CN107194987B - 对人体测量数据进行预测的方法 - Google Patents
对人体测量数据进行预测的方法 Download PDFInfo
- Publication number
- CN107194987B CN107194987B CN201710334129.XA CN201710334129A CN107194987B CN 107194987 B CN107194987 B CN 107194987B CN 201710334129 A CN201710334129 A CN 201710334129A CN 107194987 B CN107194987 B CN 107194987B
- Authority
- CN
- China
- Prior art keywords
- model
- human body
- measurement data
- posture
- measured
- 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.)
- Active
Links
Images
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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
- A61B5/0077—Devices for viewing the surface of the body, e.g. camera, magnifying lens
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/107—Measuring physical dimensions, e.g. size of the entire body or parts thereof
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01G—WEIGHING
- G01G19/00—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups
- G01G19/44—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups for weighing persons
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Software Systems (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Geometry (AREA)
- Dentistry (AREA)
- Computer Graphics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Image Analysis (AREA)
Abstract
本发明具体涉及一种对人体测量数据进行预测的方法,解决了现有测量方法使用的测量设备复杂昂贵、对人体造成测试不舒适感和难以精准恢复人体的真实体态数据的问题。本方法包括:1)构建模型库;2)生成体态标签;3)获取待测人体的身高、体重以及包含待测量部位的照片信息;4)将照片处理成为二值图;5)根据所构建的模型库,对二值图进行深度卷积神经网络学习;6)根据学习结果预测待测人体的体态标签;7)预测出待测人体的测量数据。本发明方法的输入数据易于获取,解决了已有算法的输入复杂的问题,测试设备简单,只需简单的设备就可以完成输入信息采集,测试成本小。
Description
技术领域
本发明属于数据测量领域,具体涉及一种对人体测量数据进行预测的方法。
背景技术
随着技术的发展,获得三维人体测量数据在许多行业是必需的。例如在医学领域被用于监控由于肾衰竭发生的人体体积的变化或者评估病人人体图像的变化来确保手术的成功。此外,能够生成精确的身体特征及测量数据也是对服装行业有益的,精确人体尺寸将有益于服装制造商或者零销商和客户沟通联系,有益于在线购买。
人体测量系统是实现电子量身定制、人体体型数据库建立的基础工作和关键技术。在30多年的发展过程中大致经历了由手工测量向计算机辅助测量、由接触式测量向非接触式测量、由二维向三维方向发展3个阶段,并向自动测量和利用计算机测量、处理和分析的方向发展。传统的人体测量通常是指测量工具与人体接触,直接测出静态时人体各部位的高、宽、周长等尺寸,主要的测量工具是软尺、角度尺、测高计、测距计和滑动计等。非接触式测量主要以现代光学为基础,融光电子学、计算机图像学、信息处理、计算机视觉等科学技术为一体的测量技术,它在测量被测对象时,把图像当作检测和传递信息的手段或载体加以利用,其目的是从图像中提取有用的信息。现有的人体扫描仪及人体测量设备依赖高分辨率深度传感器、固定的光模式或者已知的相机角度来生成人体的三维图像。这种技术需要专业设备并且对使用者呈现出高负担,使用者需要去专门的中心进行这种人体测量。现有技术中的三维人体测量方法有立体摄影测量法、激光测量法、莫尔条纹测量法等。三维人体测量方法虽然都能获得人体数据,但仍存在一些不足:
1.采用三维扫描方法需要昂贵的扫描设备、专业知识以及特殊的环境配置。提供这种测量的通用方法和设备不仅体积庞大且昂贵,而且需要使用复杂的能够确定相关对象至参考点的像素深度或距离的检测器设备。因此,不能使例如私人及病人的对象很方便地或在家监测它们的三维身体形状。
2.采用激光和白光等扫描系统测量,需要被测量者脱衣,其容易暴露被测量者的隐私,而且要求被测量者在几分钟内保持不变姿势。此外,激光会造成被测量者心理压力,人们的体验差、激光也容易伤害被测人的眼睛。
3.基于身高体重以及描述性词汇预测测量数据:该类方法的要点在于利用描绘性词汇给人体打分,该方法的缺点是用户使用麻烦,需要针对自己的体型给出对应的评分后可获取重建的三维模型。
4.基于正侧面照片恢复三维模型,并通过三维模型恢复测量数据:该方法的主要优势在于输入简单,只需要正面和侧面照片,就可以获取,重建的三维模型,具体方法是先通过计算图片中的人体姿态,然后根据经验人体模型库,去匹配对应的姿态,通过两张图片的约束,获取最终的三维模型。该方法的缺点是,获取的三维模型和真实模型缺乏真实的尺寸映射,而两张图片的约束的仅仅利用了姿态进行约束,很难精准恢复人体的真实体态数据。
发明内容
为解决现有测量方法使用的测量设备复杂昂贵、对人体造成测试不舒适感和难以精准恢复人体的真实体态数据的问题,本发明提供了一种测试设备简单、测试过程简单和测试数据准确的对人体测量数据进行预测的方法。
本发明解决上述问题的技术方案是:
对人体测量数据进行预测的方法,包括以下步骤,
1)构建模型库;所述模型库由多个人体模型及每个人体模型多个部位的测量数据构成;
2)将模型库中人体模型的不同部位比值的统计值进行分级,生成体态标签;
3)获取待测人体的身高、体重以及包含待测量部位的照片信息;所述照片信息包括人体正面照和/或人体侧面照;
4)将照片处理成为二值图;
5)根据所构建的模型库,对二值图进行深度卷积神经网络学习;
6)根据学习结果预测待测人体的体态标签;
7)利用身高、体重以及预测出的体态标签,预测出待测人体的测量数据。
进一步地,构建模型库包括以下步骤,
1.1)建立人体三维虚拟模型库:
生成与真实测量数据对应的任意大小的标准姿势人体三维虚拟模型库;所述虚拟模型库为m×n×3的矩阵,其中m为模型数量,n为顶点数量;所述任意大小的标准姿势人体的身高为1.2米至2.2米;
1.2)通过学习得到虚拟模型体态标签的权重和偏移量:
采用线性回归公式Y0=W0X已知+b0,使Y0和Y实测偏差最小,学习得到W学和b学;其中:
Y0为计算出的测量数据;
X已知为已知向量[height,weight,label0,label1,…,labelN],其中label0,…,labelN为体态标签;
Y实测为实际测量数据;
W0为需要学习的权重;
b0为需要学习的偏移量;
W学为学习得到的权重;
b学为学习得到的偏移量;
1.3)获取PCA主特征值:
按照下式预测出PCA特征值,作为线性回归模型向量:
Y=W学X+b学
Y为最终预测出的向量;
X为模型实测的向量[height,weight,label0,label1,…,labelN],其中label0,…,labelN为体态标签;
再从预测出的PCA特征值,取特征值大的前n个值作为PCA主特征值,其中n为大于1的自然数;
1.4)计算模型数据:
根据1.3)中得到的线性回归模型向量以及PCA主特征值,反向计算出顶点数据,加上已有模型的拓朴信息,反推出模型数据,建立符合虚拟拍照要求的人体三维模型库。
进一步地,1.1)的具体步骤为:采用人体建模软件,根据原始模型生成具有一定拓扑结构的基础模型,再根据基础模型生成与真实测量数据对应的任意大小的标准姿势人体三维虚拟模型库;所述原始模型包括真实人体或人工建立的模型。此步骤能够方便找到模型个位置间的对应关系,并保存模型处理前后的误差值。
进一步地,步骤1.1)还包括对基础模型进行修订的步骤,
判断基础模型的姿势是否符合标准姿势;若不符合,则对原始模型进行自动测量并记录变形前被测部位的测量数据,再将基础模型的姿势变形为标准姿势,重新进行自动测量并记录变形后被测部位的测量数据。此步骤能够排除姿势对测量结果的影响,可以提高模型库数据的准确性。
进一步地,步骤1.3)还包括统一模型位置的步骤:根据PCA特征值预测结果与真实测量结果的差值求均值和方差,根据统计结果选取n值使得均值和方差最小。此步骤可以排除极端案例,优化存储。
进一步地,所述n的取值范围8至20。
进一步地,还包括在步骤1.4)建立的人体三维模型库的基础上添加随机噪声模型的步骤1.5):在模型原点所在同一平面上随机分布于半径为1-6cm的圆圈内,对测量数据进行调整,生成随机噪声模型,以模拟实际拍照过程中不可控制的微小变量;所述随机噪声包括位置随机噪声和姿势噪声。此步骤使得模型抗噪声能力更强,适用性更强。
进一步地,所述圆圈的半径为4cm。
进一步地,还包括优化人体三维数据模型库的步骤1.6):
步骤1.6)
1.6.1)虚拟拍照,取得二值图;
1.6.2)利用二值图训练体态标签的神经网络;
1.6.3)利用少量真实人体测量数据优化体态标签的神经网络,生成优化后的人体三维数据模型库。
进一步地,所述体态标签包括胸腰比、臀身高比、胸身高比、腰身高比、大腿围臀比和/或肩宽胸比;所述测量数据包括胸围、腰围、臀围、肩宽、臂长、腿长、上臂围、大腿围、小腿围、体重和/或身高。
进一步地,所述特征值和线性回归模型向量是对矩阵采用SVD分解方法获取的。
进一步地,还包括根据测量数据建立待测人体三维模型的步骤。
进一步地,所述照片信息由含有广角镜头的摄像机获取,在对照片进行预处理之前还包括畸变矫正步骤。
本发明的优点为:
1.本发明方法的输入数据易于获取,只需要获取两张图片和身高体重信息,就可以解决已有算法的输入复杂的问题;测试设备简单,只需简单的设备就可以完成输入信息采集,测试成本小。
2.本算法最终的预测阶段采取结合大数据,对最终的测量数据进行预测,跳过了先生成模型再测量数据的过程,略过了可能由于在模型的测量位置的不同而导致的测量误差。
3.本发明所述的对人体测量数据进行预测的方法通过获取人体的身高、体重信息和照片来实现的,可用于服装业和医学领域,可大大缩短测量时间,提高测量精度和效率,与三维非接触测量相比,本发明所述的方法测量速度更快,操作更加方便,测量成本也更加低廉。
4.本发明采用了梯度下降的策略来获取最佳解,从而提高了预测数据的准确率。
5.建立人体尺寸数据库。可以实现服装定制服务,外联电子商务系统,可以实现在线销售。通过服务器中的3D建模软件还能绘制出人体表面图像,有利于人体体型研究、医学、人体工程学和安检等技术领域的技术革新。
附图说明
图1为本发明实施设备示意图;
图2为本发明方法流程图;
图3为本发明方法畸变矫正的流程图;
图4为深度卷积神经网络标签简化的预测流程图;
图5为深度卷积神经网络标签预测流程图;
图6为模型库生成的流程图;
图7为任意大小人体模型图;
图8为基础模型变形图。
具体实施方式
对人体测量数据进行预测的方法是指利用两张非深度图片和待测人体的身高体、重信息对待测人体的测量数据进行预测的方法。
如图1所示,实现本发明方法的设备包括体重仪、超声波测身高仪器和150度广角500万像素的摄像头。
如图2至8所示,对人体测量数据进行预测的方法,包括以下步骤:
1)构建模型库;所述模型库由多个人体模型及每个人体模型多个部位的测量数据构成,构建模型库包括以下步骤,
1.1)建立人体三维虚拟模型库:生成与真实测量数据对应的任意大小的标准姿势人体三维虚拟模型库;所述虚拟模型库为m×n×3的矩阵,其中m为模型数量,n为顶点数量;所述任意大小的标准姿势人体的身高为1.2米至2.2米;
具体步骤为:采用开源软件make-human生成与真实测量数据对应的任意大小的标准姿势人体三维虚拟模型库,根据原始模型生成具有一定拓扑结构的基础模型,再根据基础模型生成与真实测量数据对应的任意大小的标准姿势人体三维虚拟模型库;所述原始模型包括真实人体或人工建立的模型;标准姿势详见国家标准《GBT 23698-2009三维扫描人体测量方法的一般要求》;虚拟数据库里面所有模型都满足为同一套拓扑结构,意味着都是同一个模型变形过去的,这样可以获取模型本身的三维顶点的主成分分析信息;
所述步骤1.1)还包括对基础模型进行修订的步骤:判断基础模型的姿势是否符合标准姿势;若不符合,则对原始模型进行自动测量并记录变形前被测部位的测量数据,再将基础模型的姿势变形为标准姿势,重新进行自动测量并记录变形后被测部位的测量数据。
对基础模型进行自动测量并记录所在的位置,将基础模型变形后恢复测量位置,重新进行自动测量;所述基础模型为一定拓扑结构标准姿势的默认未变形的模型;利用虚拟模型都是同一模型变形而来的特点,可以采取在基础模型测量,记录所在的位置,变形后恢复测量位置重新测量的来完成;
步骤1.2)通过学习得到虚拟模型体态标签的权重和偏移量:
采用线性回归公式Y0=W0X已知+b0,使Y0和Y实测偏差最小,学习得到W学和b学;其中:
Y0为计算出的测量数据;
X已知为已知向量[height,weight,label0,label1,…,labelN],其中label0,…,labelN为体态标签;
Y实测为实际测量数据;
W0为需要学习的权重;
b0为需要学习的偏移量;
W学为学习得到的权重;
b学为学习得到的偏移量;
步骤1.3)获取PCA主特征值:
按照下式预测出PCA特征值,作为线性回归模型向量:
Y=W学X+b学
Y为最终预测出的向量;
X为模型实测的向量[height,weight,label0,label1,…,labelN],其中label0,…,labelN为体态标签;
再从预测出的PCA特征值,取特征值大的前n个值作为PCA主特征值,其中n为大于1的自然数;
所述步骤1.3)还包括统一模型位置的步骤:根据PCA特征值预测结果与真实测量结果的差值求平均和方差,根据统计结果选取n值使得均值和方差最小,所述n的取值范围一般为8至20。
步骤1.4)计算模型数据:
根据步骤1.3)中得到的线性回归模型向量以及PCA主特征值,反向计算出顶点数据,加上已有模型的拓朴信息,反推出模型数据,建立符合虚拟拍照要求的人体三维模型库。模型数据平均误差在1cm以内,绝对值误差大于2cm的个数每百个模型不大于1个。
还包括在步骤1.4)建立的人体三维模型库的基础上添加随机噪声模型的步骤1.5,在模型原点所在同一平面上随机分布于半径为1-6cm的圆圈内,对测量数据进行调整,生成随机噪声模型,以模拟实际拍照过程中不可控制的微小变量;所述随机噪声包括位置随机噪声和姿势噪声。圆圈的优选半径为4cm。
包括优化数据库的步骤1.6):
1.6.1)虚拟拍照,取得二值图;
1.6.2)利用二值图训练体态标签的神经网络;
1.6.3)利用少量真实人体测量数据优化体态标签的神经网络,生成优化后的人体三维数据模型库。
2)将模型库中人体模型的不同部位比值的统计值进行分级,生成体态标签;
3)获取待测人体的身高、体重以及包含待测量部位的照片信息;所述照片信息包括人体正面照和/或人体侧面照;照片信息可以由含有广角镜头的摄像机获取,在对照片进行预处理之前还包括畸变矫正步骤;
4)将照片处理成为二值图;
5)根据所构建的模型库,对二值图进行深度卷积神经网络学习;(例如这里会将人物的胸围腰围的比例分6级,然后这里会根据输入的图片预测出当前待测人体的标签级别);深度卷积神经网络方法主要是通过构造多层卷积网络,采用半监督学习的方法,机器自动学习特征,并进行分类;图5中,输出的7个值代表该数据属于7个不同标签等级的概率。
6)根据学习结果预测待测人体的体态标签;
7)利用身高、体重以及预测出的体态标签,预测出待测人体的测量数据(胸围,腰围,臀围,大腿围,上臂围等)。
8)还包括根据测量数据建立待测人体三维模型的步骤。
体态标签包括胸腰比、臀身高比、胸身高比、腰身高比、大腿围臀比和/或肩宽胸比;测量数据包括胸围、腰围、臀围、肩宽、臂长、腿长、上臂围、大腿围、小腿围、体重和/或身高。
特征值和特征向量是对矩阵采用SVD分解方法获取的;
步骤1.2)中的公式可利用梯度下降法来获取最佳解。
体态标签设计:
以男性标签为例(女性标签基本一致,只是取值范围不同),目前男性标签有4个,分别为胸腰比(bust_waist),胸身高比(bust_height),腰身高比(waist_height),臀身高比(hip_height)。体态标签还可以根据需要扩充维度信息。
以下的标签设计都是按照已有的数据库统计分布后生成。
胸腰比(bust_waist)设计如下:
臀身高比(hip_height)设计如下:
胸身高比(bust_height)
腰身高比(waist_height)
Claims (3)
1.对人体测量数据进行预测的方法,其特征在于:包括以下步骤,
1)构建模型库;所述模型库由多个人体模型及每个人体模型多个部位的测量数据构成;
2)将模型库中人体模型的不同部位比值的统计值进行分级,生成体态标签;
3)获取待测人体的身高、体重以及包含待测量部位的照片信息;所述照片信息包括人体正面照和/或人体侧面照;
4)将照片处理成为二值图;
5)根据所构建的模型库,对二值图进行深度卷积神经网络学习;
6)根据学习结果预测待测人体的体态标签;
7)利用身高、体重以及预测出的体态标签,预测出待测人体的测量数据;
构建模型库包括以下步骤,
1.1)建立人体三维虚拟模型库:
生成与真实测量数据对应的任意大小的标准姿势人体三维虚拟模型库;所述虚拟模型库为m×n×3的矩阵,其中m为模型数量,n为顶点数量;所述任意大小的标准姿势人体的身高为1.2米至2.2米;
1.1)的具体步骤为:采用人体建模软件,根据原始模型生成具有拓扑结构的基础模型,再根据基础模型生成与真实测量数据对应的任意大小的标准姿势人体三维虚拟模型库;所述原始模型包括真实人体或人工建立的模型;
步骤1.1)还包括对基础模型进行修订的步骤,
判断基础模型的姿势是否符合标准姿势;若不符合,则对原始模型进行自动测量并记录变形前被测部位的测量数据,再将基础模型的姿势变形为标准姿势,重新进行自动测量并记录变形后被测部位的测量数据;
1.2)通过学习得到虚拟模型体态标签的权重和偏移量:
采用线性回归公式Y0=W0X已知+b0,使Y0和Y实测偏差最小,学习得到W学和b 学;其中:
Y0为计算出的测量数据;
X已知为已知向量[height,weight,label0,label1,…,labelN],其中label0,…,labelN为体态标签;
Y实测为实际测量数据;
W0为需要学习的权重;
b0为需要学习的偏移量;
W学为学习得到的权重;
b学为学习得到的偏移量;
1.3)获取PCA主特征值:
按照下式预测出PCA特征值,作为线性回归模型向量:
Y=W学X+b学
Y为最终预测出的向量;
X为模型实测的向量[height,weight,label0,label1,…,labelN],其中label0,…,labelN为体态标签;
再从预测出的PCA特征值,取特征值大的前n个值作为PCA主特征值,其中n为大于1的自然数;所述特征值和线性回归模型向量是对矩阵采用SVD分解方法获取的;
步骤1.3)还包括统一模型位置的步骤:根据PCA特征值预测结果与真实测量结果的差值求均值和方差,根据统计结果选取n值使得均值和方差最小;
1.4)计算模型数据:
根据1.3)中得到的线性回归模型向量以及PCA主特征值,反向计算出顶点数据,加上已有模型的拓朴信息,反推出模型数据,建立符合虚拟拍照要求的人体三维模型库;
还包括在步骤1.4)建立的人体三维模型库的基础上添加随机噪声模型的步骤1.5),
1.5)在模型原点所在同一平面上随机分布于半径为1-6cm的圆圈内,对测量数据进行调整,生成随机噪声模型,以模拟实际拍照过程中不可控制的微小变量;所述随机噪声包括位置随机噪声和姿势噪声;
还包括优化人体三维数据模型库的步骤1.6):
步骤1.6)
1.6.1)虚拟拍照,取得二值图;
1.6.2)利用二值图训练体态标签的神经网络;
1.6.3)利用少量真实人体测量数据优化体态标签的神经网络,生成优化后的人体三维数据模型库。
2.根据权利要求1所述的对人体测量数据进行预测的方法,其特征在于:所述n的取值范围8至20。
3.根据权利要求2所述的对人体测量数据进行预测的方法,其特征在于:所述体态标签包括胸腰比、臀身高比、胸身高比、腰身高比、大腿围臀比和/或肩宽胸比;所述测量数据包括胸围、腰围、臀围、肩宽、臂长、腿长、上臂围、大腿围、小腿围、体重和/或身高。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710334129.XA CN107194987B (zh) | 2017-05-12 | 2017-05-12 | 对人体测量数据进行预测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710334129.XA CN107194987B (zh) | 2017-05-12 | 2017-05-12 | 对人体测量数据进行预测的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107194987A CN107194987A (zh) | 2017-09-22 |
CN107194987B true CN107194987B (zh) | 2021-12-10 |
Family
ID=59873745
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710334129.XA Active CN107194987B (zh) | 2017-05-12 | 2017-05-12 | 对人体测量数据进行预测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107194987B (zh) |
Families Citing this family (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108010122B (zh) * | 2017-11-14 | 2022-02-11 | 深圳市云之梦科技有限公司 | 一种人体三维模型重建与测量的方法及系统 |
CN108389213B (zh) * | 2018-01-24 | 2021-06-11 | 上海工程技术大学 | 一种基于切面点云的粘连围度测量方法 |
US10321728B1 (en) * | 2018-04-20 | 2019-06-18 | Bodygram, Inc. | Systems and methods for full body measurements extraction |
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 |
JP6658795B2 (ja) * | 2018-05-11 | 2020-03-04 | セイコーエプソン株式会社 | 機械学習装置、撮影時期推定装置、機械学習プログラムおよび写真データの生産方法 |
CN109065113B (zh) * | 2018-07-12 | 2021-08-27 | 山东师范大学 | 基于机器学习的人体减重方案推荐方法、系统及介质 |
CN109141248B (zh) * | 2018-07-26 | 2020-09-08 | 深源恒际科技有限公司 | 基于图像的猪体重测算方法及系统 |
CN109459119B (zh) * | 2018-10-17 | 2020-06-05 | 京东数字科技控股有限公司 | 一种体重测量方法、设备和计算机可读存储介质 |
CN109708740A (zh) * | 2018-12-21 | 2019-05-03 | 西安科技大学 | 一种用于超市的智能自主识别称重系统 |
CN109409348A (zh) * | 2018-12-29 | 2019-03-01 | 北京卡路里信息技术有限公司 | 一种用户体征的确定方法、装置、设备和存储介质 |
CN111376910B (zh) * | 2018-12-29 | 2022-04-15 | 北京嘀嘀无限科技发展有限公司 | 用户行为的识别方法、识别系统及计算机设备 |
CN110123331A (zh) * | 2019-04-17 | 2019-08-16 | 平安科技(深圳)有限公司 | 人体形体及体质数据采集方法、装置及存储介质 |
CN110135078B (zh) * | 2019-05-17 | 2023-03-14 | 浙江凌迪数字科技有限公司 | 一种基于机器学习的人体参数自动生成方法 |
CN110151186A (zh) * | 2019-05-28 | 2019-08-23 | 北京智形天下科技有限责任公司 | 一种基于网络化智能终端的人体测量方法 |
CN110378291B (zh) * | 2019-07-22 | 2021-06-25 | 浙江大学 | 一种基于半监督学习的人体特征参数预测方法 |
CN112309575A (zh) * | 2019-07-26 | 2021-02-02 | 陈贤鸿 | 身形变化预测系统 |
CN111408123A (zh) * | 2020-02-27 | 2020-07-14 | 森晟(上海)科技有限公司 | 一种健康运动指导装置 |
CN112001413B (zh) * | 2020-07-13 | 2023-06-06 | 中国标准化研究院 | 一种基于人体尺寸数据库的人体外形数据预测系统 |
CN111829638B (zh) * | 2020-07-24 | 2022-03-18 | 福建世新机器人科技有限公司 | 一种体重实时测量方法 |
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 |
CN112800899A (zh) * | 2021-01-18 | 2021-05-14 | 苏州可数信息科技有限公司 | 一种基于图像识别算法的拍照测身材方法 |
CN116829074A (zh) * | 2021-02-17 | 2023-09-29 | 富士胶片株式会社 | 学习装置、学习方法、学习装置的工作程序、教师数据生成装置、机器学习模型及医疗用摄影装置 |
CN113100753B (zh) * | 2021-04-07 | 2024-03-29 | 深圳市知足数据科技有限公司 | 一种基于身高体重脚型的自动三围测量方法 |
CN114001810A (zh) * | 2021-11-08 | 2022-02-01 | 厦门熵基科技有限公司 | 一种体重计算方法及装置 |
CN114271797B (zh) * | 2022-01-25 | 2023-04-04 | 泰安市康宇医疗器械有限公司 | 基于三维建模技术的体态密度法测量人体成分的系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20050069063A (ko) * | 2003-12-30 | 2005-07-05 | 현대자동차주식회사 | 자동차의 내장 설계를 위한 인체모델 생성방법 |
CN1987879A (zh) * | 2005-12-21 | 2007-06-27 | 香港理工大学 | 女性形体美的自动评估系统及方法 |
CN102270358A (zh) * | 2010-06-01 | 2011-12-07 | 微软公司 | 最适合的着装人体模型的生成 |
CN105654555A (zh) * | 2015-12-25 | 2016-06-08 | 上海工程技术大学 | 一种基于移动终端的虚拟衣柜系统 |
CN106650827A (zh) * | 2016-12-30 | 2017-05-10 | 南京大学 | 基于结构指导深度学习的人体姿态估计方法和系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8213680B2 (en) * | 2010-03-19 | 2012-07-03 | Microsoft Corporation | Proxy training data for human body tracking |
CN103714466A (zh) * | 2013-12-24 | 2014-04-09 | 中国科学院深圳先进技术研究院 | 虚拟试衣系统及方法 |
WO2016097732A1 (en) * | 2014-12-16 | 2016-06-23 | Metail Limited | Methods for generating a 3d virtual body model of a person combined with a 3d garment image, and related devices, systems and computer program products |
CN105956912A (zh) * | 2016-06-06 | 2016-09-21 | 施桂萍 | 一种网络试衣的实现方法 |
-
2017
- 2017-05-12 CN CN201710334129.XA patent/CN107194987B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20050069063A (ko) * | 2003-12-30 | 2005-07-05 | 현대자동차주식회사 | 자동차의 내장 설계를 위한 인체모델 생성방법 |
CN1987879A (zh) * | 2005-12-21 | 2007-06-27 | 香港理工大学 | 女性形体美的自动评估系统及方法 |
CN102270358A (zh) * | 2010-06-01 | 2011-12-07 | 微软公司 | 最适合的着装人体模型的生成 |
CN105654555A (zh) * | 2015-12-25 | 2016-06-08 | 上海工程技术大学 | 一种基于移动终端的虚拟衣柜系统 |
CN106650827A (zh) * | 2016-12-30 | 2017-05-10 | 南京大学 | 基于结构指导深度学习的人体姿态估计方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107194987A (zh) | 2017-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107194987B (zh) | 对人体测量数据进行预测的方法 | |
US11017547B2 (en) | Method and system for postural analysis and measuring anatomical dimensions from a digital image using machine learning | |
CN108986159B (zh) | 一种三维人体模型重建与测量的方法和设备 | |
US7242999B2 (en) | Method and apparatus for identifying virtual body profiles | |
EP3406196A1 (en) | X-ray system and method for standing subject | |
Ballester et al. | Data-driven three-dimensional reconstruction of human bodies using a mobile phone app | |
CN104949617B (zh) | 用于对象包装的对象三维尺寸估测系统及方法 | |
US20130108121A1 (en) | Method for Remotely Determining Clothes Dimensions | |
CN107111833A (zh) | 快速3d模型适配和人体测量 | |
CN110074788B (zh) | 一种基于机器学习的身体数据获取方法和装置 | |
CN107170039A (zh) | 人体三维数据模型库的生成方法 | |
Park et al. | Child body shape measurement using depth cameras and a statistical body shape model | |
US11798299B2 (en) | Methods and systems for generating 3D datasets to train deep learning networks for measurements estimation | |
Cvetkoska et al. | Smart mirror E-health assistant—Posture analyze algorithm proposed model for upright posture | |
Bragança et al. | Current state of the art and enduring issues in anthropometric data collection | |
CN109655011B (zh) | 一种人体建模维度测量的方法及系统 | |
CN109101983A (zh) | 一种基于深度学习的鞋样及足迹关键点检测方法 | |
Bragança et al. | An overview of the current three-dimensional body scanners for anthropometric data collection | |
CN112116702A (zh) | 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 | |
Chiu et al. | Automated body volume acquisitions from 3D structured-light scanning | |
CN115568823A (zh) | 一种人体平衡能力评估的方法、系统和装置 | |
CN112084981B (zh) | 一种基于神经网络定制服装的方法 | |
KR101842797B1 (ko) | 3차원 신체 자세 분석 장치 및 방법 | |
US11721035B2 (en) | System and method of use of augmented reality in measuring body circumference for the use of apparel production | |
Van Duc et al. | Framework Development for 3D Human Shape Reconstruction from Security Camera |
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 |