CN111028239A - 一种面向特制量体衣的椭圆精确识别方法 - Google Patents

Abstract

本发明涉及一种面向特制量体衣的椭圆精确识别方法。所述的识别方法主要包括：对特定照片人像分割；对分割后的图片进行蓝色、黄色和红色的背景色填充；对填充得到的三张图片进行多阈值灰度处理和大津法二值化处理，得到疑似椭圆，保留符合一定要求的椭圆，并利用非极大值抑制法找出局部最大椭圆，得到所有的目标椭圆。本方法针对特制量体衣的照片，通过不同颜色的背景填充，改变原有的色彩空间分布，实现图片前景区域亮度分布的整体前移或后退。由于图片不同曝光区域具有不同的二值化阈值，解决了因曝光或遮挡物干扰等原因引起的椭圆丢失问题，具有非常好的鲁棒性。该方法能够快速、精确而有效地识别特制量体衣上的椭圆，为精确量体提供了可能。

Description

一种面向特制量体衣的椭圆精确识别方法

技术领域

本发明涉及一种特制量体衣及智能量体中测量所涉及的椭圆识别方法。

背景技术

智能量体作为传统服装企业转型升级的“救命草”，受到众多新型互联网企业公司的青睐。智能量体中的重要手段之一就是通过用户穿着量体进行拍照，将照片传回后进行标记点识别，达到对用户尺寸的精确测量。量体衣一般使用的标记点为圆，标记点圆在传回的照片中显示为椭圆，利用人工智能方法，通过识别按照一定规律排列的椭圆，通过特定的算法，计算出用户的尺寸。然而，该方法主要面临的问题是在处理用户传回的图片时，由于用户操作等原因，导致图片各个区域存在曝光不同或遮挡等情况，使得量体衣上的标记点无法在图片中精确的识别，导致测量结果存在误差。针对精确量体中的曝光不均匀或部分标记点存在干扰这一问题，在此提出一种面向特制椭圆精确识别的方法，为精确量体提供了可能。

发明内容

本发明的目的在于提供一种面向特定量体衣的椭圆精确识别方法，旨在为智能量体行业的精确测量提供一种可能。

本发明采用如下测量技术方案：

1、一种面向特定量体衣的椭圆识别方法，主要包括如下几个步骤：

S1通过手机(平板电脑或其他移动端设备)启动摄像头，并对身着特制量体衣的测量者按照一定要求进行拍照，并将照片上传到服务器或云端服务器；

S2采用语义分割模型对照片进行人像分割；

S3对得到的照片分别进行蓝色、黄色和红色的背景色填充，得到三张处理后的图片；

S4对图片进行多阈值灰度处理；

S5对图片进行大津法二值化处理；

S6利用人工智能方法，得到图片的疑似椭圆区域，并计算每个疑似椭圆区域的轮廓包围面积S₁和拟合椭圆面积S₂，保留

的疑似椭圆作为备选椭圆；

S7对三张图中所有的备选椭圆进行筛选，利用这两个备选椭圆的长轴和中心点信息，利用非极大值抑制法找出局部最大椭圆，同时将较小的椭圆从备选椭圆中删除，最终剩下的椭圆即为该照片所有的目标椭圆。

2、本发明的进一步技术方案是：步骤S1中还包括以下内容：

1)测试者必须身着特制量体衣；

2)量体衣的主体面料颜色可以为棕色、黑色或其他深颜色，材料为具有弹性紧身特征服装材料，适合绝大多数人群；由于本算法对干扰图案、线条具有一定的鲁棒性，因而可以在量体衣上适当增加图案、线条以达到美化效果；

3)量体衣上有特殊材料制成的不可伸缩的白色圆作为标记点，圆的直径在1～5cm之间；白色圆通过特殊制衣工艺永久附着于量体衣表面；算法的鲁棒性允许在白色圆内添加logo图标。

3、本发明的进一步技术方案是：步骤S3中还包括以下内容：

对得到的人像照片分别进行蓝色、黄色和红色的背景色填充，该过程填充了像素色彩样本，改变了图片原有的色彩分布，由于填充三种颜色灰度化后具有不同的亮度，在填充亮度较低的图片中可以较好的识别图片中光线较暗区域的椭圆，在填充亮度较高的图片中可以较好的识别图片中曝光的椭圆，该过程可以保证椭圆的识别过程不受曝光等影响。

4、本发明的进一步技术方案是，所述步骤S4还包括以下内容：

将图像用RGB三个分量(R：Red，G：Green，B：Blue)表示，三个分量的表示范围均为0～255；

灰度化后的R′＝处理前的R*0.3+处理前的G*0.3+处理前的B*0.3；

灰度化后的G′＝处理前的R*0.3+处理前的G*0.3+处理前的B*0.3；

灰度化后的B′＝处理前的R*0.3+处理前的G*0.3+处理前的B*0.3；

5、本发明的进一步技术方案是，所述步骤S5还包括以下内容：

1)初始阈值T＝0，将图片的总的像素点数记为N，将图片根据初始阈值分为前景区域A、背景区域B两个部分，将前景区域和背景区域的像素点数分别记为N_A、N_B，前景区域所占比例

背景区域所占比例

2)分别计算图片的整体亮度均值μ、前景亮度均值μ_A及背景区域的亮度均值μ_B，其中：

3)计算最大类间方差σ＝ω_A(μ_A-μ)²+ω_B(μ_B-μ)²；

4)阈值在[0,255]内逐步增加，找到使得最大类间方差σ最小的阈值T即为该图片的最佳阈值。

6、本发明的进一步技术方案是，所述步骤S6还包括以下内容：

利用人工智能方法，得到图片中疑似椭圆区域和拟合椭圆的长轴a、短轴b、中心点坐标(x,y)；使用微积分思想得到疑似椭圆区域的轮廓包围面积S₁,利用椭圆面积公式得到拟合椭圆面积S₂＝πab，将

的疑似椭圆作为备选椭圆； 7、本发明的进一步技术方案是，所述步骤S7还包括以下内容：

1)求出所有备选椭圆的长轴的平均值a'，采用遍历法计算任意两椭圆圆心之间的距离l，当l≤0.85×a'时，将两个椭圆中长轴较短的椭圆从备选椭圆中删除。直至所有椭圆圆心之间的距离l＞0.85×a'恒成立时，得到所有目标椭圆；

2)寻找椭圆时，中心思想为非极大值抑制，从而将三张图片中的重叠椭圆删除。

附图说明

图1为本发明所涉的技术流程图，其展示了本发明提供的一种面向特定量体衣的椭圆精确识别方法的拟合方案，详细叙述如下：

1)通过手机(平板电脑或其他移动端设备)启动摄像头，并对身着特制量体衣的测量者按照一定要求进行拍照，并将照片上传到服务器或云端服务器；2)采用语义分割模型对照片进行人像分割；3)对得到的照片分别进行蓝色、黄色和红色的背景色填充，得到三张处理后的图片；4)对图片进行多阈值灰度处理；5) 对图片进行大津法二值化处理；6)利用人工智能方法，得到图片的疑似椭圆区域，并计算每个疑似椭圆区域的轮廓包围面积S₁和拟合椭圆面积S₂，保留

的疑似椭圆作为备选椭圆；7)对三张图中所有的备选椭圆进行筛选，利用这两个备选椭圆的长轴和中心点信息，利用非极大值抑制法找出局部最大椭圆，同时将较小的椭圆从备选椭圆中删除，最终剩下的椭圆即为该照片所有的目标椭圆。

图2为本发明所涉多阈值灰度处理方法思路，其展示的是本发明所涉及的多阈值灰度处理方法，具体介绍如下：

1)初始阈值T＝0，将图片的总像素点数记为N。将图片根据初始阈值分为前景区域A、背景区域B两个部分，将前景区域和背景区域的像素点数分别记为N_A、N_B，前景区域所占比例

背景区域所占比例

2)分别计算图片的整体亮度均值μ、前景亮度均值μ_A及背景区域的亮度均值μ_B，其中：

3)计算最大类间方差σ＝ω_A(μ_A-μ)²+ω_B(μ_B-μ)²；

4)阈值在[0,255]内逐步增加，找到使得最大类间方差σ最小的阈值T'即为该图片的最佳阈值；

5)用得到的最佳阈值T'对图片进行二值化处理。

图3为本发明涉及的非极大值抑制方法思想，其展示的是本发明所涉及的非极大值抑制方法，具体介绍如下：

求出所有备选椭圆的长轴的平均值a'，采用遍历法计算任意两椭圆圆心之间的距离l，当l≤0.85×a'时，将两个椭圆中长轴较短的椭圆从备选椭圆中删除。直至所有椭圆圆心之间的距离l＞0.85×a'恒成立时，得到所有目标椭圆。

Claims (7)

1.一种面向特制量体衣的椭圆精确识别方法，其特征在于：

S1通过手机（平板电脑或其他移动端设备）启动摄像头，并对身着特制量体衣的测量者按照一定要求进行拍照，并将照片上传到服务器或云端服务器；

S2采用语义分割模型对照片进行人像分割；

S3对得到的照片分别进行蓝色、黄色和红色的背景色填充，得到三张处理后的图片；

S4对图片进行多阈值灰度处理

S5对图片进行大津法二值化处理；

S6利用人工智能方法，得到图片的疑似椭圆区域，并计算每个疑似椭圆区域的轮廓包围面积S₁和拟合椭圆面积S₂，保留

的疑似椭圆作为备选椭圆；

S7对三张图中所有的备选椭圆进行筛选，利用这两个备选椭圆的长轴和中心点信息，利用非极大值抑制法找出局部最大椭圆，同时将较小的椭圆从备选椭圆中删除，最终剩下的椭圆即为该照片所有的目标椭圆。

2.根据权利要求1所述的识别方法，所述步骤S1的特征在于，

1）测试者必须身着特制量体衣；2）量体衣的主体面料颜色可以为棕色、黑色或其他深颜色，材料为具有弹性紧身特征服装材料，适合绝大多数人群；由于本算法对干扰图案、线条具有一定的鲁棒性，因而可以在量体衣上适当增加图案、线条以达到美化效果；3）量体衣上有特殊材料制成的不可伸缩的白色圆作为标记点，圆的直径在1~5cm之间；白色圆通过特殊制衣工艺永久附着于量体衣表面；算法的鲁棒性允许在白色圆内添加logo图标。

3.根据权利要求1所述的识别方法，所述步骤S3特征在于，

对得到的人像照片分别进行蓝色、黄色和红色的背景色填充，该过程填充了像素色彩样本，改变了图片原有的色彩分布；由于填充三种颜色灰度化后具有不同的亮度，在填充亮度较低的图片中可以较好的识别图片中光线较暗区域的椭圆，在填充亮度较高的图片中可以较好的识别图片中曝光的椭圆；该过程可以保证椭圆的识别过程不受曝光等影响。

4.根据权利要求1所述的识别方法，所述步骤S4征在于，

将图像用RGB三个分量（R：Red，G：Green，B：Blue）表示，三个分量的表示范围均为0~255；灰度化后的R

=处理前的R*0.3+处理前的G*0.3+处理前的B*0.3；灰度化后的G

=处理前的R*0.3+处理前的G*0.3+处理前的B*0.3；灰度化后的B

=处理前的R*0.3+处理前的G*0.3+处理前的B*0.3。

5.根据权利要求1所述的识别方法，所述步骤S5征在于，

1）初始阈值T=0，将图片的总的像素点数记为N;将图片根据初始阈值分为前景区域A、背景区域B两个部分，将前景区域和背景区域的像素点数分别记为

、

，前景区域所占比例

，背景区域所占比例

；

2）分别计算图片的整体亮度均值

、前景亮度均值

及背景区域的亮度均值

，其中：

、

、

；

3）计算最大类间方差

；

4）阈值在[0,255]内逐步增加，找到使得最大类间方差

最小的阈值T即为该图片的最佳阈值。

6.根据权利要求1所述的识别方法，所述步骤S6在于，利用人工智能方法，得到图片中疑似椭圆区域和拟合椭圆的长轴

、短轴、中心点坐标

，使用微积分思想得到疑似椭圆区域的轮廓包围面积S₁,利用椭圆面积公式得到拟合椭圆面积

，将

的疑似椭圆作为备选椭圆。

7.根据权利要求1所述的识别方法，所述步骤S7在于，

1）求出所有备选椭圆的长轴的平均值

，采用遍历法计算任意两椭圆圆心之间的距离

，当

时，将两个椭圆中长轴较短的椭圆从备选椭圆中删除;直至所有椭圆圆心之间的距离

恒成立时，得到所有目标椭圆；

2）寻找椭圆时，中心思想为非极大值抑制，从而将三张图片中的重叠椭圆删除。

Images