CN108986159A - 一种三维人体模型重建与测量的方法和设备 - Google Patents

一种三维人体模型重建与测量的方法和设备 Download PDF

Info

Publication number
CN108986159A
CN108986159A CN201810378666.9A CN201810378666A CN108986159A CN 108986159 A CN108986159 A CN 108986159A CN 201810378666 A CN201810378666 A CN 201810378666A CN 108986159 A CN108986159 A CN 108986159A
Authority
CN
China
Prior art keywords
manikin
human body
dimensional
point
model
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.)
Granted
Application number
CN201810378666.9A
Other languages
English (en)
Other versions
CN108986159B (zh
Inventor
王巨峰
金小刚
石向阳
孙晓丹
刘郴
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Flute Digital Technology Co Ltd
Zhejiang Semir Garment Co Ltd
Original Assignee
Shanghai Flute Digital Technology Co Ltd
Zhejiang Semir Garment Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Flute Digital Technology Co Ltd, Zhejiang Semir Garment Co Ltd filed Critical Shanghai Flute Digital Technology Co Ltd
Priority to CN201810378666.9A priority Critical patent/CN108986159B/zh
Publication of CN108986159A publication Critical patent/CN108986159A/zh
Application granted granted Critical
Publication of CN108986159B publication Critical patent/CN108986159B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Graphics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明提出了一种三维人体模型重建与测量的方法和设备，该方法包括：获取SCAPE模型中第一三维人体模型的模型轮廓图像；基于模型轮廓图像进行深度学习训练，以获取训练后的深度学习网络模型；获取实际人体的人体轮廓图像，并将人体轮廓图像导入深度学习网络模型获取与实际人体对应的第二三维人体模型；获取第二三维人体模型的多个预设骨架关节点作为预设处理特征点；基于多个预设处理特征点确定实际人体中各预设部位的特征点，并基于特征点确定实际人体表面预设关键特征的尺寸。测量结果准确，可以适用于普通群众进行人体尺寸测量，方便快捷，不需要过多的测量设备。

Description

一种三维人体模型重建与测量的方法和设备
技术领域
本发明涉及计算机图形与图像处理领域，特别涉及一种三维人体模型重建与测量的方法和设备。
背景技术
随着互联网技术的发展，数字化技术和传统产业的结合越来越紧密，消费者对自身个性化发展更加重视，对各种各样的服装服饰的个性化和差异化要求越来越高，不再满足于统一生产的产品，这使得定制服装的需求逐年增加，服装设计的个性化重要性日益凸显。
由此个性化量身定制已经是当今世纪一种新兴的服装生产方式，而量身定制的核心是获取个体各个准确的身体尺寸，这个过程的关键技术就是人体测量。
基于网络的个性化定制，目前有些研究人员使用人体轮廓的图片，基于图片直接测量获得的尺寸去进行二次尺寸的计算，以及通过椭圆模型来估计围度数据，但是基于二维图片进行测量的方法，有一部分测量数据是通过统计估计出来的，准确性较差。还有其他的方法虽然准确度比较高但是需要大量的测量设备，且需要被测人体与侧视场地在同一场景中，测量过于繁琐，不够简便。
由此，目前需要一种简单方便的方式对人体进行准确测量。
发明内容
有鉴于此，本发明提出了一种三维人体模型重建与测量的方法和设备；使用深度学习结合图像的知识来重建三维人体模型，使用骨架提取的技术预定义特征点来辅助人体特征点的定位，测量结果准确，可以适用于普通群众进行人体尺寸测量，方便快捷，不需要过多的测量设备。
具体的，本发明提出了以下具体的实施例：
本发明实施例提出了一种三维人体模型重建与测量的方法，包括：
获取SCAPE模型中第一三维人体模型的模型轮廓图像；其中，所述模型轮廓图像包括所述第一三维人体模型的正视图的轮廓图像与侧视图的轮廓图像；
基于所述模型轮廓图像进行深度学习训练，以获取训练后的深度学习网络模型；
获取实际人体的人体轮廓图像，并将所述人体轮廓图像导入所述深度学习网络模型获取与所述实际人体对应的第二三维人体模型；其中，所述人体轮廓图像包括所述实际人体的正视图的轮廓图像与侧视图的轮廓图像；
获取所述第二三维人体模型的多个预设骨架关节点作为预设处理特征点；
基于多个所述预设处理特征点确定所述实际人体中各预设部位的特征点，并基于所述特征点确定所述实际人体表面预设关键特征的尺寸。
在一个实施例中，所述“获取SCAPE模型中第一人体模型的模型轮廓图像”包括：
获取SCAPE模型中第一三维人体模型；
构建所述第一三维人体模型的包围盒；
通过PCA计算所述包围盒的方式确定所述第一三维人体模型中特征值最大的特征向量，特征值第二大的特征向量以及剩余特征向量；
其中，将特征值最大的特征向量、特征值第二大的特征向量以及剩余特征向量分别作为投影坐标轴中的Y轴、X轴与Z轴；
以所述Z轴正方向对所述第一三维人体模型进行投影，来获取所述第一三维人体模型的正视图的轮廓图像；
以所述X轴正方向对所述第一三维人体模型进行投影，来获取所述第一三维人体模型的侧视图的轮廓图像。
在一个实施例中，所述“基于所述模型轮廓图像进行深度学习训练，以获取训练后的深度学习网络模型”包括：
通过对所述模型轮廓图像进行截取生成截取轮廓图像；
对各所述截取轮廓图像进行随机平移翻转变换处理；
对处理后的各所述截取轮廓图像依次进行图像归一化处理以及插值计算，以生成训练样本图像；
通过训练样本图像以建立模型轮廓图像与三维人体模型之间对应关系的方式进行深度学习训练，获取训练后的深度学习网络模型。
在一个实施例中，所述“获取实际人体的人体轮廓图像，并将所述人体轮廓图像导入所述深度学习网络模型获取与所述实际人体对应的第二三维人体模型”，包括：
对实际人体进行拍照，以获取人体正向和侧向的图像数据；
从所述图像数据中提取正视图中与侧视图中的轮廓图像作为人体轮廓图像；
将所述人体轮廓图像导入所述深度学习模型以获取对应所述实际人体的PCA参数；
基于所述PCA参数生成对所述实际人体的第二三维人体模型。
在一个实施例中，所述“基于多个所述预设处理特征点确定所述实际人体中各预设部位的特征点”包括：
获取所述第二三维人体模型中所有顶点在预设坐标系中X轴、Y轴、Z轴的最大值与最小值，并以此构建所述第二三维人体模型的轴对齐包围盒；
通过人体形态学数据基于所述轴对齐包围盒以及多个所述预设处理特征点确定所述实际人体中各预设部位的特征点。
本发明实施例还提出了一种三维人体重建与测量的设备，包括：
获取模块，用于获取SCAPE模型中第一三维人体模型的模型轮廓图像；其中，所述模型轮廓图像包括所述第一三维人体模型的正视图的轮廓图像与侧视图的轮廓图像；
训练模块，用于基于所述模型轮廓图像进行深度学习训练，以获取训练后的深度学习网络模型；
重建模块，用于获取实际人体的人体轮廓图像，并将所述人体轮廓图像导入所述深度学习网络模型获取与所述实际人体对应的第二三维人体模型；其中，所述人体轮廓图像包括所述实际人体的正视图的轮廓图像与侧视图的轮廓图像；
设置模块，用于获取所述第二三维人体模型的多个预设骨架关节点作为预设处理特征点；
确定模块，用于基于多个所述预设处理特征点确定所述实际人体中各预设部位的特征点，并基于所述特征点确定所述实际人体表面预设关键特征的尺寸。
在一个实施例中，所述获取模块，用于：
获取SCAPE模型中第一三维人体模型；
构建所述第一三维人体模型的包围盒；
通过PCA计算所述包围盒的方式确定所述第一三维人体模型中特征值最大的特征向量，特征值第二大的特征向量以及剩余特征向量；
其中，将特征值最大的特征向量、特征值第二大的特征向量以及剩余特征向量分别作为投影坐标轴中的Y轴、X轴与Z轴；
以所述Z轴正方向对所述第一三维人体模型进行投影，来获取所述第一三维人体模型的正视图的轮廓图像；
以所述X轴正方向对所述第一三维人体模型进行投影，来获取所述第一三维人体模型的侧视图的轮廓图像。
在一个实施例中，所述训练模块，用于：
通过对所述模型轮廓图像进行截取生成截取轮廓图像；
对各所述截取轮廓图像进行随机平移翻转变换处理；
对处理后的各所述截取轮廓图像依次进行图像归一化处理以及插值计算，以生成训练样本图像；
通过训练样本图像以建立模型轮廓图像与三维人体模型之间对应关系的方式进行深度学习训练，获取训练后的深度学习网络模型。
在一个实施例中，所述重建模块，用于：对实际人体进行拍照，以获取人体正向和侧向的图像数据；
从所述图像数据中提取正视图中与侧视图中的轮廓图像作为人体轮廓图像；
将所述人体轮廓图像导入所述深度学习模型以获对应所述实际人体的PCA参数；
基于所述PCA参数生成对所述实际人体的第二三维人体模型。
在一个实施例中，所述确定模块基于多个所述预设处理特征点确定所述实际人体中各预设部位的特征点，包括：
获取所述第二三维人体模型中所有顶点在预设坐标系中X轴、Y轴、Z轴的最大值与最小值，并以此构建所述第二三维人体模型的轴对齐包围盒；
通过人体形态学数据基于所述轴对齐包围盒以及多个所述预设处理特征点确定所述实际人体中各预设部位的特征点。
以此，本发明实施例提出了一种三维人体模型重建与测量的方法和设备，其中该方法包括：获取SCAPE模型中第一三维人体模型的模型轮廓图像；其中，所述模型轮廓图像包括所述第一三维人体模型的正视图的轮廓图像与侧视图的轮廓图像；基于所述模型轮廓图像进行深度学习训练，以获取训练后的深度学习网络模型；获取实际人体的人体轮廓图像，并将所述人体轮廓图像导入所述深度学习网络模型获取与所述实际人体对应的第二三维人体模型；其中，所述人体轮廓图像包括所述实际人体的正视图的轮廓图像与侧视图的轮廓图像；获取所述第二三维人体模型的多个预设骨架关节点作为预设处理特征点；基于多个所述预设处理特征点确定所述实际人体中各预设部位的特征点，并基于所述特征点确定所述实际人体表面预设关键特征的尺寸。使用深度学习结合图像的知识来重建三维人体模型，使用骨架提取的技术预定义特征点来辅助人体特征点的定位，测量结果准确，可以适用于普通群众进行人体尺寸测量，方便快捷，不需要过多的测量设备。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明实施例提出的一种三维人体模型重建与测量的方法的流程示意图；
图2为本发明实施例提出的一种三维人体模型重建与测量的方法中SCAPE数据库人体三维重建训练流程图；
图3为本发明实施例提出的一种三维人体模型重建与测量的方法中双视角图像深度学习模型示意图；
图4为本发明实施例提出的一种三维人体模型重建与测量的方法中实际人体三维重建流程图；
图5为本发明实施例提出的一种三维人体模型重建与测量的方法中三维人体测量阶段流程图；
图6为本发明实施例提出的一种三维人体模型重建与测量的设备的结构示意图。
具体实施方式
在下文中，将更全面地描述本公开的各种实施例。本公开可具有各种实施例，并且可在其中做出调整和改变。然而，应理解：不存在将本公开的各种实施例限于在此公开的特定实施例的意图，而是应将本公开理解为涵盖落入本公开的各种实施例的精神和范围内的所有调整、等同物和/或可选方案。
实施例1
本发明实施例1公开了一种三维人体模型重建与测量的方法，如图1所示，包括以下步骤：
步骤101、获取SCAPE模型中第一三维人体模型的模型轮廓图像；其中，所述模型轮廓图像包括所述第一三维人体模型的正视图的轮廓图像与侧视图的轮廓图像；
具体的，步骤101中的所述“获取SCAPE模型中第一人体模型的模型轮廓图像”包括：
获取SCAPE模型中第一三维人体模型；(具体的，为了将SCAPE模型中的三维人体模型与实际人体对应的三维人体模型进行区分，将SCAPE模型中的三维人体模型命名为第一三维人体模型，将实际人体对应的三维人体模型命名为第二三维人体模型)。
构建所述第一三维人体模型的包围盒；
通过PCA计算所述包围盒的方式确定所述第一三维人体模型中特征值最大的特征向量，特征值第二大的特征向量以及剩余特征向量；
其中，将特征值最大的特征向量、特征值第二大的特征向量以及剩余特征向量分别作为投影坐标轴中的Y轴、X轴与Z轴；
以所述Z轴正方向对所述第一三维人体模型进行投影，来获取所述第一三维人体模型的正视图的轮廓图像；
以所述X轴正方向对所述第一三维人体模型进行投影，来获取所述第一三维人体模型的侧视图的轮廓图像。
具体的，对SCAPE(Shape Completion and Animation of People)模型进行的处理进而获取第一三维人体模型的正视图轮廓图像、侧视图的轮廓图像的过程，包括SCAPE人体模型对齐坐标轴、正投影轮廓获取和侧投影轮廓获取。
具体使用包围盒计算法来计算第一三维人体模型三个正交的主要朝向，这三个朝向构成的坐标系与人体是对齐的。
使用PCA(Principal Component Analysis，主成分分析)来进行计算包围盒，例如为OBB包围盒，具体的根据物体表面的顶点，通过PCA获取当前模型顶点的特征向量，这就是OBB的主轴，也就是目标坐标系的坐标轴。在对每一个人体模型计算OBB的时候，首先计算模型所有顶点坐标x，y，z的平均值
然后求x，y，z的协方差矩阵，样本X和样本Y的协方差公式为：
对协方差矩阵计算求解特征值和特征向量，然后将特征值最大的特征向量作为新的Y轴，即让人体的竖直方向与Y轴对齐，第二大的特征值对应的特征向量作为新的X轴，即让人体的身宽方向(两手臂所构成的平面)对齐X轴方向，剩下的特征向量作为新的Z轴。
然后对着Z轴正方向进行投影就可以获取人体正投影轮廓，对着X轴正方向进行投影就可以获取人体侧投影轮廓。
步骤102、基于所述模型轮廓图像进行深度学习训练，以获取训练后的深度学习网络模型；
具体的，步骤102中的所述“基于所述模型轮廓图像进行深度学习训练，以获取训练后的深度学习网络模型”包括：
通过对所述模型轮廓图像进行截取生成截取轮廓图像；
对各所述截取轮廓图像进行随机平移翻转变换处理；
对处理后的各所述截取轮廓图像依次进行图像归一化处理以及插值计算，以生成训练样本图像；
通过训练样本图像以建立模型轮廓图像与三维人体模型之间对应关系的方式进行深度学习训练，获取训练后的深度学习网络模型。
具体的，使用SCAPE数据库进行模型训练阶段，将SCAPE数据库中的三维人体模型进行正投影和侧投影并进行处理之后获取正视图轮廓和侧视图轮廓，并计算得出人体模型的PCA参数，然后用深度学习网络进行训练学习，如图2所示。
其中，人体参数化模型中的β参数是用来恢复人体模型的关键数据，通过对模型每个顶点坐标进行处理，计算出模板到人体模型的每个三角形的形变量，然后使用PCA来提取这个巨大的变形变量主成分，
PCA的计算过程分为特征中心化(每一维的数据减去该维的均值)、计算协方差矩阵C、计算协方差矩阵C的特征值和特征向量，最后取最大的m个特征值的特征向量，在这些向量方向做投影得到降维后的数据集。
例如，每个人体模型的顶点个数为25000，将所有顶点的x坐标，y坐标，z坐标分别展开，形成3个向量，对每个数据矩阵都降维到10长度的向量，所以对于每一个模型数据一共是一个30维的主元向量，这样子就构成了每个模型的β参数。
在训练阶段，对于单个输入的轮廓图片是从SCAPE数据库模型中进行投影得到的，所有的图片格式都是256*256像素的大小，使用的时候都是单通道的形式(灰度图)输入模型中，输出为β参数，然后共同送进卷积神经网络，来学习这个全局拟合，
对于灰度图在送入模型之前，可以先对原图像进行了随机截取224*224像素大小的小图像，然后对小图像做随机平移翻转变换等操作，以增大网络的数据集，然后对图像归一化后做了一次插值计算，使得图像各像素之间比较平滑而不是剧烈的突变。
网络结构类似于GoogLeNet，它由3个卷积层、2个max池化层、1个avg池化层、1个全连接层和9个Inception构成，以GoogLeNet为例，本方案中还可以对GoogLeNet做一些修改，具体的，其中每个卷积层之后都加了一个relu激活函数和批规范化(batchNormalization)。同时去掉了在第3个Inception和第6个Inception之后的辅助计算层，因为不是做分类计算，而是做拟合结果，使用第3个Inception和第6个Inception输出之后的结果，会与标准结果产生较大的偏差，以此可以提高准确度。
为了更加真实的估计人体形状和计算人体部分尺寸，额外使用了侧面的轮廓照片，再结合之前的正面照片，就形成了双视角轮廓图片来对人体进行估计。在基于单视角图像模型的基础上，在卷积层后全连接层之前加入一个合并层，这里取两者中的最大值进行合并后进行图像重建，如图3所示。
步骤103、获取实际人体的人体轮廓图像，并将所述人体轮廓图像导入所述深度学习网络模型获取与所述实际人体对应的第二三维人体模型；其中，所述人体轮廓图像包括所述实际人体的正视图的轮廓图像与侧视图的轮廓图像；
具体的，如图4所示，步骤103中的所述“获取实际人体的人体轮廓图像，并将所述人体轮廓图像导入所述深度学习网络模型获取与所述实际人体对应的第二三维人体模型”，包括：
对实际人体进行拍照，以获取人体正向和侧向的图像数据；
从所述图像数据中提取正视图中与侧视图中的轮廓图像作为人体轮廓图像；
将所述人体轮廓图像导入所述深度学习模型以获取对应所述实际人体的PCA参数；
基于所述PCA参数生成对所述实际人体的第二三维人体模型。
具体的，如图实际人体进行三维重建，其中要先对人进行正面和侧面拍照，然后提取出人体的正面轮廓图和侧面轮廓图，此处使用前后景对比明显的场景，先固定好相机的位置，拍摄一副要拍摄的背景图，然后对人体拍摄，通过计算机处理就可以得到人体的轮廓图像，如果一些部分还有显著问题，则采取人工辅助的方法。将得到的正面轮廓图和侧面轮廓图送入之前得到的网络模型，就可以得到重建后的人体模型。
步骤104、获取所述第二三维人体模型的多个预设骨架关节点作为预设处理特征点；
根据SCAPE模型进行生成的人体模型，所有的人体模型拓扑是一致的，大致生成的骨架位置也是固定的。使用pinocchio系统提取骨架，提取方法可以采用(Baran I,Automatic rigging and animation of 3d characters[C].ACMTransactions on Graphics(TOG).ACM,2007,26(3):72)中所示的方法或者其他的方法；获取骨架关节点的位置，作为人体关键点定位的预定义点，这些点包括2个肩部中点、2个手肘点、2个手部点、1个胯部点、2个膝盖点和2个脚掌点共11个顶点。
步骤105、基于多个所述预设处理特征点确定所述实际人体中各预设部位的特征点，并基于所述特征点确定所述实际人体表面预设关键特征的尺寸，具体如图5所示。
具体的，步骤105中的所述“基于多个所述预设处理特征点确定所述实际人体中各预设部位的特征点”包括：
获取所述第二三维人体模型中所有顶点在预设坐标系中X轴、Y轴、Z轴的最大值与最小值，并以此构建所述第二三维人体模型的轴对齐包围盒；
通过人体形态学数据基于所述轴对齐包围盒以及多个所述预设处理特征点确定所述实际人体中各预设部位的特征点。
具体的，对人体模型做适当的缩放，使得模型不受坐标点绝对位置和模型绝对大小影响，然后就可以对人体进行特征点定位，其中的主要位置包括：前颈点、颈侧点、颈后点、肩点、腋窝点、肩点与腋窝的中点、上臂点、手腕点、胸部高点、胸中点、腰点、腰中点、腰后点、髋部最宽点、臀部凸出点、胯下分叉点、大腿点、小腿点、膝关节点、膝关节中点和踝关节点。
关键点具体定位方法可以如下：
(1)获取人体包围盒：计算人体的轴对齐包围盒，此处构建比较紧凑的包围盒，利用人体模型中所有的顶点X轴、Y轴和Z轴的最大最小值X_min、X_max、Y_min、Y_max、Z_min、Z_max构建包围盒。
(2)获取胯下分叉点：从骨架提取获得的胯部点下某位置d开始，以步长s沿Y轴的负方向做平行于XOZ的截面与人体模型相交，得到一组轮廓线，找出该轮廓线在X轴上的坐标最大点P_max和坐标最小P_min。然后判断线段P_min P_max与该轮廓线的交点个数，如果交点个数为2，则继续沿Y轴负方向进行该过程。如果交点个数等于3，则认为交点是胯下分叉点的近似点。如果交点个数等于4，则取中间两个交点的中点，做与Y轴正方向平行的射线，与模型的第一个交点认为是胯下分叉点近似点。在获得胯下近似点之后，在该点附近沿X正负方向偏移，同时做平行于YOZ的截面在一定范围内与人体模型相交，比较这些相交点，获得其中y值最大的点，该点作为人体的胯下分叉点P_crotch。
(3)获取颈前点、颈后点和颈侧点：人体的脖子是微微向前倾斜，即颈前点要低于颈后点，取骨架提取的两肩部中点的平均点开始，到人体头顶点作为结束，以法向量(0,cos(PI/7.0),sin(PI/7.0))做截面与人体相交得到轮廓线，找出该轮廓线在X轴上的坐标最大点P_max和坐标最小P_min，取其中线段P_min P_max长度最小的两个顶点作为颈侧点，分别记为P_neckl、P_neckr。在该截面，z坐标最大的视为颈前点P_neckf，z坐标最小的视为颈后点P_neckb。
(4)获取腋窝点：以提取左腋窝点为例说明，以骨架提取中左肩部中点开始，沿Y轴负方向以步长s做平行于XOZ平面的截面，获取左颈点以左(即X坐标<X_neckl)的与人体模型相交的轮廓线。找出轮廓线中X坐标最小点P_min，然后以该点做X轴方向的直线与轮廓线相交，判断相交的交点数n。如果n为2，则说明另外一个交点为左腋窝点近似点，如果n为1，则继续沿Y轴负方向进行计算。如果n大于等于2，则说明骨架提取有问题，只能通过手工定位特征点。在得到左腋窝点近似点后，在该点附近沿X轴正负方向偏移，同时做平行于YOZ的截面在一定范围内与人体模型相交，比较这些相交点，获得其中y值最大的点，该点作为人体的左腋窝点P_armholel。同理，可以用同样的方法计算出人体的右腋窝点P_armholer。
(5)获取小腿点：以提取右小腿点为例说明，从骨架提取获得的胯部点下某位置d开始，四分之一膝盖点到脚底的高度的位置截止，以步长s沿Y轴的负方向做平行于XOZ的截面与人体模型相交，获取胯部点以右(即x坐标>X_crotch)的与人体模型相交的轮廓线。找出轮廓线中z坐标最小点P_min，然后对比所有步长中获得的轮廓线中z坐标最小的点，该点作为人体的右小腿点P_legr。同理，可以用同样的方法计算出人体的左小腿点P_legl。
(6)获取膝关节点：以提取右膝盖点为例说明，从骨架提取获得的膝盖点上某位置d开始，到小腿点的位置截止，以步长s沿Y轴的负方向做平行于XOZ的截面与人体模型相交，获取胯部点以右(即x坐标>X_crotch)的与人体模型相交的轮廓线，并计算轮廓线的周长。对比所有步长中的获得的轮廓线的周长，其中轮廓线周长最短的轮廓线作为膝盖所在的轮廓线，如果该轮廓线在小腿点位置或者是开始位置，则以骨架提取获得的膝盖点作为膝盖所在的位置。其中轮廓线X坐标最大的点作为右膝关节点P_kneer，轮廓线X坐标最大的点和X坐标最小的点作为右膝关节中点P_kneerm。同理，可以用同样的方法计算出人体的左膝关节点P_kneel和左膝关节中点P_kneelm。
(7)获取肩点：以提取右肩点为例说明，人体的肩膀是微微向下倾斜，即颈侧点要高于肩点，取右腋窝点P_armholer，以法向量(cos(-PI/22),sin(PI/22),0)做截面与人体在颈右侧点范围内相交得到的轮廓线，找出该轮廓线在Y轴上的坐标最大点P_max，该点就认为是右肩点P_shoulderr。然后在轮廓线中寻找Y坐标最接近(Y_armholer+Y_shoulderr)/2的点，这样子会有两个交点产生，其中z值较大的点作为右肩前中点Y_shoulderrfm，z值较小的点作为右肩后中点Y_shoulderrbm。同理，可以用同样的方法计算出人体的左肩点P_shoulderl和左肩前中点P_shoulderlfm和左肩后中点P_shoulderlbm。
(8)获取胸部高点：胸部高点是指人体腋下点到胯下点区间中所有点在Z轴正方向上值最大的点。遍历人体模型中的所有点，找出所有满足条件X_armholel<X<X_armholer并且Y_crotch<Y<Y_armholer的点，然后选取其中z值最大的点，然后在该点做平行于XOZ的截面与人体模型相交，获取与人体模型相交的轮廓线，其中胯部点以右(即x坐标>X_crotch)的点中z值最大的点作为右胸部高点P_chestr，其中胯部点以右(即x坐标<X_crotch)的点中z值最大的点作为左胸部高点P_chestl，轮廓线中与两高点的中点x坐标最接近的点作为胸部点P_chest。
(9)获取臀部凸出点：臀部凸出点是指人体臀部附近所有点中在Z轴方向上值最小的点。以提取臀部右凸出点为例说明，从胯部分叉点上某位置d开始，到胸部点的位置截止，以步长s沿Y轴的正方向做平行于XOZ的截面与人体模型相交，获取胯部点以右(即x坐标>X_crotch)的与人体模型相交的轮廓线，找出所有轮廓点中z坐标最小的点，该点认为是臀部右凸出点P_hipr，同理，可以用同样的方法计算出人体的臀部左凸出点P_hipl。
(10)髋部最宽点：髋部最宽点是指人体髋部在x坐标的最大点和最小点。以提取髋部右最宽点为例说明，从胯部分叉点上某位置d开始，到胸部点的位置截止，以步长s沿Y轴的正方向做平行于XOZ的截面与人体模型相交，获取胯部点以右(即x坐标>X_crotch)的与人体模型相交的轮廓线，找出所有轮廓点中x坐标最大的点，该点认为是髋部右最宽点P_coaxr，同理，可以用同样的方法计算出人体的髋部左最宽点P_coaxl。
(11)获取腰点：本文的腰点是指人体腰部附近轮廓线围度最小的前部中点。从髋部最宽点上某位置d开始，到胸部点的位置截止，以步长s沿Y轴的正方向做平行于XOZ的截面与人体模型相交，获取与人体模型相交的轮廓线，找出所有轮廓线中周长最小的轮廓线，该轮廓线认为是腰点所在的轮廓线。该轮廓线所有点中x坐标最大的点认为是腰右点P_waistr，x坐标最小的点认为是腰左点P_waistl，轮廓线中与两腰点的中点x坐标最接近的人体正面的点作为腰点P_waist。
(12)获取脚踝点：以提取右脚踝点为例说明，从小腿点下某位置d开始，脚底的位置截止，以步长s沿Y轴的负方向做平行于XOZ的截面与人体模型相交，获取胯部点以右(即x坐标>X_crotch)的与人体模型相交的轮廓线，找出所有轮廓线中周长最小的轮廓线，该轮廓线认为是右脚踝点所在的轮廓线，该轮廓线所有点中x坐标最大的点认为是右脚踝点P_ankler。同理，可以用同样的方法计算出人体的左脚踝点P_anklel。
(13)获取手肘点：以提取右手肘点为例说明，以骨架提取中的肩部点到骨架提取中的手肘点形成的向量作为法向量，在骨架提取中右手肘点做截平面，获取右腋下点以右(即x坐标>X_armholer)的与人体模型相交的轮廓线，轮廓线中该轮廓线所有点中x坐标最大的点认为是右脚踝点P_elbowr。同理，可以用同样的方法计算出人体的左手肘点P_elbowl。
(14)获取手腕点：以提取右手腕点为例说明，以骨架提取中右手点开始，以骨架提取中右手肘点终止，沿Y轴负方向以步长s，骨架提取中的手部点到骨架提取中的手肘点形成的向量为法向量，做截平面，获取右腋下点以右(即x坐标>X_armholer)的与人体模型相交的轮廓线,找出所有轮廓线中周长最小的轮廓线该轮廓线认为是右手腕点所在的轮廓线，该轮廓线所有点中x坐标最大的点认为是右手腕点P_wristr。同理，可以用同样的方法计算出人体的左手腕点P_wristl。
提取特征点后，就可以根据人体尺寸标准来进行尺寸测量。下面是每个测量尺寸的计算方法，先说明长度和宽度尺寸的计算方式：
身高的计算公式为：
Height＝Ymax-Ymin；
臂长的计算需要用到肩点、手肘点和手腕点，计算公式为：
肩宽的计算需要用到左肩点和右肩点，计算公式为：
ShoulderWidth＝Xshoulderr-Xshoulderl
颈腰高的计算需要用到颈前点和腰点，计算公式为：
NeckWaistHeight＝Yneckf-Ywaist
胸腰高的计算需要用到胸中点和腰点，计算公式为：
ChestWaistHeight＝Ychest-Ywaist
臀裆高的计算需要用到臀部突出点和胯下分叉点，计算公式为：
HipCrotchHeight＝Phipl-Pcrotc h
裆高的计算需要用到胯下分叉点，计算公式为：
HipCrotchHeight＝Phipl-Pcrotc h
围度测量的思想是平面与人体模型相交后，得到相应的轮廓线，它由一系列平面与人体模型的相交点构成，得到相交点之后，要将相交点按先后顺序排序，排序之后将所有相邻点的距离累加就得到了轮廓线的长度。围度的测量包括颈围、胸围、腰围、臀围、大腿围、膝盖围、脚踝围、腕围等等。其中胸围、腰围、臀围、大腿围、膝盖围、脚踝围都是将对应特征点在平行于XOZ截面截取人体模型获取的特征轮廓线，计算得到轮廓线的长度就可以得到需要测量的围度数据。然后获取实际人体身高，就可以将得到数据变换到真实人体尺寸。
实施例2
本发明实施例2公开了一种三维人体重建与测量的设备，如图6所示，包括：
获取模块201，用于获取SCAPE模型中第一三维人体模型的模型轮廓图像；其中，所述模型轮廓图像包括所述第一三维人体模型的正视图的轮廓图像与侧视图的轮廓图像；
训练模块202，用于基于所述模型轮廓图像进行深度学习训练，以获取训练后的深度学习网络模型；
重建模块203，用于获取实际人体的人体轮廓图像，并将所述人体轮廓图像导入所述深度学习网络模型获取与所述实际人体对应的第二三维人体模型；其中，所述人体轮廓图像包括所述实际人体的正视图的轮廓图像与侧视图的轮廓图像；
设置模块204，用于获取所述第二三维人体模型的多个预设骨架关节点作为预设处理特征点；
确定模块205，用于基于多个所述预设处理特征点确定所述实际人体中各预设部位的特征点，并基于所述特征点确定所述实际人体表面预设关键特征的尺寸。
在一个具体的实施例中，所述获取模块201，用于：
获取SCAPE模型中第一三维人体模型；
构建所述第一三维人体模型的包围盒；
通过PCA计算所述包围盒的方式确定所述第一三维人体模型中特征值最大的特征向量，特征值第二大的特征向量以及剩余特征向量；
其中，将特征值最大的特征向量、特征值第二大的特征向量以及剩余特征向量分别作为投影坐标轴中的Y轴、X轴与Z轴；
以所述Z轴正方向对所述第一三维人体模型进行投影，来获取所述第一三维人体模型的正视图的轮廓图像；
以所述X轴正方向对所述第一三维人体模型进行投影，来获取所述第一三维人体模型的侧视图的轮廓图像。
在一个具体的实施例中，所述训练模块202，用于：
通过对所述模型轮廓图像进行截取生成截取轮廓图像；
对各所述截取轮廓图像进行随机平移翻转变换处理；
对处理后的各所述截取轮廓图像依次进行图像归一化处理以及插值计算，以生成训练样本图像；
通过训练样本图像以建立模型轮廓图像与三维人体模型之间对应关系的方式进行深度学习训练，获取训练后的深度学习网络模型。
在一个具体的实施例中，所述重建模块203，用于：对实际人体进行拍照，以获取人体正向和侧向的图像数据；
从所述图像数据中提取正视图中与侧视图中的轮廓图像作为人体轮廓图像；
将所述人体轮廓图像导入所述深度学习模型以获取对应所述实际人体的PCA参数；
基于所述PCA参数生成对所述实际人体的第二三维人体模型。
在一个具体的实施例中，所述确定模块205基于多个所述预设处理特征点确定所述实际人体中各预设部位的特征点，包括：
获取所述第二三维人体模型中所有顶点在预设坐标系中X轴、Y轴、Z轴的最大值与最小值，并以此构建所述第二三维人体模型的轴对齐包围盒；
通过人体形态学数据基于所述轴对齐包围盒以及多个所述预设处理特征点确定所述实际人体中各预设部位的特征点。
以此，本发明实施例提出了一种三维人体模型重建与测量的方法和设备，其中该方法包括：获取SCAPE模型中第一三维人体模型的模型轮廓图像；其中，所述模型轮廓图像包括所述第一三维人体模型的正视图的轮廓图像与侧视图的轮廓图像；基于所述模型轮廓图像进行深度学习训练，以获取训练后的深度学习网络模型；获取实际人体的人体轮廓图像，并将所述人体轮廓图像导入所述深度学习网络模型获取与所述实际人体对应的第二三维人体模型；其中，所述人体轮廓图像包括所述实际人体的正视图的轮廓图像与侧视图的轮廓图像；获取所述第二三维人体模型的多个预设骨架关节点作为预设处理特征点；基于多个所述预设处理特征点确定所述实际人体中各预设部位的特征点，并基于所述特征点确定所述实际人体表面预设关键特征的尺寸。使用深度学习结合图像的知识来重建三维人体模型，使用骨架提取的技术预定义特征点来辅助人体特征点的定位，测量结果准确，可以适用于普通群众进行人体尺寸测量，方便快捷，不需要过多的测量设备。
本领域技术人员可以理解附图只是一个优选实施场景的示意图，附图中的模块或流程并不一定是实施本发明所必须的。
本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中，也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
上述本发明序号仅仅为了描述，不代表实施场景的优劣。
以上公开的仅为本发明的几个具体实施场景，但是，本发明并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。

Claims (10)

1.一种三维人体模型重建与测量的方法，其特征在于，包括：
获取SCAPE模型中第一三维人体模型的模型轮廓图像；其中，所述模型轮廓图像包括所述第一三维人体模型的正视图的轮廓图像与侧视图的轮廓图像；
基于所述模型轮廓图像进行深度学习训练，以获取训练后的深度学习网络模型；
获取实际人体的人体轮廓图像，并将所述人体轮廓图像导入所述深度学习网络模型获取与所述实际人体对应的第二三维人体模型；其中，所述人体轮廓图像包括所述实际人体的正视图的轮廓图像与侧视图的轮廓图像；
获取所述第二三维人体模型的多个预设骨架关节点作为预设处理特征点；
基于多个所述预设处理特征点确定所述实际人体中各预设部位的特征点，并基于所述特征点确定所述实际人体表面预设关键特征的尺寸。
2.如权利要求1所述的一种三维人体模型重建与测量的方法，其特征在于，所述“获取SCAPE模型中第一人体模型的模型轮廓图像”包括：
获取SCAPE模型中第一三维人体模型；
构建所述第一三维人体模型的包围盒；
通过PCA计算所述包围盒的方式确定所述第一三维人体模型中特征值最大的特征向量，特征值第二大的特征向量以及剩余特征向量；
其中，将特征值最大的特征向量、特征值第二大的特征向量以及剩余特征向量分别作为投影坐标轴中的Y轴、X轴与Z轴；
以所述Z轴正方向对所述第一三维人体模型进行投影，来获取所述第一三维人体模型的正视图的轮廓图像；
以所述X轴正方向对所述第一三维人体模型进行投影，来获取所述第一三维人体模型的侧视图的轮廓图像。
3.如权利要求1所述的一种三维人体模型重建与测量的方法，其特征在于，所述“基于所述模型轮廓图像进行深度学习训练，以获取训练后的深度学习网络模型”包括：
通过对所述模型轮廓图像进行截取生成截取轮廓图像；
对各所述截取轮廓图像进行随机平移翻转变换处理；
对处理后的各所述截取轮廓图像依次进行图像归一化处理以及插值计算，以生成训练样本图像；
通过训练样本图像以建立模型轮廓图像与三维人体模型之间对应关系的方式进行深度学习训练，获取训练后的深度学习网络模型。
4.如权利要求1所述的一种三维人体模型重建与测量的方法，其特征在于，所述“获取实际人体的人体轮廓图像，并将所述人体轮廓图像导入所述深度学习网络模型获取与所述实际人体对应的第二三维人体模型”，包括：
对实际人体进行拍照，以获取人体正向和侧向的图像数据；
从所述图像数据中提取正视图中与侧视图中的轮廓图像作为人体轮廓图像；
将所述人体轮廓图像导入所述深度学习模型以获取对应所述实际人体的PCA参数；
基于所述PCA参数生成对所述实际人体的第二三维人体模型。
5.如权利要求1所述的一种三维人体模型重建与测量的方法，其特征在于，所述“基于多个所述预设处理特征点确定所述实际人体中各预设部位的特征点”包括：
获取所述第二三维人体模型中所有顶点在预设坐标系中X轴、Y轴、Z轴的最大值与最小值，并以此构建所述第二三维人体模型的轴对齐包围盒；
通过人体形态学数据基于所述轴对齐包围盒以及多个所述预设处理特征点确定所述实际人体中各预设部位的特征点。
6.一种三维人体模型重建与测量的设备，其特征在于，包括：
获取模块，用于获取SCAPE模型中第一三维人体模型的模型轮廓图像；其中，所述模型轮廓图像包括所述第一三维人体模型的正视图的轮廓图像与侧视图的轮廓图像；
训练模块，用于基于所述模型轮廓图像进行深度学习训练，以获取训练后的深度学习网络模型；
重建模块，用于获取实际人体的人体轮廓图像，并将所述人体轮廓图像导入所述深度学习网络模型获取与所述实际人体对应的第二三维人体模型；其中，所述人体轮廓图像包括所述实际人体的正视图的轮廓图像与侧视图的轮廓图像；
设置模块，用于获取所述第二三维人体模型的多个预设骨架关节点作为预设处理特征点；
确定模块，用于基于多个所述预设处理特征点确定所述实际人体中各预设部位的特征点，并基于所述特征点确定所述实际人体表面预设关键特征的尺寸。
7.如权利要求6所述的一种三维人体模型重建与测量的设备，其特征在于，所述获取模块，用于：
获取SCAPE模型中第一三维人体模型；
构建所述第一三维人体模型的包围盒；
通过PCA计算所述包围盒的方式确定所述第一三维人体模型中特征值最大的特征向量，特征值第二大的特征向量以及剩余特征向量；
其中，将特征值最大的特征向量、特征值第二大的特征向量以及剩余特征向量分别作为投影坐标轴中的Y轴、X轴与Z轴；
以所述Z轴正方向对所述第一三维人体模型进行投影，来获取所述第一三维人体模型的正视图的轮廓图像；
以所述X轴正方向对所述第一三维人体模型进行投影，来获取所述第一三维人体模型的侧视图的轮廓图像。
8.如权利要求6所述的一种三维人体模型重建与测量的设备，其特征在于，所述训练模块，用于：
通过对所述模型轮廓图像进行截取生成截取轮廓图像；
对各所述截取轮廓图像进行随机平移翻转变换处理；
对处理后的各所述截取轮廓图像依次进行图像归一化处理以及插值计算，以生成训练样本图像；
通过训练样本图像以建立模型轮廓图像与三维人体模型之间对应关系的方式进行深度学习训练，获取训练后的深度学习网络模型。
9.如权利要求6所述的一种三维人体模型重建与测量的设备，其特征在于，所述重建模块，用于：对实际人体进行拍照，以获取人体正向和侧向的图像数据；
从所述图像数据中提取正视图中与侧视图中的轮廓图像作为人体轮廓图像；
将所述人体轮廓图像导入所述深度学习模型以获取对应所述实际人体的PCA参数；
基于所述PCA参数生成对所述实际人体的第二三维人体模型。
10.如权利要求6所述的一种三维人体模型重建与测量的设备，其特征在于，所述确定模块基于多个所述预设处理特征点确定所述实际人体中各预设部位的特征点包括：
获取所述第二三维人体模型中所有顶点在预设坐标系中X轴、Y轴、Z轴的最大值与最小值，并以此构建所述第二三维人体模型的轴对齐包围盒；
通过人体形态学数据基于所述轴对齐包围盒以及多个所述预设处理特征点确定所述实际人体中各预设部位的特征点。
CN201810378666.9A 2018-04-25 2018-04-25 一种三维人体模型重建与测量的方法和设备 Active CN108986159B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810378666.9A CN108986159B (zh) 2018-04-25 2018-04-25 一种三维人体模型重建与测量的方法和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810378666.9A CN108986159B (zh) 2018-04-25 2018-04-25 一种三维人体模型重建与测量的方法和设备

Publications (2)

Publication Number Publication Date
CN108986159A true CN108986159A (zh) 2018-12-11
CN108986159B CN108986159B (zh) 2021-10-22

Family

ID=64541884

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810378666.9A Active CN108986159B (zh) 2018-04-25 2018-04-25 一种三维人体模型重建与测量的方法和设备

Country Status (1)

Country Link
CN (1) CN108986159B (zh)

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109712234A (zh) * 2018-12-29 2019-05-03 北京卡路里信息技术有限公司 三维人体模型的生成方法、装置、设备和存储介质
CN110084881A (zh) * 2019-03-13 2019-08-02 广东元一科技实业有限公司 一种服装设计用的三维图像建造系统及其方法
CN110179192A (zh) * 2019-04-09 2019-08-30 广东元一科技实业有限公司 一种人体三维模型的测量系统及其测量方法
CN110428493A (zh) * 2019-07-12 2019-11-08 清华大学 基于网格形变的单图像人体三维重建方法及系统
CN110728708A (zh) * 2019-12-19 2020-01-24 艾伯资讯（深圳）有限公司 基于机器视觉的牛体尺测量方法
CN111047553A (zh) * 2019-11-07 2020-04-21 电子科技大学 一种面向非接触式人体参数测量的特征点定位方法
WO2020151427A1 (zh) * 2019-01-23 2020-07-30 广东康云科技有限公司 基于三维人体建模的智能制衣系统及方法
CN112001413A (zh) * 2020-07-13 2020-11-27 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
EP3745352A1 (en) * 2019-05-31 2020-12-02 Presize UG Methods and systems for determining body measurements and providing clothing size recommendations
CN112244401A (zh) * 2020-09-28 2021-01-22 上海云杉服装科技有限公司 基于人体样本库的人体测量误差修正方法和系统
CN112348945A (zh) * 2020-11-02 2021-02-09 上海联影医疗科技股份有限公司 定位图像生成方法、装置、设备及介质
WO2021128730A1 (zh) * 2019-12-25 2021-07-01 北京市商汤科技开发有限公司 图像处理方法及装置、图像处理设备及存储介质
CN113256704A (zh) * 2021-03-26 2021-08-13 上海师范大学 一种谷粒长宽测量方法
CN113379888A (zh) * 2021-01-18 2021-09-10 兰州理工大学 一种基于二维图片的人体三维模型重建及参数测量方法
CN113544738A (zh) * 2018-12-31 2021-10-22 I-Deal有限责任公司 人体测量数据便携式获取设备和收集人体测量数据的方法
CN113545773A (zh) * 2021-07-21 2021-10-26 北京的卢深视科技有限公司 人体尺寸测量方法、装置、电子设备和可读存储介质
CN115690181A (zh) * 2022-11-07 2023-02-03 深圳市诗恩商业智能有限公司 一种基于特征融合与rbf网络的模型配比计算方法
KR102675111B1 (ko) * 2020-11-25 2024-06-14 서울대학교산학협력단 인공지능 기반의 사용자 신체 치수 측정 방법

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101764915A (zh) * 2008-12-10 2010-06-30 新奥特（北京）视频技术有限公司 一种基于包围盒的键调优方法和装置
US8823775B2 (en) * 2009-04-30 2014-09-02 Board Of Regents, The University Of Texas System Body surface imaging
CN104881662A (zh) * 2015-06-26 2015-09-02 北京畅景立达软件技术有限公司 一种单幅图像行人检测方法
CN105046710A (zh) * 2015-07-23 2015-11-11 北京林业大学 基于深度图分割与代理几何体的虚实碰撞交互方法及装置
CN106504064A (zh) * 2016-10-25 2017-03-15 清华大学 基于深度卷积神经网络的服装分类与搭配推荐方法及系统
CN106780619A (zh) * 2016-11-25 2017-05-31 青岛大学 一种基于Kinect深度相机的人体尺寸测量方法
CN107016721A (zh) * 2017-03-07 2017-08-04 上海优裁信息技术有限公司 人体三维模型的建模方法
CN107092859A (zh) * 2017-03-14 2017-08-25 佛山科学技术学院 一种三维模型的深度特征提取方法
CN107194987A (zh) * 2017-05-12 2017-09-22 西安蒜泥电子科技有限责任公司 对人体测量数据进行预测的方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101764915A (zh) * 2008-12-10 2010-06-30 新奥特（北京）视频技术有限公司 一种基于包围盒的键调优方法和装置
US8823775B2 (en) * 2009-04-30 2014-09-02 Board Of Regents, The University Of Texas System Body surface imaging
CN104881662A (zh) * 2015-06-26 2015-09-02 北京畅景立达软件技术有限公司 一种单幅图像行人检测方法
CN105046710A (zh) * 2015-07-23 2015-11-11 北京林业大学 基于深度图分割与代理几何体的虚实碰撞交互方法及装置
CN106504064A (zh) * 2016-10-25 2017-03-15 清华大学 基于深度卷积神经网络的服装分类与搭配推荐方法及系统
CN106780619A (zh) * 2016-11-25 2017-05-31 青岛大学 一种基于Kinect深度相机的人体尺寸测量方法
CN107016721A (zh) * 2017-03-07 2017-08-04 上海优裁信息技术有限公司 人体三维模型的建模方法
CN107092859A (zh) * 2017-03-14 2017-08-25 佛山科学技术学院 一种三维模型的深度特征提取方法
CN107194987A (zh) * 2017-05-12 2017-09-22 西安蒜泥电子科技有限责任公司 对人体测量数据进行预测的方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ENDRI DIBRA 等: "HS-Nets : Estimating Human Body Shape from Silhouettes with Convolutional Neural Networks", 《2016 FOURTH INTERNATIONAL CONFERENCE ON 3D VISION》 *
XIAOZHI LI 等: "Human Body Dimensions Extraction From 3D Scan Data", 《2010 INTERNATIONAL CONFERENCE ON INTELLIGENT COMPUTATION TECHNOLOGY AND AUTOMATION》 *
陈忠泽 等: "基于正交立体图像的3D人体姿态重建算法", 《计算机应用》 *

Cited By (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109712234B (zh) * 2018-12-29 2023-04-07 北京卡路里信息技术有限公司 三维人体模型的生成方法、装置、设备和存储介质
CN109712234A (zh) * 2018-12-29 2019-05-03 北京卡路里信息技术有限公司 三维人体模型的生成方法、装置、设备和存储介质
CN113544738A (zh) * 2018-12-31 2021-10-22 I-Deal有限责任公司 人体测量数据便携式获取设备和收集人体测量数据的方法
CN113544738B (zh) * 2018-12-31 2024-03-05 I-Deal有限责任公司 人体测量数据便携式获取设备和收集人体测量数据的方法
US11995840B2 (en) 2018-12-31 2024-05-28 I-Deal S.R.L. Anthropometric data portable acquisition device and method of collecting anthropometric data
WO2020151427A1 (zh) * 2019-01-23 2020-07-30 广东康云科技有限公司 基于三维人体建模的智能制衣系统及方法
CN110084881A (zh) * 2019-03-13 2019-08-02 广东元一科技实业有限公司 一种服装设计用的三维图像建造系统及其方法
CN110179192A (zh) * 2019-04-09 2019-08-30 广东元一科技实业有限公司 一种人体三维模型的测量系统及其测量方法
WO2020239251A1 (en) * 2019-05-31 2020-12-03 Presize Ug Methods and systems for determining body measurements and providing clothing size recommendations
EP3745352A1 (en) * 2019-05-31 2020-12-02 Presize UG Methods and systems for determining body measurements and providing clothing size recommendations
EP3745352B1 (en) 2019-05-31 2023-01-18 presize GmbH Methods and systems for determining body measurements and providing clothing size recommendations
CN110428493A (zh) * 2019-07-12 2019-11-08 清华大学 基于网格形变的单图像人体三维重建方法及系统
CN111047553A (zh) * 2019-11-07 2020-04-21 电子科技大学 一种面向非接触式人体参数测量的特征点定位方法
CN111047553B (zh) * 2019-11-07 2023-04-07 电子科技大学 一种面向非接触式人体参数测量的特征点定位方法
CN110728708A (zh) * 2019-12-19 2020-01-24 艾伯资讯（深圳）有限公司 基于机器视觉的牛体尺测量方法
WO2021128730A1 (zh) * 2019-12-25 2021-07-01 北京市商汤科技开发有限公司 图像处理方法及装置、图像处理设备及存储介质
US11734829B2 (en) 2019-12-25 2023-08-22 Beijing Sensetime Technology Development Co., Ltd. Method and device for processing image, and storage medium
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
CN112001413A (zh) * 2020-07-13 2020-11-27 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
CN112244401A (zh) * 2020-09-28 2021-01-22 上海云杉服装科技有限公司 基于人体样本库的人体测量误差修正方法和系统
CN112348945A (zh) * 2020-11-02 2021-02-09 上海联影医疗科技股份有限公司 定位图像生成方法、装置、设备及介质
CN112348945B (zh) * 2020-11-02 2024-01-02 上海联影医疗科技股份有限公司 定位图像生成方法、装置、设备及介质
KR102675111B1 (ko) * 2020-11-25 2024-06-14 서울대학교산학협력단 인공지능 기반의 사용자 신체 치수 측정 방법
CN113379888A (zh) * 2021-01-18 2021-09-10 兰州理工大学 一种基于二维图片的人体三维模型重建及参数测量方法
CN113379888B (zh) * 2021-01-18 2023-08-22 兰州理工大学 一种基于二维图片的人体三维模型重建及参数测量方法
CN113256704A (zh) * 2021-03-26 2021-08-13 上海师范大学 一种谷粒长宽测量方法
CN113256704B (zh) * 2021-03-26 2024-04-05 上海师范大学 一种谷粒长宽测量方法
CN113545773A (zh) * 2021-07-21 2021-10-26 北京的卢深视科技有限公司 人体尺寸测量方法、装置、电子设备和可读存储介质
CN115690181A (zh) * 2022-11-07 2023-02-03 深圳市诗恩商业智能有限公司 一种基于特征融合与rbf网络的模型配比计算方法

Also Published As

Publication number Publication date
CN108986159B (zh) 2021-10-22

Similar Documents

Publication Publication Date Title
CN108986159A (zh) 一种三维人体模型重建与测量的方法和设备
RU2635294C1 (ru) Способ и система интерактивного создания предметов одежды
US10311508B2 (en) Garment modeling simulation system and process
US8976230B1 (en) User interface and methods to adapt images for approximating torso dimensions to simulate the appearance of various states of dress
CN106952335B (zh) 建立人体模型库的方法及其系统
CN110264310A (zh) 一种基于人体大数据的服装制版方法
CN106066898A (zh) 三维全成型针织衫及产生其三维针织纸样的方法和系统
CN110503681B (zh) 人体模型自动创建方法及三维试衣系统
CN106447713A (zh) 基于点云人体模型的自动测量方法及装置
KR101072944B1 (ko) 3차원 인체 모델 생성 시스템 및 그 방법
KR20070120692A (ko) 3차원 스캔 데이터로부터 인체치수와 의복호수 측정 시스템및 방법
Zhang et al. Design 3D garments for scanned human bodies
KR20190114676A (ko) 아바타에 착장된 의상의 전이 패턴 생성 방법
Bragança et al. An overview of the current three-dimensional body scanners for anthropometric data collection
Lee et al. Heuristic misfit reduction: A programmable approach for 3D garment fit customization
KR101158453B1 (ko) 2차원 영상 데이터를 이용하여 평면상에 입체의 가상 의상 코디를 위한 장치 및 방법
Yamada et al. Image-based virtual fitting system with garment image reshaping
Petrak et al. Research of 3D body models computer adjustment based on anthropometric data determined by laser 3D scanner
Gunatilake et al. An ICT based Solution for Virtual Garment Fitting for Online Market Place: A Review of Related Literature
CN111783182A (zh) 一种三维虚拟人台的建模方法及系统
CN115471632A (zh) 基于3d扫描的真实人体模型重建方法、装置、设备及介质
Wu et al. Development of female torso classification and method of patterns shaping
Li et al. Human body dimensions extraction from 3D scan data
Lin et al. Automatic feature extraction from front and side images
KIM et al. Direct 3D modeling of upper garments from images

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 325000 No. 98, Nanhui Road, Ouhai District, Wenzhou City, Zhejiang Province

Applicant after: ZHEJIANG SEMIR GARMENT Co.,Ltd.

Applicant after: Zhejiang Lingdi Digital Technology Co., Ltd

Address before: 325000 No. 98, Nanhui Road, Ouhai District, Wenzhou City, Zhejiang Province

Applicant before: ZHEJIANG SEMIR GARMENT Co.,Ltd.

Applicant before: SHANGHAI LINCTEX DIGITAL TECHNOLOGY Co.,Ltd.

GR01 Patent grant
GR01 Patent grant