CN109800653A - 一种基于图像分析的人体特征参数提取方法及系统 - Google Patents
一种基于图像分析的人体特征参数提取方法及系统 Download PDFInfo
- Publication number
- CN109800653A CN109800653A CN201811581488.6A CN201811581488A CN109800653A CN 109800653 A CN109800653 A CN 109800653A CN 201811581488 A CN201811581488 A CN 201811581488A CN 109800653 A CN109800653 A CN 109800653A
- Authority
- CN
- China
- Prior art keywords
- human body
- image
- parameter
- user
- image analysis
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明属于人体特征参数识别技术领域,公开了一种基于图像分析的人体特征参数提取方法及系统,通过用户的照片图像处理,提取用户轮廓和关键特征区域和特征点,得到用户特征参数信息的关键部分;通过在人体数据库中扫描足够的人体扫描数据,获得一个能够反映人体特征的神经网络模型;根据输入所获得的身高、胸围、腰围、臀围关键部位的参数信息,直接生成神经网络模型,生成与真实人体形状相匹配的人体特征曲线;从用户的照片信息开始,在3D扫描人体数据库中搜索一个与用户身体匹配的类似人体三维模型。本发明的反向传播神经网络(BP神经网络)用于绘制三维人类特征曲线,该方法的应用可以很好地提取出人类特征参数。
Description
技术领域
本发明属于人体特征参数识别技术领域,尤其涉及一种基于图像分析的人体特征参数提取方法及系统。
背景技术
作为计算机仿真的一个组成部分,三维人体模型一直是计算机图形研究的热点话题之一。计算机人体模型可以构建一个高度现实的虚拟人体模型,广泛应用于服装CAD、动画制作、场景模拟等各个领域,并引起了许多学者的关注和研究。随着三维扫描重建技术的发展和三维人体建模技术的发展,计算机辅助三维服装设计系统是三维人体测量、维度信息提取、服装设计、虚拟拟合、动画仿真、定制、销售、展示的集成与综合。计算机辅助三维服装设计系统可以在服装正式定型前实现服装的虚拟审查和检验,及时发现问题并加以改进。与此同时,它提高了用户的参与度,降低了风险,缩短了设计生产周期,降低了成本。
3D人类建模一直是一个具有挑战性的问题。人体是一个极其复杂的几何体。自20世纪中叶以来,三维人体建模技术得到了广泛的研究和应用。在此期间,出现了许多不同的实现。主要的人类建模方法可以总结为:三维线框模型、三维立体模型、三维表面模型和基于物理的三维建模。3D线框模型最初被用来表示虚拟3D人类模型。三维线框模型从点、线、弧和各种参数曲线的组合模拟了三维人体形状。虽然结构简单,操作方便,但符合人们检验的习惯。三维立体建模包括两个部分,一部分是对立体像素(立方体、球体、圆柱体、锥体等)的定义和描述;另一部分是立体像素(组合、差分、交集等)之间的操作集。表面建模主要研究具有一定的平滑度的表面轮廓的数学描述。表面模型,也称为表面建模,是最常用的人类建模方法之一。表面建模用于在表面上匹配部分离散的数据点,从而得到表面的平滑过渡,从而实现原始表面的重构。它能提供三维的身体表面信息,使隐藏的线消除和逼真的3d人类模型显示。基于物理特征的建模是将人体的物理特征添加到其几何模型中,并通过数值计算来模拟它,然后,人类行为在模拟过程中自动确定。
在人体测量学中,人体特征点指的是用来表示测量位置的分界点,它通常位于人体和关节交界处的肌肉的突出部分。在三维服装设计中,需要提取出头部顶点、肩峰、乳头点、骨端点、跖点和人体的会阴点等特征点。国内外学者对人类特征点的提取进行了大量的相关研究。在基于图像的三维人体模型重建技术中,特征点的提取是图像分析和图像匹配的基础,也是单一照片处理的重要任务之一。数字图像的特征包括图像的点特征、线特征和表面特征。点特征的位置是准确的,它可以提供更有效的3D信息。因此,有很多关于点特征提取算法的研究。
BP神经网络分析是一种非参数估计方法,它构成了最能模拟和分析目标历史数据的解释方案。BP神经网络主要植根于神经科学、数学、统计学、物理、计算机科学和工程等技术。在人类建模和表面建模方面,BP神经网络作为一种强大的非线性系统建模工具,不仅可以简化建模的计算,还可以考虑系统之间的影响因素。因此,一些学者将神经网络技术应用于人体模型、人体运动建模和表面建模。
解决上述技术问题的难度和意义:
(1)BP神经网络作为一种强大的非线性系统建模工具,不仅可以简化建模的计算,还可以考虑系统之间的影响因素。
(2)该方法的应用可以很好地提取出人类特征参数;
(3)该方法根据以往输入所获得的身高、胸围、腰围、臀围等关键部位的参数信息,直接生成神经网络模型,生成与真实人体形状相匹配的人体特征曲线;
(4)使用了神经网络,22个人接受了颈部、胸部、腰部和臀部的训练,并对人类曲线特征进行了训练,拟合的结果比较理想的。
发明内容
针对现有技术存在的问题,本发明提供了一种基于图像分析的人体特征参数提取方法及系统。
本发明是这样实现的,一种基于图像分析的人体特征参数提取方法,包括:
第一步,通过用户的照片图像处理,提取用户轮廓和关键特征区域和特征点,得到用户特征参数信息的关键部分;
第二步,通过在人体数据库中扫描足够的人体扫描数据,获得一个能够反映人体特征的神经网络模型;根据输入所获得的身高、胸围、腰围、臀围关键部位的参数信息,直接生成神经网络模型,生成与真实人体形状相匹配的人体特征曲线;
第三步,从用户的照片信息开始,在3D扫描人体数据库中搜索一个与用户身体匹配的类似人体三维模型。
进一步,第一步中,用户的照片图像处理包括:
图像二值化处理:
当图像在被捕捉时,相机处于静止状态,镜头的焦距是固定的;图像的背景区域是固定的;利用差分图像处理方法将检测区域的分级图像与图像空间域中的背景图像区分开来,表示为:
Dfi,fi(x,y)=f(x,y,ti)-f(x,y,tj)
在公式中,f(x,y,ti),f(x,y,tj)是坐标(x,y)在ti和tj处一个像素的亮度值,而且大小在0到255之间;f(x,y,ti),和f(x,y,tj)在坐标(x,y)处的像素亮度的差别是:
在公式中,mk和sk(k=i,j)为(x,y,tk)的均值和方差,并且在(x,y)中相邻;t为阈值;若公式立,则f(x,y,ti)和f(x,y,tj)在(x,y)处的亮度差别很大,令Dfi,fj(x,y)=1;若公式成立,则令Dfi,f(x,y)=0。
进一步,第一步中,用户的照片图像处理包括人字计算法,具体包括:
假设相机有一个目标尺寸为H(c)×W(c)(mm)的CCD,H(c)是目标表面CCD的高度,W(c)是目标宽度。若项距离是u(mm),CCD图片尺寸为H(i)×W(i)(像素),被测人体的外切矩阵是H(r)×W(r)(像素),人体的高度,Sg(mm)为:
在公式中,f(mm)为焦距;k为模型修正系数,且由实验决定;有了已知的高度,身体其他部位的实际大小从身体其他部位的像素数量和高度像素的数量来计算。当腿长为L(像素)时,实际腿长Tc(mm)为:
进一步,BP神经网络算法包括:
1)网络的初始化主要是给出初始输入向量并设置目标输出;
假定样本集为(xk,yk),其中k=1,2,3,...,N,Oi是任一节点i的输出。当第K个样本输出时,在某一层中第j个元的输入如下公式所示:
netjk=∑iWijOik
其中Oik是前一层第i单元的输出;节点j的输出为Oik=f(netjk);利用平方误差函数:
其中,yik为单元i的实际输出;
2)隐藏层和输出层的输出:
如果节点j是一个输出节点,则Ojk=yjk且
如果节点j为隐藏节点,则
其中,A是第1层节点j的输出和从节点j到下一层的输入;计算从节点j的下一层进行计数;
3)BP算法:
其中,η为学习参数;
每一个主题的照片都被装订起来,然后每一部分都被提取出来,每个部分的特征都被组合成特征向量,被用作BP神经网络的输入载体,其他主题的特征则被用作背景向量;目标主体的特征输出值被定义为1;背景特性输出值被定义为0。
本发明的另一目的在于提供一种基于图像分析的人体特征参数提取计算机程序,所述基于图像分析的人体特征参数提取计算机程序实现所述的基于图像分析的人体特征参数提取方法。
本发明的另一目的在于提供一种终端,其特征在于,所述终端至少搭载实现所述基于图像分析的人体特征参数提取方法的控制器。
本发明的另一目的在于提供一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行所述的基于图像分析的人体特征参数提取方法。
本发明的另一目的在于提供一种实施所述基于图像分析的人体特征参数提取方法的基于图像分析的人体特征参数提取控制系统。
本发明的另一目的在于提供一种实施所述基于图像分析的人体特征参数提取方法的服装设计和制造领域个性化服装定制设备。
本发明提出了三维个性化人体建模方法,通过用户的照片图像处理,提出了人体轮廓和关键特征区域和特征点,得到了用户特征参数信息的关键部分。然后,通过在人体数据库中扫描足够的人体扫描数据,从而获得一个能够反映人体特征的神经网络模型(人体特征横截面环)。根据以往输入所获得的身高、胸围、腰围、臀围等关键部位的参数信息,直接生成神经网络模型,生成与真实人体形状相匹配的人体特征曲线;从用户的照片信息开始,在3D扫描人体数据库中搜索一个与用户身体匹配的类似人体。本发明特点在于,利用BP神经网络构建人体模型;建立了人体特征参数模型;建立一个个性化的人体三维模型方法;(1)BP神经网络作为一种强大的非线性系统建模工具,不仅可以简化建模的计算,还可以考虑系统之间的影响因素;(2)该方法的应用可以很好地提取出人类特征参数;(3)该方法根据以往输入所获得的身高、胸围、腰围、臀围等关键部位的参数信息,直接生成神经网络模型,生成与真实人体形状相匹配的人体特征曲线;(4)使用了神经网络,22个人接受了颈部、胸部、腰部和臀部的训练,并对人类曲线特征进行了训练,拟合的结果比较理想的。
个性化服装定制已成为服装设计和制造领域的重要研究方向之一。三维人体模型所获得的人体模型能否真正反映人体的实际大小和形状,取决于建模原理和实现方法。本发明提出了一种基于用户照片和服装设计的神经网络的三维个性化建模方法。根据人体特征区域和基于图像的特征参数,提取出人体尺寸信息(大小、轮廓点和轮廓线);人体三维横截面信息是由基于神经网络的三维人体特征曲线生成的。在三维人体数据库中搜索的类似的三维人体模型是一个身体形状的信息载体,类似的三维人体变形是由特征尺寸和曲线驱动的。所获得的信息被合并和分割,以快速生成一个三维的个人身体。
附图说明
图1是本发明实施例提供的基于图像分析的人体特征参数提取方法流程图。
图2是本发明实施例提供的颈部的拟合结果图。
图中:x轴是主体数,而y轴是拟合结果,每个主体数由两个直方图组成,左边是识别模拟结果,右边是测量结果。
图3是本发明实施例提供的在拟合之前和之后的髋部的比较图。
图中:x轴是主体数,而y轴是拟合结果,每个主体数由两个直方图组成,左边是识别模拟结果,右边是测量结果。
图4是本发明实施例提供的胸部的拟合结果图。
图中:x轴是主体数,而y轴是拟合结果,每个主体数由两个直方图组成,左边是识别模拟结果,右边是测量结果。
图5是本发明实施例提供的腰围显示的结果图。
图中:x轴是主体数,而y轴是拟合结果,每个主体数由两个直方图组成,左边是识别模拟结果,右边是测量结果。
图6是本发明实施例提供的使用本发明方法的人体模型设计的绝对偏差图。
图7是本发明实施例提供的人体的特征曲线仿真图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
现有技术中,对人体轮廓和关键特征区域和特征点及人体扫描数据,不能够进行明确的体现,造成获得的图像人体数据与真实人体信息偏差大。
1、下面结合具体实施例对本发明的应用作进一步描述。
如图1,本发明实施例提供的基于图像分析的人体特征参数提取方法,包括:
S101:通过用户的照片图像处理,提取用户轮廓和关键特征区域和特征点,得到用户特征参数信息的关键部分;
S102:通过在人体数据库中扫描足够的人体扫描数据,获得一个能够反映人体特征的神经网络模型;根据输入所获得的身高、胸围、腰围、臀围关键部位的参数信息,直接生成神经网络模型,生成与真实人体形状相匹配的人体特征曲线;
S103:从用户的照片信息开始,在3D扫描人体数据库中搜索一个与用户身体匹配的类似人体三维模型。
2、下面结合具体分析对本发明的应用作进一步描述。
2.1图像二值化处理法:
当图像在被捕捉时,相机处于静止状态,镜头的焦距是固定的。图像的背景区域是固定的。差分图像处理的基本原理是将检测区域的分级图像与图像空间域中的背景图像区分开来,可以来表示为:
Dfi,fi(x,y)=f(x,y,ti)-f(x,y,tj)
在公式中,f(x,y,ti),f(x,y,tj)是坐标(x,y)在ti和tj处一个像素的亮度值,而且大小在0到255之间。f(x,y,ti),和f(x,y,tj)在坐标(x,y)处的像素亮度的主要差别是:
在公式中,mk和sk(k=i,j)为(x,y,tk)的均值和方差,并且在(x,y)中相邻。t为阈值。若公式成立,则f(x,y,ti)和f(x,y,tj)在(x,y)处的亮度差别很大,令Dfi,fj(x,y)=1;若公式(2)不成立,则令Dfi,f(x,y)=0。
差分和二值化方法的具体实现:首先,对图像的颜色位进行判断。如果颜色位号是8位,那么下一步可以直接处理。如果是24位颜色,则必须在进一步处理之前处理。它被转换成一个8位的图像,也就是256种颜色。它的转换原理是将RGB空间的颜色转换成YUV空间的颜色值。转换之后,继续下一步。通过在内存中获取实际图像数据的地址,将两者进行比较,并设定一个阈值(阈值设置方法将在下面描述)。如果两个图像中的像素值之间的绝对值小于阈值,那么这两张图片对于对应的两个点来说是相同的,默认的是背景像素,它被设置为0,也就是黑色。如果它比阈值大,则认为这两幅图中对应像素的像素值是不同的,这意味着人图中的点是一个人,而不是背景,并且保留了点的像素值。如果你想直接执行二值化,把这个点直接设为255,这是白色的。在遍历所有像素之后,可以获得新的图像数据。在这个数据中,背景像素的像素值被设置为0,而人类像素的像素值是人类图像中对应点的像素值,或者被设置为255(二值化)。
2.2人字计算法
人体模型中某些特征点的横截面的大小在服装中起着极其重要的作用。例如,胸部特征点的横截面的周长是胸围,腰围的横截面的周长是腰围。此外,特征点和一些参考层之间,特征点和特征点之间的一些维度在服装中也扮演着重要的角色,这些维度被统称为特征尺寸。在本发明得到人体的特征尺寸之前,本发明需要认识到人体的特征区域。对人体区域的识别主要是通过在y轴上投射像素值的方法来实现的。以头部为例,只有人体区域是图中的白点,其余的都是黑点。从上到下扫描,当一个白点在一行中第一次出现时,它表示头区域开始。在开始之后,扫描将继续进行,每一行的白色像素的数量被记录下来。一般来说,头部的结构从小到大,然后从大到小,到颈部区域。所以你可以通过判断每一行中像素的数量来识别头部。当像素点从大到小的时候,记录头的顶部的白色像素的数量是最大的。这一行对应于头部最宽的部分。在进入胸腔之前,不可能增加头部的大小。一个阈值可以在程序中设置。当头部从第二次变小时,它达到1.2倍的最大位置,并且可以判断它已经进入了胸部区域。每个部分的像素数量是在确定区域后获得的。计算身体高度,上臂的长度,腿的长度,躯干的长度,以及身体的宽度,如身体的宽度的计算方法如下:
假设相机有一个目标尺寸为H(c)×W(c)(mm)的CCD,H(c)是目标表面CCD的高度,W(c)是目标宽度。若项距离是u(mm),CCD图片尺寸为H(i)×W(i)(像素),被测人体的外切矩阵是H(r)×W(r)(像素),人体的高度,Sg(mm)为:
在公式中,f(mm)为焦距;k为模型修正系数,且由实验决定。在该程序中取1.07。有了已知的高度,身体其他部位的实际大小可以从身体其他部位的像素数量和高度像素的数量来计算。如,当腿长为L(像素)时,实际腿长Tc(mm)为:
2.3BP神经网络
基本的BP神经网络算法如下:
(1)网络的初始化主要是给出初始输入向量并设置目标输出。
假定样本集为(xk,yk),其中k=1,2,3,...,N,Oi是任一节点i的输出。当第K个样本输出时,在某一层中第j个元的输入以下公式:
netjk=∑iWijOik
其中Oik是前一层第i单元的输出。因此节点j的输出为Oik=f(netjk)。利用平方误差函数:
其中,yik为单元i的实际输出。
(2)隐藏层和输出层的输出
如果节点j是一个输出节点,则Ojk=yjk且
如果节点j为隐藏节点,则
其中,A是第1层节点j的输出和从节点j到下一层的输入。所以,计算应该从节点j的下一层进行计数。
(3)BP算法:
其中,η为学习参数。
每一个主题的照片都被装订起来,然后每一部分都被提取出来,每个部分的特征都被组合成特征向量,它们被用作BP神经网络的输入载体,而其他主题的特征则被用作背景向量。目标主体的特征输出值被定义为1;背景特性输出值被定义为0。
3、下面结合实验对本发明的应用作进一步描述。
3.1实验参与者
手机MI 4照的200张生活照,并且图片大小是92*112。图像被一个JPEG(联合图像专家小组)转换成BMP(位图)格式。为了避免特殊性,本发明将实验对象的样本分成10个交叉的方法,并将200个样本分成10个样本。其中一个样本被用作测试样本,9个样本被用作训练样本。
3.2训练参数
在本发明中,神经网络是三层中三个隐藏的神经元,并且神经网络近似的收敛极限是0.001。
3.3实验环境
本发明的数据处理是在MATLAB R2014b.8.4软件环境中进行的。硬件环境的主要参数为:Intel Core i7-4710HQ四核处理器;Kingston DDR3L 4G内存;操作系统是Windows7Ultimate 64位SP1。
下面结合结论对本发明应用作进一步描述。
人体拟合结果
本发明使用了神经网络,22个人接受了颈部、胸部、腰部和臀部的训练,并对人类曲线特征进行了训练,颈部的拟合结果如图2所示。从图2可以看出,前22个人的平均成绩是69.96。拟合之后,颈部的特征是70.05。拟合之前的方差是0.62,拟合后的方差是0.57。这种方法可以很好地适应颈部曲线。
图3显示了在拟合之前和之后的髋部的比较。从图3的结果中,本发明可以看到,在髋关节试穿之前的平均水平是72.59,在试穿后的平均水平是72.69,而在试穿前后的标准偏差分别是4.67和2.4。从数值的角度来看,曲线拟合的结果是好的。从标准偏差的角度看,拟合前后的标准偏差很大。这一结果的原因是,受试者之间的臀围有很大的差异。然而,在拟合前后的标准偏差之间的差异仅为0.47,这进一步表明,当输入臀围相对不同时,拟合的结果也是理想的。
图4显示了胸部的拟合结果。在拟合之前,22个受试者的平均水平是70.02,在拟合后的均值是70.56,在拟合之前的均值是0.61,而拟合的均值是0.57。胸拟合效果更好。
图5显示了腰围的结果。从结果的平均值受试者的腰输入参数为75.33,输出拟合结果是78.20,输入参数的标准偏差为5.04,和输出参数的标准偏差为5.47,虽然对比颈部、胸部和臀部结果较差,但它们仍然显示更好的拟合结果。
表1显示了图2-5中22个样本的输入参数和输出参数的差异。从差异结果中,四个样本参数得到了较好的拟合结果。
表1不同输入参数的结果
样本数 | 颈部 | 臀部 | 胸部 | 腰部 |
1 | 0.26 | 0.3 | 0.28 | 0.02 |
2 | 1.35 | 1.31 | 1.34 | -11.25 |
3 | 0.5 | -2.58 | 0.4 | 5.15 |
4 | 0.81 | 0.84 | 0.86 | 7.81 |
5 | 0.01 | 0.06 | -0.04 | -3.24 |
6 | 1.43 | 1.42 | 1.45 | -0.71 |
7 | 0.57 | 0.59 | 0.57 | -0.29 |
8 | 0.01 | 0.04 | 0.07 | 10.31 |
9 | 1.47 | 1.52 | 1.42 | -2.37 |
10 | 0.5 | 0.51 | 0.48 | 16.12 |
11 | 0.14 | -6.83 | 0.12 | -2.51 |
12 | 0.25 | 0.27 | 0.29 | -1.66 |
13 | 0.23 | 0.29 | 0.21 | 3.93 |
14 | 0.54 | 0.54 | 0.59 | 5.01 |
15 | 0.55 | 0.57 | 0.57 | 11.12 |
16 | 0.79 | 0.84 | 0.85 | 10.05 |
17 | 0.29 | 0.34 | 0.29 | -5.15 |
18 | 1.17 | 1.19 | 1.19 | 13.98 |
19 | 0.87 | 0.93 | 0.85 | 3.07 |
20 | 0.06 | 0.05 | 0.11 | 1.01 |
21 | -0.18 | -0.15 | -0.21 | 2.81 |
22 | 0.08 | 0.11 | 0.08 | -0.04 |
根据用户的照片信息拟合用户的人体功能,准确地寻找相应的三维模型在三维人体数据库并生成个性化三维人体模型,符合用户的特性分析的主要目的是人体功能。通过用户的照片,获得用户的身体高度、尺寸特征和轮廓信息,结合胸围、腰围、臀围和其他尺寸的身体测量,在3D扫描人类模型库中寻找与人体模型最相似的人体模型。然后,在神经网络训练自动生成的人体特征曲线上,以同样的方式获得特征点。随后,用户特征曲线上的特征点对应于现有标准人类模型曲线上的特征点。同样地,胸部特性曲线上选取特征点和臀部特性曲线,并采取腰部特性曲线上的特征点以胸部特性曲线为例,和变化的坐标标准人类乳房曲线上的特征点对应的用户的胸部特性曲线上的点的坐标,然后调整标准人体胸部曲线,根据样条曲线和人体模型网格得到多边形折线最近样条曲线,然后调整其形状,使其接近初始网格形状,边缘和更新所有特征线和尺寸信息迭代变形步骤,直到偏差符合变形精度的要求。图6显示了使用上述方法的人体模型设计的绝对偏差。
图6中的结果表明,22个个体中4个部分的误差分别为0.019、0.021、0.018和0.019,这表明重建的人类模型和用户之间有细微的差别,从而提供了产生三维个性化服装设计系统的可能性。图6中的结果表明,对于不同的主题,适合的偏差是不同的,但是偏差并不大。
下面结合仿真学对本发明的应用作进一步描述。
如图7,可以看出本发明方法的结果,利用该方法可以很好地适应人体的特点。人体造型的一个重要应用是个性化的服装设计。在服装设计中,考虑到人体的要求相对简单,人体的特征可以通过几个人的特征曲线来描述。如图7所示,身体特征被划分为16个区域。1、2代表腿部区域,3代表躯干区域,4、5、6、7代表胸部区域,8、9是肩膀区域,10是颈部区域,11、12、13、15代表上臂区域,14、15代表前臂区域。每个区域都可以被看作是一个表面补丁,人体模型网格的顶点分布在不同的表面补丁上,本发明将这些顶点连接形成一个网格表面补丁。
在得到分割后,对于切向环和特征曲线,等距离散切环产生网格顶点,然后网格的顶点被连接起来产生一个网格拓扑结构。在获得所有的面部补丁后,身体表面被缝合。合并子表面补丁上的网格顶点和三角形补丁的信息,删除相邻子块的连接点上的公共顶点,并重新生成主体网格。在调整后,最终建立了一个表面重建网格模型。
在人体特征网格被获取后,利用上述方法可以获得人体特征拟合曲线,然后对人体特征曲线进行修正。调整步骤是首先找到与圆周大小相对应的目标特征曲线,目标特征线是相邻的。表面的形状决定了它的周长的大小,然后确定了身体部分环的中心点。最后,所有的表面都经过了调整和平滑。
通过实践证明,该方法能很好地适应人体特征曲线,满足人体模型服装设计的要求。
下面结合效果对本发明应用作进一步描述。
个性化服装定制已成为服装设计和制造领域的重要研究方向之一。三维人体模型所获得的人体模型能否真正反映人体的实际大小和形状,取决于建模原理和实现方法。本发明提出了一种基于用户照片和服装设计的神经网络的三维个性化建模方法。根据人体特征区域和基于图像的特征参数,提取出人体尺寸信息(大小、轮廓点和轮廓线);人体三维横截面信息是由基于神经网络的三维人体特征曲线生成的。在三维人体数据库中搜索的类似的三维人体模型是一个身体形状的信息载体,类似的三维人体变形是由特征尺寸和曲线驱动的。所获得的信息被合并和分割,以快速生成一个三维的个人身体。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现,所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述仅为本发明的较佳实施例而已,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、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于图像分析的人体特征参数提取方法,其特征在于,所述基于图像分析的人体特征参数提取方法包括:
第一步,通过用户的照片图像处理,提取用户轮廓和关键特征区域和特征点,得到用户特征参数信息的关键部分;
第二步,通过在人体数据库中扫描足够的人体扫描数据,获得一个能够反映人体特征的神经网络模型;根据输入所获得的身高、胸围、腰围、臀围关键部位的参数信息,直接生成神经网络模型,生成与真实人体形状相匹配的人体特征曲线;
第三步,从用户的照片信息开始,在3D扫描人体数据库中搜索一个与用户身体匹配的类似人体三维模型。
2.如权利要求1所述基于图像分析的人体特征参数提取方法,其特征在于,第一步中,用户的照片图像处理包括:
图像二值化处理:
当图像在被捕捉时,相机处于静止状态,镜头的焦距是固定的;图像的背景区域是固定的;利用差分图像处理方法将检测区域的分级图像与图像空间域中的背景图像区分开来,表示为:
Dfi,fi(x,y)=f(x,y,ti)-f(x,y,tj)
在公式中,f(x,y,ti),f(x,y,tj)是坐标(x,y)在ti和tj处一个像素的亮度值,而且大小在0到255之间;f(x,y,ti),和f(x,y,tj)在坐标(x,y)处的像素亮度的差别是:
在公式中,mk和sk(k=i,j)为(x,y,tk)的均值和方差,并且在(x,y)中相邻;t为阈值;若公式成立,则f(x,y,ti)和f(x,y,tj)在(x,y)处的亮度差别很大,令Dfi,fj(x,y)=1;若公式不成立,则令Dfi,f(x,y)=0。
3.如权利要求1所述基于图像分析的人体特征参数提取方法,其特征在于,第一步中,用户的照片图像处理包括人字计算法,具体包括:
假设相机有一个目标尺寸为H(c)×W(c)(mm)的CCD,H(c)是目标表面CCD的高度,W(c)是目标宽度。若项距离是u(mm),CCD图片尺寸为H(i)×W(i)(像素),被测人体的外切矩阵是H(r)×W(r)(像素),人体的高度,Sg(mm)为:
在公式中,f(mm)为焦距;k为模型修正系数,且由实验决定;有了已知的高度,身体其他部位的实际大小从身体其他部位的像素数量和高度像素的数量来计算。当腿长为L(像素)时,实际腿长Tc(mm)为:
4.如权利要求1所述基于图像分析的人体特征参数提取方法,其特征在于,BP神经网络算法包括:
1)网络的初始化主要是给出初始输入向量并设置目标输出;
假定样本集为(xk,yk),其中k=1,2,3,...,N,Oi是任一节点i的输出。当第K个样本输出时,在某一层中第j个元的输入如下公式所示:
netjk=∑iWijOik
其中Oik是前一层第i单元的输出;节点j的输出为Oik=f(netjk);利用平方误差函数:
其中,yik为单元i的实际输出;
2)隐藏层和输出层的输出:
如果节点j是一个输出节点,则Ojk=yjk且
如果节点j为隐藏节点,则
其中,A是第1层节点j的输出和从节点j到下一层的输入;计算从节点j的下一层进行计数;
3)BP算法:
其中,η为学习参数;
每一个主题的照片都被装订起来,然后每一部分都被提取出来,每个部分的特征都被组合成特征向量,被用作BP神经网络的输入载体,其他主题的特征则被用作背景向量;目标主体的特征输出值被定义为1;背景特性输出值被定义为0。
5.一种基于图像分析的人体特征参数提取计算机程序,其特征在于,所述基于图像分析的人体特征参数提取计算机程序实现权利要求1~4任意一项所述的基于图像分析的人体特征参数提取方法。
6.一种终端,其特征在于,所述终端至少搭载实现权利要求1~4任意一项所述基于图像分析的人体特征参数提取方法的控制器。
7.一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行如权利要求1-4任意一项所述的基于图像分析的人体特征参数提取方法。
8.一种实施权利要求1~4任意一项所述基于图像分析的人体特征参数提取方法的基于图像分析的人体特征参数提取控制系统。
9.一种实施权利要求1~4任意一项所述基于图像分析的人体特征参数提取方法的服装设计和制造领域个性化服装定制设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811581488.6A CN109800653A (zh) | 2018-12-24 | 2018-12-24 | 一种基于图像分析的人体特征参数提取方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811581488.6A CN109800653A (zh) | 2018-12-24 | 2018-12-24 | 一种基于图像分析的人体特征参数提取方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109800653A true CN109800653A (zh) | 2019-05-24 |
Family
ID=66557461
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811581488.6A Pending CN109800653A (zh) | 2018-12-24 | 2018-12-24 | 一种基于图像分析的人体特征参数提取方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109800653A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110264310A (zh) * | 2019-05-30 | 2019-09-20 | 肖伯祥 | 一种基于人体大数据的服装制版方法 |
CN111191351A (zh) * | 2019-12-18 | 2020-05-22 | 中国船舶重工集团公司第七一五研究所 | 一种液压阀简化实时模型快速构建的方法 |
CN111476250A (zh) * | 2020-03-24 | 2020-07-31 | 重庆第二师范学院 | 图像特征提取与目标识别方法、系统、存储介质、终端 |
CN111784818A (zh) * | 2020-06-01 | 2020-10-16 | 北京沃东天骏信息技术有限公司 | 生成三维人体模型的方法、装置及计算机可读存储介质 |
CN112401369A (zh) * | 2020-11-23 | 2021-02-26 | 叠境数字科技(上海)有限公司 | 基于人体重建的身体参数测量方法、系统、设备、芯片及介质 |
CN112419479A (zh) * | 2020-11-10 | 2021-02-26 | 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 |
CN113112583A (zh) * | 2021-03-22 | 2021-07-13 | 成都理工大学 | 基于红外热成像的3d人体重构方法 |
CN114998527A (zh) * | 2022-06-27 | 2022-09-02 | 上海域圆信息科技有限公司 | 一种准确性高的三维人体表面重建系统 |
WO2023005200A1 (zh) * | 2021-07-29 | 2023-02-02 | 华为技术有限公司 | 图像生成方法、装置及系统、计算机可读存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108269302A (zh) * | 2018-01-19 | 2018-07-10 | 浙江大学 | 一种基于简易测量服的三维人体快速重建方法 |
-
2018
- 2018-12-24 CN CN201811581488.6A patent/CN109800653A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108269302A (zh) * | 2018-01-19 | 2018-07-10 | 浙江大学 | 一种基于简易测量服的三维人体快速重建方法 |
Non-Patent Citations (3)
Title |
---|
邓卫燕: "《基于用户照片和神经网络的三维个性化人体建模方法研究》", 《中国博士学位论文全文数据库》, no. 04, pages 44 - 125 * |
邓卫燕;陆国栋;王进;陈龙;: "基于图像的三维人体特征参数提取方法", 浙江大学学报(工学版), no. 05 * |
邓卫燕;陆国栋;耿玉磊;王进;: "基于神经网络的三维人体建模方法", 上海交通大学学报, no. 10 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110264310A (zh) * | 2019-05-30 | 2019-09-20 | 肖伯祥 | 一种基于人体大数据的服装制版方法 |
CN110264310B (zh) * | 2019-05-30 | 2021-09-03 | 肖伯祥 | 一种基于人体大数据的服装制版方法 |
CN111191351B (zh) * | 2019-12-18 | 2023-04-25 | 中国船舶重工集团公司第七一五研究所 | 一种液压阀简化实时模型快速构建的方法 |
CN111191351A (zh) * | 2019-12-18 | 2020-05-22 | 中国船舶重工集团公司第七一五研究所 | 一种液压阀简化实时模型快速构建的方法 |
CN111476250A (zh) * | 2020-03-24 | 2020-07-31 | 重庆第二师范学院 | 图像特征提取与目标识别方法、系统、存储介质、终端 |
CN111784818A (zh) * | 2020-06-01 | 2020-10-16 | 北京沃东天骏信息技术有限公司 | 生成三维人体模型的方法、装置及计算机可读存储介质 |
CN111784818B (zh) * | 2020-06-01 | 2024-04-16 | 北京沃东天骏信息技术有限公司 | 生成三维人体模型的方法、装置及计算机可读存储介质 |
CN112419479A (zh) * | 2020-11-10 | 2021-02-26 | 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 |
CN112401369A (zh) * | 2020-11-23 | 2021-02-26 | 叠境数字科技(上海)有限公司 | 基于人体重建的身体参数测量方法、系统、设备、芯片及介质 |
CN113112583A (zh) * | 2021-03-22 | 2021-07-13 | 成都理工大学 | 基于红外热成像的3d人体重构方法 |
WO2023005200A1 (zh) * | 2021-07-29 | 2023-02-02 | 华为技术有限公司 | 图像生成方法、装置及系统、计算机可读存储介质 |
CN114998527A (zh) * | 2022-06-27 | 2022-09-02 | 上海域圆信息科技有限公司 | 一种准确性高的三维人体表面重建系统 |
CN114998527B (zh) * | 2022-06-27 | 2024-05-03 | 上海域圆信息科技有限公司 | 一种准确性高的三维人体表面重建系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109800653A (zh) | 一种基于图像分析的人体特征参数提取方法及系统 | |
CN105354876B (zh) | 一种基于移动终端的实时立体试衣方法 | |
CN110807836B (zh) | 三维人脸模型的生成方法、装置、设备及介质 | |
Zhu et al. | An efficient human model customization method based on orthogonal-view monocular photos | |
CN103914699B (zh) | 一种基于色彩空间的自动唇彩的图像增强的方法 | |
CA2734143C (en) | Method and apparatus for estimating body shape | |
CN107924579A (zh) | 生成个性化3d头部模型或3d身体模型的方法 | |
Neumann et al. | Capture and Statistical Modeling of Arm‐Muscle Deformations | |
Zhao et al. | 3-D reconstruction of human body shape from a single commodity depth camera | |
CN113298936B (zh) | 一种基于深度学习的多rgb-d全脸材质恢复方法 | |
CN113496507A (zh) | 一种人体三维模型重建方法 | |
CN109801380A (zh) | 一种虚拟试衣的方法、装置、存储介质及计算机设备 | |
Liu et al. | 3D real human reconstruction via multiple low-cost depth cameras | |
CN111161278B (zh) | 一种基于深层网络聚合的眼底图像病灶分割方法 | |
CN108363973A (zh) | 一种无约束的3d表情迁移方法 | |
Li et al. | In-home application (App) for 3D virtual garment fitting dressing room | |
CN112102480B (zh) | 图像数据处理方法、装置、设备以及介质 | |
CN112669448B (zh) | 基于三维重建技术的虚拟数据集开发方法、系统及存储介质 | |
CN113808277B (zh) | 一种图像处理方法及相关装置 | |
US11922593B2 (en) | Methods of estimating a bare body shape from a concealed scan of the body | |
CN115761791A (zh) | 基于2d图像的人体语义预测模块、虚拟换衣模型及方法 | |
CN109166172B (zh) | 服装模型的构建方法、装置、服务器和存储介质 | |
CN107204000A (zh) | 基于Kinect深度相机的人体分割方法 | |
CN116740281A (zh) | 三维头部模型的生成方法、装置、电子设备和存储介质 | |
Cushen et al. | Markerless real-time garment retexturing from monocular 3d reconstruction |
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 |