CN109190519A - 一种人体图像裆部检测方法 - Google Patents
一种人体图像裆部检测方法 Download PDFInfo
- Publication number
- CN109190519A CN109190519A CN201810928482.5A CN201810928482A CN109190519A CN 109190519 A CN109190519 A CN 109190519A CN 201810928482 A CN201810928482 A CN 201810928482A CN 109190519 A CN109190519 A CN 109190519A
- Authority
- CN
- China
- Prior art keywords
- crotch
- point
- human body
- pixel
- absolute value
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Human Computer Interaction (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种人体图像裆部检测方法,包括采集站姿状态的人体正面图像;在图像上设定人体裆部的搜索范围;分别以搜索范围内每个像素为中心,将两个半径不同的同心圆上的像素按灰度值分为两个类别;计算小圆和大圆上面两个类别间的比值,以及两个比值间差值的绝对值;计算小圆上面两个类别的最低点和最高点;确定裆部候选点;分别以每个裆部候选点为基准点,计算其下方左、右对称区域内对应像素点灰度值差值的绝对值的总和total1;再对右对称区域作水平翻转,计算此时左、右对称区域内对应像素点灰度值差值的绝对值的总和total2;对所有裆部候选点,分别按其total1降序和total2升序排序,并得到综合排序结果,输出裆部位置。
Description
技术领域
本发明涉及图像处理、人体测量等领域,特别涉及一种人体图像裆部检测方法。
背景技术
在网络和信息化时代,服装的款式、面料等的选择需求可以通过网络或者手机客户端完成。从服装的生产方面来说,成品化、规模化、机械化以及自动化能够提高生产效率,降低劳动成本;从服装的设计方面来说,立体化、个性化、时装化已经成为当今服装设计的潮流。
对于服装设计与加工的第一个环节——人体尺寸测量,传统方法是采用接触式手工测量,该方法的主要测量工具是软皮尺、角度计、测高计、测距计和滑动计等,依据测量基准对人体进行接触测量,可以直接测出人体各部位竖向、横向、斜向以及周长等身体表面长度。但是这种接触测量数据通常都是凭借测量者经验获得,效率低下,客观性差,存在许多人为因素造成误差,且人力成本较高。因此,非现场人体尺寸的准确测量和远程获取是目前服装在线定制业务中亟待解决的主要问题之一。
基于二维图像的非接触式人体测量法通过摄取人体正面和侧面的两幅正交图像,使用图像代替被测对象活体样本。通过对图像的处理,得到人体测量学中主要特征部位的宽度、厚度等长度尺寸,如:颈围、肩宽、肩厚、胸宽、胸厚、腰宽、腰厚、臀宽、臀厚、立裆长、胯宽、胯厚等,然后,利用人体长度尺寸间接计算人体的颈围、胸围、腰围和臀围等围度尺寸。
在对数字图像处理获取人体尺寸数据的过程中,裆部作为人体关键点,一方面,对人体腰部、臀部和胯部等位置定位的准确性起到决定作用;另一方面,由于裆部位置的特殊性,在人体裤装的设计剪裁中,直接影响总裆长、立裆、内长等尺寸的测量。因此,裆部位置的准确获得在非接触式人体测量中起到至关重要的作用。
从二维图像分析的角度来寻找人体裆部,其实可以将人体裆部看作图像中的角点,现有的较为成熟的提取角点的算法是Harris方法,该方法运用微分的思想,计算一小区域灰度值变化,并与设定阈值作比较,大于阈值则作为候选角点。该方法存在以下问题:其一,利用Harris方法找到的角点的数目与设定的阈值大小有关,阈值越大,则角点越多,反之则角点越少,而阈值的大小与图像本身的灰度分布有关,由于不同图像的灰度分布各不相同,我们无法将阈值设定为恒定值;其二,由于人体图像中只有一个裆部位置,而利用Harris方法会找到多个角点,这就需要对噪声角点进行筛选,而如何进行噪声角点的筛选,这在Harris方法中没有涉及。
FAST方法也是一种使用较为广泛的角点检测算法,该方法主要考虑的是像素点附近的圆形窗口上的16个像素,该方法存在的问题与Harris方法类似,也必须针对不同图像定义不同大小的阈值,因此,该方法也无法应用于人体图像裆部的检测。
因此,本领域的技术人员致力于开发一种简单、易用、准确性高的人体裆部检测算法。
发明内容
为实现上述目的,本发明提供了一种人体图像裆部检测方法,包括以下步骤:
步骤一、采集站姿状态的人体正面图像;
步骤二、在所述人体正面图像上设定人体裆部的搜索范围;
步骤三、分别以所述搜索范围内每个像素为中心,将两个半径不同的同心圆上面的像素按照灰度值分为两个类别;
步骤四、分别针对所述搜索范围内的每个像素,计算以其为中心的小圆和大圆上面两个类别间的比值,以及两个比值间差值的绝对值Diff;
步骤五、分别针对所述搜索范围内的每个像素,计算以其为中心的小圆上面两个类别的最低点和最高点;
步骤六、确定裆部候选点;
步骤七、分别以每个裆部候选点为基准点,计算其下方左、右对称区域内对应像素点灰度值差值的绝对值的总和total1;
步骤八、分别以每个裆部候选点为基准点,对其下方右对称区域作水平翻转,计算此时左、右对称区域内对应像素点灰度值差值的绝对值的总和total2;
步骤九、对所有裆部候选点,分别按其total1降序和total2升序排序,并得到综合排序结果,输出裆部位置。
进一步地,所述步骤一中,采集所述人体正面图像要求在符合拍摄的光照条件下,利用数码相机拍摄;要求简化图像背景复杂度,被拍摄者衣着颜色与背景颜色具有区分度;要求被拍摄者站立并挺直身体,手臂伸直并与躯体呈特定角度,双腿张开特定角度。
进一步地,所述步骤二中,根据人体裆部位置的特点,将距所述人体正面图像的顶部1/2处到距所述人体正面图像的底部1/4处,以及距所述人体正面图像的左部1/4处到距所述人体正面图像的右部1/4处所构成的矩形作为人体裆部的搜索范围。
进一步地,所述步骤三中,对于所述搜索范围内的每个像素的具体操作包括:
以该像素为中心,分别定义半径不同的两个同心圆,并以预设角度为间隔在两个同心圆上取像素点;
以小圆上的最高点A和最低点B为基准点,分别计算小圆上每个像素点的灰度值与A点的灰度值之间差值的绝对值d1,以及与B点的灰度值之间差值的绝对值d2;
针对小圆上的每个像素点,如果d1<d2,则其与最高点A同属一类,记作class1,反之,则与最低点B同属一类,记作class2;
以大圆上的最高点C和最低点D为基准点,分别计算大圆上每个像素点的灰度值与C点的灰度值之间差值的绝对值d3,以及与D点的灰度值之间差值的绝对值d4;
针对大圆上的每个像素点,如果d3<d4,则其与最高点C同属一类,记作class3,反之,则与最低点D同属一类,记作class4。
进一步地,所述步骤四中,对于所述搜索范围内的每个像素的具体操作包括:
设定n1、n2、n3和n4分别表示class1、class2、class3和class4中包含的像素数目,计算小圆上两个类别间的比值n1/n2,计算大圆上两个类别间的比值n3/n4,再计算两个比值间差值的绝对值Diff=|n1/n2-n3/n4|。
进一步地,所述步骤五中,对于所述搜索范围内的每个像素的具体操作包括:对于小圆上的class1类别,计算属于该类别的所有像素的最低点min1;对于小圆上的class2类别,计算属于该类别的所有像素的最高点max1。
进一步地,所述步骤六中,裆部候选点的选取条件是:
(1)Diff<th1,其中th1为预设阈值;
(2)n1>4*n2;
(3)n3>4*n4;
(4)min1≤max1;
将同时满足上述4个条件的像素作为裆部候选点。
进一步地,所述步骤七中,对于每个裆部候选点的具体操作包括:限定经过该裆部候选点的水平直线和垂直直线,在所述水平直线的下方,确定以所述垂直直线为对称轴的左对称区域和右对称区域,计算左、右对称区域中各对应像素点的灰度值差值的绝对值,以及得到的绝对值的总和total1。
进一步地,所述步骤八中,将所述步骤七中确定的右对称区域作水平翻转,再计算此时左、右对称区域中各对应像素点的灰度值差值的绝对值,以及得到的绝对值的总和total2。
进一步地,所述步骤九具体包括:
对所有裆部候选点,按total1降序进行排序,得到排序后的序号;
对所有裆部候选点,按total2升序进行排序,得到排序后的序号;
将各裆部候选点的2个序号数值相加,得到各裆部候选点的综合排序值;
取出综合排序值最小的裆部候选点,将其作为裆部位置并输出。
技术效果:
与现有的角点检测方法相比,本发明利用人体裆部以下区域呈扇形的特点,计算裆部上方钝角扇形与锐角扇形上面像素数目的比值;针对多个裆部候选点,利用人体裆部以下区域呈左右对称的特点,按候选点左右对称区域的差值大小进行排序并最终准确定位裆部。本专利采用固定阈值,不需要人工调整阈值,裆部检测算法对于图像亮度变化、对比度变化、图像尺度变化具有鲁棒性,很好地解决了人体图像裆部的定位难题,同时也为后续的人体尺寸自动测量节省了大量的人力成本。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本发明的一个较佳实施例的操作流程图;
图2是1号志愿者正面图像;
图3是人体正面基本结构图;
图4是人体正面结构比例示意图;
图5是裆部搜索范围R示意图;
图6是初始搜索点和大、小圆示意图;
图7是小圆上各标记点示意图;
图8是在搜索范围R内任选4个搜索点示意图;
图9是在搜索范围R内任选4个搜索点放大示意图;
图10是理想化裆部扇形模型;
图11是利用本发明方法获取的裆部候选点;
图12是裆部候选点下方的左、右对称区域示意图;
图13是裆部候选点下方的右对称区域水平翻转示意图;
图14是理想化裆部几何对称模型;
图15是利用本发明方法对1号志愿者的裆部检测实验结果;
图16是利用本发明方法对2号志愿者的裆部检测实验结果;
图17是利用本发明方法对3号志愿者的裆部检测实验结果;
图18是利用本发明方法对4号志愿者的裆部检测实验结果;
图19是利用本发明方法对5号志愿者的裆部检测实验结果;
图20是利用本发明方法对6号志愿者的裆部检测实验结果;
图21是利用本发明方法对7号志愿者的裆部检测实验结果;
图22是利用本发明方法对8号志愿者的裆部检测实验结果;
图23是利用Harris算法对1号志愿者的裆部检测实验结果;
图24是利用Harris算法对2号志愿者的裆部检测实验结果;
图25是利用Harris算法对3号志愿者的裆部检测实验结果;
图26是利用Harris算法对4号志愿者的裆部检测实验结果;
图27是利用Harris算法对5号志愿者的裆部检测实验结果;
图28是利用Harris算法对6号志愿者的裆部检测实验结果;
图29是利用Harris算法对7号志愿者的裆部检测实验结果;
图30是利用Harris算法对8号志愿者的裆部检测实验结果。
具体实施方式
下面结合附图对本申请作进一步详细描述。
图1示出了本实施例的人体图像裆部检测方法的流程图,具体包括以下步骤:
S1:采集站姿状态的人体正面图像,其具体包括如下步骤:
在普通光照条件下,利用数码相机拍摄人体正面图像;要求简化图像背景复杂度,被拍摄者衣着颜色与背景颜色对比较明显;采集过程中要求被拍摄者站立并挺直身体,手臂伸直并与躯体呈特定角度,双腿张开呈特定角度。
图2为一幅1号志愿者的人体正面图像,图像大小为1080*1440,被拍摄者身着浅灰色衬衫上衣和合身裤装,被拍摄者站立并挺直身体,手臂伸直并与躯体夹角约为30°,双腿张开约30°的角度。
本发明对拍摄设备操作要求十分简单,拍摄环境与设备包括:背景墙与数码相机。为了能准确检测裆部位置,本发明要求拍摄环境与人体衣着形成较为鲜明的对比。另外,环境光线不要太强烈,以免在人像或背景中形成明显的阴影。
本发明要求采集特定站姿的人体正面图像,这是因为:为了获得比较准确的人体尺寸数据,需要对人体姿势进行规范要求。原因如下:
(1)站立并挺直身体:有利于精确测量被拍摄者的身高、臂长、内长等尺寸长度;
(2)手臂伸直并与躯体呈30°角度:这种姿势使上半身和背景有清晰的区分度,能够准确的测量出胸部位置的尺寸值及胸部关键点,同时测量人体其他部位尺寸更加方便,如腰宽、臀宽、胯宽、立裆长等;
(3)双腿张开30°左右的角度:这种姿势使下半身和背景分离开,有利于准确测量内长、大腿围、小腿围等的尺寸值及裆部关键点。
S2:在人体正面图像上确定人体裆部的搜索范围R,其具体包括如下步骤:
首先,说明一下人体裆部占人体的比例位置关系。
人体外形比较复杂,为了便于了解人体结构的基本情况,有必要将其各部位进行区分。图3为人体正面基本结构图。通常情况下,我们把人体分为头颈部、躯干、上肢和下肢等四大部分,其中,每个大的部分可分成若干个小的部分。
头部分为脑颅和颜面。躯干分为颈、胸、腹、背、腰等部分。上肢分为肩、上臂、肘、前臂、腕、手等部分。下肢分为臀、大腿、膝、小腿、踝、足等部分。
人体比例是指人体各部位之间存在的一种相互和谐的体量配置关系。这种关系使人类在外形上完全区别于其他动物,集中体现了人类的总体特征。由于人类种族、性别、年龄及个体的不同,在比例上也存在一定的差异,形成了现实中高、低、胖、瘦等不同的比例特征。
图4是人体正面结构比例示意图。人体的比例通常是以人的头长为单位来计量的。在我国,人体的正常高度通常为7个到7个半头长,大致比例如下:
躯干共3个头长,颏底至乳头连线一个头长,乳头连线至脐孔1个头长,脐孔至耻骨稍下1个头长。
上肢共3个头长。上臂1又1/3个头长,前臂1个头长,手2/3个头长。
下肢共4个头长,大腿2个头长(髂前上棘稍下至膝关节)。小腿2个头长(膝关节至足底)。
人体的1/2处约在耻骨联合部位。
考虑到一般情况下被拍摄者在照片中的位置,将从距人体正面图像顶部1/2处到距人体正面图像底部1/4处,以及距人体正面图像左部1/4处到距人体正面图像右部1/4处所构成的矩形作为人体裆部的搜索范围R。本实施例中,如图5所示,黑色矩形框即为裆部搜索范围R。本实施例的图像(即图2)的大小为1080*1440,即图像的宽度为1080,高度为1440,可以将该图2图像表示为一个矩阵,该矩阵具有1440行和1080列,矩阵中的数值表示图像中各像素点的灰度值。因此,在图5中搜索范围R为以坐标点(720,270)为矩形左上角,宽540,高360的矩形,其中,坐标(720,270)表示图像矩阵中第720行、270列的位置。本实施例中,图2图像所采用的XY系坐标,是以图2左上角为原点,垂直向下为X轴正方向,水平向右为Y轴正方向。
S3:分别以搜索范围内每个像素为中心,将两个半径不同的同心圆上面的像素按照灰度值分为两个类别,其具体包括如下步骤:
1、对人体裆部的搜索范围内的每个像素,以其为中心,分别定义半径不同的两个同心圆,本实施例中小圆半径为18(个像素)和大圆半径为23(个像素),并以预设角度为间隔在两个同心圆上取像素点,本实施例中采用5°作为采样间隔;图6为初始搜索点和大小圆示意图。如图6所示,以搜索范围R的第一个点,即搜索范围R左上角、坐标为(720,270)的点为圆心(图6中用点O表示),定义一个半径为18的小圆(图6中用O1表示)和一个半径为23的大圆(图6中用O2表示)。
2、以5°为间隔在两个同心圆上取像素点,因此,两个同心圆上一共可以取73(360°/5°+1=73)个像素点,本实施中在0°和360°位置取不同的像素点。以圆心点O为坐标原点的XY坐标系中(垂直向下为X轴正方向,水平向右为Y轴正方向),其小圆O1上73个像素点的坐标分别为(从0°出发,以顺时针方向排列):(0,18),(1,17),(3,17),(4,17),(6,16),(7,16),(8,15),(10,14),(11,13),(12,12),(13,11),(14,10),(15,9),(16,7),(16,6),(17,4),(17,3),(17,1),(17,0),(17,-1),(17,-3),(17,-4),(16,-6),(16,-7),(15,-8),(14,-10),(13,-11),(12,-12),(11,-13),(10,-14),(9,-15),(7,-16),(6,-16),(4,-17),(3,-17),(1,-17),(0,-17),(-1,-17),(-3,-17),(-4,-17),(-6,-16),(-7,-16),(-8,-15),(-10,-14),(-11,-13),(-12,-12),(-13,-11),(-14,-10),(-15,-9),(-16,-7),(-16,-6),(-17,-4),(-17,-3),(-17,-1),(-17,0),(-17,1),(-17,3),(-17,4),(-16,6),(-16,7),(-15,8),(-14,10),(-13,11),(-12,12),(-11,13),(-10,14),(-9,15),(-7,16),(-6,16),(-4,17),(-3,17),(-1,17),(0,17);例如,坐标(0,18)表示与圆心点O在同一行,在其右侧距其18个像素的位置。
3、同样方法,以圆心点O为坐标原点,其大圆O2上73个像素点的坐标分别为(从0°出发,以顺时针方向排列):(0,23),(2,22),(3,22),(5,22),(7,21),(9,20),(11,19),(13,18),(14,17),(16,16),(17,14),(18,13),(19,11),(20,9),(21,7),(22,5),(22,3),(22,2),(22,0),(22,-2),(22,-3),(22,-5),(21,-7),(20,-9),(19,-11),(18,-13),(17,-14),(16,-16),(14,-17),(13,-18),(11,-19),(9,-20),(7,-21),(5,-22),(3,-22),(2,-22),(0,-22),(-2,-22),(-3,-22),(-5,-22),(-7,-21),(-9,-20),(-11,-19),(-13,-18),(-14,-17),(-16,-16),(-17,-14),(-18,-13),(-19,-11),(-20,-9),(-21,-7),(-22,-5),(-22,-3),(-22,-2),(-22,0),(-22,2),(-22,3),(-22,5),(-21,7),(-20,9),(-19,11),(-18,13),(-17,14),(-16,16),(-14,17),(-13,18),(-11,19),(-9,20),(-7,21),(-5,22),(-3,22),(-2,22),(0,22)。
4、以小圆上的最高点A和最低点B为基准点,分别计算小圆上每个像素点的灰度值与A点的灰度值之间差值的绝对值d1,以及与B点的灰度值之间差值的绝对值d2;图7为小圆上各标记点示意图,其中,小圆上的最高点记作A,最低点记作B。在图7中,搜索中心O点的坐标为(928,595),则小圆上的最高点A的坐标为(910,595),A点的灰度值为59;小圆上的最低点B的坐标为(946,595),B点的灰度为78;如图7所示,在小圆的右侧有X点,其坐标为(928,613),X点的灰度为58,则
d1=|59-58|=1
d2=|78-58|=20
同理,计算小圆上其余点与A点和B点的灰度值之间差值的绝对值d1和d2。
5、如果d1<d2,则该像素点与最高点A同属一类,记作class1,反之,则该像素点与最低点B同属一类,记作class2;
如图7所示的实施例,根据上一步计算可知,d1<d2,因此点X和最高点A同属于一类,即点X属于class1。
按上述方法,将小圆上的所有73个点分别记作class1或class2,本实施中,最终计算得到,小圆中属于class1的有60个点,属于class2的有13个点。
6、同理,以大圆上的最高点C和最低点D为基准点,将大圆上每个像素点分别归为与C点或D点同属一类,记作class3和class4;
根据图7所示的实施例,最终计算得到大圆中属于class3的有57个点,属于class4的有16个点。
S4:分别针对搜索范围内的每个像素,计算以其为中心的小圆和大圆上面两个类别间的比值,以及两个比值间差值的绝对值Diff,其具体包括如下步骤:
1、设定n1、n2、n3和n4分别表示class1、class2、class3和class4中包含的像素数目;根据图7所示的实施例,按照上述步骤S3可得,
n1=60,n2=13,
n3=57,n4=16;
2、计算小圆上两个类别间的比值
n1/n2=60/13≈4.62,
同理,计算大圆上两个类别间的比值
n3/n4=57/16≈3.56;
计算两个比值间差值的绝对值Diff
Diff=|n1/n2-n3/n4|=|60/13-57/16|≈1.05。
S5:分别针对搜索范围内的每个像素,计算以其为中心的小圆上面两个类别的最低点和最高点,其具体包括如下步骤:
1、对于小圆上的class1类别,计算属于该类别的所有像素的最低点min1;
2、对于小圆上的class2类别,计算属于该类别的所有像素的最高点max1。
S6:确定裆部候选点,其具体包括如下步骤:
在步骤S3、S4、S5中已经计算得到了搜索范围R内每一个像素点为搜索中心,半径18的小圆和半径23的大圆,将两个半径不同的同心圆上面的像素按照其灰度值分为两个类别,其中,小圆中类别class1中的像素点个数为n1,类别class2中的像素点个数为n2,大圆中类别class3中的像素点个数为n3,类别class4中的像素点个数为n4;然后经过计算得到小圆和大圆上面两个类别间比值的差值绝对值Diff;经过计算,还得到小圆上属于类别class1的所有像素的最低点min1,类别class2的所有像素的最高点max1。
根据上面的一系列计算结果,按以下4个条件来进行筛选:
(1)Diff<th1;其中th1为阈值,本实施例中th1的值设定为0.2;
(2)n1>4*n2;
(3)n3>4*n4;
(4)min1≤max1。
将同时符合以上4个条件的像素作为裆部候选点。
下面,对上述4个筛选条件作进一步说明。
图8是在搜索范围R内任选4个搜索点示意图。如图8所示,在搜索范围R内,分别以点I、J、K、L为搜索中心进行计算,其中,点I位于裆部附近,点J位于手部附近,点K位于袖口附近,点L位于衣服与墙壁交界处。图9是图8中4个搜索点的放大示意图,从图9可见,在这4个搜索点中,I点为符合上述4个条件要求的裆部候选点。
观察图9,可以发现,由于裆部位置的特殊性,以裆部为搜索中心时,大圆和小圆内像素分布大致可分为两个区域:一类属于背景,一类属于被拍摄者的下装,且这两类区域分别呈锐角扇形和钝角扇形。
将以裆部为搜索中心进行搜索时,可以将其理想化为如图10所示裆部扇形模型,其中,点O为裆部点,以点O为中心,分别取两个半径为18和23的同心圆,图中的白色扇形区域对应被拍摄者的下装位置,黑色扇形区域对应背景;小圆内钝角扇形的圆弧用虚线表示,记作C1,锐角扇形的圆弧用实线表示,记住C2;大圆内钝角扇形的圆弧用虚线表示,记作C3,锐角扇形的圆弧用实线表示,记住C4;点A和点B分别为C1内的最低点和C2内的最高点。
另外,n1表示小圆内属于C1的像素数目,n2为小圆内属于C2的像素数目,n3为大圆内属于C3的像素数目,n4为大圆内属于C4的像素数目;
Diff=|n1/n2-n3/n4|
min1为点A的高度,max1为点B的高度。
规定上述4个裆部候选点筛选条件的原因如下:
(1)Diff<th1,其中th1为阈值,本实施例中th1的值设定为0.2;根据圆的几何性质可得,同心圆内两扇形弧长的比值相等,根据图10所示的理想几何模型可得,在理想情况下,满足Diff=|n1/n2-n3/n4|=0;在实际情况下,存在一定的误差,故本实施例中将th1的值设定为0.2;
(2)n1>4*n2;因为拍摄时要求被拍摄者双腿微微张开30°左右的角度,根据图10所示的理想几何模型可得:黑色扇形区域的圆心角为30°,白色扇形区域的圆心角为330°,两者的比值为1:11。在实际情况中,存在一定的误差,因此取n1>4*n2作为判定标准;
(3)n3>4*n4;由于同心圆性质可知,大圆也应满足该项条件;
(4)min1≤max1;从图10可见,点A是C1的最低点,B点是C2的最高点。根据位置关系,如果点O为裆部,则点A一定在点B的同一行位置或其上方,因此,min1的值必须小于或等于max1。
根据上述4个筛选条件,图2所示的1号志愿者的人体正面图像中,一共筛选出7个满足条件的裆部候选点,如图11所示,图11中分别用A、B、C、D、E、F和G共7个字母表示裆部候选点。
S7:分别以每个裆部候选点为基准点,计算其下方左、右对称区域内对应像素点灰度值差值的绝对值的总和total1,其具体包括如下步骤:
1、以裆部候选点为基准点,假定该点在人体正面图像中的坐标为(i,j);图12所示的实施例中,裆部候选点I下方确定了左对称区域S1、右对称区域S2,I点为基准点;
2、左、右对称区域的纵向分布范围是是[i,i+2*length],即纵向坐标值的范围,length可以根据实际图片大小选择;左对称区域的横向分布范围是[j-length,j-1],右对称区域的横向分布范围是[j+1,j+length],两者即纵向坐标值的范围;如图12所示的实施例中,左对称区域用S1表示,右对称区域用S2表示;
3、计算左、右对称区域各对应像素灰度值间差值的绝对值的总和total1;如图12所示的实施例中,计算左对称区域S1和右对称区域S2的各对应像素之间的差值的绝对值的总和total1:例如,S1的左上角像素与S2的左上角像素为对应像素对,图12中S1中点A与S2中点B为对应像素对,假设点A的灰度值为g1,点B的灰度值为g2,两点之间的灰度差值的绝对值d1=|g1-g2|,同理可得左、右对称区域中其他对应像素的灰度差值的绝对值d2、d3、……、dn,则total1=d1+d2+d3+…+dn。
S8:分别以每个裆部候选点为基准点,对其下方右对称区域作水平翻转,再次计算此时左、右对称区域内对应像素点灰度值差值的绝对值的总和total2,其具体包括如下步骤:
1、左对称区域内的各像素保持不变,将右对称区域作水平翻转;图13是裆部候选点I下方的右对称区域水平翻转示意图;如图13的实施例所示,将图12中的右对称区域S2作水平翻转;
2、计算此时左、右对称区域内对应像素点灰度值间的差值总和total2;类似于步骤S7所示方法,计算左对称区域S1和水平翻转后的右对称区域S2的各对应像素之间的差值的绝对值的总和,新的总和记为total2。
S9:对所有裆部候选点,分别按其total1降序和total2升序排序,进一步得到综合排序结果,其具体包括如下步骤:
1、对所有裆部候选点,按total1降序进行排序,得到排序后的序号;
2、对所有裆部候选点,按total2升序进行排序,得到排序后的序号;
3、将各裆部候选点的2个序号相加,得到的所有裆部候选点的综合排序值;
4、取出综合排序值最小的裆部候选点,将其作为裆部并输出。
图14是理想化裆部几何对称模型,其中,I为基准点,左对称矩形区域记为S1,右对称矩形区域记为S2,C2和C4是裆部中间的背景区域,C1和C3为被拍摄者所着下装区域。理想化条件下,矩形S1和S2对称,则背景区域C2与C4和前景区域C1与C3也关于对称轴对称,且区域C2和C4的面积相等,C1和C3的面积相等。因此,在理想化条件下,当左右区域对称时,两者之间的灰度差total1较大,相反的,当右边区域水平翻转之后,两者之间的灰度差total2则较小。
如图2所示的实施例的具体计算步骤如下:
1、如图11所示的实施例中有7个符合上述筛选条件的裆部候选点,坐标分别为A(920,698),B(920,699),C(921,698),D(922,593),E(923,593),F(924,593),G(1056,535);
2、按照步骤S7计算得到的A、B、C、D、E、F和G的total1的值分别为:64998、65858、65175、27425、24646、27797、40157,按照降序排列后这7个候选点的顺序为:3、1、2、6、7、5、4;
3、按照步骤S8计算得到的A、B、C、D、E、F和G的total2的值分别为:63912、65430、64191、28827、28848、28823、36421,按照升序排列后的顺序为:5、7、6、2、3、1、4;
4、将这7个候选点的2个序号相加,得到A、B、C、D、E、F和G的综合排序结果:8、8、8、8、10、6、8,取出综合排序结果中最小值所对应的候选点F,将F作为裆部并输出其坐标。图15是利用本发明方法对1号志愿者的裆部检测实验结果,其中,白色方块所标记的位置即为裆部。
在另一个实施例中,分别对8位志愿者的正面图像利用本发明方法进行裆部检测实验,图15-图22是利用本发明方法分别对1号-8号志愿者的裆部检测实验结果。图15-图22分别是在不同光照条件下拍摄得到的人体正面图像,这些图像的亮度、对比度、图像尺度均有变化,从实验结果可知,利用本发明可以准确地检测到人体图像的裆部,这也验证了本发明方法具有鲁棒性。
另外,我们可以利用Harris角点检测算法对8位志愿者进行裆部检测实验。图23-图30是利用Harris角点检测算法分别对1号-8号志愿者的裆部检测实验结果,实验中阈值设置为0.001。可以发现,利用Harris角点检测算法在阈值较小时可以检测出裆部,但同时也检测到大量非裆部的其它角点:如背景中的角点、被拍摄者身体上的角点等。因此,Harris角点检测算法无法应用于人体裆部的检测。
因此,利用本发明方法可以快速简便地在一幅人体图像中准确无误地找到人体裆部,并且对于图像亮度、对比度和图像尺度变化具有鲁棒性,是一种高效简便的人体图像裆部检测算法。
以上对本发明的具体实施进行了详细描述,但其只是作为范例,本发明并不限制于以上描述的具体实施。对于本领域技术人员而言,任何对本发明进行的等同修改和替代也都在本发明的范畴之中。因此,在不脱离本发明的精神和范围下所作的均等变换和修改,都应涵盖在本发明的范围内。
Claims (10)
1.一种人体图像裆部检测方法,其特征在于,包括以下步骤:
步骤一、采集站姿状态的人体正面图像;
步骤二、在所述人体正面图像上设定人体裆部的搜索范围;
步骤三、分别以所述搜索范围内每个像素为中心,将两个半径不同的同心圆上面的像素按照灰度值分为两个类别;
步骤四、分别针对所述搜索范围内的每个像素,计算以其为中心的小圆和大圆上面两个类别间的比值,以及两个比值间差值的绝对值Diff;
步骤五、分别针对所述搜索范围内的每个像素,计算以其为中心的小圆上面两个类别的最低点和最高点;
步骤六、确定裆部候选点;
步骤七、分别以每个裆部候选点为基准点,计算其下方左、右对称区域内对应像素点灰度值差值的绝对值的总和total1;
步骤八、分别以每个裆部候选点为基准点,对其下方右对称区域作水平翻转,计算此时左、右对称区域内对应像素点灰度值差值的绝对值的总和total2;
步骤九、对所有裆部候选点,分别按其total1降序和total2升序排序,并得到综合排序结果,输出裆部位置。
2.根据权利要求1所述的人体图像裆部检测方法,其特征在于,所述步骤一中,采集所述人体正面图像要求在符合拍摄的光照条件下,利用数码相机拍摄;要求简化图像背景复杂度,被拍摄者衣着颜色与背景颜色具有区分度;要求被拍摄者站立并挺直身体,手臂伸直并与躯体呈特定角度,双腿张开特定角度。
3.根据权利要求1所述的人体图像裆部检测方法,其特征在于,所述步骤二中,根据人体裆部位置的特点,将距所述人体正面图像的顶部1/2处到距所述人体正面图像的底部1/4处,以及距所述人体正面图像的左部1/4处到距所述人体正面图像的右部1/4处所构成的矩形作为人体裆部的搜索范围。
4.根据权利要求1所述的人体图像裆部检测方法,其特征在于,所述步骤三中,对于所述搜索范围内的每个像素的具体操作包括:
以该像素为中心,分别定义半径不同的两个同心圆,并以预设角度为间隔在两个同心圆上取像素点;
以小圆上的最高点A和最低点B为基准点,分别计算小圆上每个像素点的灰度值与A点的灰度值之间差值的绝对值d1,以及与B点的灰度值之间差值的绝对值d2;
针对小圆上的每个像素点,如果d1<d2,则其与最高点A同属一类,记作class1,反之,则与最低点B同属一类,记作class2;
以大圆上的最高点C和最低点D为基准点,分别计算大圆上每个像素点的灰度值与C点的灰度值之间差值的绝对值d3,以及与D点的灰度值之间差值的绝对值d4;
针对大圆上的每个像素点,如果d3<d4,则其与最高点C同属一类,记作class3,反之,则与最低点D同属一类,记作class4。
5.根据权利要求4所述的人体图像裆部检测方法,其特征在于,所述步骤四中,对于所述搜索范围内的每个像素的具体操作包括:
设定n1、n2、n3和n4分别表示class1、class2、class3和class4中包含的像素数目,计算小圆上两个类别间的比值n1/n2,计算大圆上两个类别间的比值n3/n4,再计算两个比值间差值的绝对值Diff=|n1/n2-n3/n4|。
6.根据权利要求5所述的人体图像裆部检测方法,其特征在于,所述步骤五中,对于所述搜索范围内的每个像素的具体操作包括:对于小圆上的class1类别,计算属于该类别的所有像素的最低点min1;对于小圆上的class2类别,计算属于该类别的所有像素的最高点max1。
7.根据权利要求6所述的人体图像裆部检测方法,其特征在于,所述步骤六中,裆部候选点的选取条件是:
Diff<th1,其中th1为预设阈值;
n1>4*n2;
n3>4*n4;
min1≤max1;
将同时满足上述4个条件的像素作为裆部候选点。
8.根据权利要求1所述的人体图像裆部检测方法,其特征在于,所述步骤七中,对于每个裆部候选点的具体操作包括:限定经过该裆部候选点的水平直线和垂直直线,在所述水平直线的下方,确定以所述垂直直线为对称轴的左对称区域和右对称区域,计算左、右对称区域中各对应像素点的灰度值差值的绝对值,以及得到的绝对值的总和total1。
9.根据权利要求8所述的人体图像裆部检测方法,其特征在于,所述步骤八中,将所述步骤七中确定的右对称区域作水平翻转,再计算此时左、右对称区域中各对应像素点的灰度值差值的绝对值,以及得到的绝对值的总和total2。
10.根据权利要求9所述的人体图像裆部检测方法,其特征在于,所述步骤九具体包括:
对所有裆部候选点,按total1降序进行排序,得到排序后的序号;
对所有裆部候选点,按total2升序进行排序,得到排序后的序号;
将各裆部候选点的2个序号数值相加,得到各裆部候选点的综合排序值;
取出综合排序值最小的裆部候选点,将其作为裆部位置并输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810928482.5A CN109190519B (zh) | 2018-08-15 | 2018-08-15 | 一种人体图像裆部检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810928482.5A CN109190519B (zh) | 2018-08-15 | 2018-08-15 | 一种人体图像裆部检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109190519A true CN109190519A (zh) | 2019-01-11 |
CN109190519B CN109190519B (zh) | 2021-07-16 |
Family
ID=64935905
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810928482.5A Active CN109190519B (zh) | 2018-08-15 | 2018-08-15 | 一种人体图像裆部检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109190519B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1655700A (zh) * | 2002-03-22 | 2005-08-17 | 王克继 | 利用计算机网络进行浏览、储存和传输服装模型的方法和设备 |
CN101783018A (zh) * | 2010-02-04 | 2010-07-21 | 上海交通大学 | 利用同心圆进行摄像机标定的方法 |
CN102028482A (zh) * | 2009-09-30 | 2011-04-27 | 同方威视技术股份有限公司 | 人体检查图像处理方法和人体检查设备 |
CN102567733A (zh) * | 2011-12-30 | 2012-07-11 | 北京华航无线电测量研究所 | 一种微波图像非合作情况下人体隐私部位检测与遮挡方法 |
CN102783743A (zh) * | 2012-07-11 | 2012-11-21 | 浙江理工大学 | 一种自动检测人体下肢特征点的方法 |
US20130179288A1 (en) * | 2010-11-17 | 2013-07-11 | Upcload Gmbh | Collecting and using anthropometric measurements |
US20150154453A1 (en) * | 2012-09-05 | 2015-06-04 | Body Pass Ltd. | System and method for deriving accurate body size measures from a sequence of 2d images |
CN106127732A (zh) * | 2016-06-13 | 2016-11-16 | 深圳市太赫兹科技创新研究院 | 微波图像中人体性别检测方法和装置 |
CN106447634A (zh) * | 2016-09-27 | 2017-02-22 | 中国科学院上海微系统与信息技术研究所 | 一种基于有源毫米波成像的隐私部位定位与保护方法 |
CN206350525U (zh) * | 2017-01-09 | 2017-07-25 | 浙江理工大学 | 一种可用于服装样板个性化设计的组合裤 |
-
2018
- 2018-08-15 CN CN201810928482.5A patent/CN109190519B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1655700A (zh) * | 2002-03-22 | 2005-08-17 | 王克继 | 利用计算机网络进行浏览、储存和传输服装模型的方法和设备 |
CN102028482A (zh) * | 2009-09-30 | 2011-04-27 | 同方威视技术股份有限公司 | 人体检查图像处理方法和人体检查设备 |
CN101783018A (zh) * | 2010-02-04 | 2010-07-21 | 上海交通大学 | 利用同心圆进行摄像机标定的方法 |
US20130179288A1 (en) * | 2010-11-17 | 2013-07-11 | Upcload Gmbh | Collecting and using anthropometric measurements |
CN102567733A (zh) * | 2011-12-30 | 2012-07-11 | 北京华航无线电测量研究所 | 一种微波图像非合作情况下人体隐私部位检测与遮挡方法 |
CN102783743A (zh) * | 2012-07-11 | 2012-11-21 | 浙江理工大学 | 一种自动检测人体下肢特征点的方法 |
US20150154453A1 (en) * | 2012-09-05 | 2015-06-04 | Body Pass Ltd. | System and method for deriving accurate body size measures from a sequence of 2d images |
CN106127732A (zh) * | 2016-06-13 | 2016-11-16 | 深圳市太赫兹科技创新研究院 | 微波图像中人体性别检测方法和装置 |
CN106447634A (zh) * | 2016-09-27 | 2017-02-22 | 中国科学院上海微系统与信息技术研究所 | 一种基于有源毫米波成像的隐私部位定位与保护方法 |
CN206350525U (zh) * | 2017-01-09 | 2017-07-25 | 浙江理工大学 | 一种可用于服装样板个性化设计的组合裤 |
Non-Patent Citations (1)
Title |
---|
徐慧明等: ""新型人体参数自动测量系统"", 《中国图像图形学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN109190519B (zh) | 2021-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107292948B (zh) | 一种人体建模方法、装置及电子设备 | |
Lu et al. | Automated anthropometric data collection using 3D whole body scanners | |
Choi et al. | 3D body scan analysis of dimensional change in lower body measurements for active body positions | |
Song et al. | Categorization of lower body shapes for adult females based on multiple view analysis | |
CN109938737A (zh) | 一种基于深度学习关键点检测的人体身型测量方法及装置 | |
WO2019032982A1 (en) | DEVICES AND METHODS FOR EXTRACTING BODILY MEASUREMENTS FROM 2D IMAGES | |
Kim et al. | A study of scan garment accuracy and reliability | |
US20210182443A1 (en) | Breast Shape and Upper Torso Enhancement Tool | |
CN105488303B (zh) | 一种基于特征距离集的腰腹臀体型分类方法及其测量装置 | |
Schofield et al. | Defining and testing the assumptions used in current apparel grading practice | |
Pradhan et al. | Feature extraction from 2D images for body composition analysis | |
CN109190519A (zh) | 一种人体图像裆部检测方法 | |
CN108564586A (zh) | 一种基于深度学习的人体曲线测量方法及系统 | |
Klepser et al. | 4D scanning-dynamic view on body measurements | |
Fitriyah et al. | Automatic estimation of human weight from body silhouette using multiple linear regression | |
Harrison | Development of a reproducible rating system for sun protective clothing that incorporates body surface coverage | |
Wu et al. | Development of female torso classification and method of patterns shaping | |
Griffey et al. | Development of an automated process for the creation of a basic skirt block pattern from 3D body scan data | |
Li et al. | Non-contact clothing anthropometry based on two-dimensional image contour detection and feature point recognition | |
Traumann et al. | Analysis of 3-D body measurements to determine trousers sizes of military combat clothing | |
Xia et al. | A 2D image body measurement system developed with neural networks and a color-coded measurement garment | |
Xia | Predict 3D body measurements with 2D images | |
Meunier | Use of body shape information in clothing size selection | |
CN110264514A (zh) | 一种基于随机寻优策略的人体胸围和腰围测量方法 | |
Fitriyah et al. | Inner-canthus localization of thermal images in face-view invariant |
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 |