架等工具由测量对象一人独立完成测量。
(3)与三维人体扫描测量法相比较:测量设备简单、成本低、便携性高、普及率高。三维扫描设备通常设备昂贵、体积较大,需要电脑支持。而本实施例的测量方法随时随地可以进行异地网络化测量,能适应异地量身定制的需求。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这仅是举例说明,本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下,可以对这些实施方式做出多种变更或修改,但这些变更和修改均落入本发明的保护范围。
Claims (19)
1.一种人体三维模型的建模方法,其特征在于,所述建模方法包括以下步骤:
S01、建立人体体型三维模型数据库;
S02、建立体重、身高、人体体型特征向量与人体三维模型特征矩阵的数学模型;
S03、获取被测量者的正面照、侧面照和身高、体重;
S04、获得被测量者的人体三维模型特征矩阵;
S05、建立被测量者的人体三维模型。
2.根据权利要求1所述的人体三维模型的建模方法,其特征在于,所述步骤S01中包括以下步骤:
S011:获取人体的身高、体重和人体三维模型;
S012:获取人体体型特征向量;
S013:获取人体三维模型特征矩阵;
S014:将身高、体重、人体体型特征向量和人体三维模型特征矩阵录入人体体型三维模型数据库。
3.根据权利要求2所述的人体三维模型的建模方法,其特征在于,通过步骤S01获取建立人体体型三维模型数据库所需要的身高、体重、人体体型特征向量和人体三维模型特征矩阵;其中:身高、体重在步骤S011中通过人工测量方式获得;人体三维模型通过专用三维扫描设备获取;人体体型特征向量由步骤S012从S011获得的人体三维模处理生成;人体三维模型特矩阵由步骤S013从S011获得的人体三维模处理生成;在步骤S014中录入人体体型三维模型数据库。
4.根据权利要求2所述的人体三维模型的建模方法,其特征在于,所述步骤S012中包括以下步骤:
S0121、获取人体躯干体型的特征向量;
S0122、获取人体下肢体型的特征向量;
S0123、获取人体上肢体型的特征向量;
S0124、建立人体体型特征向量。
5.根据权利要求4所述的人体三维模型的建模方法,其特征在于,步骤S0121、S0122、S0123使用步骤S011获取的人体三维模型中获取,获取方法为以选点的特征点,对人体三维模型分段,分别获得躯干、下肢和上肢部分的三维模型,步骤S0121对躯干的分段选择后颈点、侧颈点、大腿根点、腋下点、肩点为特征点;步骤S0122对下肢的分段选择臀、大腿根点、膝盖点、脚为特征点;其中步骤S0123对上肢的分段选择肩点、腋下点、肘点、腕为征点,并选取单侧上肢;将部分人体三维模型按身高方向按一定间隔进行分层切片,计算各层切片在正面视图和侧面视图上的投影点,依次连接各层投影点形成躯干、下肢和上肢的正面和侧面轮廓曲线;对躯干、下肢和上肢的正面和侧面轮廓曲线进行曲线拟合,并对选定的曲线函数降维并选取贡献率大于预设值的分量作为人体躯干、下肢和上肢体型的特征向量;在步骤S014中合并人体躯干、下肢和上肢体型特征向量为人体特征向量。
6.根据权利要求5所述的人体三维模型的建模方法,其特征在于,拟合曲线采用椭圆函数曲线。
7.根据权利要求5所述的人体三维模型的建模方法,其特征在于,曲线降维采用傅里叶变换法,通过椭圆傅里叶法描述所述人体躯干轮廓以得到椭圆傅里叶描述子,并对椭圆傅里叶描述子进行主成分分析得到降维矩阵和降维主成分;贡献率预设值采用90%,选取贡献率大于预设贡献率的分量作为人体躯干体型的特征向量。
8.根据权利要求4所述的人体三维模型的建模方法,其特征在于,所述步骤S013中包括以下步骤:
S0131、获取人体躯干三维模型特征矩阵;
S0132、获取人体下肢三维模型特征矩阵;
S0133、获取人体下肢三维模型特征矩阵;
S0134、建立人体三维模型特征矩阵。
9.根据权利要求8所述的人体三维模型的建模方法,其特征在于,步骤S0131、S0132、S0133使用步骤S011获取的人体三维模型中获取,获取方法为以特征点,对人体模型进行分割,得到躯干、下肢和上肢部分的三维模型,其中步骤S0131对躯干的分割选择后颈点、侧颈点、大腿根点、腋下点、肩点为特征点;步骤S0132对下肢的分割选择臀、大腿根点、膝盖点、脚为特征点;步骤S0133对上肢的分割选择肩点、腋下点、肘点、腕为征点,并选取单侧上肢;将人体躯干、下肢和上肢部分三维模型转换为一组闭合的曲线,对闭合曲线进行曲线拟合,对拟合的曲线函数降维并选取贡献率大于预设值的分量生成闭合曲线的特征向量;各个闭合曲线的特征向量组合成为人体躯干、下肢和上肢的三维模型特征矩阵;在步骤S0134中合并人体躯干、下肢和上肢的三维模型特征矩阵为人体三维模型特征矩阵。
10.根据权利要求9所述的人体三维模型的建模方法,其特征在于,将人体躯干部分三维模型转换为一组闭合曲线的方法为,按人体的特征位置将人体分段,并对每一段选取一组均匀断面曲线;其中,步骤S0131对人体躯干的分段选取胸、腰、臀、肩、颈等特征位置;步骤S0132对人体下肢的分段选取腰、臀、大腿、膝盖、小腿、脚等特征位置;步骤S0133对人体上肢的分段选取肩点、腋下点、肘点、腕等特征位置。
11.根据权利要求9所述的人体三维模型的建模方法,其特征在于,对闭合曲线的拟合采用椭圆函数曲线。
12.根据权利要求10所述的人体三维模型的建模方法,其特征在于,曲线降维傅里叶变换法,通过椭圆傅里叶法描述所述断面曲线以得到椭圆傅里叶描述子,并对椭圆傅里叶描述子进行主成分分析得到降维矩阵和降维主成分;贡献率预设值采用90%,选取贡献率大于预设贡献率的分量,得到闭合曲线的特征向量;所有的人体断面曲线的特征向量组合成为人体三维模型特征矩阵。
13.根据权利要求1所述的人体三维模型的建模方法,其特征在于,步骤S02建立非线性模型,采用BP神经网络法;通过对步骤S01建立的人体体型三维模型数据库的拟合得到输入参数与输出参数映射关系的神经网络模型;所述输入参数包括身高、体重、人体体型特征向量,所述输出参数包括人体三维模型特征矩阵。
14.根据权利要求1所述的人体三维模型的建模方法,其特征在于,通过步骤S03获得建立被测量人体三维模型所需要的信息,步骤S03包括以下步骤:
S031、被测量者输入身高和体重;
S032、拍摄被测量者的正面照和侧面照。
15.根据权利要求14所述的人体三维模型的建模方法,其特征在于,步骤S04获得被测量者的人体三维模型特征矩阵,包括以下步骤:
S041、获取被测量者的人体体型特征向量;
S042、输入体重、身高、人体体型特征向量与人体三维模型特征矩阵的数学模型获取人体三维模型特征矩阵。
16.根据权利要求15所述的人体三维模型的建模方法,其特征在于,采用选取特征点方式从步骤S032获得的正面照和侧面照提取人体躯干、下肢和上肢的轮廓曲线,采用步骤S012相同的曲线拟合、曲线降维和合并方式获得被测量者的人体体型特征向量;其中选取后颈点、侧颈点、大腿根点、腋下点、肩点为特征点,提取人体躯干轮廓曲线;选取臀、大腿根点、膝盖点、脚为特征点,提取人体下肢轮廓曲线;选取肩点、腋下点、肘点、腕为特征点,并选择单侧上肢,提取人体上肢轮廓曲线。
17.根据权利要求15所述的人体三维模型的建模方法,其特征在于,在步骤S042中,将步骤S031获得的身高、体重和步骤S041获得的人体躯干特征向量输入S02步骤获得的输入参数与输出参数映射关系的神经网络模型,得到被测量者的人体三维模型特征矩阵;所述输入参数包括身高、体重、人体体型特征向量,所述输出参数包括人体三维模型特征矩阵。
18.根据权利要求8所述的人体三维模型的建模方法,其特征在于,步骤S05步骤建立被测量者的人体三维模型,包括以下步骤:
S051、获得被测量者的人体躯干三维模型特征矩阵、人体下肢三维模型特征矩阵和人体上肢三维模型特征矩阵;
S052、建立被测量者的躯干三维模型;
S053、建立被测量者的下肢三维模型;
S054、建立被测量者的上肢三维模型。
19.根据权利要求18所述的人体三维模型的建模方法,其特征在于,采用步骤S013的逆运算方式将人体三维模型特征矩阵还原为人体三维模型;具体描述如下:
步骤S051采用步骤S0134的逆运算的方式,将被测量者的人体三维模型特征矩阵分解为人体躯干三维模型特征矩阵、人体下肢三维模型特征矩阵和人体上肢三维模型特征矩阵;步骤S052采用步骤S0121的逆运算的方式建立人体躯干三维模型;步骤S053采用步骤S0122的逆运算的方式建立人体下肢三维模型;步骤S054采用步骤S0123的逆运算的方式建立人体上肢三维模型;即:人体躯干、下肢和上肢三维模型特征矩阵还原为各断面的椭圆傅里叶描述子,根据各断面的椭圆傅里叶描述子计算出各断面的点坐标,并根据断面模型的结构生成人体躯干、下肢和单侧上肢的三维人体模型;根据对称性,建立另一侧上肢的三维人体模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710132436.XA CN107016721A (zh) | 2017-03-07 | 2017-03-07 | 人体三维模型的建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710132436.XA CN107016721A (zh) | 2017-03-07 | 2017-03-07 | 人体三维模型的建模方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107016721A true CN107016721A (zh) | 2017-08-04 |
Family
ID=59439787
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710132436.XA Pending CN107016721A (zh) | 2017-03-07 | 2017-03-07 | 人体三维模型的建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107016721A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009577A (zh) * | 2017-11-29 | 2018-05-08 | 南京工业大学 | 一种虚拟试衣镜的实现方法 |
CN108053476A (zh) * | 2017-11-22 | 2018-05-18 | 上海大学 | 一种基于分段三维重建的人体参数测量系统及方法 |
CN108269302A (zh) * | 2018-01-19 | 2018-07-10 | 浙江大学 | 一种基于简易测量服的三维人体快速重建方法 |
CN108986159A (zh) * | 2018-04-25 | 2018-12-11 | 浙江森马服饰股份有限公司 | 一种三维人体模型重建与测量的方法和设备 |
CN109344706A (zh) * | 2018-08-28 | 2019-02-15 | 杭州电子科技大学 | 一种可单人操作的人体特殊姿势照片的获取方法 |
CN109447043A (zh) * | 2018-12-23 | 2019-03-08 | 广东腾晟信息科技有限公司 | 一种人脸自动建模方法 |
CN109512065A (zh) * | 2018-12-03 | 2019-03-26 | 银川汇成科技有限公司 | 人体结构学对量体尺寸系统优化方法 |
CN109655011A (zh) * | 2018-12-13 | 2019-04-19 | 北京健康有益科技有限公司 | 一种人体建模维度测量的方法及系统 |
CN110135443A (zh) * | 2019-05-28 | 2019-08-16 | 北京智形天下科技有限责任公司 | 一种基于机器学习的人体三维尺寸预测方法 |
CN111784824A (zh) * | 2020-07-06 | 2020-10-16 | 许忠慧 | 基于计算机视觉智能技术的人体三维建模及测量方法 |
CN112116702A (zh) * | 2020-09-01 | 2020-12-22 | 上海云杉服装科技有限公司 | 一种基于正面和侧面轮廓的人体测量三维建模方法及系统 |
CN112419479A (zh) * | 2020-11-10 | 2021-02-26 | 广州二元科技有限公司 | 一种基于体重身高及身体影像的体型数据计算方法 |
CN113112321A (zh) * | 2021-03-10 | 2021-07-13 | 深兰科技(上海)有限公司 | 智能量体方法、装置、电子设备及存储介质 |
CN115294295A (zh) * | 2022-08-11 | 2022-11-04 | 广州沃佳科技有限公司 | 一种人体模型的构建方法、装置、电子设备及存储介质 |
CN117523154A (zh) * | 2024-01-08 | 2024-02-06 | 天津市肿瘤医院(天津医科大学肿瘤医院) | 一种基于体征数据的人体三维模型校准方法、系统及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101404081A (zh) * | 2008-11-04 | 2009-04-08 | 侯万春 | 一种个体化服装定制的系统与方法 |
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 |
CN104200367A (zh) * | 2014-07-07 | 2014-12-10 | 河南科技大学 | 一种三维仿真试衣方法 |
-
2017
- 2017-03-07 CN CN201710132436.XA patent/CN107016721A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101404081A (zh) * | 2008-11-04 | 2009-04-08 | 侯万春 | 一种个体化服装定制的系统与方法 |
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 |
CN104200367A (zh) * | 2014-07-07 | 2014-12-10 | 河南科技大学 | 一种三维仿真试衣方法 |
Non-Patent Citations (2)
Title |
---|
LU J-M: "Automated anthropometric data collection using 3D whole body", 《EXPERT SYSTEMS WITH APPLICATIONS》 * |
夏明: "基于椭圆傅里叶的女性体型分析与个性化原型定制研究", 《中国优秀博士学位论文全文数据库 信息科技辑》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108053476B (zh) * | 2017-11-22 | 2021-06-04 | 上海大学 | 一种基于分段三维重建的人体参数测量系统及方法 |
CN108053476A (zh) * | 2017-11-22 | 2018-05-18 | 上海大学 | 一种基于分段三维重建的人体参数测量系统及方法 |
CN108009577A (zh) * | 2017-11-29 | 2018-05-08 | 南京工业大学 | 一种虚拟试衣镜的实现方法 |
CN108269302A (zh) * | 2018-01-19 | 2018-07-10 | 浙江大学 | 一种基于简易测量服的三维人体快速重建方法 |
CN108986159A (zh) * | 2018-04-25 | 2018-12-11 | 浙江森马服饰股份有限公司 | 一种三维人体模型重建与测量的方法和设备 |
CN108986159B (zh) * | 2018-04-25 | 2021-10-22 | 浙江森马服饰股份有限公司 | 一种三维人体模型重建与测量的方法和设备 |
CN109344706A (zh) * | 2018-08-28 | 2019-02-15 | 杭州电子科技大学 | 一种可单人操作的人体特殊姿势照片的获取方法 |
CN109512065A (zh) * | 2018-12-03 | 2019-03-26 | 银川汇成科技有限公司 | 人体结构学对量体尺寸系统优化方法 |
CN109655011A (zh) * | 2018-12-13 | 2019-04-19 | 北京健康有益科技有限公司 | 一种人体建模维度测量的方法及系统 |
CN109447043A (zh) * | 2018-12-23 | 2019-03-08 | 广东腾晟信息科技有限公司 | 一种人脸自动建模方法 |
CN110135443A (zh) * | 2019-05-28 | 2019-08-16 | 北京智形天下科技有限责任公司 | 一种基于机器学习的人体三维尺寸预测方法 |
CN111784824A (zh) * | 2020-07-06 | 2020-10-16 | 许忠慧 | 基于计算机视觉智能技术的人体三维建模及测量方法 |
CN112116702A (zh) * | 2020-09-01 | 2020-12-22 | 上海云杉服装科技有限公司 | 一种基于正面和侧面轮廓的人体测量三维建模方法及系统 |
CN112419479A (zh) * | 2020-11-10 | 2021-02-26 | 广州二元科技有限公司 | 一种基于体重身高及身体影像的体型数据计算方法 |
CN112419479B (zh) * | 2020-11-10 | 2022-09-06 | 广州二元科技有限公司 | 一种基于体重身高及身体影像的体型数据计算方法 |
CN113112321A (zh) * | 2021-03-10 | 2021-07-13 | 深兰科技(上海)有限公司 | 智能量体方法、装置、电子设备及存储介质 |
CN115294295A (zh) * | 2022-08-11 | 2022-11-04 | 广州沃佳科技有限公司 | 一种人体模型的构建方法、装置、电子设备及存储介质 |
CN117523154A (zh) * | 2024-01-08 | 2024-02-06 | 天津市肿瘤医院(天津医科大学肿瘤医院) | 一种基于体征数据的人体三维模型校准方法、系统及存储介质 |
CN117523154B (zh) * | 2024-01-08 | 2024-03-19 | 天津市肿瘤医院(天津医科大学肿瘤医院) | 一种基于体征数据的人体三维模型校准方法、系统及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107016721A (zh) | 人体三维模型的建模方法 | |
CN107041585A (zh) | 人体尺寸的测量方法 | |
CN106780619B (zh) | 一种基于Kinect深度相机的人体尺寸测量方法 | |
CN108986159B (zh) | 一种三维人体模型重建与测量的方法和设备 | |
CN104794722A (zh) | 利用单个Kinect计算着装人体三维净体模型的方法 | |
CN112069933A (zh) | 基于体态识别和人体生物力学的骨骼肌肉受力估计方法 | |
CN110074788B (zh) | 一种基于机器学习的身体数据获取方法和装置 | |
Chi et al. | Body scanning of dynamic posture | |
CN109712172A (zh) | 一种初始位姿测量结合目标追踪的位姿测量方法 | |
CN109299659A (zh) | 一种基于rgb相机和深度学习的人体姿态识别方法与系统 | |
CN109919141A (zh) | 一种基于骨架姿态的行人再识别方法 | |
CN106920277A (zh) | 模拟美容整形效果可视化在线自由面雕的方法及系统 | |
US20140043328A1 (en) | Reference Object for Three-Dimensional Modeling | |
CN109655011B (zh) | 一种人体建模维度测量的方法及系统 | |
Kaashki et al. | Deep learning-based automated extraction of anthropometric measurements from a single 3-D scan | |
CN106952335A (zh) | 建立人体模型库的方法及其系统 | |
CN108564619A (zh) | 一种基于两张照片的真实感三维人脸重建方法 | |
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 | |
CN107491747A (zh) | 基于回归分析和小波变换的人脸预测方法 | |
CN110189408A (zh) | 一种根据人体照片得到人体外表数据的系统及方法 | |
CN109064386A (zh) | 一种三维立体衣服模型的建立方法 | |
Škorvánková et al. | Automatic estimation of anthropometric human body measurements | |
CN110477921A (zh) | 基于骨架折线Ridge回归的身高测量方法 | |
CN108320326A (zh) | 一种针对人手部的三维建模方法 | |
CN109801326A (zh) | 一种用于获取人体体型数据的图像测量方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170804 |