CN107041585A - 人体尺寸的测量方法 - Google Patents
人体尺寸的测量方法 Download PDFInfo
- Publication number
- CN107041585A CN107041585A CN201710132057.0A CN201710132057A CN107041585A CN 107041585 A CN107041585 A CN 107041585A CN 201710132057 A CN201710132057 A CN 201710132057A CN 107041585 A CN107041585 A CN 107041585A
- Authority
- CN
- China
- Prior art keywords
- human
- characteristic vector
- measuring method
- height
- curve
- 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
-
- A—HUMAN NECESSITIES
- A41—WEARING APPAREL
- A41H—APPLIANCES OR METHODS FOR MAKING CLOTHES, e.g. FOR DRESS-MAKING OR FOR TAILORING, NOT OTHERWISE PROVIDED FOR
- A41H1/00—Measuring aids or methods
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Engineering & Computer Science (AREA)
- Textile Engineering (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种人体尺寸的测量方法,所述测量方法包括以下步骤:S01、建立人体体型数据库;S02、建立体重、身高、人体体型特征向量与测量尺寸的数学模型;S03、获取被测量者的正面照、侧面照、身高和体重并输入数学模型;S04、获得被测量者的人体尺寸数据。本发明用户提供正面照、侧面照、身高和体重即可实现人体尺寸的测量,操作简单、效率高且测量准确度高。
Description
技术领域
本发明涉及一种人体尺寸的测量方法。
背景技术
人体测量是制作服装的基础,对于服装的量身定制尤其重要。目前用于服装制作的人体测量方法主要有传统的皮尺测量法和三维人体扫描测量法:
传统的皮尺测量,需要具备专业量体经验的量体师与被测对象面对面进行接触式测量,测量过程繁琐,对量体技术要求高,且不同量体师测量的尺寸标准不统一,因此不能满足当前网络环境下的异地量身定制的需求。
三维人体扫描测量法,通常需要利用计算机连接专门的硬件设备,通过光学三角测量法,获得人体的体表点云数据,然后再重建人体三维模型,并测量人体尺寸。三维扫描的设备昂贵,且体积一般较大,不能随意移动。且移动后必须作标定和校准工作。因此也无法适应异地量身定制的需求。
可见,现有的人体测量方法均存在测量方式复杂,且无法适应异地量身定制的需求。
发明内容
本发明要解决的技术问题是为了克服现有技术中的测量人体尺寸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,提供一种人体尺寸的测量方法。
本发明是通过下述技术方案来解决上述技术问题:
一种人体尺寸的测量方法,其特点在于,所述测量方法包括以下步骤:
S01、建立人体体型数据库。采集大量人体体型数据,包括身高、体重、人体体型特征向量和测量尺寸。
首先,通过S011步骤,采集身高、体重、人体正面照、侧面照和人体测量尺寸。其中的人体测量尺寸采用传统人工测量方式获取。
其次,在S012步骤中,从人体正面照和人体侧面照中提取人体体型特征向量。其中,在S0121步骤中,从人体正面照和人体侧面照中提取人体躯干体型特的特征向量;在S0122步骤中,从人体正面照和人体侧面照中提取人体下肢体型特的特征向量;在S0123步骤中,从人体正面照和人体侧面照中提取人体上肢体型特的特征向量;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,在人体正面照和人体侧面照中,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,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,在人体正面照和人体侧面照中,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,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,在人体正面照和人体侧面照中,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,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,选取左上肢或右上肢的体型特征向量为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,建立人体躯干特征向量。
较佳的,在S0121、S0122、S0123中,累计贡献率为90%。
最后,在S013中,将S011、S012中得到的身高、体重、人体体型特征向量、和测量尺寸输入数据库,建立人体体型数据库。
S02步骤,建立人体尺寸测量模型。S02采用线性或非线性模型,线性模型优选采用多元线性回归法;非线性模型优选BP神经网络法。
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数据库的学习获得输出参数(身高、体重、人体体型特征向量)与输入参数(测量尺寸)映射关系的神经网络模型。
通S01、S02建立人体尺寸测量模型,据此可以通过采集被测量人的身高、体重、人体轮廓,获得人体的测量尺寸。对单个被测量者的尺寸测量通过S03、S04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S041步骤中输入;人体正面照和侧面照在S042步骤中通过拍摄获取。
S04步骤,完成人体躯干测量尺寸的测量。首先,在S041将S032获取的人体正面照和侧面照采用S012相同的方式获取人体体型特征向量;然后,将由S031获取的身高、体重和S041获取的人体体型特征向量输入S02步骤获得的人体尺寸测量模型,可以得到被测量者的测量尺寸。
本发明的积极进步效果在于:本发明中,用户提供正面照、侧面照、身高和体重即可实现人体尺寸的测量,操作简单、效率高且测量准确度高。
附图说明
图1为本发明一较佳实施例的人体尺寸的测量方法的流程图。
图2为本发明一较佳实施例的人体尺寸的测量方法的具体实施流程图。
图3为本发明从正面图像中提取人体躯干轮廓的示意图。
图4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,本实施例的人体尺寸的测量方法包括以下步骤:
S01、建立人体体型数据库;
S02、建立体重、身高、人体体型特征向量与测量尺寸的数学模型;
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测量尺寸。
其中,S01具体包括以下步骤:
S011、获取人体的身高、体重、正面照片、侧面照片和测量尺寸;
S012、获取人体体型特征向量;
S013、将身高、体重、人体干体型特征向量和测量尺寸录入人体体型数据库。
其中,S012具体包括以下步骤:
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。
其中,S03具体包括以下步骤:
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。
其中,S04具体包括以下步骤:
S041、获取被测量者的体型特征向量;
S042、输入体重、身高、人体体型特征向量与测量尺寸的数学模型获取人体测量尺寸。
如图2所示,本发明在具体实施过程中,具体流程包括以下步骤:
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3-4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 (20)
1.一种人体尺寸的测量方法,其特征在于,所述测量方法包括以下步骤:
S01、建立人体体型数据库;
S02、建立体重、身高、人体体型特征向量与测量尺寸的数学模型;
S03、获取被测量者的正面照、侧面照、身高和体重并输入数学模型;
S04、获得被测量者的人体尺寸数据。
2.根据权利要求1所述的人体尺寸的测量方法,其特征在于,所述步骤S01中包括以下步骤:
S011:获取人体样本的身高、体重、正面照片、侧面照片和测量尺寸;
S012:获取人体体型特征向量;
S013:将身高、体重、人体体型特征向量和测量尺寸录入人体体型数据库。
3.根据权利要求2所述的人体尺寸的测量方法,其特征在于,通过步骤S01获取建立人体体型数据库所需要的身高、体重、人体体型特征向量和测量尺寸,其中:身高、体重和测量尺寸在S011步骤中通过传统的人工测量方式获得;人体体型特征向量由S011步骤中获得的人体正面照和侧面照通过S012中处理生成,并在S013步骤中录入人体体型数据库。
4.根据权利要求3所述的人体尺寸的测量方法,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所述的人体尺寸的测量方法,其特征在于,步骤S0121使用步骤S011获取的人体正面照和侧面照提取,选取后颈点、侧颈点、大腿根点、腋下点、肩点为特征点,获得正面的人体躯干轮廓曲线和侧面的人体躯干轮廓曲线,对正面和侧面的人体躯干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体型的特征向量。
6.根据权利要求5所述的人体尺寸的测量方法,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所述的人体尺寸的测量方法,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;预设贡献率采用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所述的人体尺寸的测量方法,其特征在于,步骤S0122使用步骤S011获取的人体正面照和侧面照提取,选取臀、大腿根点、膝盖点、脚为特征点,获得正面的人体下肢轮廓曲线和侧面的人体下肢轮廓曲线,对正面和侧面的人体下肢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下肢体型的特征向量。
9.根据权利要求8所述的人体尺寸的测量方法,其特征在于,拟合曲线采用椭圆函数曲线。
10.根据权利要求8所述的人体尺寸的测量方法,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下肢轮廓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;预设贡献率采用90%,选取贡献率大于预设贡献率的分量作为人体躯干下肢的特征向量。
11.根据权利要求4所述的人体尺寸的测量方法,其特征在于,步骤S0123使用步骤S011获取的人体正面照和侧面照提取,选取肩点、腋下点、肘点、腕为特征点,获得正面的人体上肢轮廓曲线和侧面的人体上肢轮廓曲线,对正面和侧面的人体上肢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,选取左上肢或右上肢的体型特征向量为上肢体型的特征向量。
12.根据权利要求11所述的人体尺寸的测量方法,其特征在于,拟合曲线采用椭圆函数曲线。
13.根据权利要求11所述的人体尺寸的测量方法,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上肢轮廓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;预设贡献率采用90%,选取贡献率大于预设贡献率的分量作为人体上肢体型的特征向量。
14.根据权利要求4所述的人体尺寸的测量方法,其特征在于,步骤S0124包括:
合并步骤S0121获得的人体躯干体型的特征向量、步骤S0122获得的人体下肢体型的特征向量和步骤S0123获得的人体上肢体型的特征向量,以建立人体体型特征向量。
15.根据权利要求1所述的人体尺寸的测量方法,其特征在于,S02步骤建立线性或非线性模型,通过对S01步骤建立的人体体型数据库的拟合得到输入与输出的数学模型;输入为身高、体重、人体体型特征向量;输出为人体的测量尺寸;线性模型优选采用多元线性回归法;非线性模型优选BP神经网络法。
16.根据权利要15所述的人体尺寸的测量方法,其特征在于,步骤S02中,建立体重、身高、人体体型特征向量与测量尺寸的数学模型采用BP神经网络法,通过对S01步骤建立的人体体型数据库的学习获得输出参数与输入参数映射关系的神经网络模型;输入参数为身高、体重、人体体型特征向量;输出参数为人体的测量尺寸。
17.根据权利要求1所述的人体尺寸的测量方法,其特征在于,通过步骤S03获得被测量者的人体尺寸数据,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。
18.根据权利要求1所述的人体尺寸的测量方法,其特征在于,步骤S04获得被测量者的人体尺寸数据的步骤,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测量尺寸的数学模型获取被测量者的人体尺寸数据。
19.根据权利要求18所述的人体尺寸的测量方法,其特征在于,S041步骤通过对S032步骤获得的被测量者的正面照和侧面照,采用S012相同的方法提取测量所需的人体体型特征向量。
20.根据权利要求18所述的人体尺寸的测量方法,其特征在于,将输入参数输入S02步骤获得的数学模型,得到输出参数;所述输入参数为从步骤S031获取的身高、体重以及从步骤S041步骤获取的人体体型特征向量,所述输出参数为被测量者的人体尺寸数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710132057.0A CN107041585A (zh) | 2017-03-07 | 2017-03-07 | 人体尺寸的测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710132057.0A CN107041585A (zh) | 2017-03-07 | 2017-03-07 | 人体尺寸的测量方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107041585A true CN107041585A (zh) | 2017-08-15 |
Family
ID=59544026
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710132057.0A Pending CN107041585A (zh) | 2017-03-07 | 2017-03-07 | 人体尺寸的测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107041585A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107170039A (zh) * | 2017-05-12 | 2017-09-15 | 西安蒜泥电子科技有限责任公司 | 人体三维数据模型库的生成方法 |
CN107845428A (zh) * | 2017-12-14 | 2018-03-27 | 民康医疗科技(天津)有限公司 | 应用于人体成分秤的人体成分算法模型构建方法 |
CN108813774A (zh) * | 2018-07-03 | 2018-11-16 | 浙江百先得服饰有限公司 | 一种拍照量体的方法 |
CN109288176A (zh) * | 2018-11-02 | 2019-02-01 | 北京遥测技术研究所 | 一种基于毫米波的量体裁衣方法 |
CN109559373A (zh) * | 2018-10-25 | 2019-04-02 | 武汉亘星智能技术有限公司 | 一种基于2d人体图像进行量体的方法及系统 |
CN109753489A (zh) * | 2019-01-15 | 2019-05-14 | 广州唯品会研究院有限公司 | 体型样本数据库的生成方法、装置及计算机可读存储介质 |
CN110037373A (zh) * | 2019-05-30 | 2019-07-23 | 南京邮电大学 | 一种基于边界跟踪的人体尺寸测量方法 |
CN110428434A (zh) * | 2019-07-10 | 2019-11-08 | 上海师范大学 | 一种基于图像的人体肩宽测量方法及装置 |
CN110555411A (zh) * | 2019-09-05 | 2019-12-10 | 武汉纺织大学 | 一种肩颈尺寸的测量方法、系统、存储介质及电子设备 |
CN110569593A (zh) * | 2019-09-05 | 2019-12-13 | 武汉纺织大学 | 着装人体三维尺寸测量方法、系统、存储介质及电子设备 |
CN111611928A (zh) * | 2020-05-22 | 2020-09-01 | 杭州智珺智能科技有限公司 | 一种基于单目视觉与关键点识别的身高及身体尺寸测量方法 |
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 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101290658A (zh) * | 2007-04-18 | 2008-10-22 | 中国科学院自动化研究所 | 一种基于步态的性别识别方法 |
CN101322589A (zh) * | 2008-07-16 | 2008-12-17 | 苏州大学 | 用于服装设计的非接触式人体测量方法 |
CN102521878A (zh) * | 2011-12-20 | 2012-06-27 | 恒源祥(集团)有限公司 | 可编程三维人体建模和人体测量系统和方法 |
CN102763923A (zh) * | 2012-07-11 | 2012-11-07 | 浙江理工大学 | 一种人体下肢自动测量装置和方法 |
CN103767219A (zh) * | 2014-01-13 | 2014-05-07 | 无锡吉姆兄弟时装定制科技有限公司 | 非接触式人体三维尺寸测量方法 |
US20150062301A1 (en) * | 2013-08-30 | 2015-03-05 | National Tsing Hua University | Non-contact 3d human feature data acquisition system and method |
CN106235485A (zh) * | 2016-09-06 | 2016-12-21 | 广东溢达纺织有限公司 | 服装样衣尺寸测量分析系统及方法 |
CN106418847A (zh) * | 2015-08-04 | 2017-02-22 | 王廷金 | 一种基于计算机视觉技术的人体三维尺寸测量方法 |
CN106447713A (zh) * | 2016-08-31 | 2017-02-22 | 北京维盛视通科技有限公司 | 基于点云人体模型的自动测量方法及装置 |
-
2017
- 2017-03-07 CN CN201710132057.0A patent/CN107041585A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101290658A (zh) * | 2007-04-18 | 2008-10-22 | 中国科学院自动化研究所 | 一种基于步态的性别识别方法 |
CN101322589A (zh) * | 2008-07-16 | 2008-12-17 | 苏州大学 | 用于服装设计的非接触式人体测量方法 |
CN102521878A (zh) * | 2011-12-20 | 2012-06-27 | 恒源祥(集团)有限公司 | 可编程三维人体建模和人体测量系统和方法 |
CN102763923A (zh) * | 2012-07-11 | 2012-11-07 | 浙江理工大学 | 一种人体下肢自动测量装置和方法 |
US20150062301A1 (en) * | 2013-08-30 | 2015-03-05 | National Tsing Hua University | Non-contact 3d human feature data acquisition system and method |
CN103767219A (zh) * | 2014-01-13 | 2014-05-07 | 无锡吉姆兄弟时装定制科技有限公司 | 非接触式人体三维尺寸测量方法 |
CN106418847A (zh) * | 2015-08-04 | 2017-02-22 | 王廷金 | 一种基于计算机视觉技术的人体三维尺寸测量方法 |
CN106447713A (zh) * | 2016-08-31 | 2017-02-22 | 北京维盛视通科技有限公司 | 基于点云人体模型的自动测量方法及装置 |
CN106235485A (zh) * | 2016-09-06 | 2016-12-21 | 广东溢达纺织有限公司 | 服装样衣尺寸测量分析系统及方法 |
Non-Patent Citations (1)
Title |
---|
栾悉道等: "《多媒体情报处理技术》", 31 May 2016, 国防工业出版社 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107170039A (zh) * | 2017-05-12 | 2017-09-15 | 西安蒜泥电子科技有限责任公司 | 人体三维数据模型库的生成方法 |
CN107845428A (zh) * | 2017-12-14 | 2018-03-27 | 民康医疗科技(天津)有限公司 | 应用于人体成分秤的人体成分算法模型构建方法 |
CN108813774A (zh) * | 2018-07-03 | 2018-11-16 | 浙江百先得服饰有限公司 | 一种拍照量体的方法 |
CN109559373A (zh) * | 2018-10-25 | 2019-04-02 | 武汉亘星智能技术有限公司 | 一种基于2d人体图像进行量体的方法及系统 |
CN109288176A (zh) * | 2018-11-02 | 2019-02-01 | 北京遥测技术研究所 | 一种基于毫米波的量体裁衣方法 |
CN109753489B (zh) * | 2019-01-15 | 2021-01-19 | 广州唯品会研究院有限公司 | 体型样本数据库的生成方法、装置及计算机可读存储介质 |
CN109753489A (zh) * | 2019-01-15 | 2019-05-14 | 广州唯品会研究院有限公司 | 体型样本数据库的生成方法、装置及计算机可读存储介质 |
CN110037373A (zh) * | 2019-05-30 | 2019-07-23 | 南京邮电大学 | 一种基于边界跟踪的人体尺寸测量方法 |
CN110428434A (zh) * | 2019-07-10 | 2019-11-08 | 上海师范大学 | 一种基于图像的人体肩宽测量方法及装置 |
CN110428434B (zh) * | 2019-07-10 | 2022-12-13 | 上海师范大学 | 一种基于图像的人体肩宽测量方法及装置 |
CN110555411A (zh) * | 2019-09-05 | 2019-12-10 | 武汉纺织大学 | 一种肩颈尺寸的测量方法、系统、存储介质及电子设备 |
CN110569593A (zh) * | 2019-09-05 | 2019-12-13 | 武汉纺织大学 | 着装人体三维尺寸测量方法、系统、存储介质及电子设备 |
CN111611928A (zh) * | 2020-05-22 | 2020-09-01 | 杭州智珺智能科技有限公司 | 一种基于单目视觉与关键点识别的身高及身体尺寸测量方法 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107041585A (zh) | 人体尺寸的测量方法 | |
CN107016721A (zh) | 人体三维模型的建模方法 | |
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 | |
CN110074788B (zh) | 一种基于机器学习的身体数据获取方法和装置 | |
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 | |
US20170053422A1 (en) | Mobile device human body scanning and 3d model creation and analysis | |
CN104794722A (zh) | 利用单个Kinect计算着装人体三维净体模型的方法 | |
CN105608737B (zh) | 一种基于机器学习的人体足部三维重建方法 | |
US9715759B2 (en) | Reference object for three-dimensional modeling | |
Chi et al. | Body scanning of dynamic posture | |
US11798299B2 (en) | Methods and systems for generating 3D datasets to train deep learning networks for measurements estimation | |
WO2018133691A1 (zh) | 用户身材参数获取方法和装置 | |
CN110298279A (zh) | 一种肢体康复训练辅助方法及系统、介质、设备 | |
CN108564653A (zh) | 基于多Kinect的人体骨架追踪系统及方法 | |
Kaashki et al. | Deep learning-based automated extraction of anthropometric measurements from a single 3-D scan | |
CN109655011A (zh) | 一种人体建模维度测量的方法及系统 | |
CN110477921B (zh) | 基于骨架折线Ridge回归的身高测量方法 | |
CN112183316A (zh) | 一种运动员人体姿态测量方法 | |
CN103955958B (zh) | 一种基于Kinect设备的交互式材质外观采集方法 | |
CN102479386A (zh) | 基于单目视频的人体上半身三维运动跟踪方法 | |
WO2020156627A1 (en) | The virtual caliper: rapid creation of metrically accurate avatars from 3d measurements | |
CN108564586A (zh) | 一种基于深度学习的人体曲线测量方法及系统 | |
CN116966086A (zh) | 一种基于实时图像优化的人体背部腧穴标定方法及系统 | |
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: 20170815 |