CN110838179A - 基于体测数据的人体建模方法、装置及电子设备 - Google Patents
基于体测数据的人体建模方法、装置及电子设备 Download PDFInfo
- Publication number
- CN110838179A CN110838179A CN201910927424.5A CN201910927424A CN110838179A CN 110838179 A CN110838179 A CN 110838179A CN 201910927424 A CN201910927424 A CN 201910927424A CN 110838179 A CN110838179 A CN 110838179A
- Authority
- CN
- China
- Prior art keywords
- human body
- measurement data
- model
- body model
- target
- 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
- 238000005259 measurement Methods 0.000 title claims abstract description 119
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000012417 linear regression Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims description 30
- 238000004590 computer program Methods 0.000 claims description 18
- 230000015654 memory Effects 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 16
- 210000000689 upper leg Anatomy 0.000 claims description 15
- 238000000513 principal component analysis Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 7
- 210000002414 leg Anatomy 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 10
- 210000003128 head Anatomy 0.000 description 9
- 210000002683 foot Anatomy 0.000 description 7
- 210000003127 knee Anatomy 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 244000309466 calf Species 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000000053 physical method Methods 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000037237 body shape Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 210000000887 face Anatomy 0.000 description 2
- 210000001061 forehead Anatomy 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 210000000431 third toe Anatomy 0.000 description 2
- 230000004323 axial length Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000005477 standard model Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
- 210000003857 wrist joint Anatomy 0.000 description 1
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
- G06T17/10—Constructive solid geometry [CSG] using solid primitives, e.g. cylinders, cubes
Landscapes
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Engineering & Computer Science (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本申请公布了提供一种基于体测数据的人体建模方法、装置及电子设备，所述方法包括：获取体测数据；根据所述体测数据，通过预先训练好的预测模型对预先创建的人体模型进行线性回归，拟合得到预测人体模型，所述预先创建的人体模型包括预先定义的多组标记特征点以及对应的标准形状基，所述体测数据包括与每组标记特征点对应的测量数据；根据所述预测人体模型，得到目标人体模型，所述目标人体模型包括测量数据、目标形状基以及目标形状系数。通过本发明拟合得到预测人体模型，从而得到目标人体模型，可以提高建模速度以及建模精度，拟合的平均误差极小，在0.05mm左右，重建效果强，且不依赖所创建的身体和姿态数据库。
Description
技术领域
本申请涉及人体建模领域，更具体的说，是涉及一种基于体测数据的人体建模方法、装置及电子设备。
背景技术
构建高度真实的个性化虚拟人体几何，从日常生活、游戏动画、教育培训到工业设计都日渐凸显其重要性；例如，在虚拟试衣中，除了衣服的物理仿真，其身体模型的建模起着基础性的作用；
目前，构造人体模型的方法有(1)基于回归的方法，通过卷积神经网络重建出体素表示的人体模型，算法首先根据输入图片估计人体主要关节点的位置，然后根据关键点位置估计出给定指定大小体素网格中，根据其内部每个单元体素是否被占用，从而用内部占用体素的整个形状来描述重建出的人体形状；(2)基于单张图片的人体重建，该方法同时估计出人体三维形状和姿态，该方法首先在图像上对简单的人体骨骼关键点进行了粗略的标注，然后根据这些粗关键点进行人体模型的初始匹配和拟合，得到人体大致形状。(3)用23个骨骼节点来表示人体骨架，然后用每个骨骼节点的旋转来表示整个人体的姿态，同时，用6890个顶点位置来表达人体形状，在拟合过程中，给定骨骼节点位置，同时拟合出形状和姿态的参数，从而进行三维人体重建；或者先用CNN模型来预测图像上的关键点，然后采用SMPL模型进行拟合，得到初始的人体模型。接着，用拟合得到的形状参数来回归一个人体关节包围盒，每个关节对应一个包围盒，用轴长和半径来表示其包围盒。最后，结合初始模型和回归得到的包围盒从而得到三维人体重建。
以上方法存在建模速度较慢，其建模精度不够，并且重建效果强依赖所创建的身体和姿态数据库的问题。
申请内容
本申请的目的是针对上述现有技术存在的缺陷，提供一种基于体测数据的人体建模方法，解决了建模速度较慢，其建模精度不够，并且重建效果强依赖所创建的身体和姿态数据库的问题。
本申请的目的是通过以下技术方案来实现的：
第一方面，提供一种基于体测数据的人体建模方法，所述方法包括：获取体测数据；
根据所述体测数据，通过预先训练好的预测模型对预先创建的人体模型进行线性回归，拟合得到预测人体模型，所述预先创建的人体模型包括预先定义的多组标记特征点以及对应的标准形状基，所述体测数据包括与每组标记特征点对应的测量数据；
根据所述预测人体模型，得到目标人体模型，所述目标人体模型包括测量数据、目标形状基以及目标形状系数。
所述体测数据包括k个体测数据，所述预测模型的训练步骤具体包括：
获取训练集，所述训练集包括形状参数与体测数据；
将所述训练集输入到所述预测模型中对所述预测模型进行线性回归训练，以使所述预测模型学习到形状参数与体测数据的对应关系；
将所述预测模型根据输入测量数据进行预测，得到初始化的预测模型，所述训练好的预测模型包括参数维矩阵以及二维矩阵的线性参数。
所述根据所述初始形状系数对所述预测人体模型进行非线性优化，得到目标人体模型的步骤具体包括：
以所述初始形状系数为初始值，通过目标函数求解最小化形状系数；
根据所述最小化形状系数，得到目标人体模型。
所述预测人体模型包括与测量数据对应的预测形状基，所述预测形状基通过对测量数据进行PCA主成分分析构造生成，所述根据所述预测人体模型，得到目标人体模型，所述方法还包括：
将得到的对应于每个测量数据的预测形状基进行线性拟合，得到目标人体模型。
所述体测数据包括k个体测数据，所述方法还包括：
首先，构建高维度模型空间，所述高维度模型空间中包括对应不同体测数据的多个人体待选模型，所述人体待选模型包括测量数据、形状基以及形状系数；
在所述高维度模型空间中匹配与获取到的体测数据距离最近的k组人体待选模型；
对所述k组人体待选模型进行k次线性插值，拟合得到目标人体模型。
所述多组标记特征点包括：身高特征点、臂长特征点、肩宽特征点、腿长特征点、小腿长特征点、大腿长特征点、脚板长特征点、头围特征点、胸围特征点、腰围特征点、大腿围特征点、小腿围特征点中至少一项。
第二方面，还提供一种基于体测数据的人体建模装置，所述装置包括：
获取模块，用于获取体测数据；
预测模块，用于根据所述体测数据，通过预先训练好的预测模型对预先创建的人体模型进行线性回归，拟合得到预测人体模型，所述预先创建的人体模型包括预先定义的多组标记特征点以及对应的标准形状基，所述体测数据包括与每组标记特征点对应的测量数据；
优化模块，用于根据所述预测人体模型，优化拟合得到目标人体模型，所述目标人体模型包括测量数据、目标形状基以及目标形状系数。
第三方面，提供一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述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如权利要求1至7中任一项所述的基于体测数据的人体建模方法中的步骤。
第四方面，提供一种计算机可读存储介质，所述计算机可读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本实施例中如权利要求1至7中任一项所述的基于体测数据的人体建模方法中的步骤。
本申请带来的有益效果：获取体测数据；根据所述体测数据，通过预先训练好的预测模型对预先创建的人体模型进行线性回归，拟合得到预测人体模型，所述预先创建的人体模型包括预先定义的多组标记特征点以及对应的标准形状基，所述体测数据包括与每组标记特征点对应的测量数据；根据所述预测人体模型，得到目标人体模型，所述目标人体模型包括测量数据、目标形状基以及目标形状系数。通过体测数据以及预先训练好的预测模型对预先创建的人体模型进行线性回归，拟合得到预测人体模型，从而得到目标人体模型，可以提高建模速度以及建模精度，拟合的平均误差极小，在0.05mm左右，重建效果强，且不依赖所创建的身体和姿态数据库。
附图说明
图1为本申请实施例提供的一种基于体测数据的人体建模方法的流程示意图；
图2为本申请实施例提供的一种体测数据测量方法的示意图；
图3为本申请实施例提供的一种身高测量方法的示意图；
图4为本申请实施例提供的一种头围长数据测量方法的示意图；
图5为本申请实施例提供的一种预测模型的训练方法的流程示意图；
图6为本申请实施例提供的步骤103的一种具体流程示意图；
图7为本申请实施例提供的步骤103的另一种具体流程示意图；
图8为本申请实施例提供的另一种基于体测数据的人体建模方法的流程示意图；
图9为本申请实施例提供的高维模型空间的一维模型示意图；
图10为本申请实施例提供的另一种基于体测数据的人体建模方法的流程示意图；
图11为本申请实施例提供的一种臀围形状基的示意图；
图12为本申请实施例提供的一种胸围形状基的示意图；
图13为本申请实施例提供的一种基于体测数据的人体建模装置示意图；
图14为本申请实施例提供的另一种基于体测数据的人体建模装置示意图；
图15为本申请实施例提供的一种优化模块1303的结构示意图；
图16为本申请实施例提供的另一种基于体测数据的人体建模装置示意图。
具体实施方式
下面描述本申请的优选实施方式，本领域普通技术人员将能够根据下文所述用本领域的相关技术加以实现，并能更加明白本申请的创新之处和带来的益处。
为了进一步描述本申请的技术方案，请参照图1，图1为本申请实施例提供的一种基于体测数据的人体建模方法的流程示意图，如图1所示，所述方法包括以下步骤：
101、获取体测数据。
如图2所示，上述的体测数据可以包括体长数据与围长数据，如图3所示，上述的体长数据包括：身高数据、臂长数据、肩宽数据、腿长数据、小腿长数据、大腿长数据、脚板长数据等，体长数据可以是其中一项，也可以是多项。如图3所示，上述的围长数据包括：头围数据、胸围数据、腰围数据、大腿围数据、小腿围数据、臀围数据、肩围等，围长数据可以是其中一项，也可以是多项；上述的体测数据可以通过测量工具进行获取，比如测量仪器、卷尺、软尺等测量工具，也可以通过扫描进行获取，本发明实施例并不对体测数据的获取方式进行限定。具体的，上述的体长数据可以通过两点的欧氏距离来进行测量，比如：上述身高数据可以是头部最高点延伸到脚板中间的欧氏距离；上述的臂长数据可以是肩膀平行点到手腕关节点的欧氏距离；上述的肩宽数据可以是左右肩膀点之间的欧氏距离；上述的腿长数据可以是大腿根部到地板最低点的欧氏距离；上述的小腿长数据可以是膝盖到地板最低点的欧氏距离；上述的大腿长数据可以是大腿根部到膝盖的欧氏距离；上述的脚板长数据可以是中脚趾头到脚根部的欧氏距离。上述的围长数据可以通过一组采样点来进行表示与测量，围长可以理解为周长或者连续点之间的周长，周长长度等于相邻两点之间的欧氏距离之和，如图4所示。比如：上述的头围数据可以是平行水平面，绕额头一圈的周长长度，其余的围长均与头围数据使用相同的测量标准。
102、根据所述体测数据，通过预先训练好的预测模型对预先创建的人体模型进行线性回归，拟合得到预测人体模型。
上述预先创建的人体模型包括预先定义的多组标记特征点以及对应的标准形状基，所述体测数据包括与每组标记特征点对应的测量数据。上述的人体模型的创建可以是通过采用3Dmax软件构造男女的标准人体模型，两者包含的顶点和面个数一样，都是13276个点，26532个面。人体模型的构造图5所示。其中，人体模型采用PCA模型表示，其中中立形状为M，其男女分别对应的形状基为B＝{b1,...,b100},每个模型包含100个形状基。给定形状系数C＝(α1,α2,...,α100),则对应的模型H为：
进一步的，可以在模型上标记特征点，定义各种人体测量数据(体测数据)标准。比如：体型名称和具体定义，主要分两类来统计，直接两点之间的欧氏距离，连续点之间的周长。具体的，比如身高：用两个标记点的欧氏距离来度量身高，从头部最高点延伸到脚板中间。臂长，肩膀平行点到手腕关节点；肩宽，左右肩膀点之间的距离；腿长，大腿根部到地板最低点长度；小腿长，膝盖到地板最低点长度；大腿长，大腿根部到膝盖长度；脚板长；中脚趾头到脚根部长度；头围，平行水平面，绕额头一圈的周长长度，胸围，腰围，腿围，大腿围，小腿围的定义进行类似操作。
围长与身高等定义稍微不同，围长需要用一组点来进行表。首先用一个平面来切割人体模型，从而得到一系列平面与三角面片的交点，然后，从中选取一定数量连续的点。并且每个交点都关联10个模型上的最近点，选出来的每个点都用其10个最近点来线性表示其当前坐标。切割平面和模型交线如图4所示。其周长长度等于相邻两点之间的欧氏距离之和。
103、根据所述预测人体模型，得到目标人体模型。
上述的目标人体模型包括测量数据、目标形状基以及目标形状系数。
可以对上述的预测人体模型进行非线性优化，从而得到目标人体模型。
在一些可能的实施例中，上述的预测人体模型包括预测形状基，可以根据预测形状基进行线性拟合，从而得到目标人体模型。上述的预测形状基是根据体测数据进行主成分分析进行构造得到的。
在本发明实施例中，获取体测数据；根据所述体测数据，通过预先训练好的预测模型对预先创建的人体模型进行线性回归，拟合得到预测人体模型，所述预先创建的人体模型包括预先定义的多组标记特征点以及对应的标准形状基，所述体测数据包括与每组标记特征点对应的测量数据；根据所述预测人体模型，得到目标人体模型，所述目标人体模型包括测量数据、目标形状基以及目标形状系数。通过体测数据以及预先训练好的预测模型对预先创建的人体模型进行线性回归，拟合得到预测人体模型，从而得到目标人体模型，可以提高建模速度以及建模精度，拟合的平均误差极小，在0.05mm左右，重建效果强，且不依赖所创建的身体和姿态数据库。
可选的，请参照图5，图5为本申请实施例提供的一种预测模型的训练方法的流程示意图，如图5所示，所述方法包括以下步骤：
201、获取训练集，所述训练集包括形状参数与体测数据。
202、将所述训练集输入到所述预测模型中对所述预测模型进行线性回归训练，以使所述预测模型学习到形状参数与体测数据的对应关系。
203、将所述预测模型训练至拟合，得到训练好的预测模型，所述训练好的预测模型包括参数维矩阵。
上述的预测模型可以是基于线性回归的人体模型，设一组人体参数数据为M＝(m1,m2,...,mk)，总共包含k个体测数据。设人体形状参数维度为n,其待求解的形状系数为C＝(α1,α2,...,αn),则待估计的线性估计参数维矩阵T,其形状为k×n。则人体形状回归函数为，给定一组形状参数A1×k，经过线性变换之后其形状参数则为S1×n,其对应的预测公式为：
S＝A*T (2)
上述训练集可以是通过网络上进行下载，也可以是自行进行构造，具体的构造为：通过随机生成不同的形状参数{C1,C2,...,Ct}，其中每个{Ci}通过公式(1)得到各自对应的人体模型，然后根据体测数据定义，计算每个模型对应的一组体测数据{M1,M2,...,Mt}。构造训练数据集D＝{{C1,M1},{C2,M2},...,{Ct,Mt}}.对训练数据进行训练，从而得到预测模型。
可选的，请参照图6，图6为本申请实施例提供的步骤103的流程示意图，如图6所示，所述预测人体模型包括初始形状系数，所述步骤103包括：
301、根据所述初始形状系数对所述预测人体模型进行非线性优化，得到目标人体模型。
上述的非线性优化具体的可以是：设要待求解的形状系数为X＝{x1,x2,…,x100},则对应的人体模型可用公式1得到，记为H。设给定的人体测量数据为M＝(m1,m2,…,mk),对每个测量数据mi,其在模型上关联的顶点集合为Vmi.则人体形状优化目标函数为：
其中Hij表示第i个体测数据关联的模型第j个点索引,第i个体测值总共关联了n个顶点，其测量值为mi。
给定测量值M，首先用上一步学习到的线性回归器，对人体形状系数进行回归，得到初始的形状系数X0。经过预测之后，此时的人体形状已大致对齐到目标测量值。但仅靠此步骤得到的人体模型存在较大误差，不能比较准确的拟合人体测量模型。通过上述的非线性优化，可以将得到目标人体模型H。
可选的，请参照图7，图7为本申请实施例提供的步骤301的流程示意图，如图7所示，所述预测人体模型包括初始形状系数，所述步骤301包括：
401、以所述初始形状系数为初始值，通过目标函数求解最小化形状系数。
402、根据所述最小化形状系数，得到目标人体模型。
具体的，给定测量值M，首先用上一步学习到的线性回归器，对人体形状系数进行回归，得到初始的形状系数X0。经过预测之后，此时的人体形状已大致对齐到目标测量值。但仅靠此步骤得到的人体模型存在较大误差，不能比较准确的拟合人体测量模型。
有上述预测的值之后，X0作为非线性优化的初始值，进一步优化重建效果。具体地，最小化公式(3)，从而得到人体形状参数系数X。最后根据公式1，得到最终的人体模型H。
可选的，请参照图8，图8为本申请实施例提供的另一种基于体测数据的人体建模方法的流程示意图，如图8所示，所述体测数据包括k个体测数据，所述方法还包括：
501、构建高维度模型空间，所述高维度模型空间中包括对应不同体测数据的多个人体待选模型，所述人体待选模型包括测量数据、形状基以及形状系数；
502、在所述高维度模型空间中匹配与获取到的体测数据距离最近的k组人体待选模型；
503、对所述k组人体待选模型进行k次线性插值，拟合得到目标人体模型。
采用上述的非线性优化方式对人体模型数据集的构建，其一维形状如图9所示。针对测量指标的每一个维度，都进行相应的模型拟合，设标准模型的测量数据。M0＝{m1,...,mk}.设第i个指标为身高，其高度为1700毫米。此时固定其他指标不变，而只改变当前身高指标，其身高分别从1500变化到2000mm之间，每隔5毫米进行优化拟合。其他指标与此类似，从而生成了身体模型大数据集。
给定一组身体测量值M＝(m1,m2,...,mk)，共K个测量值，在高维空间中，找到其最相邻的K组模型。其当前测量值将落在由2^K个模型构造的超立方体空间当中。此时当前的模型就用这2^K模型进行K次线性插值，即可得到目标人体模型。
本发明实施例中，基于高维线性插值可以对建模进行加速，避免在线实时试衣等系统中，用户等待时间过长。
可选的，请参照图10，图10为本申请实施例提供的另一种基于体测数据的人体建模方法的流程示意图，如图10所示，所述预测人体模型包括与测量数据对应的预测形状基，所述预测形状基通过对测量数据进行PCA主成分分析构造生成，所述步骤103还包括：
601、将得到的对应于每个测量数据的预测形状基进行线性拟合，得到目标人体模型。
对每个测量数据进行生成之后，对其构造该测量值的预测形状基，如对身高进行PCA(主成分分析)之后，得到其相应的预测形状基，如图11的臀围形状基，以及如图12胸围形状基。经过上述操作之后，每个测量值都得到了一个预测形状基。在拟合新的数据时，只需单独进行线性拟合就可以得到目标人标模型。
本发明实施例中，获取体测数据；根据所述体测数据，通过预先训练好的预测模型对预先创建的人体模型进行线性回归，拟合得到预测人体模型，所述预先创建的人体模型包括预先定义的多组标记特征点以及对应的标准形状基，所述体测数据包括与每组标记特征点对应的测量数据；根据所述预测人体模型，得到目标人体模型，所述目标人体模型包括测量数据、目标形状基以及目标形状系数。通过体测数据以及预先训练好的预测模型对预先创建的人体模型进行线性回归，拟合得到预测人体模型，从而得到目标人体模型，可以提高建模速度以及建模精度，拟合的平均误差极小，在0.05mm左右，重建效果强，且不依赖所创建的身体和姿态数据库。
第二方面，请参见图13，图13是本申请实施例提供的一种基于体测数据的人体建模装置的结构示意图，如图13所示，所述装置1300包括：
获取模块1301，用于获取体测数据；
预测模块1302，用于根据所述体测数据，通过预先训练好的预测模型对预先创建的人体模型进行线性回归，拟合得到预测人体模型，所述预先创建的人体模型包括预先定义的多组标记特征点以及对应的标准形状基，所述体测数据包括与每组标记特征点对应的测量数据；
优化模块1303，用于根据所述预测人体模型，优化拟合得到目标人体模型，所述目标人体模型包括测量数据、目标形状基以及目标形状系数。
可选的，如图14所示，所述装置1300还包括用于预测模型的训练的模块，具体包括：
训练集获取模块1304，用于获取训练集，所述训练集包括形状参数与体测数据；
输入模块1305，用于将所述训练集输入到所述预测模型中对所述预测模型进行线性回归训练，以使所述预测模型学习到形状参数与体测数据的对应关系；
训练模块1306，用于将所述预测模型训练至拟合，得到训练好的预测模型，所述训练好的预测模型包括参数维矩阵。
可选的，如图13所示，所述预测人体模型包括初始形状系数，所述优化模块1303还用于根据所述初始形状系数对所述预测人体模型进行非线性优化，得到目标人体模型。
可选的，如图15所示，所述优化模块1303具体包括：
计算单元13031，以所述初始形状系数为初始值，通过目标函数求解最小化形状系数；
处于单元13032，用于根据所述最小化形状系数，得到目标人体模型。
可选的，如图13所示，所述预测人体模型包括与测量数据对应的预测形状基，所述预测形状基通过对测量数据进行PCA主成分分析构造生成，所述优化模块1303还用于将得到的对应于每个测量数据的预测形状基进行线性拟合，得到目标人体模型。
可选的，如图16所示，所述体测数据包括k个体测数据，所述装置1300还包括：
构建模块1307，用于构建高维度模型空间，所述高维度模型空间中包括对应不同体测数据的多个人体待选模型，所述人体待选模型包括测量数据、形状基以及形状系数；
匹配模块1308，用于在所述高维度模型空间中匹配与获取到的体测数据距离最近的k组人体待选模型；
插值模块1309，用于对所述k组人体待选模型进行k次线性插值，拟合得到目标人体模型。
可选的，所述多组标记特征点包括：身高特征点、臂长特征点、肩宽特征点、腿长特征点、小腿长特征点、大腿长特征点、脚板长特征点、头围特征点、胸围特征点、腰围特征点、大腿围特征点、小腿围特征点中至少一项。
第三方面，本申请实施例提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述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本申请实施例提供的基于体测数据的人体建模方法中的步骤。
第四方面，本申请实施例提供一种计算机可读存储介质，所述计算机可读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本申请实施例提供的基于体测数据的人体建模方法中的步骤。即，在本发明的具体实施例中，计算机可读存储介质的计算机程序被处理器执行时实现上述的基于数据流的神经网络处理方法的步骤，能降低数字电路控制电容的非线性。
示例性的，计算机可读存储介质的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-Only Memory)、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，由于计算机可读存储介质的计算机程序被处理器执行时实现上述的基于数据流的神经网络处理方法的步骤，因此上述基于数据流的神经网络处理方法的所有实施例均适用于该计算机可读存储介质，且均能达到相同或相似的有益效果。
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，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件程序模块的形式实现。
所述集成的单元如果以软件程序模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取器(英文：Random Access Memory，简称：RAM)、磁盘或光盘等。
以上内容是结合具体的优选实施方式对本申请所作的进一步详细说明，不能认定本申请的具体实施方式只局限于这些说明。对于本申请所属技术领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本申请的保护范围。
Claims (10)
1.一种基于体测数据的人体建模方法，其特征在于，所述方法包括：
获取体测数据；
根据所述体测数据，通过预先训练好的预测模型对预先创建的人体模型进行线性回归，拟合得到预测人体模型，所述预先创建的人体模型包括预先定义的多组标记特征点以及对应的标准形状基，所述体测数据包括与每组标记特征点对应的测量数据；
根据所述预测人体模型，得到目标人体模型，所述目标人体模型包括测量数据、目标形状基以及目标形状系数。
2.如权利要求1所述的方法，其特征在于，所述体测数据包括k个体测数据，所述预测模型的训练步骤具体包括：
获取训练集，所述训练集包括形状参数与体测数据；
将所述训练集输入到所述预测模型中对所述预测模型进行线性回归训练，以使所述预测模型学习到形状参数与体测数据的对应关系；
将所述预测模型训练至拟合，得到训练好的预测模型，所述训练好的预测模型为二维矩阵的线性参数。
3.如权利要求1所述的方法，其特征在于，所述预测人体模型包括初始形状系数，根据所述预测人体模型，得到目标人体模型。
4.如权利要求3所述的方法，其特征在于，所述根据所述初始形状系数对所述预测人体模型进行非线性优化，得到目标人体模型的步骤具体包括：
以所述初始形状系数为初始值，通过目标函数求解最小化形状系数；
根据所述最小化形状系数，得到目标人体模型。
5.如权利要求1所述的方法，其特征在于，所述预测人体模型包括与测量数据对应的预测形状基，所述预测形状基通过对测量数据进行PCA主成分分析构造生成，所述根据所述预测人体模型，得到目标人体模型，所述方法还包括：
将得到的对应于每个测量数据的预测形状基进行线性拟合，得到目标人体模型。
6.如权利要求1所述的方法，其特征在于，所述体测数据包括k个体测数据，所述方法还包括：
构建高维度模型空间，所述高维度模型空间中包括对应不同体测数据的多个人体待选模型，所述人体待选模型包括测量数据、形状基以及形状系数；
在所述高维度模型空间中匹配与获取到的体测数据距离最近的k组人体待选模型；
对所述k组人体待选模型进行k次线性插值，拟合得到目标人体模型。
7.如权利要求1至6中任一项所述的方法，其特征在于，所述多组标记特征点包括：身高特征点、臂长特征点、肩宽特征点、腿长特征点、小腿长特征点、大腿长特征点、脚板长特征点、头围特征点、胸围特征点、腰围特征点、大腿围特征点、小腿围特征点中至少一项。
8.一种基于体测数据的人体建模装置，其特征在于，所述装置包括：
获取模块，用于获取体测数据；
预测模块，用于根据所述体测数据，通过预先训练好的预测模型对预先创建的人体模型进行线性回归，拟合得到预测人体模型，所述预先创建的人体模型包括预先定义的多组标记特征点以及对应的标准形状基，所述体测数据包括与每组标记特征点对应的测量数据；
优化模块，用于根据所述预测人体模型，优化拟合得到目标人体模型，所述目标人体模型包括测量数据、目标形状基以及目标形状系数。
9.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述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如权利要求1至7中任一项所述的基于体测数据的人体建模方法中的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读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如权利要求1至7中任一项所述的基于体测数据的人体建模方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910927424.5A CN110838179B (zh) | 2019-09-27 | 2019-09-27 | 基于体测数据的人体建模方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910927424.5A CN110838179B (zh) | 2019-09-27 | 2019-09-27 | 基于体测数据的人体建模方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110838179A true CN110838179A (zh) | 2020-02-25 |
| CN110838179B CN110838179B (zh) | 2024-01-19 |
Family
ID=69575290
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910927424.5A Active CN110838179B (zh) | 2019-09-27 | 2019-09-27 | 基于体测数据的人体建模方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110838179B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111783182A (zh) * | 2020-07-07 | 2020-10-16 | 恒信东方文化股份有限公司 | 一种三维虚拟人台的建模方法及系统 |
| CN116350203A (zh) * | 2023-06-01 | 2023-06-30 | 广州华夏汇海科技有限公司 | 一种体质测试数据处理方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20110023194A (ko) * | 2009-08-31 | 2011-03-08 | 서울대학교산학협력단 | 3차원 인체 모델 생성 시스템 및 그 방법 |
| CN107154071A (zh) * | 2016-03-02 | 2017-09-12 | 南京航空航天大学 | 基于实例根据人体测量尺寸数据生成个性化人体模型的方法 |
| CN107644203A (zh) * | 2017-09-12 | 2018-01-30 | 江南大学 | 一种形状自适应分类的特征点检测方法 |
| US20190096050A1 (en) * | 2017-09-27 | 2019-03-28 | Arcsoft (Hangzhou) Multimedia Technology Co., Ltd. | Method and device for three-dimensional reconstruction |
| KR20190042197A (ko) * | 2017-10-16 | 2019-04-24 | 한국과학기술원 | 동적 인간 모델에 대한 회귀 분석 기반 랜드마크 검출 방법 및 그 장치 |
| CN109712234A (zh) * | 2018-12-29 | 2019-05-03 | 北京卡路里信息技术有限公司 | 三维人体模型的生成方法、装置、设备和存储介质 |
| CN109859296A (zh) * | 2019-02-01 | 2019-06-07 | 腾讯科技（深圳）有限公司 | Smpl参数预测模型的训练方法、服务器及存储介质 |
| CN109891464A (zh) * | 2017-01-06 | 2019-06-14 | 深圳市三维人工智能科技有限公司 | 一种3d人体模型的建立方法和系统 |
-
2019
- 2019-09-27 CN CN201910927424.5A patent/CN110838179B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20110023194A (ko) * | 2009-08-31 | 2011-03-08 | 서울대학교산학협력단 | 3차원 인체 모델 생성 시스템 및 그 방법 |
| CN107154071A (zh) * | 2016-03-02 | 2017-09-12 | 南京航空航天大学 | 基于实例根据人体测量尺寸数据生成个性化人体模型的方法 |
| CN109891464A (zh) * | 2017-01-06 | 2019-06-14 | 深圳市三维人工智能科技有限公司 | 一种3d人体模型的建立方法和系统 |
| CN107644203A (zh) * | 2017-09-12 | 2018-01-30 | 江南大学 | 一种形状自适应分类的特征点检测方法 |
| US20190096050A1 (en) * | 2017-09-27 | 2019-03-28 | Arcsoft (Hangzhou) Multimedia Technology Co., Ltd. | Method and device for three-dimensional reconstruction |
| KR20190042197A (ko) * | 2017-10-16 | 2019-04-24 | 한국과학기술원 | 동적 인간 모델에 대한 회귀 분석 기반 랜드마크 검출 방법 및 그 장치 |
| CN109712234A (zh) * | 2018-12-29 | 2019-05-03 | 北京卡路里信息技术有限公司 | 三维人体模型的生成方法、装置、设备和存储介质 |
| CN109859296A (zh) * | 2019-02-01 | 2019-06-07 | 腾讯科技（深圳）有限公司 | Smpl参数预测模型的训练方法、服务器及存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| ZHU XIN-JUAN 等: "Human body shapes modeling and feature points location based on ASM for virtual fitting", 2016 SIXTH INTERNATIONAL CONFERENCE ON INFORMATION SCIENCE AND TECHNOLOGY (ICIST) * |
| 毛天露, 王兆其: "个性化三维人体模型快速建模方法", 计算机辅助设计与图形学学报, no. 10 * |
| 袁仁奇;徐增波;: "基于Kinect的人体模板化三维模型拟合重建", 丝绸, no. 10 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111783182A (zh) * | 2020-07-07 | 2020-10-16 | 恒信东方文化股份有限公司 | 一种三维虚拟人台的建模方法及系统 |
| CN111783182B (zh) * | 2020-07-07 | 2024-03-01 | 恒信东方文化股份有限公司 | 一种三维虚拟人台的建模方法及系统 |
| CN116350203A (zh) * | 2023-06-01 | 2023-06-30 | 广州华夏汇海科技有限公司 | 一种体质测试数据处理方法及系统 |
| CN116350203B (zh) * | 2023-06-01 | 2023-08-18 | 广州华夏汇海科技有限公司 | 一种体质测试数据处理方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110838179B (zh) | 2024-01-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wuhrer et al. | Estimating 3D human shapes from measurements | |
| Baek et al. | Parametric human body shape modeling framework for human-centered product design | |
| JP3364654B2 (ja) | 仮想形態生成装置及び生成方法 | |
| Park et al. | Parametric body shape model of standing children aged 3–11 years | |
| Wang et al. | STL rapid prototyping bio-CAD model for CT medical image segmentation | |
| CN101311967B (zh) | 一种基于实测人群体型的虚拟人台的建立方法及虚拟人台 | |
| Zhang et al. | Example-guided anthropometric human body modeling | |
| Verwulgen et al. | A new data structure and workflow for using 3D anthropometry in the design of wearable products | |
| Danckaers et al. | Posture normalisation of 3D body scans | |
| US20220180027A1 (en) | Method and apparatus for generating a design for a technical system of product | |
| Valencia-Romero et al. | An immersive virtual discrete choice experiment for elicitation of product aesthetics using Gestalt principles | |
| Koo et al. | Example-based statistical framework for parametric modeling of human body shapes | |
| CN110838179A (zh) | 基于体测数据的人体建模方法、装置及电子设备 | |
| CN107170039A (zh) | 人体三维数据模型库的生成方法 | |
| Iglesias et al. | Iterative sequential bat algorithm for free-form rational Bézier surface reconstruction | |
| Domingo et al. | Modeling of female human body shapes for apparel design based on cross mean sets | |
| Li et al. | Remodeling of mannequins based on automatic binding of mesh to anthropometric parameters | |
| Coatham et al. | Convex hull estimation of mammalian body segment parameters | |
| Lim et al. | Cube Kohonen Self-Organizing Map (CKSOM) model with new equations in organizing unstructured data | |
| Yanpeng | Hybrid kernel extreme learning machine for evaluation of athletes' competitive ability based on particle swarm optimization | |
| Scataglini et al. | Moving statistical body shape models using blender | |
| Nguyen et al. | Generating point cloud from measurements and shapes based on convolutional neural network: an application for building 3D human model | |
| Ding et al. | An automatic method of measuring foot girths for custom footwear using local RBF implicit surfaces | |
| Agathos et al. | 3D reconstruction of skeletal mesh models and human foot biomodel generation using semantic parametric-based deformation | |
| Huysmans et al. | Multi-patch B-spline statistical shape models for CAD-compatible digital human modeling |
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: 20240122 Address after: 518000 23C, Gongkan Building, No. 8, Keji South 8th Road, High tech District Community, Yuehai Street, Nanshan District, Shenzhen, Guangdong Patentee after: Shenzhen Kelu Education Technology Co.,Ltd. Country or region after: China Address before: 518000 room 2101, Xianjian science and technology building, Keji South 12th Road, Yuehai street, Nanshan District, Shenzhen, Guangdong Province Patentee before: SHENZHEN THREE D ARTIFICIAL INTELLIGENCE TECHNOLOGY Co.,Ltd. Country or region before: China |