CN111402360A - 生成人体模型的方法、装置、计算机设备和存储介质 - Google Patents

生成人体模型的方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN111402360A
CN111402360A CN202010174418.XA CN202010174418A CN111402360A CN 111402360 A CN111402360 A CN 111402360A CN 202010174418 A CN202010174418 A CN 202010174418A CN 111402360 A CN111402360 A CN 111402360A
Authority
CN
China
Prior art keywords
region
image
human body
area
key point
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
Application number
CN202010174418.XA
Other languages
English (en)
Inventor
吴戈
李林科
谭颖
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing QIYI Century Science and Technology Co Ltd
Original Assignee
Beijing QIYI Century Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing QIYI Century Science and Technology Co Ltd filed Critical Beijing QIYI Century Science and Technology Co Ltd
Priority to CN202010174418.XA priority Critical patent/CN111402360A/zh
Publication of CN111402360A publication Critical patent/CN111402360A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/20—Drawing from basic elements, e.g. lines or circles
    • G06T11/206—Drawing of charts or graphs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本申请涉及一种生成人体模型的方法、装置、计算机设备和存储介质。所述方法包括：获取原始图像的分割图像和人体关键点信息，人体关键点信息包括多个预设关键点和各个预设关键点对应的坐标，分割图像为包含人体区域的二值图像；根据人体关键点信息将分割图像中的人体划分成多个区域；分别获取各个区域的图像边缘，对各个区域的图像边缘进行绘制，得到人体模型。识别图像中人体的关键点，根据关键点划分对人体进行区域划分，检测各个区域的边缘，根据检测的边缘自动生成人体模型，提高了人体模型的生成效率，节约人力资源和成本。

Description

生成人体模型的方法、装置、计算机设备和存储介质
技术领域
本申请涉及计算机技术领域，尤其涉及一种生成人体模型的方法、装置、计算机设备和存储介质。
背景技术
简笔画作为一种艺术表达形式，将复杂的形象简单化。尤其是将真人做成简笔画的方式，可以将真人的特点、姿态和动作形象的进行表达，在如今社会越来越受到大众的欢迎。传统的简笔画制作，一般是设计师或者美工相关专业人员通过对真人的观察和分析，利用专业的绘画技能进行手工绘制。
目前业界的简笔画生产方式主要有两种，专业绘画人员手工绘制和半自动半手动绘制。其中，专业绘画人员手工绘制是指传统的简笔画生成方式存在比较明显的难点，即要求相关人员具有较强的专业技能和丰富的绘画经验，而且简笔画创作的时间成本较大且质量要求较高，尤其是在视频制作领域，需要将视频中真人逐帧连续手绘成简笔画人，这个过程的费用成本和时间成本都是消耗巨大的。半自动半手动绘制是指通过一些特定的边缘检测算法对图像中的人体边缘进行检测，将检测到的边缘像素点进行二值化，形成真人简笔画的初稿，然后相关专业的绘画人员基于这些粗糙的线条进行二次加工。这种方式虽然要比完全手工的方式缩短生产时间，但制作成本仍然很高，且人力投入仍然很大。
发明内容
为了解决上述技术问题，本申请提供了一种生成人体模型的方法、装置、计算机设备和存储介质。
第一方面，本申请提供了一种生成人体模型的方法，包括：
获取原始图像的分割图像和人体关键点信息，人体关键点信息包括多个预设关键点和各个预设关键点对应的坐标，分割图像为包含人体区域的二值图像；
根据人体关键点信息将分割图像中的人体划分成多个区域；
分别获取各个区域的图像边缘，对各个区域的图像边缘进行绘制，得到人体模型。
第二方面，本申请提供了一种生成人体模型的装置，包括：
数据获取模块，用于获取原始图像的分割图像和人体关键点信息，所述人体关键点信息包括多个预设关键点和各个所述预设关键点对应的坐标，所述分割图像为包含人体区域的二值图像；
区域划分模块，用于根据所述人体关键点信息将所述分割图像中的人体划分成多个区域；
模型生成模块，用于分别获取各个所述区域的图像边缘，对各个所述区域的图像边缘进行绘制，得到人体模型。
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，所述处理器执行所述计算机程序时实现以下步骤：
获取原始图像的分割图像和人体关键点信息，人体关键点信息包括多个预设关键点和各个预设关键点对应的坐标，分割图像为包含人体区域的二值图像；
根据人体关键点信息将分割图像中的人体划分成多个区域；
分别获取各个区域的图像边缘，对各个区域的图像边缘进行绘制，得到人体模型。
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实现以下步骤：
获取原始图像的分割图像和人体关键点信息，人体关键点信息包括多个预设关键点和各个预设关键点对应的坐标，分割图像为包含人体区域的二值图像；
根据人体关键点信息将分割图像中的人体划分成多个区域；
分别获取各个区域的图像边缘，对各个区域的图像边缘进行绘制，得到人体模型。
上述生成人体模型的方法、装置、计算机设备和存储介质，方法包括：获取原始图像的分割图像和人体关键点信息，人体关键点信息包括多个预设关键点和各个预设关键点对应的坐标，分割图像为包含人体区域的二值图像；根据人体关键点信息将分割图像中的人体划分成多个区域；分别获取各个区域的图像边缘，对各个区域的图像边缘进行绘制，得到人体模型。识别图像中人体的关键点，根据关键点划分对人体进行区域划分，检测各个区域的边缘，根据检测的边缘自动生成人体模型，提高了人体模型的生成效率，节约人力资源和成本。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为一个实施例中生成人体模型的方法的应用环境图；
图2为一个实施例中生成人体模型的方法的流程示意图；
图3为一个实施例中人体关键点的示意图；
图4为一个实施例中原始图像和人体模型的示意图；
图5为一个实施例中人体模型的示意图；
图6为一个实施例中生成人体模型的装置的结构框图；
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
图1为一个实施例中生成人体模型的方法的应用环境图。参照图1，该生成人体模型的方法应用于生成人体模型的系统。该生成人体模型的系统包括终端110和服务器120。终端110和服务器120通过网络连接。终端110具体可以是台式终端或移动终端，移动终端具体可以手机、平板电脑、笔记本电脑等中的至少一种。服务器120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。
如图2所示，在一个实施例中，提供了一种生成人体模型的方法。本实施例主要以该方法应用于上述图1中的终端110(或服务器120)来举例说明。参照图2，该生成人体模型的方法具体包括如下步骤：
步骤S201，获取原始图像的分割图像和人体关键点信息。
在本具体实施例中，人体关键点信息包括多个预设关键点和各个预设关键点对应的坐标，分割图像为包含人体区域的二值图像。
具体地，原始图像是指图像采集设备采集的包含人体的图像，原始图像中包含的人体可以为一个或多个。原始图像的分割图像是指通过分割算法对原始图像进行人体分割得到的图像，对原始图像进行分割后，得到包含人体区域的二值图像，二值图像中的人体区域用像素1表示，非人体区域用像素值0表示。其中分割图像可以采用机器学习或深度学习得到的网络对原始图像进行处理得到。人体关键点信息包含人体的多个预设关键点和各个预设关键点的坐标信息等等，其中关键点采用可以采用对应的标识表示，如图3所示，图中标识出了一个人体的25个预设关键点和每个预设关键对应的标识，预设关键点的标识0～24依次代表部位：{0,"鼻"}，{1,"脖"}，{2,"右肩"}，{3,"右肘"}，{4,"右腕"}，{5,"左肩"}，{6,"左肘"}，{7,"左腕"}，{8,"中胯"}，{9,"右胯"}，{10,"右膝"}，{11,"右脚裸"}，{12,"左胯"}，{13,"左膝"}，{14,"左脚裸"}，{15,"右眼"}，{16,"左眼"}，{17,"右耳"}，{18,"左耳"}，{19,"左大脚趾"}，{20,"左小脚趾"}，{21,"左脚后跟"}，{22,"右大脚趾"}，{23,"右小脚趾"}，{24,"右脚后跟"}。坐标是指各个人体对应的各个预设关键点在与原始图像或分割图像中的位置信息。
在一个实施例中，Vhead、Vbody、Vleft_arm、Vright_arm、Vleft_leg和Vright_leg分别代表头部、身体、左右胳膊、左右腿部关键点集合，初始状态为空集。人体的关键点集合为Vkeypoint＝{(x0，y0)，(x1，y1)，(x2，y2)，...，(x24，y24)}。对关键点进行归类，按照现有关键点定义标准可得出：
Vleft_arm＝{(x5，y5)，(x6，y6)，(x7，y7)}
Vright_arm＝{(x2，y2)，(x3，y3)，(x4，y4)}
Vhead＝{(x0，y0)，(x15，y15)，(x16，y16)，(x17，y17)，(x18，y18)}
Vbody＝{(x1，y1)，(x8，y8)，(x5，y5)，(x2，y2)，(x9，y9)，(x12，y12)}
Vleft_leg＝{(x12，y12)，(x13，y13)，(x14，y14)，(x19，y19)，(x20，y20)，(x21，y21)}
Vright_leg＝{(x9，y9)，(x10，y10)，(x11，y11)，(x22，y22)，(x23，y23)，(x24，y24)}。
步骤S202，根据人体关键点信息将分割图像划分成多个区域。
具体地，根据人体区域对应的关键点的标识和对应的坐标对分割图像中的人体区域进行区域划分，得到每个人体对应的多个区域，其每个人体对应的区域包括头部区域、躯体区域、手部区域和腿部区域。手部区域和腿部区域都包含两个区域，即手部区域包括左手区域和右手区域，腿部区域包括左腿区域和右腿区域。其中各个区域之间可以存在重叠，也可以不重叠。人体区域的划分可以按照预先配置的区域划分规则执行划分，即根据识别到的预设关键点的标识和对应的坐标构造对应的区域，也可以是通过边缘识别算法识别出分割图像中的人体区域对应的各个区域的图像边缘，根据识别到的图像边缘所在的位置进行区域划分，得到人体区域对应的对个区域，即对各个人体区域对应的多个区域进行初步划分。通过初步划分定位区域所在位置，便于后续的边缘检测和模型构造。
步骤S203，分别获取各个区域的图像边缘，对各个所述区域的图像边缘进行绘制，得到人体模型。
具体地，图像边缘是指用于标识各个区域的边缘的边缘信息。图像边缘可以直接用像素点集合表示，也可以用曲线表示，人体区域对应的各个区域中的图像边缘表示形式可以相同也可以不同，如可以直接采用曲线的方式表示头部区域的图像边缘，如采用圆形的边框表示头部的图像边缘，可以采用检测到的手部区域的边缘像素点集合表示边缘信息。在确定出人体区域对应的各个区域后，对各个区域的边缘信息进行检测，其中边缘信息的检测方法可以采用常见的边缘检测算法或自定义的边缘检测算法。
边缘检测算法可以检测出较多的边缘，而检测到的边缘未必是人体各个区域的边缘信息，故需要对检测得到的边缘信息进行进一步筛选，得到更为准确的边缘信息。不同的人体区域边缘信息确定方法不一致，即各个人体区域可以定义对应的边缘定义规则，且存在重叠区域和不存在重叠区域的同一类型的人体区域的边缘信息也可以定义不同的方法。如头部区域可以采用预设的圆形、椭圆、长方形等常见几何图形，也可以是自定义的形状，自定义形状可以为设计人员，或用户自定义设置的形状。将预设形状对应的边缘作为头部区域的边缘。
人体对应的各个区域可以按照各自设计的边缘绘制方法进行绘制，得到各个人体区域对应的模型展示区域，由各个人体区域组成人体模型模，生成的人体模型的参照图4。如采用边缘曲线作为区域的图像边缘时，可以直接将该边缘曲线作为人体模型的该区域的边缘曲线，采用像素点集合表示的边缘信息时，按照像素点集合绘制曲线，得到对应的区域的边缘曲线，将绘制的边缘曲线直接作为人体模型中该区域的边缘曲线，也可以是对绘制的边缘曲线进行调整后的曲线作为各个区域的边缘曲线。具体的调整方式可以自定义，如调整边缘曲线的线条的粗细和改变线条所在为位置等等。
在一个实施例中，当人体区域的形状为预设的形状时，各个人体区域的预设形状大小可以根据对应的人体区域的预设关键点之间的位置关系和远近进行调整。如人体头部的大小可以根据真实的头部中的耳朵、壁纸之间的距离，或鼻子到眼睛之间的距离确定人体模型的头部的大小，如预设形状为圆形时，可以选择鼻子到眼睛/耳朵之间的距离作为半径构造圆形，将构造好的圆形作为头部。躯体部分以关键点左右肩和左右跨作为四个顶点构造对应的四边形，也可以是根据左右肩确定躯体的宽度和位置，左右肩的纵坐标和左右跨的纵坐标计算高度和位置，在对应的位置构建宽度和高度一致的矩形，将构造的矩形作为躯体部分。同理构造左右手部区域和左右腿部区域，即根据手部的手腕、手肘和肩部三个关键点的位置信息查找边缘信息，根据查找到的边缘信息构建手部区域。根据关键点中的跨部、膝盖、脚后跟和脚趾确定腿部区域的边缘信息，根据腿部区域的边缘信息构造腿部区域。
上述生成人体模型的方法，包括：获取原始图像的分割图像和人体关键点信息，人体关键点信息包括多个预设关键点和各个预设关键点对应的坐标，分割图像为包含人体区域的二值图像；根据人体关键点信息将分割图像中的人体划分成多个区域；分别获取各个区域的图像边缘，对各个区域的图像边缘进行绘制，得到人体模型。识别图像中人体的关键点，根据关键点划分对人体进行区域划分，检测各个区域的边缘，根据检测的边缘自动生成人体模型，提高了人体模型的生成效率，节约人力资源和成本。
在一个实施例中，步骤S202，包括：
步骤S2021，将分割图像中以鼻子为中心构造的第一预设区域作为头部区域。
步骤S2022，将分割图像中根据手腕、手肘、肩部和第一预设规则构造的区域作为手部区域。
在本具体实施例中，手部区域包括左手区域和右手区域。
步骤S2023，将分割图像中根据胯部、膝盖、脚和第二预设规则构造的区域作为腿部区域。
在本具体实施例中，腿部区域包括左腿区域和右腿区域。
步骤S2024，根据肩部的坐标，计算躯体区域的第一维度的坐标和第二维度的起始坐标。
在本具体实施例中，第一维度的坐标包括起始坐标和截止坐标。
步骤S2025，根据胯部坐标，计算躯体区域的第二方向的截止坐标
步骤S2026，将分割图像以第一维度的坐标和第二维度的坐标作为顶点构造的区域作为躯体区域。
具体地，第一预设区域的区域形状可以自定义，如圆形、矩形等几何形状，也可以是自定义设置的图形。将鼻子所在位置作为第一预设区域的区域中心，在分割图像上构造与第一预设区域相同的区域，将构造的区域作为头部区域，其中，相同是指现状和大小相同。第一预设规则为预先设置的用于定义手部区域的规则，即根据第一预设规则和手部区域对应的几个关键点所在的位置确定手部区域的位置。同理第二预设规则为预先设置的用于定义腿部区域的规则，即根据第二预设规则和腿部区域对应的几个关键点所在的位置确定腿部区域的位置。根据肩部对应的关键点的坐标，包括左肩关键点和右肩关键点，左肩关键点和右肩关键点的第一维度(横向/纵向)的起始坐标和截止坐标，通过起始坐标和截止坐标确定躯体的宽度，即躯体为矩形区域的宽度。第二维度(纵向/横向)的起止坐标和截止坐标分别采用肩部的第二维度坐标，和跨部的第二维度坐标表示。肩部的第二维度坐标可以为左右肩部的第二维度的坐标值的平均值，也可以为任意一个肩部的第二维度的坐标值，具体的值可以根据需求对上述平均值和肩部坐标值进行微调。截止坐标同理为两个跨部坐标的平均值，或任意一个跨部的第二维度的坐标值等。通过上述起始坐标和截止坐标构建躯体区域。采用简单的集合图形构建人体模型，简化人体模型的构建过程。
在一个具体实施例中，在关键点脖的坐标(x1，y1)进行水平方向拆分，并且将坐标横坐标位于x1以上的分割图像中像素值为1的像素点的像素值置为0，以关键点鼻子(x0，y0)所在的位置为圆心进行画圆，该圆的半径见公式(1)：
rhead＝2*max{(Δx15，Δy15),(Δx16，Δy16),(Δx17，Δy17),(Δx18，Δy18)} (1)
其中(Δxi，Δyi)表示(x，y)到(x0，y0)到的距离。
在一个实施例中，上述生成人体模型的方法，还包括：
步骤S301，获取手部区域与躯体区域的重叠区域，得到第一重叠区域。
在本具体实施例中步骤S203，包括：
步骤S2031，当第一重叠区域的面积大于第一预设面积时，将手部区域的构造的边缘作为手部区域的图像边缘。
步骤S302，获取腿部区域与躯体区域存在重叠区域，得到第二重叠区域。
在本具体实施例中步骤S203，还包括：
步骤S2032，当第二重叠区域的面积大于第二预设面积时，将根据胯部、膝盖、脚和第二预设规则构造的区域的边缘作为腿部区域的图像边缘。
具体地，第一重叠区域为手部区域与躯体区域的重叠区域，该重叠区域通过手肘和手腕与肩部和跨部之间的相对位置计算得到，不同的相对位置关系对应不同的重叠区域。第一预设重叠区域是指预先设置的用于确定手部区域的构建规则的临界值。当第一重叠区域的面积大于第一预设面积时，则将步骤S2022中构建的区域的边缘作为。手部区域与躯体存在较大的重叠区域，很难获取到手部的真实边缘信息，故采用预设的手部构建规则，即第一预设规则构建的手部区域，避免因为边缘信息的丢失而丢失手部区域绘制。
在一个实施例中，当无法识别到手肘或手腕关键点所在位置，即被遮挡时，对手肘或手腕关键点进行预测，预测时可以采用历史图像中的手腕、手肘、肩部等等关键点之间的相对位置关系进行运动预测、也可以是预先设置的预测规则进行预测等，在绘制时可以仅绘制未被遮挡的手部区域。
在一个实施例中，步骤S203，还包括：
步骤S2033，当第一重叠区域的面积小于或等于第一预设面积时，根据手部区域对应的第一关键点、第二关键点所在直线的垂直线上，通过第一滑动窗口查找到第一关键点和第二关键点之间的边缘。
在本具体实施例中，第一关键点和第二关键点的组合包括手肘和手腕，肩部和手肘。
步骤S2034，当第二重叠区域的面积小于或等于第二预设面积时，根据手部区域对应的第三关键点、第四关键点所在直线和对应的垂直线上，通过第二滑动窗口查找到第一关键点和第二关键点之间的边缘，得到腿部区域的图像边缘。
在本具体实施例中，第三关键点和第四关键点的组合包括胯部和膝盖，膝盖和脚。
具体地，当第一重叠区域的面积小于或等于第一预设面积时，表示手部未被遮挡或被遮挡的区域较小，或躯体区域未被手部遮挡，即手部区域的真实边缘信息较为完整，故可以查找真实的边缘信息，在查找边缘信息时，通过第一关键点、第二关键点所在直线的垂直线上，通过第一滑动窗口查找到第一关键点和第二关键点之间的边缘关键点，得到手部的边缘关键点集合，根据手部的边缘关键点集合绘制弧线，得到手部区域。腿部区域同理，再此不在赘述。
在一个具体的实施例中，为了便于说明，以左手区域为例，第一关键点为左手肘关键点、第二关键点为左手腕关键点。左胳膊非相邻点区域所在的关键点为(x3，y3)，(x4，y4)，将这两个点连线，距离为L，求出该直线的垂线方向f。然后比较这两个点下标的大小，以下标序号小的点为起点，大的点为终点，设置两个相同的滑动窗口，滑动窗口的大小可以根据设置，如设置为5*5或3*3，在f方向上，滑动窗口分别从(x3，y3)开始，一个在f方向进行步长为m个像素点的滑动，另一个是在f的反方向进行步长为m个像素点的滑动，分别去寻找附近分值图像中像素值为1的像素点点。当滑动窗口与二值图像的像素点相乘的结果全为0时，则两个滑窗返回至起始点，并向(x3，y3)至(x4，y4)方向移动步长为n个像素，然后两个滑窗继续沿f和-f方向滑动寻找区域，直至最后两个滑窗移动到(x4，y4)。右手、左腿和右腿的区域处理同理。
通过6个部位的归类可看出四肢与身体的交点为(x5，y5)，(x2，y2)，(x9，y9)，(x12，y12)：将这四个关键点作为切割点，对整体的二值图像进行拆分。其中(x5，y5)，(x2，y2)分别作为左右胳膊的切割点，进行竖直方向左右拆分，(x9，y9)，(x12，y12)分别作为左右腿部的切割点，进行水平方向的上下拆分。
在一个实施例中，上述生成人体模型的方法，还包括：
步骤S401，获取原始图像。
步骤S402，输入原始图像至目标检测分割模型，得到分割图像。
步骤S403，根据分割图像提取原始图像的人体区域，得到包含人体的中间图像。
步骤S404，输入中间图像至关键点检测模型，输出各个人体的人体关键点信息。
具体地，原始图像是指图像采集设备采集的图像。目标检测分割模型是指用于对人体进行检测和分割得模型，该模型可以为深度学习模型或机器学习模型等。其中深度学习模型包括但不限于卷积神经网络模型，如maskrcnn、Rcnn模型，通过目标检测分割模型对图像中的人物进行检测和分割，提取出人像的mask信息，假设原图像为Iimage，人像二值图为Imask，则Imask＝Fmask(Iimage)，其中Fmask为目标检测分割模型，Ipeole＝Iimage*Imask，Ipeole为提取出来的人像图片(中间图像)，非人像区域像素值为0。
关键点检测模型训练好的用于检测人体关键点的模型，人体关键点检测模型包括但不限于openpose、粗糙-精细化神经网络(Content Forward Network，CFN)等，如基于openpose的baseline模型进行微调训练，训练集为已标注好人体关键点位置的图像，针对简笔画的特点，对不同肢体点进行标注，最后用训练完毕的模型对提取出来图像Ipeole的进行关键点识别，得到关键点Vkeypoint＝Fpose(Ipeole)。Fpose为关键点检测模型，通过Fpose对中间图像进行关键点检测，得到各个人体的人体关键点信息。
在一个实施例中，上述生成人体模型的方法，还包括：
步骤S501，获取人体模型的各个区域的预设颜色填充规则和对应的待填充颜色。
步骤S502，根据各个区域的预设颜色填充规则和对应的待填充颜色，对人体模型进行颜色填充，得到填充后的人体模型。
具体地：预设颜色填充规则是指预先设置的用于填充颜色的规则，不同的颜色填充规则填充得到不同颜色的人体模型，可以增加人体模型的色彩多样性。待填充颜色可以是用户自定义选取的颜色，也可以是预先配置的。
在一个具体的实施例中，对人体模型进行渐变填充。进行渐变色填充，首先确定色彩渐变范围，即确定色彩的变换范围，从color渐变到color2。
从6个肢体关键点向量集合中分别确定各个区域渐变的起始和结束点，进行颜色渐变设置，以Vright_arm为例，起始点的坐标为(x2，y2)，结束点的坐标为(x4，y4)。
使用opencv图像处理库中的distranceTransform函数，distranceTransform函数是一种距离计算函数，即在求解区域内所以点距离目标点的远近，目标点值为1，距离最远的点值为0，所有的值都在0～1范围内。以Vright_arm为例，起始点(x2，y2)为目标点可得到起始点的距离图image_distrancesatrt，结束点(x2，y2)为目标点则可以得到结束点的距离图image_distranceend。
对两个距离图进行处理得到：
image_distranceresult＝(image_distrancesatrt 2*color1+image_distranceend 2*color2)/(image_distrancesatrt 2+image_distranceend 2)。
将image_distranceresult所有值等比例放缩到空间(0,255)之间，即得到渐变图，采用该方法得到的人体模型如图5所示。
图2为一个实施例中生成人体模型的方法的流程示意图。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6所示，提供了一种生成人体模型的装置200，包括：
数据获取模块201，用于获取原始图像的分割图像和人体关键点信息，人体关键点信息包括多个预设关键点和各个预设关键点对应的坐标，分割图像为包含人体区域的二值图像。
区域划分模块202，用于根据人体关键点信息将分割图像中的人体区域划分成多个区域。
模型生成模块203，用于分别获取各个区域的图像边缘，对各个区域的图像边缘进行绘制，得到人体模型。
在一个实施例中，区域包括头部区域、躯体区域、手部区域和腿部区域，头部区域对应的关键点为鼻子，手部区域对应的关键点包括手腕、手肘和肩部，躯体区域对应的关键点包括肩部和胯部，腿部对应的关键点包括胯部、膝盖和脚，区域划分模块202，包括：
头部区域确定单元，用于将分割图像中以鼻子为中心构造的第一预设区域作为头部区域。
手部区域确定单元，用于将分割图像中根据手腕、手肘、肩部和第一预设规则构造的区域作为手部区域，手部区域包括左手区域和右手区域。
腿部区域确定单元，用于将分割图像中根据胯部、膝盖、脚和第二预设规则构造的区域作为腿部区域，腿部区域包括左腿区域和右腿区域。
躯体区域确定单元，用于根据肩部的坐标，计算躯体区域的第一维度的坐标和第二维度的起始坐标，第一维度的坐标包括起始坐标和截止坐标；根据胯部的坐标，计算躯体区域的第二方向的截止坐标；将分割图像以第一维度的坐标和第二维度的坐标作为顶点构造的区域作为躯体区域。
在一个实施例中，上述生成人体模型的装置200，还包括：
重叠区域获取模块，用于获取手部区域与躯体区域的重叠区域，得到第一重叠区域。
模型生成模块203还用于当第一重叠区域的面积大于第一预设面积时，将根据手腕、手肘、肩部和第一预设规则构造的区域的边缘作为手部区域的图像边缘。
重叠区域获取模块还用于腿部区域与躯体区域的重叠区域，得到第二重叠区域。
模型生成模块203还用于当第二重叠区域的面积大于第二预设面积时，将根据胯部、膝盖、脚和第二预设规则构造的区域的边缘作为腿部区域的图像边缘。
在一个实施例中，模型生成模块203还用于当第一重叠区域的面积小于或等于第一预设面积时，根据手部区域对应的第一关键点、第二关键点所在直线的垂直线上，通过第一滑动窗口查找到第一关键点和第二关键点之间的边缘，得到手部区域的边缘，第一关键点和第二关键点的组合包括手肘和手腕，肩部和手肘。
在一个实施例中，模型生成模块203还用于当第二重叠区域的面积小于或等于第二预设面积时，根据手部区域对应的第三关键点、第四关键点所在直线和对应的垂直线上，通过第二滑动窗口查找到第一关键点和第二关键点之间的边缘，得到腿部区域的图像边缘，第三关键点和第四关键点的组合包括胯部和膝盖，膝盖和脚。
在一个实施例中，上述生成人体模型的装置200，还包括：
图像获取模块，用于获取原始图像。
图像分割模块，用于输入原始图像至目标检测分割模型，得到分割图像。
人体提取模块，用于根据分割图像提取原始图像的人体区域，得到包含人体的中间图像。
关键点检测模块，用于输入中间图像至关键点检测模型，输出各个人体的人体关键点信息。
在一个实施例中，上述生成人体模型的装置200，还包括：
填充模块，用于获取人体模型的各个区域的预设颜色填充规则和对应的待填充颜色；根据各个区域的预设颜色填充规则和对应的待填充颜色，对人体模型进行颜色填充，得到填充后的人体模型。
图7示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是图1中的终端110(或服务器120)。如图7所示，该计算机设备通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现生成人体模型的方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行生成人体模型的方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，本申请提供的生成人体模型的装置可以实现为一种计算机程序的形式，计算机程序可在如图7所示的计算机设备上运行。计算机设备的存储器中可存储组成该生成人体模型的装置的各个程序模块，比如，图6所示的数据获取模块201、区域划分模块202和模型生成模块203。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的生成人体模型的方法中的步骤。
例如，图7所示的计算机设备可以通过如图6所示的生成人体模型的装置中的数据获取模块201执行获取原始图像的分割图像和人体关键点信息，人体关键点信息包括多个预设关键点和各个预设关键点对应的坐标，分割图像为包含人体区域的二值图像。计算机设备可以通过区域划分模块202执行根据人体关键点信息将分割图像中的人体划分成多个区域。计算机设备可以通过模型生成模块203执行分别获取各个区域的图像边缘，对各个区域的图像边缘进行绘制，得到人体模型。
在一个实施例中，提供了一种计算机设备，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，处理器执行计算机程序时实现以下步骤：获取原始图像的分割图像和人体关键点信息，人体关键点信息包括多个预设关键点和各个预设关键点对应的坐标，分割图像为包含人体区域的二值图像；根据人体关键点信息将分割图像中的人体划分成多个区域；分别获取各个区域的图像边缘，对各个区域的图像边缘进行绘制，得到人体模型。
在一个实施例中，区域包括头部区域、躯体区域、手部区域和腿部区域，头部区域对应的关键点为鼻子，手部区域对应的关键点包括手腕、手肘和肩部，躯体区域对应的关键点包括肩部和胯部，腿部对应的关键点包括胯部、膝盖和脚，根据人体关键点信息将分割图像中的人体区域划分成多个区域，包括：将分割图像中以鼻子为中心构造的第一预设区域作为头部区域；将分割图像中根据手腕、手肘、肩部和第一预设规则构造的区域作为手部区域，手部区域包括左手区域和右手区域；将分割图像中根据胯部、膝盖、脚和第二预设规则构造的区域作为腿部区域，腿部区域包括左腿区域和右腿区域；根据肩部的坐标，计算躯体区域的第一维度的坐标和第二维度的起始坐标，第一维度的坐标包括起始坐标和截止坐标；根据胯部的坐标，计算躯体区域的第二方向的截止坐标；将分割图像以第一维度的坐标和第二维度的坐标作为顶点构造的区域作为躯体区域。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取手部区域与躯体区域的重叠区域，得到第一重叠区域；分别获取各个区域的图像边缘，包括：当第一重叠区域的面积大于第一预设面积时，将根据手腕、手肘、肩部和第一预设规则构造的区域的边缘作为手部区域的图像边缘；获取腿部区域与躯体区域的重叠区域，得到第二重叠区域；分别获取各个区域的图像边缘，包括：当第二重叠区域的面积大于第二预设面积时，将根据胯部、膝盖、脚和第二预设规则构造的区域的边缘作为腿部区域的图像边缘。
在一个实施例中，分别获取各个区域的图像边缘，处理器执行计算机程序时还实现以下步骤：当第一重叠区域的面积小于或等于第一预设面积时，根据手部区域对应的第一关键点、第二关键点所在直线的垂直线上，通过第一滑动窗口查找到第一关键点和第二关键点之间的边缘，得到手部区域的边缘，第一关键点和第二关键点的组合包括手肘和手腕，肩部和手肘；当第二重叠区域的面积小于或等于第二预设面积时，根据手部区域对应的第三关键点、第四关键点所在直线和对应的垂直线上，通过第二滑动窗口查找到第一关键点和第二关键点之间的边缘，得到腿部区域的图像边缘，第三关键点和第四关键点的组合包括胯部和膝盖，膝盖和脚。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取原始图像；输入原始图像至目标检测分割模型，得到分割图像；根据分割图像提取原始图像的人体区域，得到包含人体的中间图像；输入中间图像至关键点检测模型，输出各个人体的人体关键点信息。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取人体模型的各个区域的预设颜色填充规则和对应的待填充颜色；根据各个区域的预设颜色填充规则和对应的待填充颜色，对人体模型进行颜色填充，得到填充后的人体模型。
在一个实施例中，提供了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实现以下步骤：获取原始图像的分割图像和人体关键点信息，人体关键点信息包括多个预设关键点和各个预设关键点对应的坐标，分割图像为包含人体区域的二值图像；根据人体关键点信息将分割图像中的人体划分成多个区域；分别获取各个区域的图像边缘，对各个区域的图像边缘进行绘制，得到人体模型。
在一个实施例中，区域包括头部区域、躯体区域、手部区域和腿部区域，头部区域对应的关键点为鼻子，手部区域对应的关键点包括手腕、手肘和肩部，躯体区域对应的关键点包括肩部和胯部，腿部对应的关键点包括胯部、膝盖和脚，根据人体关键点信息将分割图像中的人体区域划分成多个区域，包括：将分割图像中以鼻子为中心构造的第一预设区域作为头部区域；将分割图像中根据手腕、手肘、肩部和第一预设规则构造的区域作为手部区域，手部区域包括左手区域和右手区域；将分割图像中根据胯部、膝盖、脚和第二预设规则构造的区域作为腿部区域，腿部区域包括左腿区域和右腿区域；根据肩部的坐标，计算躯体区域的第一维度的坐标和第二维度的起始坐标，第一维度的坐标包括起始坐标和截止坐标；根据胯部的坐标，计算躯体区域的第二方向的截止坐标；将分割图像以第一维度的坐标和第二维度的坐标作为顶点构造的区域作为躯体区域。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取手部区域与躯体区域的重叠区域，得到第一重叠区域；分别获取各个区域的图像边缘，包括：当第一重叠区域的面积大于第一预设面积时，将根据手腕、手肘、肩部和第一预设规则构造的区域的边缘作为手部区域的图像边缘；获取腿部区域与躯体区域的重叠区域，得到第二重叠区域；分别获取各个区域的图像边缘，包括：当第二重叠区域的面积大于第二预设面积时，将根据胯部、膝盖、脚和第二预设规则构造的区域的边缘作为腿部区域的图像边缘。
在一个实施例中，分别获取各个区域的图像边缘，计算机程序被处理器执行时还实现以下步骤：当第一重叠区域的面积小于或等于第一预设面积时，根据手部区域对应的第一关键点、第二关键点所在直线的垂直线上，通过第一滑动窗口查找到第一关键点和第二关键点之间的边缘，得到手部区域的边缘，第一关键点和第二关键点的组合包括手肘和手腕，肩部和手肘；当第二重叠区域的面积小于或等于第二预设面积时，根据手部区域对应的第三关键点、第四关键点所在直线和对应的垂直线上，通过第二滑动窗口查找到第一关键点和第二关键点之间的边缘，得到腿部区域的图像边缘，第三关键点和第四关键点的组合包括胯部和膝盖，膝盖和脚。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取原始图像；输入原始图像至目标检测分割模型，得到分割图像；根据分割图像提取原始图像的人体区域，得到包含人体的中间图像；输入中间图像至关键点检测模型，输出各个人体的人体关键点信息。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取人体模型的各个区域的预设颜色填充规则和对应的待填充颜色；根据各个区域的预设颜色填充规则和对应的待填充颜色，对人体模型进行颜色填充，得到填充后的人体模型。
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非易失性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。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。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种生成人体模型的方法，其特征在于，所述方法包括：
获取原始图像的分割图像和人体关键点信息，所述人体关键点信息包括多个预设关键点和各个所述预设关键点对应的坐标，所述分割图像为包含人体区域的二值图像；
根据所述人体关键点信息将所述分割图像中的人体区域划分成多个区域；
分别获取各个所述区域的图像边缘，对各个所述区域的图像边缘进行绘制，得到人体模型。
2.根据权利要求1所述的方法，其特征在于，所述区域包括头部区域、躯体区域、手部区域和腿部区域，所述头部区域对应的关键点为鼻子，所述手部区域对应的关键点包括手腕、手肘和肩部，所述躯体区域对应的关键点包括肩部和胯部，所述腿部对应的关键点包括胯部、膝盖和脚，所述根据所述人体关键点信息将所述分割图像中的人体区域划分成多个区域，包括：
将所述分割图像中以所述鼻子为中心构造的第一预设区域作为所述头部区域；
将所述分割图像中根据所述手腕、所述手肘、所述肩部和第一预设规则构造的区域作为所述手部区域，所述手部区域包括左手区域和右手区域；
将所述分割图像中根据所述胯部、所述膝盖、所述脚和第二预设规则构造的区域作为所述腿部区域，所述腿部区域包括左腿区域和右腿区域；
根据所述肩部的坐标，计算所述躯体区域的第一维度的坐标和第二维度的起始坐标，所述第一维度的坐标包括起始坐标和截止坐标；
根据所述胯部的坐标，计算所述躯体区域的第二方向的截止坐标；
将所述分割图像以所述第一维度的坐标和所述第二维度的坐标作为顶点构造的区域作为所述躯体区域。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
获取所述手部区域与所述躯体区域的重叠区域，得到第一重叠区域；
所述分别获取各个所述区域的图像边缘，包括：当所述第一重叠区域的面积大于第一预设面积时，将根据所述手腕、所述手肘、所述肩部和第一预设规则构造的区域的边缘作为所述手部区域的图像边缘；
获取所述腿部区域与所述躯体区域的重叠区域，得到第二重叠区域；
所述分别获取各个所述区域的图像边缘，包括：当所述第二重叠区域的面积大于第二预设面积时，将根据所述胯部、所述膝盖、所述脚和第二预设规则构造的区域的边缘作为所述腿部区域的图像边缘。
4.根据权利要求3所述的方法，其特征在于，所述分别获取各个所述区域的图像边缘，还包括：
当所述第一重叠区域的面积小于或等于所述第一预设面积时，根据所述手部区域对应的第一关键点、第二关键点所在直线的垂直线上，通过第一滑动窗口查找到所述第一关键点和所述第二关键点之间的边缘，得到所述手部区域的边缘，所述第一关键点和所述第二关键点的组合包括所述手肘和所述手腕，所述肩部和所述手肘；
当所述第二重叠区域的面积小于或等于所述第二预设面积时，根据所述手部区域对应的第三关键点、第四关键点所在直线和对应的垂直线上，通过第二滑动窗口查找到所述第一关键点和所述第二关键点之间的边缘，得到所述腿部区域的图像边缘，所述第三关键点和所述第四关键点的组合包括所述胯部和所述膝盖，所述膝盖和所述脚。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取所述原始图像；
输入所述原始图像至目标检测分割模型，得到所述分割图像；
根据所述分割图像提取所述原始图像的人体区域，得到包含人体的中间图像；
输入所述中间图像至关键点检测模型，输出各个所述人体的人体关键点信息。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取所述人体模型的各个区域的预设颜色填充规则和对应的待填充颜色；
根据各个所述区域的预设颜色填充规则和对应的待填充颜色，对所述人体模型进行颜色填充，得到填充后的人体模型。
7.一种生成人体模型的装置，其特征在于，所述装置包括：
数据获取模块，用于获取原始图像的分割图像和人体关键点信息，所述人体关键点信息包括多个预设关键点和各个所述预设关键点对应的坐标，所述分割图像为包含人体区域的二值图像；
区域划分模块，用于根据所述人体关键点信息将所述分割图像中的人体划分成多个区域；
模型生成模块，用于分别获取各个所述区域的图像边缘，对各个所述区域的图像边缘进行绘制，得到人体模型。
8.根据权利要求7所述的装置，其特征在于，所述区域包括头部区域、躯体区域、手部区域和腿部区域，所述头部区域对应的关键点为鼻子，所述手部区域对应的关键点包括手腕、手肘和肩部，所述躯体区域对应的关键点包括肩部和胯部，所述腿部对应的关键点包括胯部、膝盖和脚，所述区域划分模块，包括：
头部区域确定单元，用于将所述分割图像中以所述鼻子为中心构造的第一预设区域作为所述头部区域；
手部区域确定单元，用于将所述分割图像中根据所述手腕、所述手肘、所述肩部和第一预设规则构造的区域作为所述手部区域，所述手部区域包括左手区域和右手区域；
腿部区域确定单元，用于将所述分割图像中根据所述胯部、所述膝盖、所述脚和第二预设规则构造的区域作为所述腿部区域，所述腿部区域包括左腿区域和右腿区域；
躯体区域确定单元，用于根据所述肩部的坐标，计算所述躯体区域的第一维度的坐标和第二维度的起始坐标，所述第一维度的坐标包括起始坐标和截止坐标；根据所述胯部的坐标，计算所述躯体区域的第二方向的截止坐标；将所述分割图像以所述第一维度的坐标和所述第二维度的坐标作为顶点构造的区域作为所述躯体区域。
9.一种计算机设备，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，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6中任一项所述方法的步骤。
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权利要求1至6中任一项所述的方法的步骤。
CN202010174418.XA 2020-03-13 2020-03-13 生成人体模型的方法、装置、计算机设备和存储介质 Pending CN111402360A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010174418.XA CN111402360A (zh) 2020-03-13 2020-03-13 生成人体模型的方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010174418.XA CN111402360A (zh) 2020-03-13 2020-03-13 生成人体模型的方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN111402360A true CN111402360A (zh) 2020-07-10

Family

ID=71430815

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010174418.XA Pending CN111402360A (zh) 2020-03-13 2020-03-13 生成人体模型的方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN111402360A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112076073A (zh) * 2020-07-27 2020-12-15 深圳瀚维智能医疗科技有限公司 按摩区域自动分割方法、装置、按摩机器人及存储介质
CN112652043A (zh) * 2020-12-30 2021-04-13 北京爱奇艺科技有限公司 一种人体模型穿模检测方法、装置、电子设备及存储介质
CN112767415A (zh) * 2021-01-13 2021-05-07 深圳瀚维智能医疗科技有限公司 胸部扫查区域自动确定方法、装置、设备及存储介质
CN116309641A (zh) * 2023-03-23 2023-06-23 北京鹰之眼智能健康科技有限公司 图像区域获取系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005339363A (ja) * 2004-05-28 2005-12-08 Canon Inc 人体パーツ自動分割装置及び人体パーツ自動分割方法
CN102609683A (zh) * 2012-01-13 2012-07-25 北京邮电大学 一种基于单目视频的人体关节自动标注方法
CN109934177A (zh) * 2019-03-15 2019-06-25 艾特城信息科技有限公司 行人再识别方法、系统及计算机可读存储介质
CN110334675A (zh) * 2019-07-11 2019-10-15 山东大学 一种基于人体骨骼关键点分割和列卷积的行人重识别方法
CN110852162A (zh) * 2019-09-29 2020-02-28 深圳云天励飞技术有限公司 一种人体完整度数据标注方法、装置及终端设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005339363A (ja) * 2004-05-28 2005-12-08 Canon Inc 人体パーツ自動分割装置及び人体パーツ自動分割方法
CN102609683A (zh) * 2012-01-13 2012-07-25 北京邮电大学 一种基于单目视频的人体关节自动标注方法
CN109934177A (zh) * 2019-03-15 2019-06-25 艾特城信息科技有限公司 行人再识别方法、系统及计算机可读存储介质
CN110334675A (zh) * 2019-07-11 2019-10-15 山东大学 一种基于人体骨骼关键点分割和列卷积的行人重识别方法
CN110852162A (zh) * 2019-09-29 2020-02-28 深圳云天励飞技术有限公司 一种人体完整度数据标注方法、装置及终端设备

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112076073A (zh) * 2020-07-27 2020-12-15 深圳瀚维智能医疗科技有限公司 按摩区域自动分割方法、装置、按摩机器人及存储介质
CN112652043A (zh) * 2020-12-30 2021-04-13 北京爱奇艺科技有限公司 一种人体模型穿模检测方法、装置、电子设备及存储介质
CN112767415A (zh) * 2021-01-13 2021-05-07 深圳瀚维智能医疗科技有限公司 胸部扫查区域自动确定方法、装置、设备及存储介质
CN116309641A (zh) * 2023-03-23 2023-06-23 北京鹰之眼智能健康科技有限公司 图像区域获取系统
CN116309641B (zh) * 2023-03-23 2023-09-22 北京鹰之眼智能健康科技有限公司 图像区域获取系统

Similar Documents

Publication Publication Date Title
CN111402360A (zh) 生成人体模型的方法、装置、计算机设备和存储介质
KR102592270B1 (ko) 얼굴 랜드마크 검출 방법과 장치, 컴퓨터 장치, 및 저장 매체
US10679046B1 (en) Machine learning systems and methods of estimating body shape from images
CN111160085A (zh) 一种人体图像关键点姿态估计方法
CN103425964B (zh) 图像处理设备和图像处理方法
WO2021051868A1 (zh) 目标的定位方法及装置、计算机设备、计算机存储介质
CN110826395A (zh) 人脸旋转模型的生成方法、装置、计算机设备及存储介质
CN111160288A (zh) 手势关键点检测方法、装置、计算机设备和存储介质
CN113096249B (zh) 训练顶点重建模型的方法、图像重建方法及电子设备
CN113870401B (zh) 表情生成方法、装置、设备、介质和计算机程序产品
JP7429307B2 (ja) コンピュータビジョンに基づく文字列認識方法、装置、機器及び媒体
CN113570684A (zh) 图像处理方法、装置、计算机设备和存储介质
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
CN113705297A (zh) 检测模型的训练方法、装置、计算机设备和存储介质
CN109409388B (zh) 一种基于图形基元的双模深度学习描述子构造方法
CN113593001A (zh) 目标对象三维重建方法、装置、计算机设备和存储介质
CN115578393A (zh) 关键点检测方法、训练方法、装置、设备、介质及产品
CN112785712A (zh) 三维模型的生成方法、装置和电子设备
CN117078790B (zh) 图像生成方法、装置、计算机设备和存储介质
CN110321452A (zh) 一种基于方向选择机制的图像检索方法
CN108241861A (zh) 一种数据可视化方法及设备
CN111275610A (zh) 一种人脸变老图像处理方法及系统
CN115049764B (zh) Smpl参数预测模型的训练方法、装置、设备及介质
CN108876713B (zh) 二维模板图像的映射方法、装置、终端设备和存储介质
CN116310113A (zh) 风格数字人生成方法、装置、设备和可读存储介质

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