CN109934926B - 模型数据处理方法、装置、可读存储介质和设备 - Google Patents
模型数据处理方法、装置、可读存储介质和设备 Download PDFInfo
- Publication number
- CN109934926B CN109934926B CN201910141055.7A CN201910141055A CN109934926B CN 109934926 B CN109934926 B CN 109934926B CN 201910141055 A CN201910141055 A CN 201910141055A CN 109934926 B CN109934926 B CN 109934926B
- Authority
- CN
- China
- Prior art keywords
- posture
- shoulder
- head
- point cloud
- neck
- 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
- 238000003672 processing method Methods 0.000 title abstract description 16
- 239000013598 vector Substances 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000000513 principal component analysis Methods 0.000 claims abstract description 12
- 230000036544 posture Effects 0.000 claims description 177
- 238000000034 method Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 13
- 239000000203 mixture Substances 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 238000011084 recovery Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 208000028752 abnormal posture Diseases 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000037237 body shape Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 235000009508 confectionery Nutrition 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Landscapes
- Processing Or Creating Images (AREA)
Abstract
本申请提供了一种模型数据处理方法，包括：获取用户同一姿态对应的第一三维扫描点云数据，利用相同的人体网格模型去拟合所述第一三维扫描点云数据，得到具有相同拓扑结构的网格数据集；对网格数据集进行主成分分析，得到网格数据集所在的形状空间的基向量组及平均形状网格，根据所述基向量组及平均形状网格建立头肩颈形状空间模型；获取同一用户具有姿态变化的第二三维扫描点云数据，根据同一用户形状参数不变的原则，利用所述头肩颈形状空间模型解释第二三维扫描点云数据，得到用户对应的形状参数和各个姿态对应的头肩颈姿态参数；根据头肩颈姿态参数训练得到姿态统计分布模型；存储头肩颈形状空间模型和姿态统计分布模型，提高恢复准确度。
Description
技术领域
本申请涉及计算机技术领域，特别是涉及一种模型数据处理方法、装置、计算机可读存储介质和计算机设备。
背景技术
随着计算机技术的发展，人体建模技术进入人们的生活中，人体建模技术根据用户特征恢复用户形象，应用于各个领域，如虚拟试衣、进行肩宽、脖围、头长等体型数据的测量等，在恢复用户形象时，头肩颈部位尤为重要。
传统的人体模型的建立依赖于人体分割和特征点检测的准确性，所建立的样条拟合模型的分辨率不够，对头肩颈部位进行分离处理，难以准确描述头肩颈部位的姿态和形状的变化。
发明内容
基于此，有必要针对上述技术问题，提供一种通过模型数据处理方法和装置、计算机可读存储介质和计算机设备，提高人体头肩颈部位的形状和姿态的恢复准确度。
一种模型数据处理方法，所述方法包括：
获取第一三维扫描点云数据，所述第一三维扫描点云数据对应的用户为同一姿态；
利用相同的人体网格模型去拟合所述第一三维扫描点云数据，得到具有相同拓扑结构的网格数据集；
对所述网格数据集进行主成分分析，得到网格数据集所在的形状空间的基向量组及平均形状网格，根据所述基向量组及平均形状网格建立头肩颈形状空间模型；
获取同一用户具有姿态变化的第二三维扫描点云数据，根据同一用户形状参数不变的原则，利用所述头肩颈形状空间模型解释所述第二三维扫描点云数据，得到用户对应的形状参数和各个姿态对应的头肩颈姿态参数；
根据所述头肩颈姿态参数训练得到姿态统计分布模型；
存储所述头肩颈形状空间模型和所述姿态统计分布模型。
在其中一个实施例中，方法还包括：
获取应用数据，所述应用数据包括三维扫描设备扫描得到的点云数据、单个深度相机得到的半边点云数据、二维图像数据中的至少一种；
根据所述头肩颈形状空间模型和姿态统计分布模型解释所述应用数据对应的形状和姿态，得到目标形状参数和目标姿态参数。
在其中一个实施例中，所述根据所述头肩颈姿态参数训练得到姿态统计分布模型包括：
获取不同用户不同姿态对应的头肩颈姿态参数大数据；
将所述头肩颈姿态参数大数据作为训练数据输入混合高斯模型以学习得到所述姿态统计分布模型；
所述姿态统计分布模型对于输入的当前头肩颈姿态参数，输出对应的头肩颈姿态状态检测结果。
在其中一个实施例中，所述根据同一用户形状参数不变的原则，利用所述头肩颈形状空间模型解释所述第二三维扫描点云数据，得到用户对应的形状参数和各个姿态对应的头肩颈姿态参数包括：
获取当前用户对应的第一姿态三维扫描点云数据；
利用所述头肩颈形状空间模型在形状空间中寻找当前形状参数，使得当前形状参数对应的网格上的顶点与第一姿态三维扫描点云数据的对应关系点匹配；
获取当前用户对应的其它姿态三维扫描点云数据；
固定所述当前形状参数，通过调整头肩颈姿态参数以解释所述其它姿态三维扫描点云数据，得到各个姿态对应的头肩颈姿态参数。
在其中一个实施例中，所述方法还包括：
根据所述目标形状参数和目标头肩颈姿态参数得到与所述应用数据对应的当前用户体型匹配的目标网格；
根据目标网格的网格顶点计算得到所述当前用户对应的虚拟三维模型关键位置信息；
根据所述虚拟三维模型关键位置信息建立与所述当前用户体型匹配的目标虚拟三维模型。
一种模型数据处理装置，所述装置包括：
点云数据获取模块，用于获取第一三维扫描点云数据，所述第一三维扫描点云数据对应的用户为同一姿态；
网格构建模块，用于利用相同的人体网格模型去拟合所述第一三维扫描点云数据，得到具有相同拓扑结构的网格数据集；
头肩颈形状空间模型建立模块，用于对所述网格数据集进行主成分分析，得到网格数据集所在的形状空间的基向量组及平均形状网格，根据所述基向量组及平均形状网格建立头肩颈形状空间模型；
点云解释模块，用于获取同一用户具有姿态变化的第二三维扫描点云数据，根据同一用户形状参数不变的原则，利用所述头肩颈形状空间模型解释所述第二三维扫描点云数据，得到用户对应的形状参数和各个姿态对应的头肩颈姿态参数；
姿态统计分布模型建立模块，用于根据所述头肩颈姿态参数训练得到姿态统计分布模型；
存储模块，用于存储所述头肩颈形状空间模型和所述姿态统计分布模型。
在其中一个实施例中，装置还包括：
应用数据获取模块，用于获取应用数据，所述应用数据包括三维扫描设备扫描得到的点云数据、单个深度相机得到的半边点云数据、二维图像数据中的至少一种；
形状和姿态解析模块，用于根据所述头肩颈形状空间模型和姿态统计分布模型解释所述应用数据对应的形状和姿态，得到目标形状参数和目标姿态参数。
在其中一个实施例中，点云解释模块还用于获取当前用户对应的第一姿态三维扫描点云数据，利用所述头肩颈形状空间模型在形状空间中寻找当前形状参数，使得当前形状参数对应的网格上的顶点与第一姿态三维扫描点云数据的对应关系点匹配，获取当前用户对应的其它姿态三维扫描点云数据，固定所述当前形状参数，通过调整头肩颈姿态参数以解释所述其它姿态三维扫描点云数据，得到各个姿态对应的头肩颈姿态参数。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，该处理器执行所述程序时实现以下步骤：
获取第一三维扫描点云数据，所述第一三维扫描点云数据对应的用户为同一姿态；
利用相同的人体网格模型去拟合所述第一三维扫描点云数据，得到具有相同拓扑结构的网格数据集；
对所述网格数据集进行主成分分析，得到网格数据集所在的形状空间的基向量组及平均形状网格，根据所述基向量组及平均形状网格建立头肩颈形状空间模型；
获取同一用户具有姿态变化的第二三维扫描点云数据，根据同一用户形状参数不变的原则，利用所述头肩颈形状空间模型解释所述第二三维扫描点云数据，得到用户对应的形状参数和各个姿态对应的头肩颈姿态参数；
根据所述头肩颈姿态参数训练得到姿态统计分布模型；
存储所述头肩颈形状空间模型和所述姿态统计分布模型。
一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时，使得处理器执行以下步骤：
获取第一三维扫描点云数据，所述第一三维扫描点云数据对应的用户为同一姿态；
利用相同的人体网格模型去拟合所述第一三维扫描点云数据，得到具有相同拓扑结构的网格数据集；
对所述网格数据集进行主成分分析，得到网格数据集所在的形状空间的基向量组及平均形状网格，根据所述基向量组及平均形状网格建立头肩颈形状空间模型；
获取同一用户具有姿态变化的第二三维扫描点云数据，根据同一用户形状参数不变的原则，利用所述头肩颈形状空间模型解释所述第二三维扫描点云数据，得到用户对应的形状参数和各个姿态对应的头肩颈姿态参数；
根据所述头肩颈姿态参数训练得到姿态统计分布模型；
存储所述头肩颈形状空间模型和所述姿态统计分布模型。
上述模型数据处理方法、装置、计算机可读存储介质和计算机设备，通过获取第一三维扫描点云数据，第一扫描点云数据对应的用户为同一姿态，利用相同的人体网格模型去拟合第一三维扫描点云数据，得到具有相同拓扑结构的网格数据集，对网格数据集进行主成分分析，得到网格数据集所在的形状空间的基向量组及平均形状网格，根据基向量组及平均形状网格建立头肩颈形状空间模型，获取同一用户具有姿态变化的第二三维扫描点云数据，根据同一用户形状参数不变的原则，利用头肩颈形状空间模型解释第二三维扫描点云数据，得到用户对应的形状参数和各个姿态对应的头肩颈姿态参数，根据头肩颈姿态参数训练得到姿态统计分布模型，存储头肩颈形状空间模型和姿态统计分布模型，对人体头肩颈部位进行整体建模，所得模型在头、肩、颈部位是无缝衔接的，对头肩颈部位的姿态分布进行建模，所得模型有助于准确恢复出头肩颈部位的姿态，提高了人体头肩颈部位的形状和姿态的恢复准确度。
附图说明
图1为一个实施例中模型数据处理方法的应用环境图；
图2为一个实施例中模型数据处理方法的流程示意图；
图3为一个实施例中人体网格模型的示意图；
图4为一个实施例模型数据处理装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的模型数据处理方法，可以应用于如图1所示的应用环境中。如图1所示，该应用环境包括三维扫描设备110、计算机设备120，三维扫描设备110、计算机设备120之间通过网络或直接连接进行通信，通信网络可以是无线或者有线通信网络，例如IP网络、蜂窝移动通信网络等。三维扫描设备110可以是激光扫描设备、基于深度相机的三维扫描系统等。计算机设备120可以是服务器或终端，服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现，终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。模型数据处理方法应用于计算机设备120。
在一个实施例中，如图2所示，提供了一种模型数据处理方法，以该方法应用于图1中的应用环境中的电子设备为例进行说明，包括以下步骤：
步骤210，获取第一三维扫描点云数据，第一三维扫描点云数据对应的用户为同一姿态。
具体的，可以从人体三维扫描点云数据库直接获取已采集的第一三维扫描点云数据或实时采集得到第一三维扫描点云数据。其中第一三维扫描点云数据是利用专业三维扫描设备，如激光扫描设备、基于深度相机的三维扫描系统等采集的，包含不同体型、不同性别，但人体姿态都是统一的同一姿态的三维扫描点云数据，其中同一姿态可为预设的某个姿态，如人体站直后两臂半张开的姿态A-pose、两臂张开到水平的姿态T-pose、两臂不张开的姿态I-pose等。
步骤220，利用相同的人体网格模型去拟合第一三维扫描点云数据，得到具有相同拓扑结构的网格数据集。
具体地，利用相同的人体网格模型去拟合第一三维扫描点云数据，具体过程是：首先，在第一三维扫描点云数据中寻找与网格顶点对应的点，称之为对应关系点，网格顶点与其对应关系点存在一定的语义对应关系；然后，对网格上的顶点应用非刚性形变，使其与其对应关系点尽可能接近。对所有的点云数据都进行相同的处理，将点云数据集同构为网格数据集。网格数据集包含多个网格，每个网格都对应一个第一三维扫描点云数据。在一个实施例中，人体网格模型如图3所示。
步骤230，对网格数据集进行主成分分析，得到网格数据集所在的形状空间的基向量组及平均形状网格，根据基向量组及平均形状网格建立头肩颈形状空间模型。
其中，主成分分析又称为PCA降维，是一种分析、简化数据集的技术，用于降低数据集的维数，同时保持数据集中对方差贡献最大的特征。将PCA应用于同构的人体网格数据集得到的各主成分分量就是构成人体形状空间的基向量，单个主成分分量，或基向量，也被称为blend shape。
具体地，形状是由3D模型网格的顶点位置组成的向量，对于N个顶点的网格，对应的向量为[x1,y1,z1,...,xN,yN,zN]T，平均形状网格就是取不同形状的3D网格的平均。形状空间是由一个平均形状网格
和基向量组[S1,S2,...,Sn]组成，其中
Si∈R3N,i＝1,2,...,n，N表示形状的顶点个数，形状空间用VS表示。形状空间中的一个形状可用下式表示：
其中，βi是与基向量Si相关的系数。
称为形状空间VS中的一组参数，它是对形状空间中某个形状的参数化表示。头肩颈形状空间模型
步骤240，获取同一用户具有姿态变化的第二三维扫描点云数据，根据同一用户形状参数不变的原则，利用头肩颈形状空间模型解释第二三维扫描点云数据，得到用户对应的形状参数和各个姿态对应的头肩颈姿态参数。
具体地，第二三维扫描点云数据是用深度相机，例如，kinect等采集的具有头部、颈部、肩部姿态变化同一用户的数据库。同一用户头肩颈部位的姿态可以有很多变化，但形状是不变的，在拟合来自同一用户的点云数据的头肩颈姿态的时候，先固定其形状参数，通过点云形状空间解释得到在某一个姿态
下对应形状参数
则其他姿态下此用户对应的形状参数也是
在计算其他姿态对应的头肩颈姿态参数时，保持形状参数
不变，通过调整姿态
以最好的解释点云数据，得到各个姿态对应的头肩颈姿态参数。
其中点云形状空间解释是指在形状空间中寻找一个点，也就是一组参数
要求这个点所表示网格上的顶点与点云上的对应关系点尽可能接近。点云解释可用下式描述：
式中，
表示平均形状网格的第i个网格顶点的坐标，
表示第j个形状空间基向量中第i个网格顶点的分量，
表示姿态
对应的欧氏变换下的顶点坐标，Pi表示第i个网格顶点在点云上的对应关系点，|| ||2表示欧氏空间中的2-范数。
步骤250，根据头肩颈姿态参数训练得到姿态统计分布模型。
具体地，头肩颈的姿态主要由头部姿态和脖子根部关节点处的姿态组成，头肩颈的姿态变化存在相关关系，可以利用数据分布模型去描述这种相关关系得到姿态统计分布模型，具体的模型类型可自定义。根据采集的大量的头肩颈姿态参数训练姿态统计分布模型，参数训练好后，对于任意的头肩颈姿态，姿态统计分布模型可以输出对应的姿态状态，姿态状态包括正常和异常。通过姿态统计分布模型可以保证后续头肩颈姿态参数确定的有效性。
步骤260，存储头肩颈形状空间模型和姿态统计分布模型。
具体地，将得到的头肩颈形状空间模型保存为模型文件，将基向量组Si∈R3N,i＝1,2,...,n和平均形状网格
保存到二进制文件，它们都是double或float类型的数组。保存姿态统计分布模型的参数，在计算机里它们是double或float类型的数组，训练完成后保存到二进制文件。
上述模型数据处理方法，通过获取第一三维扫描点云数据，第一扫描点云数据对应的用户为同一姿态，利用相同的人体网格模型去拟合第一三维扫描点云数据，得到具有相同拓扑结构的网格数据集，对网格数据集进行主成分分析，得到网格数据集所在的形状空间的基向量组及平均形状网格，根据基向量组及平均形状网格建立头肩颈形状空间模型，获取同一用户具有姿态变化的第二三维扫描点云数据，根据同一用户形状参数不变的原则，利用头肩颈形状空间模型解释第二三维扫描点云数据，得到用户对应的形状参数和各个姿态对应的头肩颈姿态参数，根据头肩颈姿态参数训练得到姿态统计分布模型，存储头肩颈形状空间模型和姿态统计分布模型，对人体头肩颈部位进行整体建模，所得模型在头、肩、颈部位是无缝衔接的，对头肩颈部位的姿态分布进行建模，所得模型有助于准确恢复出头肩颈部位的姿态，提高了人体头肩颈部位的形状和姿态的恢复准确度。
在一个实施例中，方法还包括：获取应用数据，应用数据包括三维扫描设备扫描得到的点云数据、单个深度相机得到的半边点云数据、二维图像数据中的至少一种，根据头肩颈形状空间模型和姿态统计分布模型解释应用数据对应的形状和姿态，得到目标形状参数和目标姿态参数。
具体地，利用建模阶段得到的形状空间模型和姿态统计分布模型，将应用数据输入形状空间模型和姿态统计分布模型去分别解释人体点云数据的形状和姿态，得到目标形状参数
和目标姿态参数
通过姿态统计分布模型将姿态统计分布模型控制在正常范围内，且目标形状参数
是通过人体头肩颈部位进行整体建模得到的模型输出的，保证了准确性。当应用数据为用户三维扫描点云数据，或基于单个深度相机的点云数据时，拟合出用户头肩颈部位的形状和姿态，可用于合成用户的虚拟形象，进行虚拟展示。当应用数据为已知相机内外参以及用户与相机的距离的前提下，利用2D图像中的头肩像轮廓恢复用户的头肩颈形状。当应用数据为已知头部姿态，如人脸朝向及上半身朝向的前提下，根据头肩颈形状空间模型和姿态统计分布模型解释应用数据对应的形状和姿态，恢复用户的头肩颈姿态。在已知用户形状参数和姿态参数的前提下，进行虚拟头肩像的生成及渲染。在已知用户头肩颈形状参数的前提下，进行肩宽、脖围、头长等体型数据的测量。
在一个实施例中，步骤250包括：获取不同用户不同姿态对应的头肩颈姿态参数大数据，将头肩颈姿态参数大数据作为训练数据输入混合高斯模型以学习得到姿态统计分布模型；姿态统计分布模型对于输入的当前头肩颈姿态参数，输出对应的头肩颈姿态状态检测结果。
具体地，通过混合高斯模型去描述头肩颈的姿态变化存在的相关关系，混合高斯模型的参数使用期望最大化算法去学习。混合高斯模型可以统计数据的分布，采集了大量的不同用户不同姿态对应的头肩颈姿态数据，训练混合高斯模型，混合高斯模型是一种复杂的、多峰的统计分布模型，用多个高斯概率密度函数精确地描述变量的分布，其概率密度函数可表示如下：
其中，K表示使用的高斯分量的个数，λk表示第k个高斯分量的权重，且∑λk＝1，Normx(μk,Σk)表示第k个高斯分量，其均值为μk∈RD，方差为Σk∈RD×D，D是数据x的维数。选定高斯分量的个数K后，各个高斯分量的参数(λk,μk,Σk),k＝1,2,...,K是使用期望最大化算法从采集的数据集中学习得到的。参数训练好后，对于任意输入的当前头肩颈姿态参数，模型可以给出对应的概率，概率高表示该姿态“正常”，概率低表示该姿态“不正常”，比如一般人很难把脖子或头扭转360度，则此姿态就是一个不正常的姿态。
在一个实施例中，步骤240包括：获取当前用户对应的第一姿态三维扫描点云数据，利用头肩颈形状空间模型在形状空间中寻找当前形状参数，使得当前形状参数对应的网格上的顶点与第一姿态三维扫描点云数据的对应关系点匹配，获取当前用户对应的其它姿态三维扫描点云数据；固定当前形状参数，通过调整头肩颈姿态参数以解释其它姿态三维扫描点云数据，得到各个姿态对应的头肩颈姿态参数。
具体地，第一姿态三维扫描点云数据是当前用户在第一姿态
下对应的三维扫描点云数据。根据
得到在姿态
下对应的形状参数
获取当前用户对应的其它姿态三维扫描点云数据；固定当前形状参数
不变，通过调整头肩颈姿态参数
以解释其它姿态三维扫描点云数据，得到各个姿态对应的头肩颈姿态参数。
在一个实施例中，方法还包括：根据目标形状参数和目标头肩颈姿态参数得到与应用数据对应的当前用户体型匹配的目标网格，根据目标网格的网格顶点计算得到当前用户对应的虚拟三维模型关键位置信息；根据虚拟三维模型关键位置信息建立与当前用户体型匹配的目标虚拟三维模型。
具体地，从点云数据获取到对应的目标形状参数和目标头肩颈姿态参数后，就能得到一个与用户体型相似的目标网格，该网格上的某些顶点有明确的语义，例如第i个顶点是左肩点，第j个顶点是右肩点，那么这两个顶点之间的距离就是近似的肩宽。通过对点云数据进行解释，找出有明确语义，如左右肩点、脖颈根部点、头顶点、鼻尖点等的关键点的位置。在虚拟形象合成的时候，根据目标网格的网格顶点计算得到当前用户对应的虚拟三维模型关键位置信息，如肩宽、头肩比例、脖长，根据虚拟三维模型关键位置信息建立与当前用户体型匹配的目标虚拟三维模型。由于肩宽、头肩比例、脖长这些信息都是与合成逼真度高度相关的，从而提高目标虚拟三维模型与用户的高匹配度。
应该理解的是，虽然图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图4所示，提供了一种模型数据处理装置，包括：
点云数据获取模块410，用于获取第一三维扫描点云数据，第一三维扫描点云数据对应的用户为同一姿态。
网格构建模块420，用于利用相同的人体网格模型去拟合第一三维扫描点云数据，得到具有相同拓扑结构的网格数据集。
头肩颈形状空间模型建立模块430，用于对网格数据集进行主成分分析，得到网格数据集所在的形状空间的基向量组及平均形状网格，根据基向量组及平均形状网格建立头肩颈形状空间模型。
点云解释模块440，用于获取同一用户具有姿态变化的第二三维扫描点云数据，根据同一用户形状参数不变的原则，利用头肩颈形状空间模型解释第二三维扫描点云数据，得到用户对应的形状参数和各个姿态对应的头肩颈姿态参数。
姿态统计分布模型建立模块450，用于根据头肩颈姿态参数训练得到姿态统计分布模型。
存储模块460，用于存储头肩颈形状空间模型和姿态统计分布模型。
在一个实施例中，装置还包括：
应用数据获取模块470，用于获取应用数据，应用数据包括三维扫描设备扫描得到的点云数据、单个深度相机得到的半边点云数据、二维图像数据中的至少一种。
形状和姿态解析模块480，用于根据头肩颈形状空间模型和姿态统计分布模型解释应用数据对应的形状和姿态，得到目标形状参数和目标姿态参数。
在一个实施例中，点云解释模块440还用于获取当前用户对应的第一姿态三维扫描点云数据，利用头肩颈形状空间模型在形状空间中寻找当前形状参数，使得当前形状参数对应的网格上的顶点与第一姿态三维扫描点云数据的对应关系点匹配，获取当前用户对应的其它姿态三维扫描点云数据，固定当前形状参数，通过调整头肩颈姿态参数以解释所述其它姿态三维扫描点云数据，得到各个姿态对应的头肩颈姿态参数。
在一个实施例中，姿态统计分布模型建立模块450还用于获取不同用户不同姿态对应的头肩颈姿态参数大数据；将头肩颈姿态参数大数据作为训练数据输入混合高斯模型以学习得到姿态统计分布模型；姿态统计分布模型对于输入的当前头肩颈姿态参数，输出对应的头肩颈姿态状态检测结果。
在一个实施例中，装置还包括：
虚拟三维模型建立模块490，用于根据目标形状参数和目标头肩颈姿态参数得到与应用数据对应的当前用户体型匹配的目标网格；根据目标网格的网格顶点计算得到所述当前用户对应的虚拟三维模型关键位置信息；根据虚拟三维模型关键位置信息建立与当前用户体型匹配的目标虚拟三维模型。
关于模型数据处理装置的具体限定可以参见上文中对于模型数据处理方法的限定，在此不再赘述。上述模型数据处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述模型数据处理的步骤。此处数据处理方法的步骤可以是上述各个实施例的模型数据处理方法中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行上述模型数据处理方法的步骤。此处模型数据处理方法的步骤可以是上述各个实施例的模型数据处理方法中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种模型数据处理方法，所述方法包括：
获取第一三维扫描点云数据，所述第一三维扫描点云数据对应的用户为同一姿态；
利用相同的人体网格模型去拟合所述第一三维扫描点云数据，得到具有相同拓扑结构的网格数据集；
对所述网格数据集进行主成分分析，得到网格数据集所在的形状空间的基向量组及平均形状网格，根据所述基向量组及平均形状网格建立头肩颈形状空间模型；
获取同一用户具有姿态变化的第二三维扫描点云数据，根据同一用户形状参数不变的原则，利用所述头肩颈形状空间模型解释所述第二三维扫描点云数据，得到用户对应的形状参数和各个姿态对应的头肩颈姿态参数，包括：获取当前用户对应的第一姿态三维扫描点云数据；利用所述头肩颈形状空间模型在形状空间中寻找当前形状参数，使得当前形状参数对应的网格上的顶点与第一姿态三维扫描点云数据的对应关系点匹配；获取当前用户对应的其它姿态三维扫描点云数据；固定所述当前形状参数，通过调整头肩颈姿态参数以解释所述其它姿态三维扫描点云数据，得到各个姿态对应的头肩颈姿态参数；
根据所述头肩颈姿态参数训练得到姿态统计分布模型；
存储所述头肩颈形状空间模型和所述姿态统计分布模型。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取应用数据，所述应用数据包括三维扫描设备扫描得到的点云数据、单个深度相机得到的半边点云数据、二维图像数据中的至少一种；
根据所述头肩颈形状空间模型和姿态统计分布模型解释所述应用数据对应的形状和姿态，得到目标形状参数和目标姿态参数。
3.根据权利要求1所述的方法，其特征在于，所述根据所述头肩颈姿态参数训练得到姿态统计分布模型包括：
获取不同用户不同姿态对应的头肩颈姿态参数大数据；
将所述头肩颈姿态参数大数据作为训练数据输入混合高斯模型以学习得到所述姿态统计分布模型；
所述姿态统计分布模型对于输入的当前头肩颈姿态参数，输出对应的头肩颈姿态状态检测结果。
4.根据权利要求1所述的方法，其特征在于，所述第一姿态三维扫描点云数据是当前用户在第一姿态下对应的三维扫描点云数据。
5.根据权利要求2所述的方法，其特征在于，所述方法还包括：
根据所述目标形状参数和目标头肩颈姿态参数得到与所述应用数据对应的当前用户体型匹配的目标网格；
根据目标网格的网格顶点计算得到所述当前用户对应的虚拟三维模型关键位置信息；
根据所述虚拟三维模型关键位置信息建立与所述当前用户体型匹配的目标虚拟三维模型。
6.一种模型数据处理装置，其特征在于，所述装置包括：
点云数据获取模块，用于获取第一三维扫描点云数据，所述第一三维扫描点云数据对应的用户为同一姿态；
网格构建模块，用于利用相同的人体网格模型去拟合所述第一三维扫描点云数据，得到具有相同拓扑结构的网格数据集；
头肩颈形状空间模型建立模块，用于对所述网格数据集进行主成分分析，得到网格数据集所在的形状空间的基向量组及平均形状网格，根据所述基向量组及平均形状网格建立头肩颈形状空间模型；
点云解释模块，用于获取同一用户具有姿态变化的第二三维扫描点云数据，根据同一用户形状参数不变的原则，利用所述头肩颈形状空间模型解释所述第二三维扫描点云数据，得到用户对应的形状参数和各个姿态对应的头肩颈姿态参数，获取当前用户对应的第一姿态三维扫描点云数据；利用所述头肩颈形状空间模型在形状空间中寻找当前形状参数，使得当前形状参数对应的网格上的顶点与第一姿态三维扫描点云数据的对应关系点匹配；获取当前用户对应的其它姿态三维扫描点云数据；固定所述当前形状参数，通过调整头肩颈姿态参数以解释所述其它姿态三维扫描点云数据，得到各个姿态对应的头肩颈姿态参数；
姿态统计分布模型建立模块，用于根据所述头肩颈姿态参数训练得到姿态统计分布模型；
存储模块，用于存储所述头肩颈形状空间模型和所述姿态统计分布模型。
7.根据权利要求6所述的装置，其特征在于，所述装置还包括：
应用数据获取模块，用于获取应用数据，所述应用数据包括三维扫描设备扫描得到的点云数据、单个深度相机得到的半边点云数据、二维图像数据中的至少一种；
形状和姿态解析模块，用于根据所述头肩颈形状空间模型和姿态统计分布模型解释所述应用数据对应的形状和姿态，得到目标形状参数和目标姿态参数。
8.根据权利要求6所述的装置，其特征在于，所述第一姿态三维扫描点云数据是当前用户在第一姿态下对应的三维扫描点云数据。
9.一种计算机设备，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至5中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910141055.7A CN109934926B (zh) | 2019-02-26 | 2019-02-26 | 模型数据处理方法、装置、可读存储介质和设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910141055.7A CN109934926B (zh) | 2019-02-26 | 2019-02-26 | 模型数据处理方法、装置、可读存储介质和设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109934926A CN109934926A (zh) | 2019-06-25 |
| CN109934926B true CN109934926B (zh) | 2022-12-13 |
Family
ID=66985913
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910141055.7A Active CN109934926B (zh) | 2019-02-26 | 2019-02-26 | 模型数据处理方法、装置、可读存储介质和设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109934926B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111539333B (zh) * | 2020-04-24 | 2021-06-29 | 湖北亿咖通科技有限公司 | 驾驶员的注视区域识别及分心检测方法 |
| CN113284243A (zh) * | 2021-03-02 | 2021-08-20 | 上海交通大学 | 三维表面模型的统计形状模型建立方法、系统、存储介质、终端 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101763636A (zh) * | 2009-09-23 | 2010-06-30 | 中国科学院自动化研究所 | 视频序列中的三维人脸位置和姿态跟踪的方法 |
| CN107452062A (zh) * | 2017-07-25 | 2017-12-08 | 深圳市魔眼科技有限公司 | 三维模型构建方法、装置、移动终端、存储介质及设备 |
| CN108596948A (zh) * | 2018-03-16 | 2018-09-28 | 中国科学院自动化研究所 | 基于深度相机识别人体头部姿态的方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9811714B2 (en) * | 2013-08-28 | 2017-11-07 | Autodesk, Inc. | Building datum extraction from laser scanning data |
-
2019
- 2019-02-26 CN CN201910141055.7A patent/CN109934926B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101763636A (zh) * | 2009-09-23 | 2010-06-30 | 中国科学院自动化研究所 | 视频序列中的三维人脸位置和姿态跟踪的方法 |
| CN107452062A (zh) * | 2017-07-25 | 2017-12-08 | 深圳市魔眼科技有限公司 | 三维模型构建方法、装置、移动终端、存储介质及设备 |
| CN108596948A (zh) * | 2018-03-16 | 2018-09-28 | 中国科学院自动化研究所 | 基于深度相机识别人体头部姿态的方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109934926A (zh) | 2019-06-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11915514B2 (en) | Method and apparatus for detecting facial key points, computer device, and storage medium | |
| WO2020248581A1 (zh) | 图数据识别方法、装置、计算机设备和存储介质 | |
| CN109086711B (zh) | 人脸特征分析方法、装置、计算机设备和存储介质 | |
| CN109584327B (zh) | 人脸老化模拟方法、装置以及设备 | |
| JP2024501986A (ja) | ３次元顔再構築の方法、３次元顔再構築の装置、デバイスおよび記憶媒体 | |
| JP2022533464A (ja) | 三次元モデルの生成方法及び装置、コンピュータ機器並びに記憶媒体 | |
| JP2023545200A (ja) | パラメータ推定モデルの訓練方法、パラメータ推定モデルの訓練装置、デバイスおよび記憶媒体 | |
| CN103425964A (zh) | 图像处理设备、图像处理方法及计算机程序 | |
| CN112085835B (zh) | 三维卡通人脸生成方法、装置、电子设备及存储介质 | |
| CN113570684A (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
| CN111815768B (zh) | 三维人脸重建方法和装置 | |
| CN109934926B (zh) | 模型数据处理方法、装置、可读存储介质和设备 | |
| Goldenstein et al. | Statistical cue integration in dag deformable models | |
| US11288538B2 (en) | Object functionality predication methods, computer device, and storage medium | |
| CN111968134A (zh) | 目标分割方法、装置、计算机可读存储介质及计算机设备 | |
| CN113593001A (zh) | 目标对象三维重建方法、装置、计算机设备和存储介质 | |
| CN115457492A (zh) | 目标检测方法、装置、计算机设备及存储介质 | |
| CN112200147A (zh) | 一种人脸识别方法、装置、计算机设备以及可存储介质 | |
| CN113469091B (zh) | 人脸识别方法、训练方法、电子设备及存储介质 | |
| CN111915676A (zh) | 图像生成方法、装置、计算机设备和存储介质 | |
| Taheri et al. | Joint albedo estimation and pose tracking from video | |
| CN115049764B (zh) | Smpl参数预测模型的训练方法、装置、设备及介质 | |
| US20210042583A1 (en) | Apparatus and system for unsupervised disentangled representation learning with a residual variational autoencoder | |
| CN116310113A (zh) | 风格数字人生成方法、装置、设备和可读存储介质 | |
| Sun et al. | A human ear reconstruction autoencoder |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231121 Address after: Gao Lou Zhen Hong Di Cun, Rui'an City, Wenzhou City, Zhejiang Province, 325200 Patentee after: Wang Conghai Address before: 518051 10th floor, Yihua financial technology building, 2388 Houhai Avenue, high tech park, Yuehai street, Nanshan District, Shenzhen City, Guangdong Province Patentee before: SHENZHEN CLOUDREAM INFORMATION TECHNOLOGY CO.,LTD. |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240320 Address after: Room 4, No. 4 Luojia Lane, Sentai Street, Qingyuan Town, Qingxu County, Taiyuan City, Shanxi Province, 030499 Patentee after: Zhang Xinglong Country or region after: Zhong Guo Address before: Gao Lou Zhen Hong Di Cun, Rui'an City, Wenzhou City, Zhejiang Province, 325200 Patentee before: Wang Conghai Country or region before: Zhong Guo |