CN110569784A - 一种人体尺寸测量方法、系统、存储介质及电子设备 - Google Patents
一种人体尺寸测量方法、系统、存储介质及电子设备 Download PDFInfo
- Publication number
- CN110569784A CN110569784A CN201910836767.0A CN201910836767A CN110569784A CN 110569784 A CN110569784 A CN 110569784A CN 201910836767 A CN201910836767 A CN 201910836767A CN 110569784 A CN110569784 A CN 110569784A
- Authority
- CN
- China
- Prior art keywords
- image
- dimensional size
- neck
- hidden layer
- characteristic
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/107—Measuring physical dimensions, e.g. size of the entire body or parts thereof
- A61B5/1075—Measuring physical dimensions, e.g. size of the entire body or parts thereof for measuring dimensions by non-invasive methods, e.g. for determining thickness of tissue layer
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/107—Measuring physical dimensions, e.g. size of the entire body or parts thereof
- A61B5/1077—Measuring of profiles
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- 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
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Multimedia (AREA)
- Animal Behavior & Ethology (AREA)
- Data Mining & Analysis (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Evolutionary Biology (AREA)
- Human Computer Interaction (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种人体尺寸测量方法、系统、存储介质及电子设备,其方法包括:获取用户的特征信息;获取预设姿势的正面人物图像和侧面人物图像;对所述正面人物图像和侧面人物图像进行预处理之后,提取轮廓得到对应的正面轮廓图和侧面轮廓图;对所述正面轮廓图和侧面轮廓图进行特征点定位,结合所述特征信息中的身高信息得到对应的正面二维尺寸和侧面二维尺寸;将所述特征信息、正面二维尺寸以及侧面二维尺寸作为输入参数,通过多隐含层的神经网络模型进行训练得到三维尺寸。本发明改进了人体特征点的提取算法,并且在三维拟合方面加强了神经网络对数据进行回归,解决了极端体型下拟合的误差,大大提升了拟合的准确度。
Description
技术领域
本发明涉及服装尺寸技术领域,尤指一种人体尺寸测量方法、系统、存储介质及电子设备。
背景技术
随着计算机和网络通信的迅速发展,近年来由于人体三维扫描仪的出现,使得利用计算机技术为人体量身定制衣服成为了一大趋势。在欧美国家已经有十几所院校和服装企业共同参与到eMTM(电子化量身定制)系统的研发,并且现在已经可以将此系统在市场上试运行,我国虽然已经拥有自主产权的eMTM系统,但与西方国家具有一定的差距,其中的核心技术——远程非接触式尺寸测量一直是国内研究的热门技术。
目前,针对三维人体扫描测量的方法分为三大类:①使用三维扫描仪测量,缺点是机器价格昂贵,测量环境要求高,操作过程复杂。②Lee等人提出一种全身人体重建的方法,可以利用在任何一种给定的环境中拍的人体前面、侧面和背面的照片,而不需要特定的背景或照明条件。然后通过总结的经验公式将的人体二维数据转化成三维数据。此方法虽然灵活性高,但是经验公式拟合的效果无法适用于较胖和较瘦这些特殊体型。③F.Bogo基于深度神经网络,以视频作为数据集,使用SMPL模型(一种人体三维模型)重建人体,然后针对重建的人体进行手工的围度标识。缺点是电脑的硬件要求很高,一次测量的时间消耗很大,不适合在市场上使用。
发明内容
本发明的目的是提供一种人体尺寸测量方法、系统、存储介质及电子设备,实现改进了人体特征点的提取算法,并且在三维拟合方面加强了神经网络对数据进行回归,解决了极端体型下拟合的误差,大大提升了拟合的准确度。
本发明提供的技术方案如下:
本发明提供一种人体尺寸测量方法,包括:获取用户的特征信息;获取预设姿势的正面人物图像和侧面人物图像;对所述正面人物图像和侧面人物图像进行预处理之后,提取轮廓得到对应的正面轮廓图和侧面轮廓图;对所述正面轮廓图和侧面轮廓图进行特征点定位,结合所述特征信息中的身高信息得到对应的正面二维尺寸和侧面二维尺寸;将所述特征信息、正面二维尺寸以及侧面二维尺寸作为输入参数,通过多隐含层的神经网络模型进行训练得到三维尺寸。
进一步的,对所述正面人物图像和侧面人物图像进行预处理之后,提取轮廓得到对应的正面轮廓图和侧面轮廓图具体包括:分别将人物图像转化成预设格式的输入图片,所述人物图像包括所述正面人物图像和侧面人物图像;对所述输入图片进行图片通道转换,由RGB图片转HSV得到原始图像;对所述原始图像求索贝尔算子,并增加对比度以及图像二值化得到黑白图像;对所述黑白图像取最大轮廓,并进行腐蚀膨胀得到预处理图像,所述预处理图像包括正面预处理图像和侧面预处理图像;根据所述正面预处理图像和侧面预处理图像提取轮廓,得到对应的正面轮廓图和侧面轮廓图。
进一步的,对所述正面轮廓图和侧面轮廓图进行特征点定位具体包括:通过轮廓检测函数检测所述正面轮廓图获取左右极值点,所述左右极值点分别为正面左右手特征点;提取正面颈部轮廓线,同时确定所述正面轮廓图中头顶中点;将所述正面左右手特征点和所述头顶中点连接得到正面颈部特征直线;遍历所述正面颈部轮廓线,计算所述正面颈部轮廓线上颈部轮廓点到所述正面颈部特征直线的欧式距离,距离最大的点即为正面颈部特征点;提取正面肩部轮廓线,对所述正面肩部轮廓线进行曲线拟合或基于八链码定位正面肩部特征点;按照模板遍历法、形状估计法或扫描线检测法结合所述正面轮廓图定位其余的部位的正面特征点;通过扫描线检测确定所述侧面轮廓图的颈部水平距离值最大的颈部水平连线为侧面颈部特征直线;根据所述侧面颈部特征直线和预设领围测量倾斜角度确定侧面颈部特征点;根据所述正面轮廓图和侧面轮廓图的映射关系,结合其余部位的正面特征点确定在侧面轮廓图中的侧面特征点。
进一步的,将所述特征信息、正面二维尺寸以及侧面二维尺寸作为输入参数,通过多隐含层的神经网络模型进行训练得到三维尺寸具体包括:将所述特征信息、正面二维尺寸以及侧面二维尺寸作为输入参数;神经网络模型的输入层获取预设数量的输入参数发送至第一隐含层中的每一个神经元,所述输入层神经元个数与输入参数个数相同;所述第一隐含层中的每一个神经元分别训练所述多个输入参数得到第一隐层输出参数,并各自发送至下一个隐含层中的每一个神经元;非第一隐含层的其余的每一个隐含层中的神经元将上一个隐含层的隐层输出参数作为输入参数进行训练得到对应的隐层输出参数,并各自发送至下一个隐含层中的每一个神经元,直至所有的隐含层都训练完毕,最后一个隐含层中的神经元各自将隐层输出参数发送至输出层;输出层对接收的隐层输出参数进行处理得到三维尺寸。
本发明还提供一种人体尺寸测量系统,包括:信息获取模块,获取用户的特征信息;图像获取模块,获取预设姿势的正面人物图像和侧面人物图像;预处理模块,对所述图像获取模块获取的所述正面人物图像和侧面人物图像进行预处理之后,提取轮廓得到对应的正面轮廓图和侧面轮廓图;特征点分析模块,对所述预处理模块得到的所述正面轮廓图和侧面轮廓图进行特征点定位;二维尺寸计算模块,结合所述信息获取模块获取的所述特征信息中的身高信息和所述特征点分析模块得到的特征点得到对应的正面二维尺寸和侧面二维尺寸;三维尺寸计算模块,将所述信息获取模块获取的所述特征信息、所述二维尺寸计算模块得到的正面二维尺寸以及侧面二维尺寸作为输入参数,通过多隐含层的神经网络模型进行训练得到三维尺寸。
进一步的,所述预处理模块具体包括:格式转换单元,分别将人物图像转化成预设格式的输入图片,所述人物图像包括所述正面人物图像和侧面人物图像;通道转换单元,对所述格式转换单元得到的所述输入图片进行图片通道转换,由RGB图片转HSV得到原始图像;处理单元,对所述通道转换单元得到的所述原始图像求索贝尔算子,并增加对比度以及图像二值化得到黑白图像;所述处理单元,对所述黑白图像取最大轮廓,并进行腐蚀膨胀得到预处理图像,所述预处理图像包括正面预处理图像和侧面预处理图像;轮廓提取单元,根据所述处理单元得到的所述正面预处理图像和侧面预处理图像提取轮廓,得到对应的正面轮廓图和侧面轮廓图。
进一步的,所述特征点分析模块具体包括:特征点分析单元,通过轮廓检测函数检测所述正面轮廓图获取左右极值点,所述左右极值点分别为正面左右手特征点;轮廓线提取单元,提取正面颈部轮廓线,同时确定所述正面轮廓图中头顶中点;所述特征点分析单元,将所述正面左右手特征点和所述头顶中点连接得到正面颈部特征直线;所述特征点分析单元,遍历所述轮廓线提取单元提取的所述正面颈部轮廓线,计算所述正面颈部轮廓线上颈部轮廓点到所述正面颈部特征直线的欧式距离,距离最大的点即为正面颈部特征点;所述轮廓线提取单元,提取正面肩部轮廓线;所述特征点分析单元,对所述轮廓线提取单元提取的所述正面肩部轮廓线进行曲线拟合或基于八链码定位正面肩部特征点;所述特征点分析单元,按照模板遍历法、形状估计法或扫描线检测法定位其余的部位的正面特征点;所述特征点分析单元,通过扫描线检测确定所述侧面轮廓图的颈部水平距离值最大的颈部水平连线为侧面颈部特征直线;所述特征点分析单元,根据所述侧面颈部特征直线和预设领围测量倾斜角度确定侧面颈部特征点;所述特征点分析单元,根据所述正面轮廓图和侧面轮廓图的映射关系,结合其余部位的正面特征点确定在侧面轮廓图中的侧面特征点。
进一步的,所述三维尺寸计算模块具体包括:输入参数分析单元,将所述特征信息、正面二维尺寸以及侧面二维尺寸作为输入参数;三维尺寸计算单元,神经网络模型的输入层获取所述输入参数分析单元确定的预设数量的输入参数发送至第一隐含层中的每一个神经元,所述输入层神经元个数与输入参数个数相同;所述三维尺寸计算单元,所述第一隐含层中的每一个神经元分别训练所述多个输入参数得到第一隐层输出参数,并各自发送至下一个隐含层中的每一个神经元;所述三维尺寸计算单元,非第一隐含层的其余的每一个隐含层中的神经元将上一个隐含层的隐层输出参数作为输入参数进行训练得到对应的隐层输出参数,并各自发送至下一个隐含层中的每一个神经元,直至所有的隐含层都训练完毕,最后一个隐含层中的神经元各自将隐层输出参数发送至输出层;所述三维尺寸计算单元,输出层对接收的隐层输出参数进行处理得到三维尺寸。
本发明还提供一种存储介质,该存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述的任一项方法。
本发明还提供一种电子设备,包括存储器和处理器,存储器上储存有在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述的任一项方法。
通过本发明提供的一种人体尺寸测量方法、系统、存储介质及电子设备,用户仅仅只需要提供自己的身高信息、正面和侧面的人物图像,即可自动从人体照片中标定特征点、提取二维尺寸信息。这整个过程中不需要任何的人工操作。从商家的角度而言,无需购买价值昂贵的三维扫描仪等设备或是花费大量的时间派师傅上门手工量体,对于顾客而言,无需要指定地点进行量体,灵活性和便捷性更高。
附图说明
下面将以明确易懂的方式,结合附图说明优选实施方式,对一种人体尺寸测量方法、系统、存储介质及电子设备的上述特性、技术特征、优点及其实现方式予以进一步说明。
图1是本发明一种人体尺寸测量方法的一个实施例的流程图;
图2是基于黄金分割比例分割人物正面轮廓图的示意图;
图3是本发明一种人体尺寸测量方法的另一个实施例的流程图;
图4是本发明一种人体尺寸测量方法的另一个实施例的流程图;
图5是基于最大距离法定位正面颈部特征点的定位方法的示意图;
图6是基于曲线拟合定位正面颈部特征点的定位方法的示意图;
图7是基于八链码定位正面颈部特征点的定位方法的示意图;
图8是正面胸部特征点的定位方法的示意图;
图9是正面脚部特征点的定位方法的示意图;
图10是侧面颈部特征点的定位方法的示意图;
图11是本发明一种人体尺寸测量方法的另一个实施例的流程图;
图12是本发明一种人体尺寸测量系统的一个实施例的结构示意图。
具体实施方式
为了能够更加清楚地说明本发明实施例或现有技术中的技术方案,下面将对照说明书附图说明本发明的具体实施方式。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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的附图,并且获得其他的实施方式。
为了使图面简洁,各图中只示意性地表示出了与本发明相关的部分,它们并不代表其作为产品的实际结构。另外,以使图面简洁便于理解,在有些图中具有相同结构或功能的部件,仅示意性地绘示了其中的一个,或仅标出了其中的一个。在本文中,“一个”不仅表示“仅此一个”,也可以表示“多于一个”的情形。
本发明的一个实施例,如图1所示,一种人体尺寸测量方法,包括:
S100获取用户的特征信息;
具体的,获取用户的特征信息,特征信息为影响用户二维尺寸的信息,例如用户的身高信息,相同身高比例的用户身高信息不同各个部位的二维尺寸就不同。一般的身体部位的二维尺寸结合用户的身高信息就能够计算得到,但是对于部分具有特殊需求、每个用户具有差异化的部位则需要根据用户的特征需求,例如头围尺寸,由于每个用户佩戴帽子的需求不同,有些人喜欢佩戴靠上,有些人喜欢佩戴靠下,因此特征信息中还需要包含用户佩戴帽子的位置。
S200获取预设姿势的正面人物图像和侧面人物图像;
具体的,获取预设姿势的正面人物图像和侧面人物图像,例如,获取正面人物图像时,用户后脚跟紧闭双手打开呈现45°左右,获取侧面人物图像时,用户的手紧贴大腿根。此外,为了得到更加符合要求的正面人物图像和侧面人物图像,预设姿势不仅包括被拍摄用户的状态要求,还包括对于拍摄环境的要求,例如,拍摄背景,拍摄时摄像头与人体、摄像头与地面的距离等。
获取的正面人物图像和侧面人物图像可以是从已有的图片中选取,也可能是通过摄像装置实时进行拍摄。另外,无论是已有的图片还是实时进行拍摄,在进行拍摄时为了避免尺寸比例失真,应当确保镜头所在平面与人体所在竖直面平行,拍摄时镜头不要仰视或者俯视用户。
上述的步骤S100与S200都是系统前期基本数据的获取步骤,两者之间并没有特定的先后顺序,此处的顺序标号只是为了便于说明,不代表实际顺序一定如此。
S300对所述正面人物图像和侧面人物图像进行预处理之后,提取轮廓得到对应的正面轮廓图和侧面轮廓图;
具体的,对正面人物图像和侧面人物图像进行同样的预处理过程得到对应的预处理图像,轮廓效果较好,预处理图像包括正面预处理图像和侧面预处理图像。然后系统从预处理图像中提取轮廓得到对应的正面轮廓图和侧面轮廓图。
S400对所述正面轮廓图和侧面轮廓图进行特征点定位,结合所述特征信息中的身高信息得到对应的正面二维尺寸和侧面二维尺寸;
具体的,对正面轮廓图进行图像分割,确定人体各部位对应的正面轮廓区域,如图2所示,基于人体黄金分割比的图像分割将人体划分成7.5个部份,其中颈部区域取0.5~1.5,肩部取颈部轮廓点~1.5区域。然后,根据各个部位的特点分别采用对应的方法进行特征点定位,从而确定各部位的正面特征点,结合特征信息得到对应的正面二维尺寸。
对正面轮廓图和侧面轮廓图进行特征点定位,得到一系列预设部位的特征点,预设部位包括但不限于颈部、肩部、胸部、腰部、臀部、脚底以及手部,预设部位所涉及到的部位由用户的三维尺寸所涉及到的部位决定。
然后结合特征信息中的身高信息分别得到对应的正面二维尺寸和侧面二维尺寸。例如,根据用户获取的特征信息中的身高信息,结合图像中表示身高像素点可以计算比例系数f,然后根据各个部位定位的特征点在图像中的欧氏距离乘以f即可得到各个正面特征点的位置,从而得到正面二维尺寸。
之后,根据正面轮廓图和侧面轮廓图的映射关系,根据各部位的正面特征点确定各部位在侧面轮廓图中的侧面特征点。由于正面轮廓图和侧面轮廓图都是同一个用户,因此各个特征点相对于人体整体的比例是相同的,根据各部位在正面轮廓图的正面特征点,结合正面轮廓图和侧面轮廓图的映射关系,可以确定各部位的侧面特征点。但是,对于侧面颈部特征点,在测量标准中,领围的测量是有25°至30°的倾斜量,所以对侧面颈部特征点单独进行定位,其余的部位的侧面特征点则根据正面特征点映射得到。然后根据各部位的侧面特征点和特征信息得到对应的侧面二维尺寸。
S500将所述特征信息、正面二维尺寸以及侧面二维尺寸作为输入参数,通过多隐含层的神经网络模型进行训练得到三维尺寸。
具体的,从特征信息、正面二维尺寸以及侧面二维尺寸中得到多组输入参数,例如,将身高、性别、X围宽度、X围厚度、X围对应身高的比例作为一组输入参数,然后通过多隐含层的神经网络模型进行训练得到用户的三维尺寸。
本实施例基于人体图像,用户仅仅只需要提供自己的身高信息、正面和侧面的人物图像,即可自动从人体照片中标定特征点、提取二维尺寸信息。这整个过程中不需要任何的人工操作。从商家的角度而言,无需购买价值昂贵的三维扫描仪等设备或是花费大量的时间派师傅上门手工量体,对于顾客而言,无需要指定地点进行量体,灵活性和便捷性更高。
本发明的另一个实施例,是上述的实施例的优化实施例,如图3所示,本实施例与上述的实施例相比,主要改进在于,S300对所述正面人物图像和侧面人物图像进行预处理之后,提取轮廓得到对应的正面轮廓图和侧面轮廓图具体包括:
S310分别将人物图像转化成预设格式的输入图片,所述人物图像包括所述正面人物图像和侧面人物图像;
具体的,首先是图片Resize,将输入的人物图片转化成预设格式的输入图片,例如转化成宽1000X600格式的图片。
S320对所述输入图片进行图片通道转换,由RGB图片转HSV得到原始图像;
具体的,将输入图片由RGB图片转HSV,得到的图片是RGB空间,但由于HSV色彩空间中的S空间分离人体图像效果最好,因此对输入图像进行图片通道转换得到原始图像,得到的数据轮廓效果最好。
RGB是从颜色发光的原理来设计定的,通俗点说它的颜色混合方式就好像有红、绿、蓝三盏灯,当它们的光相互叠合的时候,色彩相混,而亮度却等于两者亮度之总和,越混合亮度越高,即加法混合。HSV是一种比较直观的颜色模型,所以在许多图像编辑工具中应用比较广泛,这个模型中颜色的参数分别是:色调(H,Hue),饱和度(S,Saturation),明度(V,Value)。
RGB→HSV的方法公式为:
R'=R/255
G'=G/255
B'=B/255
Cmax=max(R',G',B')
Cmin=min(R',G',B')
Δ=Cmax-Cmin
V=Cmax
S330对所述原始图像求索贝尔算子,并增加对比度以及图像二值化得到黑白图像;
具体的,索贝尔算子(Sobel operator)主要用作边缘检测,对原始图像求索贝尔算子,其中Sobel卷积因子: A代表的是原始图像,Gx代表水平方向的索贝尔算子,Gy代表水平方向的索贝尔算子。然后增加对比度,基于得到的Sobel算子,增加人体边缘的亮度。之后进行图像二值化,将图像转化成仅有黑(0)和白(255)的黑白图像。
S340对所述黑白图像取最大轮廓,并进行腐蚀膨胀得到预处理图像,所述预处理图像包括正面预处理图像和侧面预处理图像;
具体的,对得到的黑白图像取最大轮廓,避免有轮廓提取错误。然后进行腐蚀膨胀去掉二值化后产生的噪声点,得到预处理图像,预处理图像包括正面预处理图像和侧面预处理图像。
S350根据所述正面预处理图像和侧面预处理图像提取轮廓,得到对应的正面轮廓图和侧面轮廓图。
具体的,分别根据正面预处理图像和侧面预处理图像提取任务的轮廓,从而得到对应的正面轮廓图和侧面轮廓图
本实施例中,采用一系列的步骤对获取的正面人物图像和侧面人物图像进行预处理,突出显示人体边缘亮度,从而能够准确提取正面轮廓图和侧面轮廓图。
本发明的另一个实施例,是上述的实施例的优化实施例,如图4所示,本实施例与上述的实施例相比,主要改进在于,对所述正面轮廓图进行特征点定位具体包括:
S411通过轮廓检测函数检测所述正面轮廓图获取左右极值点,所述左右极值点分别为正面左右手特征点;
具体的,通过轮廓检测函数例如cvFindContours,检测所述正面轮廓图获取左右极值点,左右极值点分别为正面左右手特征点,正面手部特征点包括正面左右手特征点。
S412提取正面颈部轮廓线,同时确定所述正面轮廓图中头顶中点;
S413将所述正面左右手特征点和所述头顶中点连接得到正面颈部特征直线;
S414遍历所述正面颈部轮廓线,计算所述正面颈部轮廓线上颈部轮廓点到所述正面颈部特征直线的欧式距离,距离最大的点即为正面颈部特征点;
具体的,首先对正面轮廓图进行图像分割,确定颈部区域,如图2所示,基于人体黄金分割比的图像分割将人体划分成7.5个部份,其中颈部区域取0.5~1.5。
如图5所示,获取颈部区域的轮廓线作为正面颈部轮廓线,确定正面轮廓图中的头顶中点,分别将两个正面手部特征点左右手特征点与头顶中点连接得到两条正面颈部特征直线,记为α1,α2。两条正面颈部轮廓线记为κ1,κ2,遍历正面颈部轮廓上的轮廓点,轮廓点分别记为β1,β2,其中β1∈κ1,β2∈κ2,求β1,β2分别到对应侧的α1,α2的欧式距离d1,d2。正面领部特征点即为Γ1=max(d1),Γ2=max(d2)。
S415提取正面肩部轮廓线,对所述正面肩部轮廓线进行曲线拟合或基于八链码定位正面肩部特征点;
具体的,同样地,对正面轮廓图进行图像分割,确定肩部区域,如图4所示,基于人体黄金分割比的图像分割将人体划分成7.5个部份,其中肩部取颈部轮廓点~1.5区域。
如图6所示,提取正面肩部轮廓线,对正面肩部轮廓线进行曲线拟合得到轮廓曲线,计算轮廓曲线上所有的轮廓点的曲率,选取曲率最大的轮廓点为正面肩部特征点。通过最小二乘法拟合成曲线,在点X1,X2,X3...Xn处的函数值y1,y2,y3...yn求多项式p(x)=a0+a1x+...+anxk,为了求得负荷条件的a值,对等式右边对ai,i=1....k求偏导,得到结果为k+1个等式:
将方程整理,得到:
曲率的公式:曲线的某个点的曲率越大,表示曲线的弯曲程度越大。其中曲率最大的轮廓点即为肩部轮廓点,然后通过正面颈部特征点和肩部特征点计算肩宽数据,肩宽数据等于肩颈轮廓线与领宽之和,其中肩颈轮廓线为分别以同侧的正面颈部特征点和肩部特征点为两端的两条轮廓线,领宽为两个正面颈部特征点之间的距离。
另外,利用Freeman中提出的八链码定位肩部特征点,如图7所示。Freeman提出的八链码值按方向对轮廓线的每一个像素进行赋值。八链码理论采用0到7八个标识按逆时针表示某一像素点八邻域上的像素点。因此每一段连续的人体轮廓线条,均可以使用轮廓上像素点的八链码值来表示。以人体肩部轮廓线分析为例,自像素f0点后开始到f8结束,这9个像素点均有相同的码值“0”。而在f9像素点处,码值变化成了“7”,因此可将像素点f0到f8看作向量a0。同理像素点f8到f9可看作向量a1,这些向量首尾相连,组成了人体肩部部轮廓线。通过研究肩部轮廓线中相邻向量之间的方向变化,例如右肩部的特征向量的变化趋势如图7所示,为(0,7,0,7,0,0,7,0,7,7,0,0),通过上述变化趋势确定了12个特征点,则选取第6个特征点作为右肩部特征点。其中,如果确定的是偶数个特征点,则取偶数的中间数对应的特征点为肩部特征点,如12个特征点中第6个为对应的肩部特征点。如果确定的是奇数个特征点,则取中间的特征点为肩部特征点,如11个特征点中第5个为对应的肩部特征点。然后遍历查询整个肩部的轮廊线即可定位肩部特征点。
S416按照模板遍历法、形状估计法或扫描线检测法结合所述正面轮廓图定位其余的部位的正面特征点。
具体的,如图8所示,模板遍历法的模板样式的像素值为(0,0,0,0,255,255,0,0,0,0),递归检索整个胸部区域,显然只有腋下这两个点符合模板要求,则腋下两个点为正面胸部特征点。以此类推,可以按照模板遍历法定位其余的预设部位如脚部的特征点。或者按照扫描线检测法定位其余的预设部位如腰部和臀部的特征点。
另外,图片中的人体身高不能简单以头顶和脚尖相连的欧氏距离,因为由于拍照角度的问题,真实脚部特征点其实是脚后跟。正面脚部特征点位于两脚掌内边缘的交界处,使用形状估计的方法进行特征点提取。例如,脚掌分开与竖直方向分别呈45°(如图9所示),根据预期定位的脚底特征点设定坐标系,设定脚底轮廓提取的形状估计曲线函数cr(s)为分段函数,如式其中x(s)为脚部轮廓上任意轮廓点的横坐标,y(s)为脚部轮廓上任意轮廓点的纵坐标,并设置前1/2模型曲线靠近第一段形状曲线,后1/2模型曲线靠近第二段形状曲线。
S417通过扫描线检测确定所述侧面轮廓图的颈部水平距离值最大的颈部水平连线为侧面颈部特征直线;
S418根据所述侧面颈部特征直线和预设领围测量倾斜角度确定侧面颈部特征点;
具体地,同样地对侧面轮廓图进行图像分割,确定颈部区域,然后获取相应的侧面颈部轮廓线。如图10所示,扫描线检测侧面颈部轮廓线,判断侧面颈部轮廓线中每一个轮廓点对应的颈部水平连线的颈部水平距离,将距离值最大的颈部水平连线为侧面颈部特征直线,根据所侧面颈部特征直线和预设领围测量倾斜角度确定侧面颈部特征点。其中,侧面颈部特征直线与人物正面侧的颈部轮廓线的交点为一个侧面颈部特征点,以该侧面颈部特征为中心,将侧面颈部特征直线逆时针旋转预设领围测量倾斜角度,例如25°至30°,然后得到人物正面侧的颈部轮廓线上的另一个侧面颈部特征点。其中预设领围测量倾斜角度可以根据不同服装要求进行分别设置。
S419根据所述正面轮廓图和侧面轮廓图的映射关系,结合其余部位的正面特征点确定在侧面轮廓图中的侧面特征点。
具体地,由于正面轮廓图和侧面轮廓图都是同一个用户,因此各个特征点相对于人体整体的比例是相同的,根据各部位在正面轮廓图的正面特征点,结合正面轮廓图和侧面轮廓图的映射关系,可以确定除颈部之外的部位的侧面特征点。
本发明的另一个实施例,是上述的实施例的优化实施例,如图11所示,本实施例与上述的实施例相比,主要改进在于,S500将所述特征信息、正面二维尺寸以及侧面二维尺寸作为输入参数,通过多隐含层的神经网络模型进行训练得到三维尺寸具体包括:
S510将所述特征信息、正面二维尺寸以及侧面二维尺寸作为输入参数;
S520神经网络模型的输入层获取预设数量的输入参数发送至第一隐含层中的每一个神经元,所述输入层神经元个数与输入参数个数相同;
S530所述第一隐含层中的每一个神经元分别训练所述多个输入参数得到第一隐层输出参数,并各自发送至下一个隐含层中的每一个神经元;
S540非第一隐含层的其余的每一个隐含层中的神经元将上一个隐含层的隐层输出参数作为输入参数进行训练得到对应的隐层输出参数,并各自发送至下一个隐含层中的每一个神经元,直至所有的隐含层都训练完毕,最后一个隐含层中的神经元各自将隐层输出参数发送至输出层;
S550输出层对接收的隐层输出参数进行处理得到三维尺寸。
具体的,从特征信息、正面二维尺寸以及侧面二维尺寸中得到多组输入参数,例如,将身高、性别、X围宽度、X围厚度、X围对应身高的比例作为一组输入参数,神经网络模型的输入层获取一组输入参数,一组输入参数包含预设数量的输入参数。
输入层中每个神经元各自接收其中一个输入参数,相互之间各不相同,然后每个神经元都将各自获取的输入参数发送至第一隐含层中的每一个神经元,然后第一隐含层中的每一个神经元对接收的所有的输入参数进行训练得到相应的第一隐层输出参数,第一隐层输出参数的个数与第一隐含层的神经元个数相同,并且第一隐含层中的每一个神经元将各自的第一隐含层中的每一个神经元发送给下一个隐含层中的每一个神经元。之后每个隐含层中每个神经元将接收到的上一个隐含层中各个神经元发送的隐层输出参数作为自身的输入参数进行训练得到相应的隐层输出参数,直至最后一个隐含层的神经元各自将隐层输出参数发送至输出层的神经元。输出层对接收的隐层输出参数进行处理得到用户的三维尺寸。
其中,第一隐含层中的每一个神经元分别获取多个输入参数,并按照激活函数f进行训练,其中,为第一隐含层中第h个神经元对第k组测试数据进行训练得到的第一隐层输出参数,N0为输入层神经元数量,i=1,2,3…N0,ωi,1,h为输入层第i个神经元到第一隐含层中第h个神经元的连接权值,xi为输入层第i个神经元的输入参数,θ1,h为第一隐含层中第h个神经元的阈值;非第一隐含层的其余的每一个隐含层中的神经元将上一个隐含层的隐层输出参数作为输入参数进行训练得到对应的隐层输出参数具体包括:非第一隐含层的其余的每一个隐含层中的神经元将上一个隐含层的隐层输出参数作为输入参数,按照激活函数f进行训练得到对应的隐层输出参数,其中,为第n隐含层中第h个神经元对第k组测试数据进行训练得到的第n隐层输出参数,Nn-1为第n-1隐含层神经元数量,ωi,n,h为第n-1隐含层中第i个神经元到第n隐含层中第h个神经元的连接权值,i=1,2,3…Nn-1,yn-1,i为第n-1隐含层中第i个神经元的隐层输出参数,θn,h为第n隐含层中第h个神经元的阈值,隐含层的层数为N,n=2,3,…,N。
输出层对接收的隐层输出参数进行处理得到输出参数具体包括:输出层的神经元接收最后一层隐含层的所有的终止隐层输出参数作为输入参数,按照激活函数f进行训练得到输出参数,输出层隐含层包括一个神经元,其中,Zk为输出层对第k组测试数据进行训练得到的输出参数,NN为最后一个隐含层第N隐含层的神经元数量,ωi为第N隐含层中第i个神经元到输出层的神经元的连接权值,i=1,2,3…NN,yN,i为第N隐含层中第i个神经元的终止隐层输出参数,γ为输出层的神经元的阈值。
输出层对接收的隐层输出参数进行处理得到输出参数Zk,输出参数即为神经网络模型训练得到的用户的三维尺寸。由于测试数据集包括多组测试数据即样本数,P为测试数据集中的样本数,k=1,2,3…P,若每一个样本的目标数据Tk和对应的输出参数Zk存在误差,则定义误差函数,然后根据误差函数对模型参数中的连接权值进行修正,根据所述误差函数函数计算各个连接权值ωt的变化值Δωt,其中,ωt为神经网络模型中任意一个连接权值,η为学习步长;以输出层为起始,按照神经网络模型训练顺序的反向顺序,依次根据变化值调整相应的连接权值ωt,调整之后的连接权值为ωt',提高神经网络模型的测量精度
在本发明另外的一个实施例中,使用上述的计算方法对两个用户的三维尺寸进行了测量,实测数据和使用上述的计算方法的实验数据如表1所示。
表1用户A与用户B实测数据与实验数据
本发明结合了现在机器学习的方法,创建BP神经网络进行数据回归。首先提供人的身高、性别、X围宽度、X围厚度、X围相对身高的比例,将这五个维度作为输入,使用多个隐含层,最后输出X围的数据。针对不同的部位,学习出相应的权值。并且神经网络也具备学习能力,随着人体数据的增加,不同部位的权重都会发生变化,使得测量的准确度逐步提升。
本发明的一个实施例,如图12所示,一种人体尺寸测量系统100,包括:
信息获取模块110,获取用户的特征信息;
图像获取模块120,获取预设姿势的正面人物图像和侧面人物图像;
预处理模块130,对所述图像获取模块120获取的所述正面人物图像和侧面人物图像进行预处理之后,提取轮廓得到对应的正面轮廓图和侧面轮廓图;
所述预处理模块130具体包括:
格式转换单元131,分别将人物图像转化成预设格式的输入图片,所述人物图像包括所述正面人物图像和侧面人物图像;
通道转换单元132,对所述格式转换单元131得到的所述输入图片进行图片通道转换,由RGB图片转HSV得到原始图像;
处理单元133,对所述通道转换单元132得到的所述原始图像求索贝尔算子,并增加对比度以及图像二值化得到黑白图像;
所述处理单元133,对所述黑白图像取最大轮廓,并进行腐蚀膨胀得到预处理图像,所述预处理图像包括正面预处理图像和侧面预处理图像;
轮廓提取单元134,根据所述处理单元133得到的所述正面预处理图像和侧面预处理图像提取轮廓,得到对应的正面轮廓图和侧面轮廓图;
特征点分析模块140,对所述预处理模块130得到的所述正面轮廓图和侧面轮廓图进行特征点定位;
所述特征点分析模块140具体包括:
特征点分析单元141,通过轮廓检测函数检测所述正面轮廓图获取左右极值点,所述左右极值点分别为正面左右手特征点;
轮廓线提取单元142,提取正面颈部轮廓线,同时确定所述正面轮廓图中头顶中点;
所述特征点分析单元141,将所述正面左右手特征点和所述头顶中点连接得到正面颈部特征直线;
所述特征点分析单元141,遍历所述轮廓线提取单元142提取的所述正面颈部轮廓线,计算所述正面颈部轮廓线上颈部轮廓点到所述正面颈部特征直线的欧式距离,距离最大的点即为正面颈部特征点;
所述轮廓线提取单元142,提取正面肩部轮廓线;
所述特征点分析单元141,对所述轮廓线提取单元142提取的所述正面肩部轮廓线进行曲线拟合或基于八链码定位正面肩部特征点;
所述特征点分析单元141,按照模板遍历法、形状估计法或扫描线检测法定位其余的部位的正面特征点;
所述特征点分析单元141,通过扫描线检测确定所述侧面轮廓图的颈部水平距离值最大的颈部水平连线为侧面颈部特征直线;
所述特征点分析单元141,根据所述侧面颈部特征直线和预设领围测量倾斜角度确定侧面颈部特征点;
所述特征点分析单元141,根据所述正面轮廓图和侧面轮廓图的映射关系,结合其余部位的正面特征点确定在侧面轮廓图中的侧面特征点;
二维尺寸计算模块150,结合所述信息获取模块110获取的所述特征信息中的身高信息和所述特征点分析模块140得到的特征点得到对应的正面二维尺寸和侧面二维尺寸;
三维尺寸计算模块160,将所述信息获取模块110获取的所述特征信息、所述二维尺寸计算模块150得到的正面二维尺寸以及侧面二维尺寸作为输入参数,通过多隐含层的神经网络模型进行训练得到三维尺寸;
所述三维尺寸计算模块160具体包括:
输入参数分析单元161,将所述特征信息、正面二维尺寸以及侧面二维尺寸作为输入参数;
三维尺寸计算单元162,神经网络模型的输入层获取所述输入参数分析单元161确定的预设数量的输入参数发送至第一隐含层中的每一个神经元,所述输入层神经元个数与输入参数个数相同;
所述三维尺寸计算单元162,所述第一隐含层中的每一个神经元分别训练所述多个输入参数得到第一隐层输出参数,并各自发送至下一个隐含层中的每一个神经元;
所述三维尺寸计算单元162,非第一隐含层的其余的每一个隐含层中的神经元将上一个隐含层的隐层输出参数作为输入参数进行训练得到对应的隐层输出参数,并各自发送至下一个隐含层中的每一个神经元,直至所有的隐含层都训练完毕,最后一个隐含层中的神经元各自将隐层输出参数发送至输出层;
所述三维尺寸计算单元162,输出层对接收的隐层输出参数进行处理得到三维尺寸。
本实施例中的各个模块的具体操作方式在上述对应的方法实施例中已经进行了详细描述,因此不再一一进行赘述。
本发明的一个实施例提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现第一实施例中的所有方法步骤或部分方法步骤。
本发明实现上述第一实施例方法中的全部或部分流程,也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计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
本发明的一个实施例还提供一种电子设备,包括存储器和处理器,存储器上储存有在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现第一实施例中的所有方法步骤或部分方法步骤。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述计算机装置的控制中心,利用各种接口和线路连接整个计算机装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述计算机装置的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、视频数据等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
具应当说明的是,上述实施例均可根据需要自由组合。以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种人体尺寸测量方法,其特征在于,包括:
获取用户的特征信息;
获取预设姿势的正面人物图像和侧面人物图像;
对所述正面人物图像和侧面人物图像进行预处理之后,提取轮廓得到对应的正面轮廓图和侧面轮廓图;
对所述正面轮廓图和侧面轮廓图进行特征点定位,结合所述特征信息中的身高信息得到对应的正面二维尺寸和侧面二维尺寸;
将所述特征信息、正面二维尺寸以及侧面二维尺寸作为输入参数,通过多隐含层的神经网络模型进行训练得到三维尺寸。
2.根据权利要求1所述的人体尺寸测量方法,其特征在于,对所述正面人物图像和侧面人物图像进行预处理之后,提取轮廓得到对应的正面轮廓图和侧面轮廓图具体包括:
分别将人物图像转化成预设格式的输入图片,所述人物图像包括所述正面人物图像和侧面人物图像;
对所述输入图片进行图片通道转换,由RGB图片转HSV得到原始图像;
对所述原始图像求索贝尔算子,并增加对比度以及图像二值化得到黑白图像;
对所述黑白图像取最大轮廓,并进行腐蚀膨胀得到预处理图像,所述预处理图像包括正面预处理图像和侧面预处理图像;
根据所述正面预处理图像和侧面预处理图像提取轮廓,得到对应的正面轮廓图和侧面轮廓图。
3.根据权利要求1所述的人体尺寸测量方法,其特征在于,对所述正面轮廓图和侧面轮廓图进行特征点定位具体包括:
通过轮廓检测函数检测所述正面轮廓图获取左右极值点,所述左右极值点分别为正面左右手特征点;
提取正面颈部轮廓线,同时确定所述正面轮廓图中头顶中点;
将所述正面左右手特征点和所述头顶中点连接得到正面颈部特征直线;
遍历所述正面颈部轮廓线,计算所述正面颈部轮廓线上颈部轮廓点到所述正面颈部特征直线的欧式距离,距离最大的点即为正面颈部特征点;
提取正面肩部轮廓线,对所述正面肩部轮廓线进行曲线拟合或基于八链码定位正面肩部特征点;
按照模板遍历法、形状估计法或扫描线检测法结合所述正面轮廓图定位其余的部位的正面特征点;
通过扫描线检测确定所述侧面轮廓图的颈部水平距离值最大的颈部水平连线为侧面颈部特征直线;
根据所述侧面颈部特征直线和预设领围测量倾斜角度确定侧面颈部特征点;
根据所述正面轮廓图和侧面轮廓图的映射关系,结合其余部位的正面特征点确定在侧面轮廓图中的侧面特征点。
4.根据权利要求1所述的人体尺寸测量方法,其特征在于,将所述特征信息、正面二维尺寸以及侧面二维尺寸作为输入参数,通过多隐含层的神经网络模型进行训练得到三维尺寸具体包括:
将所述特征信息、正面二维尺寸以及侧面二维尺寸作为输入参数;
神经网络模型的输入层获取预设数量的输入参数发送至第一隐含层中的每一个神经元,所述输入层神经元个数与输入参数个数相同;
所述第一隐含层中的每一个神经元分别训练多个输入参数得到第一隐层输出参数,并各自发送至下一个隐含层中的每一个神经元;
非第一隐含层的其余的每一个隐含层中的神经元将上一个隐含层的隐层输出参数作为输入参数进行训练得到对应的隐层输出参数,并各自发送至下一个隐含层中的每一个神经元,直至所有的隐含层都训练完毕,最后一个隐含层中的神经元各自将隐层输出参数发送至输出层;
输出层对接收的隐层输出参数进行处理得到三维尺寸。
5.一种人体尺寸测量系统,其特征在于,包括:
信息获取模块,获取用户的特征信息;
图像获取模块,获取预设姿势的正面人物图像和侧面人物图像;
预处理模块,对所述图像获取模块获取的所述正面人物图像和侧面人物图像进行预处理之后,提取轮廓得到对应的正面轮廓图和侧面轮廓图;
特征点分析模块,对所述预处理模块得到的所述正面轮廓图和侧面轮廓图进行特征点定位;
二维尺寸计算模块,结合所述信息获取模块获取的所述特征信息中的身高信息和所述特征点分析模块得到的特征点得到对应的正面二维尺寸和侧面二维尺寸;
三维尺寸计算模块,将所述信息获取模块获取的所述特征信息、所述二维尺寸计算模块得到的正面二维尺寸以及侧面二维尺寸作为输入参数,通过多隐含层的神经网络模型进行训练得到三维尺寸。
6.根据权利要求5所述的人体尺寸测量系统,其特征在于,所述预处理模块具体包括:
格式转换单元,分别将人物图像转化成预设格式的输入图片,所述人物图像包括所述正面人物图像和侧面人物图像;
通道转换单元,对所述格式转换单元得到的所述输入图片进行图片通道转换,由RGB图片转HSV得到原始图像;
处理单元,对所述通道转换单元得到的所述原始图像求索贝尔算子,并增加对比度以及图像二值化得到黑白图像;
所述处理单元,对所述黑白图像取最大轮廓,并进行腐蚀膨胀得到预处理图像,所述预处理图像包括正面预处理图像和侧面预处理图像;
轮廓提取单元,根据所述处理单元得到的所述正面预处理图像和侧面预处理图像提取轮廓,得到对应的正面轮廓图和侧面轮廓图。
7.根据权利要求5所述的人体尺寸测量系统,其特征在于,所述特征点分析模块具体包括:
特征点分析单元,通过轮廓检测函数检测所述正面轮廓图获取左右极值点,所述左右极值点分别为正面左右手特征点;
轮廓线提取单元,提取正面颈部轮廓线,同时确定所述正面轮廓图中头顶中点;
所述特征点分析单元,将所述正面左右手特征点和所述头顶中点连接得到正面颈部特征直线;
所述特征点分析单元,遍历所述轮廓线提取单元提取的所述正面颈部轮廓线,计算所述正面颈部轮廓线上颈部轮廓点到所述正面颈部特征直线的欧式距离,距离最大的点即为正面颈部特征点;
所述轮廓线提取单元,提取正面肩部轮廓线;
所述特征点分析单元,对所述轮廓线提取单元提取的所述正面肩部轮廓线进行曲线拟合或基于八链码定位正面肩部特征点;
所述特征点分析单元,按照模板遍历法、形状估计法或扫描线检测法定位其余的部位的正面特征点;
所述特征点分析单元,通过扫描线检测确定所述侧面轮廓图的颈部水平距离值最大的颈部水平连线为侧面颈部特征直线;
所述特征点分析单元,根据所述侧面颈部特征直线和预设领围测量倾斜角度确定侧面颈部特征点;
所述特征点分析单元,根据所述正面轮廓图和侧面轮廓图的映射关系,结合其余部位的正面特征点确定在侧面轮廓图中的侧面特征点。
8.根据权利要求5所述的人体尺寸测量系统,其特征在于,所述三维尺寸计算模块具体包括:
输入参数分析单元,将所述特征信息、正面二维尺寸以及侧面二维尺寸作为输入参数;
三维尺寸计算单元,神经网络模型的输入层获取所述输入参数分析单元确定的预设数量的输入参数发送至第一隐含层中的每一个神经元,所述输入层神经元个数与输入参数个数相同;
所述三维尺寸计算单元,所述第一隐含层中的每一个神经元分别训练多个输入参数得到第一隐层输出参数,并各自发送至下一个隐含层中的每一个神经元;
所述三维尺寸计算单元,非第一隐含层的其余的每一个隐含层中的神经元将上一个隐含层的隐层输出参数作为输入参数进行训练得到对应的隐层输出参数,并各自发送至下一个隐含层中的每一个神经元,直至所有的隐含层都训练完毕,最后一个隐含层中的神经元各自将隐层输出参数发送至输出层;
所述三维尺寸计算单元,输出层对接收的隐层输出参数进行处理得到三维尺寸。
9.一种存储介质,该存储介质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权利要求1至4任一项所述的方法。
10.一种电子设备,包括存储器和处理器,存储器上储存有在处理器上运行的计算机程序,其特征在于:所述处理器执行所述计算机程序时实现权利要求1至4任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910836767.0A CN110569784B (zh) | 2019-09-05 | 2019-09-05 | 一种人体尺寸测量方法、系统、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910836767.0A CN110569784B (zh) | 2019-09-05 | 2019-09-05 | 一种人体尺寸测量方法、系统、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110569784A true CN110569784A (zh) | 2019-12-13 |
CN110569784B CN110569784B (zh) | 2021-09-28 |
Family
ID=68777925
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910836767.0A Active CN110569784B (zh) | 2019-09-05 | 2019-09-05 | 一种人体尺寸测量方法、系统、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110569784B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111178638A (zh) * | 2019-12-31 | 2020-05-19 | 江西服装学院 | 一种服装设计优化系统 |
CN111862189A (zh) * | 2020-07-07 | 2020-10-30 | 北京海益同展信息科技有限公司 | 体尺信息确定方法、装置、电子设备和计算机可读介质 |
CN113112321A (zh) * | 2021-03-10 | 2021-07-13 | 深兰科技(上海)有限公司 | 智能量体方法、装置、电子设备及存储介质 |
CN114140414A (zh) * | 2021-11-25 | 2022-03-04 | 杭州贝嘟科技有限公司 | 非接触式人体测量方法、装置和电子设备 |
CN115869144A (zh) * | 2022-12-30 | 2023-03-31 | 益迦膳健康产业发展南京有限公司 | 一种基于超短波进行人体康复的理疗装置及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101322589A (zh) * | 2008-07-16 | 2008-12-17 | 苏州大学 | 用于服装设计的非接触式人体测量方法 |
CN106570476A (zh) * | 2016-10-28 | 2017-04-19 | 黑龙江省科学院自动化研究所 | 一种三维人体测量中关键尺寸自动提取方法 |
-
2019
- 2019-09-05 CN CN201910836767.0A patent/CN110569784B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101322589A (zh) * | 2008-07-16 | 2008-12-17 | 苏州大学 | 用于服装设计的非接触式人体测量方法 |
CN106570476A (zh) * | 2016-10-28 | 2017-04-19 | 黑龙江省科学院自动化研究所 | 一种三维人体测量中关键尺寸自动提取方法 |
Non-Patent Citations (1)
Title |
---|
赵静秒: "非接触式人体测量系统的研究", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅰ辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111178638A (zh) * | 2019-12-31 | 2020-05-19 | 江西服装学院 | 一种服装设计优化系统 |
CN111862189A (zh) * | 2020-07-07 | 2020-10-30 | 北京海益同展信息科技有限公司 | 体尺信息确定方法、装置、电子设备和计算机可读介质 |
CN111862189B (zh) * | 2020-07-07 | 2023-12-05 | 京东科技信息技术有限公司 | 体尺信息确定方法、装置、电子设备和计算机可读介质 |
CN113112321A (zh) * | 2021-03-10 | 2021-07-13 | 深兰科技(上海)有限公司 | 智能量体方法、装置、电子设备及存储介质 |
CN114140414A (zh) * | 2021-11-25 | 2022-03-04 | 杭州贝嘟科技有限公司 | 非接触式人体测量方法、装置和电子设备 |
CN115869144A (zh) * | 2022-12-30 | 2023-03-31 | 益迦膳健康产业发展南京有限公司 | 一种基于超短波进行人体康复的理疗装置及系统 |
CN115869144B (zh) * | 2022-12-30 | 2023-10-10 | 益迦膳健康产业发展南京有限公司 | 一种基于超短波进行人体康复的理疗装置及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110569784B (zh) | 2021-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110569784B (zh) | 一种人体尺寸测量方法、系统、存储介质及电子设备 | |
US10013803B2 (en) | System and method of 3D modeling and virtual fitting of 3D objects | |
CN109829930B (zh) | 人脸图像处理方法、装置、计算机设备及可读存储介质 | |
CN103810478B (zh) | 一种坐姿检测方法和装置 | |
CN108447017A (zh) | 人脸虚拟整容方法和装置 | |
JP2020526809A (ja) | 仮想顔化粧の除去、高速顔検出およびランドマーク追跡 | |
CN103914699A (zh) | 一种基于色彩空间的自动唇彩的图像增强的方法 | |
CN110400278B (zh) | 一种图像颜色和几何畸变的全自动校正方法、装置及设备 | |
CN108874145B (zh) | 一种图像处理方法、计算设备及存储介质 | |
CN110533732B (zh) | 图像中肤色的识别方法、装置、电子设备及存储介质 | |
CN110263768A (zh) | 一种基于深度残差网络的人脸识别方法 | |
CN110189408B (zh) | 一种根据人体照片得到人体外表数据的系统及方法 | |
US20220351378A1 (en) | Methods and systems for generating 3d datasets to train deep learning networks for measurements estimation | |
CN108682050B (zh) | 基于三维模型的美颜方法和装置 | |
CN111127642A (zh) | 一种人脸三维重建方法 | |
Kaashki et al. | Anet: A deep neural network for automatic 3d anthropometric measurement extraction | |
CN114375177A (zh) | 身体测量装置及其控制方法 | |
CN109583330B (zh) | 一种用于人脸照片的毛孔检测方法 | |
CN113052783A (zh) | 一种基于人脸关键点的人脸图像融合方法 | |
CN113283466A (zh) | 一种仪表读数识别方法及装置、可读存储介质 | |
CN109509194B (zh) | 一种复杂背景下正面人体图像分割方法及装置 | |
CN107403448A (zh) | 代价函数生成方法和代价函数生成装置 | |
KR100904559B1 (ko) | 스테레오 영상을 이용한 안면 진단 방법 | |
Senanayake et al. | Automated human body measurement extraction: single digital camera (webcam) method–phase 1 | |
CN114155569B (zh) | 一种化妆进度检测方法、装置、设备及存储介质 |
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 |