CN109559373B - 一种基于2d人体图像进行量体的方法及系统 - Google Patents
一种基于2d人体图像进行量体的方法及系统 Download PDFInfo
- Publication number
- CN109559373B CN109559373B CN201811252246.2A CN201811252246A CN109559373B CN 109559373 B CN109559373 B CN 109559373B CN 201811252246 A CN201811252246 A CN 201811252246A CN 109559373 B CN109559373 B CN 109559373B
- Authority
- CN
- China
- Prior art keywords
- human body
- point cloud
- image
- point
- measuring
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于2D人体图像进行量体的方法及系统,其方法包括以下步骤,获取用户的2D人体图像;对所述2D人体图像进行人体边缘计算,得到边缘图像,并结合用户的性别、年龄和体重对所述边缘图像进行神经网络计算,生成3D人体点云模型;对所述3D人体点云模型进行优化处理,得到光滑的3D人体点云模型;对光滑的3D人体点云模型中的特征部位进行测量,计算出相应的人体尺寸。本发明利用2D图像测量方法进行量体,每次测量只需输入被测量者的性别、身高、体重,然后拍摄照片,就能快速计算出量体数据,整个过程在30秒左右可以完成,有效地简化了测量过程和提高了测量效率;另外通过图像处理和神经网络计算可以有效提高测量的精度。
Description
技术领域
本发明涉及人体测量领域,具体涉及一种基于2D人体图像进行量体的方法及系统。
背景技术
传统的服装量体必须由量体师来进行,要求被测量者站立,量体师利用软尺对被测量者的胸围、腹围、颈围、臀围、腕围、腿围、臂长、腿长等近30项尺码逐一测量。平均测量一个人的所有尺寸需要3到5分钟,一个经验丰富的量体师每天测量80至100人次,已经是精神和体力的极限(由于要频繁地蹲下站起)。人工量体需要专业的量体师进行一对一的手工测量,还需配备一名记录员记录测量的数据,测量并记录一个人的尺码需要三到五分钟,且测量记录为手工记录。如果面对大量的被测量群体,传统的人工量体速度慢、效率低,测量过程中量体师的选点随着体力的消耗不会完全一致,极易导致量体数据的不准确,测量之后还需将手工记录的尺码录入电脑或者装订保存,存在误差的风险较大,且需耗费大量的时间与人力成本。而且,不同的量体师对人体测量点位的选择必然存在偏差,手法也不尽相同,最后得到的数据可能并不一致。
随着人工智能的发展,市面上也出现了一些智能量体技术,而现有的智能量体技术需要用户着贴身衣物,并输入身高体重性别年龄及大量的身材尺寸描述信息,然后在数据库中进行匹配,本质上是一个专家系统;这种测量系统有两大缺陷,其一为量体步骤繁琐,用户体验差;其二为准确性较低,因为此方法是通过样本匹配给出近似值,并非精确的计算。
发明内容
本发明所要解决的技术问题是提供一种基于2D人体图像进行量体的方法及系统,可以简化测量过程,提高测量效率和精度。
本发明解决上述技术问题的技术方案如下:一种基于2D人体图像进行量体的方法,包括以下步骤,
S1,获取用户的2D人体图像;
S2,对所述2D人体图像进行人体边缘计算,得到边缘图像,并结合用户的性别、年龄和体重对所述边缘图像进行神经网络计算,生成3D人体点云模型;
S3,对所述3D人体点云模型进行优化处理,得到光滑的3D人体点云模型;
S4,对光滑的3D人体点云模型中的特征部位进行测量,计算出相应的人体尺寸。
本发明的有益效果是:本发明利用2D图像测量方法进行量体,每次测量只需输入被测量者的性别、身高、体重,然后拍摄照片,就能快速计算出量体数据,整个过程在30秒左右可以完成,有效地简化了测量过程和提高了测量效率;另外通过图像处理和神经网络计算可以有效提高测量的精度。
在上述技术方案的基础上,本发明还可以做如下改进。
进一步,所述S1具体为,
S11,采集用户任意姿势的全身照片;
S12,对所述全身照片进行Canny算子的边缘检测,得到边缘检测结果;
S13,在所述边缘检测结果中标记连通分支,得到连通域;
S14,对所述连通域进行区域化过滤,得到过滤区域;
S15,在所述过滤区域中筛选出前景色和背景色;
S16,基于所述前景色和背景色对所述过滤区域进行二值化处理,得到去掉背景的所述2D人体图像。
进一步,所述S2具体为,
S21,对所述2D人体图像进行高斯滤波,得到滤波图像;
S22,求取所述滤波图像的梯度幅值,得到梯度幅值图像;
S23,对所述梯度幅值图像进行边缘非最大值抑制;
S24,采用双阈值处理和连接分析的方法连接边缘非最大值抑制,得到所述边缘图像;
S25,结合用户的性别、年龄和体重对所述边缘图像进行神经网络深度学习,识别出人体骨架;
S26,将预先训练好的3D模型与所述人体骨架进行重建,生成3D人体点云模型。
进一步,所述S3具体为,
S31,读取所述3D人体点云模型中的三维散乱点云数据P;
S32,将所述三维散乱点云数据P利用空间单元格栅建立云拓扑关系;
S33,根据所述云拓扑关系搜索所述三维散乱点云数据P中任一点Pi∈P的K_邻域NV(Pi);
S34,计算点Pi与其K_邻域NV(Pi)内K个点之间的距离,并计算所述距离的平均值M(Pi);
S35,将所述距离的平均值M(Pi)与预先设定的阈值M进行对比,若M(Pi)≤M,则保留所述点Pi,并返回至所述S33,若M(Pi)>M,则删除所述点Pi,直至所有点搜索计算完成,得到光滑的3D人体点云模型。
进一步,所述S4具体为,
S41,通过三维扫描仪获取光滑的3D人体点云模型中的人体点云数据;
S42,对所述人体点云数据中的非逻辑的点云数据进行数据识别和分割,得到特征部位;
S43,结合人体的几何特征以及人体特征尺寸在服装学中的定义获取所述特征部位的测量基准点或特征点所在的位置;
S44,通过所述测量基准点或特征点的位置获取所述特征部位的截面;
S45,通过B样条曲线拟合所述截面上的数据点,获取所述特征部位的特征尺寸,所述特征部位的特征尺寸即为相应的人体尺寸。
基于上述一种基于2D人体图像进行量体的方法,本发明还提供一种基于2D人体图像进行量体的系统。
一种基于2D人体图像进行量体的系统,包括以下模块,
2D人体图像获取模块,其用于获取用户的2D人体图像;
3D人体点云模型生成模块,其用于对所述2D人体图像进行人体边缘计算,得到边缘图像,并结合用户的性别、年龄和体重对所述边缘图像进行神经网络计算,生成3D人体点云模型;
3D人体点云模型优化处理模块,其用于对所述3D人体点云模型进行优化处理,得到光滑的3D人体点云模型;
特征部位测量模块,其用于对光滑的3D人体点云模型中的特征部位进行测量,计算出相应的人体尺寸。
本发明的有益效果是:本发明利用2D图像测量方法进行量体,每次测量只需输入被测量者的性别、身高、体重,然后拍摄照片,就能快速计算出量体数据,整个过程在30秒左右可以完成,有效地简化了测量过程和提高了测量效率;另外通过图像处理和神经网络计算可以有效提高测量的精度。
在上述技术方案的基础上,本发明还可以做如下改进。
进一步,所述2D人体图像获取模块具体用于,采集用户任意姿势的全身照片;对所述全身照片进行Canny算子的边缘检测,得到边缘检测结果;在所述边缘检测结果中标记连通分支,得到连通域;对所述连通域进行区域化过滤,得到过滤区域;在所述过滤区域中筛选出前景色和背景色;基于所述前景色和背景色对所述过滤区域进行二值化处理,得到去掉背景的所述2D人体图像。
进一步,所述3D人体点云模型生成模块具体用于,对所述2D人体图像进行高斯滤波,得到滤波图像;求取所述滤波图像的梯度幅值,得到梯度幅值图像;对所述梯度幅值图像进行边缘非最大值抑制;采用双阈值处理和连接分析的方法连接边缘非最大值抑制,得到所述边缘图像;结合用户的性别、年龄和体重对所述边缘图像进行神经网络深度学习,识别出人体骨架;将预先训练好的3D模型与所述人体骨架进行重建,生成3D人体点云模型。
进一步,所述3D人体点云模型优化处理模块具体用于,读取所述3D人体点云模型中的三维散乱点云数据P;将所述三维散乱点云数据P利用空间单元格栅建立云拓扑关系;根据所述云拓扑关系搜索所述三维散乱点云数据P中任一点Pi∈P的K_邻域NV(Pi);计算点Pi与其K_邻域NV(Pi)内K个点之间的距离,并计算所述距离的平均值M(Pi);将所述距离的平均值M(Pi)与预先设定的阈值M进行对比,若M(Pi)≤M,则保留所述点Pi,若M(Pi)>M,则删除所述点Pi,直至所有点搜索计算完成,得到光滑的3D人体点云模型。
进一步,所述特征部位测量模块具体用于,通过三维扫描仪获取光滑的3D人体点云模型中的人体点云数据;对所述人体点云数据中的非逻辑的点云数据进行数据识别和分割,得到特征部位;结合人体的几何特征以及人体特征尺寸在服装学中的定义获取所述特征部位的测量基准点或特征点所在的位置;通过所述测量基准点或特征点的位置获取所述特征部位的截面,通过B样条曲线拟合所述截面上的数据点,获取所述特征部位的特征尺寸,所述特征部位的特征尺寸即为相应的人体尺寸。
附图说明
图1为本发明一种基于2D人体图像进行量体的方法的整体流程图;
图2为获取用户的2D人体图像的流程图;
图3为生成3D人体点云模型的流程图;
图4为3D人体点云模型优化处理的流程图;
图5为特征部位测量的流程图;
图6为本发明一种基于2D人体图像进行量体的系统的结构框图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
如图1所示,一种基于2D人体图像进行量体的方法,包括以下步骤,
S1,获取用户的2D人体图像;
S2,对所述2D人体图像进行人体边缘计算,得到边缘图像,并结合用户的性别、年龄和体重对所述边缘图像进行神经网络计算,生成3D人体点云模型;
S3,对所述3D人体点云模型进行优化处理,得到光滑的3D人体点云模型;
S4,对光滑的3D人体点云模型中的特征部位进行测量,计算出相应的人体尺寸。
下面对步骤S1~S4进行详细的说明:
如图2所示,所述S1具体为,
S11,采集用户任意姿势的全身照片;
S12,对所述全身照片进行Canny算子的边缘检测,得到边缘检测结果;
S13,在所述边缘检测结果中标记连通分支,得到连通域;
S14,对所述连通域进行区域化过滤,得到过滤区域;
S15,在所述过滤区域中筛选出前景色和背景色;
S16,基于所述前景色和背景色对所述过滤区域进行二值化处理,得到去掉背景的所述2D人体图像。
通俗的来讲,所述S2就是利用拍照或录制视频的方式,采集用户的任意姿势的全身照片,并对照片进行技术处理,去掉图片的背景,只保留2D人体图像。
如图3所示,所述S2具体为,
S21,对所述2D人体图像进行高斯滤波,得到滤波图像;
S22,求取所述滤波图像的梯度幅值,得到梯度幅值图像;
S23,对所述梯度幅值图像进行边缘非最大值抑制;
S24,采用双阈值处理和连接分析的方法连接边缘非最大值抑制,得到所述边缘图像;
S25,结合用户的性别、年龄和体重对所述边缘图像进行神经网络深度学习,识别出人体骨架;
S26,将预先训练好的3D模型与所述人体骨架进行重建,生成3D人体点云模型。
在所述S2中,利用高斯滤波,再求梯度幅值图像,然后非最大值抑制,最后双阈值处理+连接分析进行连接边缘非最大值抑制能够产生更细的边缘图像,因为求梯度是一阶偏导运算,而一阶导数求出的边缘是比较粗的。
如图4所示,所述S3具体为,
S31,读取所述3D人体点云模型中的三维散乱点云数据P;
S32,将所述三维散乱点云数据P利用空间单元格栅建立云拓扑关系;
S33,根据所述云拓扑关系搜索所述三维散乱点云数据P中任一点Pi∈P的K_邻域NV(Pi);
S34,计算点Pi与其K_邻域NV(Pi)内K个点之间的距离,并计算所述距离的平均值M(Pi);
S35,将所述距离的平均值M(Pi)与预先设定的阈值M进行对比,若M(Pi)≤M,则保留所述点Pi,并返回至所述S33,若M(Pi)>M,则删除所述点Pi,直至所有点搜索计算完成,得到光滑的3D人体点云模型。
所述S3就是监测3D人体点云模型中的噪点,并将其去除,得到光滑的3D人体点云模型。
如图5所示,所述S4具体为,
S41,通过三维扫描仪获取光滑的3D人体点云模型中的人体点云数据;
S42,对所述人体点云数据中的非逻辑的点云数据进行数据识别和分割,得到特征部位;
S43,结合人体的几何特征以及人体特征尺寸在服装学中的定义获取所述特征部位的测量基准点或特征点所在的位置;
S44,通过所述测量基准点或特征点的位置获取所述特征部位的截面;
S45,通过B样条曲线拟合所述截面上的数据点,获取所述特征部位的特征尺寸,所述特征部位的特征尺寸即为相应的人体尺寸。
本发明的方法可以用于服装应用领域。通过人体正背面的识别、肢体的识别和划分、特征测量基准点和特征点的识别、特征尺寸提取等方法,可以得出服装应用中的主要人体尺寸,如:颈围、中颈围、左肩斜、右肩斜、肩宽、前身长、后背长、上胸围、胸围、下胸围、腰围、中腰围、后腰节、腹围、胯围、臀围、左臂长、右臂长、左臂围、右臂围、左腕围、右腕围、左袖笼、右袖笼、左腿长、右腿长、左大腿围、右大腿围、左小腿围、右小腿围、肚围、身高、体重(除身高体重外共31项)。
本发明利用2D图像测量方法进行量体,每次测量只需输入被测量者的性别、身高、体重,然后拍摄照片,就能快速计算出量体数据,整个过程在30秒左右可以完成,有效地简化了测量过程和提高了测量效率;另外通过图像处理和神经网络计算可以有效提高测量的精度。
基于上述一种基于2D人体图像进行量体的方法,本发明还提供一种基于2D人体图像进行量体的系统。
如图6所示,一种基于2D人体图像进行量体的系统,包括以下模块,
2D人体图像获取模块,其用于获取用户的2D人体图像;
3D人体点云模型生成模块,其用于对所述2D人体图像进行人体边缘计算,得到边缘图像,并结合用户的性别、年龄和体重对所述边缘图像进行神经网络计算,生成3D人体点云模型;
3D人体点云模型优化处理模块,其用于对所述3D人体点云模型进行优化处理,得到光滑的3D人体点云模型;
特征部位测量模块,其用于对光滑的3D人体点云模型中的特征部位进行测量,计算出相应的人体尺寸。
在本发明的系统中:
所述2D人体图像获取模块具体用于,采集用户任意姿势的全身照片;对所述全身照片进行Canny算子的边缘检测,得到边缘检测结果;在所述边缘检测结果中标记连通分支,得到连通域;对所述连通域进行区域化过滤,得到过滤区域;在所述过滤区域中筛选出前景色和背景色;基于所述前景色和背景色对所述过滤区域进行二值化处理,得到去掉背景的所述2D人体图像。
所述3D人体点云模型生成模块具体用于,对所述2D人体图像进行高斯滤波,得到滤波图像;求取所述滤波图像的梯度幅值,得到梯度幅值图像;对所述梯度幅值图像进行边缘非最大值抑制;采用双阈值处理和连接分析的方法连接边缘非最大值抑制,得到所述边缘图像;结合用户的性别、年龄和体重对所述边缘图像进行神经网络深度学习,识别出人体骨架;将预先训练好的3D模型与所述人体骨架进行重建,生成3D人体点云模型。
所述3D人体点云模型优化处理模块具体用于,读取所述3D人体点云模型中的三维散乱点云数据P;将所述三维散乱点云数据P利用空间单元格栅建立云拓扑关系;根据所述云拓扑关系搜索所述三维散乱点云数据P中任一点Pi∈P的K_邻域NV(Pi);计算点Pi与其K_邻域NV(Pi)内K个点之间的距离,并计算所述距离的平均值M(Pi);将所述距离的平均值M(Pi)与预先设定的阈值M进行对比,若M(Pi)≤M,则保留所述点Pi,若M(Pi)>M,则删除所述点Pi,直至所有点搜索计算完成,得到光滑的3D人体点云模型。
所述特征部位测量模块具体用于,通过三维扫描仪获取光滑的3D人体点云模型中的人体点云数据;对所述人体点云数据中的非逻辑的点云数据进行数据识别和分割,得到特征部位;结合人体的几何特征以及人体特征尺寸在服装学中的定义获取所述特征部位的测量基准点或特征点所在的位置;通过所述测量基准点或特征点的位置获取所述特征部位的截面;通过B样条曲线拟合所述截面上的数据点,获取所述特征部位的特征尺寸,所述特征部位的特征尺寸即为相应的人体尺寸。
本发明利用2D图像测量方法进行量体,每次测量只需输入被测量者的性别、身高、体重,然后拍摄照片,就能快速计算出量体数据,整个过程在30秒左右可以完成,有效地简化了测量过程和提高了测量效率;另外通过图像处理和神经网络计算可以有效提高测量的精度。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于2D人体图像进行量体的方法,其特征在于:包括以下步骤,
S1,获取用户的2D人体图像;
S2,对所述2D人体图像进行人体边缘计算,得到边缘图像,并结合用户的性别、年龄和体重对所述边缘图像进行神经网络计算,生成3D人体点云模型;
S3,对所述3D人体点云模型进行优化处理,得到光滑的3D人体点云模型;
S4,对光滑的3D人体点云模型中的特征部位进行测量,计算出相应的人体尺寸;
所述S2具体为,
S21,对所述2D人体图像进行高斯滤波,得到滤波图像;
S22,求取所述滤波图像的梯度幅值,得到梯度幅值图像;
S23,对所述梯度幅值图像进行边缘非最大值抑制;
S24,采用双阈值处理和连接分析的方法连接边缘非最大值抑制,得到所述边缘图像;
S25,结合用户的性别、年龄和体重对所述边缘图像进行神经网络深度学习,识别出人体骨架;
S26,将预先训练好的3D模型与所述人体骨架进行重建,生成3D人体点云模型。
2.根据权利要求1所述的一种基于2D人体图像进行量体的方法,其特征在于:所述S1具体为,
S11,采集用户任意姿势的全身照片;
S12,对所述全身照片进行Canny算子的边缘检测,得到边缘检测结果;
S13,在所述边缘检测结果中标记连通分支,得到连通域;
S14,对所述连通域进行区域化过滤,得到过滤区域;
S15,在所述过滤区域中筛选出前景色和背景色;
S16,基于所述前景色和背景色对所述过滤区域进行二值化处理,得到去掉背景的所述2D人体图像。
3.根据权利要求1或2所述的一种基于2D人体图像进行量体的方法,其特征在于:所述S3具体为,
S31,读取所述3D人体点云模型中的三维散乱点云数据P;
S32,将所述三维散乱点云数据P利用空间单元格栅建立云拓扑关系;
S33,根据所述云拓扑关系搜索所述三维散乱点云数据P中任一点Pi∈P的K_邻域NV(Pi);
S34,计算点Pi与其K_邻域NV(Pi)内K个点之间的距离,并计算所述距离的平均值M(Pi);
S35,将所述距离的平均值M(Pi)与预先设定的阈值M进行对比,若M(Pi)≤M,则保留所述点Pi,并返回至所述S33,若M(Pi)>M,则删除所述点Pi,直至所有点搜索计算完成,得到光滑的3D人体点云模型。
4.根据权利要求1或2所述的一种基于2D人体图像进行量体的方法,其特征在于:所述S4具体为,
S41,通过三维扫描仪获取光滑的3D人体点云模型中的人体点云数据;
S42,对所述人体点云数据中的非逻辑的点云数据进行数据识别和分割,得到特征部位;
S43,结合人体的几何特征以及人体特征尺寸在服装学中的定义获取所述特征部位的测量基准点或特征点所在的位置;
S44,通过所述测量基准点或特征点的位置获取所述特征部位的截面;
S45,通过B样条曲线拟合所述截面上的数据点,获取所述特征部位的特征尺寸,所述特征部位的特征尺寸即为相应的人体尺寸。
5.一种基于2D人体图像进行量体的系统,其特征在于:包括以下模块,2D人体图像获取模块,其用于获取用户的2D人体图像;
3D人体点云模型生成模块,其用于对所述2D人体图像进行人体边缘计算,得到边缘图像,并结合用户的性别、年龄和体重对所述边缘图像进行神经网络计算,生成3D人体点云模型;
3D人体点云模型优化处理模块,其用于对所述3D人体点云模型进行优化处理,得到光滑的3D人体点云模型;
特征部位测量模块,其用于对光滑的3D人体点云模型中的特征部位进行测量,计算出相应的人体尺寸;
所述3D人体点云模型生成模块具体用于,对所述2D人体图像进行高斯滤波,得到滤波图像;求取所述滤波图像的梯度幅值,得到梯度幅值图像;对所述梯度幅值图像进行边缘非最大值抑制;采用双阈值处理和连接分析的方法连接边缘非最大值抑制,得到所述边缘图像;结合用户的性别、年龄和体重对所述边缘图像进行神经网络深度学习,识别出人体骨架;将预先训练好的3D模型与所述人体骨架进行重建,生成3D人体点云模型。
6.根据权利要求5所述的一种基于2D人体图像进行量体的系统,其特征在于:所述2D人体图像获取模块具体用于,采集用户任意姿势的全身照片;对所述全身照片进行Canny算子的边缘检测,得到边缘检测结果;在所述边缘检测结果中标记连通分支,得到连通域;对所述连通域进行区域化过滤,得到过滤区域;在所述过滤区域中筛选出前景色和背景色;基于所述前景色和背景色对所述过滤区域进行二值化处理,得到去掉背景的所述2D人体图像。
7.根据权利要求5或6所述的一种基于2D人体图像进行量体的系统,其特征在于:所述3D人体点云模型优化处理模块具体用于,读取所述3D人体点云模型中的三维散乱点云数据P;将所述三维散乱点云数据P利用空间单元格栅建立云拓扑关系;根据所述云拓扑关系搜索所述三维散乱点云数据P中任一点Pi∈P的K_邻域NV(Pi);计算点Pi与其K_邻域NV(Pi)内K个点之间的距离,并计算所述距离的平均值M(Pi);将所述距离的平均值M(Pi)与预先设定的阈值M进行对比,若M(Pi)≤M,则保留所述点Pi,若M(Pi)>M,则删除所述点Pi,直至所有点搜索计算完成,得到光滑的3D人体点云模型。
8.根据权利要求5或6所述的一种基于2D人体图像进行量体的系统,其特征在于:所述特征部位测量模块具体用于,通过三维扫描仪获取光滑的3D人体点云模型中的人体点云数据;对所述人体点云数据中的非逻辑的点云数据进行数据识别和分割,得到特征部位;结合人体的几何特征以及人体特征尺寸在服装学中的定义获取所述特征部位的测量基准点或特征点所在的位置;通过所述测量基准点或特征点的位置获取所述特征部位的截面;通过B样条曲线拟合所述截面上的数据点,获取所述特征部位的特征尺寸,所述特征部位的特征尺寸即为相应的人体尺寸。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811252246.2A CN109559373B (zh) | 2018-10-25 | 2018-10-25 | 一种基于2d人体图像进行量体的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811252246.2A CN109559373B (zh) | 2018-10-25 | 2018-10-25 | 一种基于2d人体图像进行量体的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109559373A CN109559373A (zh) | 2019-04-02 |
CN109559373B true CN109559373B (zh) | 2022-10-18 |
Family
ID=65865026
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811252246.2A Active CN109559373B (zh) | 2018-10-25 | 2018-10-25 | 一种基于2d人体图像进行量体的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109559373B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
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 |
CN117893696A (zh) * | 2024-03-15 | 2024-04-16 | 之江实验室 | 一种三维人体数据生成方法、装置、存储介质及电子设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008099915A1 (ja) * | 2007-02-16 | 2008-08-21 | Mitsubishi Electric Corporation | 道路地物計測装置、地物識別装置、道路地物計測方法、道路地物計測プログラム、計測装置、計測方法、計測プログラム、計測位置データ、計測端末装置、計測サーバ装置、作図装置、作図方法、作図プログラムおよび作図データ |
WO2015193711A1 (en) * | 2014-06-17 | 2015-12-23 | Expert Ymaging, Sl | Method and device for automated parameters calculation of an object |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101599125A (zh) * | 2009-06-11 | 2009-12-09 | 上海交通大学 | 复杂背景下图像处理的二值化方法 |
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 |
CN106447713B (zh) * | 2016-08-31 | 2019-05-28 | 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 |
CN106600595A (zh) * | 2016-12-21 | 2017-04-26 | 厦门可睿特信息科技有限公司 | 一种基于人工智能算法的人体特征尺寸自动测量方法 |
CN107041585A (zh) * | 2017-03-07 | 2017-08-15 | 上海优裁信息技术有限公司 | 人体尺寸的测量方法 |
-
2018
- 2018-10-25 CN CN201811252246.2A patent/CN109559373B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008099915A1 (ja) * | 2007-02-16 | 2008-08-21 | Mitsubishi Electric Corporation | 道路地物計測装置、地物識別装置、道路地物計測方法、道路地物計測プログラム、計測装置、計測方法、計測プログラム、計測位置データ、計測端末装置、計測サーバ装置、作図装置、作図方法、作図プログラムおよび作図データ |
WO2015193711A1 (en) * | 2014-06-17 | 2015-12-23 | Expert Ymaging, Sl | Method and device for automated parameters calculation of an object |
Also Published As
Publication number | Publication date |
---|---|
CN109559373A (zh) | 2019-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109559373B (zh) | 一种基于2d人体图像进行量体的方法及系统 | |
CN111368810B (zh) | 基于人体及骨骼关键点识别的仰卧起坐检测系统及方法 | |
US9996739B2 (en) | System and method for automatic gait cycle segmentation | |
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 | |
CN108334899A (zh) | 基于手骨x光片骨骼和关节量化信息集成的骨龄评估方法 | |
CN104408718B (zh) | 一种基于双目视觉测量的步态数据处理方法 | |
CN107924564A (zh) | 用于确定预定解剖特征的容积数据的方法和设备 | |
CN105740780A (zh) | 人脸活体检测的方法和装置 | |
Bourbakis | Detecting abnormal patterns in WCE images | |
CN112668549B (zh) | 行人姿态分析方法、系统、及终端、存储介质 | |
CN113856186B (zh) | 一种引体向上动作判定与计数的方法、系统及装置 | |
CN110298279A (zh) | 一种肢体康复训练辅助方法及系统、介质、设备 | |
CN109330602A (zh) | 一种女性形体智能评估检测装置及方法、存储介质 | |
CN113139962B (zh) | 用于脊柱侧凸概率评估的系统和方法 | |
Chen et al. | Measurement of body joint angles for physical therapy based on mean shift tracking using two low cost Kinect images | |
CN110991268A (zh) | 一种基于深度图像的帕金森手部运动量化分析方法和系统 | |
Kaashki et al. | Deep learning-based automated extraction of anthropometric measurements from a single 3-D scan | |
Ling et al. | Automatic tracking of aponeuroses and estimation of muscle thickness in ultrasonography: A feasibility study | |
CN114550027A (zh) | 基于视觉的运动视频精细分析方法和装置 | |
CN110338759A (zh) | 一种正面疼痛表情数据采集方法 | |
CN115661856A (zh) | 一种基于Lite-HRNet的自定义康复训练监测与评估方法 | |
CN111883229A (zh) | 一种基于视觉ai的智能运动指导方法及系统 | |
Lee et al. | Video analysis of human gait and posture to determine neurological disorders | |
Dahdouh et al. | Segmentation of fetal envelope from 3D ultrasound images based on pixel intensity statistical distribution and shape priors | |
CN114220543A (zh) | 一种肿瘤患者身心痛苦指数评估方法以及系统 |
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 |