CN112353033A - 基于深度学习的人体数据批量测量系统 - Google Patents
基于深度学习的人体数据批量测量系统 Download PDFInfo
- Publication number
- CN112353033A CN112353033A CN202010947520.9A CN202010947520A CN112353033A CN 112353033 A CN112353033 A CN 112353033A CN 202010947520 A CN202010947520 A CN 202010947520A CN 112353033 A CN112353033 A CN 112353033A
- Authority
- CN
- China
- Prior art keywords
- human body
- person
- deep learning
- video
- body data
- 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
Links
- 238000005259 measurement Methods 0.000 title claims abstract description 22
- 238000013135 deep learning Methods 0.000 title claims abstract description 13
- 238000000034 method Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims description 7
- 238000013136 deep learning model Methods 0.000 claims description 5
- 230000004048 modification Effects 0.000 claims description 3
- 238000012986 modification Methods 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 2
- 210000001503 joint Anatomy 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 claims description 2
- 239000000284 extract Substances 0.000 abstract description 3
- 238000004519 manufacturing process Methods 0.000 abstract 1
- 238000000691 measurement method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 210000003414 extremity Anatomy 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000000689 upper leg Anatomy 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A41—WEARING APPAREL
- A41H—APPLIANCES OR METHODS FOR MAKING CLOTHES, e.g. FOR DRESS-MAKING OR FOR TAILORING, NOT OTHERWISE PROVIDED FOR
- A41H1/00—Measuring aids or methods
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Engineering & Computer Science (AREA)
- Textile Engineering (AREA)
- Image Analysis (AREA)
Abstract
基于深度学习的人体数据批量测量系统。本发明设计了一种自动识别、测量、计算得出制作服装所需人体关键数据的系统。系统使用人脸识别技术识别出视频中的待测者，然后使用人体姿态识别的方法从视频中识别出正视图和侧视图并使用深度学习的方法提取出人体轮廓，通过对人体轮廓进行划分来提取出人体的二十个关键特征点。最终将关键点之间的位置差信息与像素比例结合计算得出最终的人体关键数据。相较于已有方法，本发明设计的系统具有简便、批量性、准确度高等优点。
Description
技术领域
本发明属于计算机图形与图像处理领域，涉及了一种基于深度学习的人体数据批量测量系统。
背景技术
近些年来，随着网络购物的流行，服装行业的重心开始慢慢向电子商务转移。消费者们也越来越希望在线上购买的服装能够为自己所定制，尤其是希望尺码能为自己量身打造，而现有的线上服装行业只能允许用户挑选尺码固定的服装，很容易就会造成尺码不合适的问题。与此同时，在实体服装业中，越来越多的客户希望能够为其目标人群进行大规模定制服装，而实体服装业仍然还在使用量衣尺为每位个体进行测量工作，这无疑耗费了巨大的人力成本。
目前，进行人体数据的测量主要有量衣尺测量法和三维人体数据扫描测量法。传统的量衣尺测量法需要测量师对被测量者进行接触式的测量，其测量结果受到测量师对测量位置选取的影响，且需要测量师与被测量者同时在场，无法满足上述场景的需求；而三维人体数据扫描测量法所使用到的三维扫描设备价格昂贵，中小企业和消费者无法承担这一成本，且在使用三维扫描设备获取了点云数据之后，需要进行降噪和三维建模的工作，计算量大，无法满足实时性的需求。
因此，开发一款具有实时性、批量性、低成本、准确度高的人体数据测量系统成了一个亟待解决的难题。
发明内容
本发明为了满足以上的场景的需求，解决当前服装行业领域的实际问题，提出了一套具有交互性、批量性、基于深度学习方法的服装尺寸实时测量系统：
本发明所采用的技术方案如下：
A、录制一段待测者在画面中心以特定姿势旋转一圈的视频；
B、使用人脸识别方法自动识别待测者身份，并关联数据库中相应身高数据；
C、使用人体姿态估计方法提取出人体正视图和侧视图；
D、使用深度学习的模型从背景图中自动提取出人体轮廓；
E、使用人体划分的方法自动提取出人体轮廓的各个特征点；
F、使用像素比例关系及拟合公式计算得到所需的身体数据。
在A部分中，所述的待测者在画面中心以特定姿势旋转是指待测者双手握拳，打开成六十度的角，站在镜头面前，确保人体在画面中心且在旋转过程中不会超出画面范围。
在B部分中，所述的关联数据库中相应身高数据是指在经过人脸识别获得了视频中待测者的姓名数据之后，自动地在数据库中查找并定位到待测者所在行的数据。
在C部分中，所述的使用人体姿态估计方法提取出人体正视图和侧视图是指使用人体姿态估计方法对视频的每帧进行处理，获得人体各个关节点的数据，通过对每一帧中关节点的距离变化进行判断，自动地提取出人体正视图和侧视图。
在D部分中，所述的使用深度学习模型从背景图中自动提取人体轮廓是指利用深度学习模型来自动地识别出人体所在的区域，生成二值掩膜，结合原图进而实现人体轮廓的提取。
在E部分中，所述的使用人体划分的方法是指从纵向和横向上对人体进行切分，寻找并得到相应的二十个特征点。
在F部分中，所述的使用像素比例关系及拟合公式计算是指利用特征点之间的像素差结合身高信息来计算长度信息。所述的拟合公式则是指将人的躯干大致地看做一个椭圆形，使用正视图中提取的长度作为长半轴长，使用侧视图中提取的长度作为短半轴长，进而计算出周长。所述的所需身体数据是指肩宽、臂长、颈围、胸围、腰围、臀围、大腿围。
使用本发明所提供的技术方案可以带来以下的有益效果：
本发明所设计的一种基于深度学习的人体数据批量测量系统可以允许用户进行远程测量，无需产生肢体上的接触，并解决了大规模定制的难题。本发明所设计的系统的计算量小，运行迅速，结果准确，一举解决了线上服装业和线下服装业的问题，系统可同时满足二者的使用场景。
附图说明
图1为本发明实施例中一种基于深度学习的人体数据批量测量系统的技术结构框图。
图2为本发明实施例中系统的操作流程图。
具体实施方式
下面结合附图及具体实施方式对本发明作进一步详细的描述，但并不是对本发明保护范围的限制：
如图1所示，本发明使用的技术原理如下：
1)通过人脸识别技术识别待测者的身份，并自动与数据库中的相应数据对接，便于存放结果。
2)通过人体姿态估计技术判断待测者旋转的角度，并自动提取出正视图和侧视图。
3)通过深度学习模型自动地从正视图和侧视图中提取出人体轮廓。
4)通过人体分割方法，识别出人体的二十个特征点。
5)通过对特征点之间的像素差结合身高信息与像素之间的比例关系计算并拟合出最终的人体数据。
如图2所示，本发明的操作流程包含以下步骤：
S1.用户通过电脑、平板电脑、手机等含有摄像头的设备打开本系统的界面；
S2.点击连接数据库按钮，与数据库进行对接。
S3.点击开始录像来录制一个视频或点击上传视频按钮来上传一个或多个已经拍摄好的视频，视频中应该包含待测者位于视频中间旋转一圈的动作，旋转时双手应握拳并始终保持张开的姿势，双手张开形成的角应大于六十度，拍摄者应注意拍摄画面的短边应与地面的水平线平行，拍摄设备尽量与地面保持垂直，拍摄的高度最好为拍摄者身高的一半，且在测量时要求待测者穿着的衣物较为贴身，颜色应与背景墙有明显的对比，背景墙尽量为一种颜色，其相关信息不可太复杂。
S4.通过人脸识别技术连接并自动取出了待测者相关的信息，此时应确认相关身份信息及身高信息，如果发现身高出现错误，则可以通过界面进行修改，数据修改后会自动与数据库进行同步；
S5.点击开始处理，系统则会通过图1所描述的技术路线对视频进行处理，最终求得结果自动展示在界面中，处理完成后，用户可以选择将结果批量导出。
以上所述，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，按照本权力要求书和发明内容所做的变化或替换，都应该涵盖在本申请的保护范围之内。因此，本发明的专利保护范围应由权力要求限定。
Claims (5)
1.一种基于深度学习的人体数据批量测量系统，其特征在于：其包含了以下操作步骤：
S1.用户通过电脑、平板电脑、手机等含有摄像头的设备打开本系统的界面；
S2.点击连接数据库按钮，与数据库进行对接。
S3.点击开始录像来录制一个视频或点击上传视频按钮来上传一个或多个已经拍摄好的视频，视频中应该包含待测者位于视频中间旋转一圈的动作，旋转时双手应握拳并始终保持张开的姿势，双手张开形成的角应大于六十度，拍摄者应注意拍摄画面的短边应与地面的水平线平行，拍摄设备尽量与地面保持垂直，拍摄的高度最好为拍摄者身高的一半，且在测量时要求待测者穿着的衣物较为贴身，颜色应与背景墙有明显的对比，背景墙尽量为一种颜色，其相关信息不可太复杂。
S4.通过人脸识别技术连接并自动取出了待测者相关的信息，此时应确认相关身份信息及身高信息，如果发现身高出现错误，则可以通过界面进行修改，数据修改后会自动与数据库进行同步；
S5.点击开始处理，系统则会通过图1所描述的技术路线对视频进行处理，最终结果自动展示在界面中，处理完成后，用户可以选择将结果批量导出。
2.根据权利要求1所述的一种基于深度学习的人体数据批量测量系统，其特征在于：所述步骤S1中，本系统的界面兼容目前主流的操作系统，包含了搭载windows系统的电脑，搭载macOS系统的电脑，搭载ios系统的平板电脑和手机，搭载安卓系统的平板电脑和手机。
3.根据权利要求1所述的一种基于深度学习的人体数据批量测量系统，其特征在于：所述步骤S2中，本系统可以与数据库进行连接，作为大规模批量测量的基础。
4.根据权利要求1所述的一种基于深度学习的人体数据批量测量系统，其特征在于：所述步骤S3中，本系统采用视频作为载体，减少了测量员的操作步骤，减少了待测者在测量时所耗费的时间，允许用户进行远程测量，符合服装行业的需求。
5.根据权利要求1所述的一种基于深度学习的人体数据批量测量系统，其特征在于：所述步骤S5中，
1)通过人脸识别技术识别待测者的身份，并自动与数据库中的相应数据对接，便于存放结果。
2)通过人体姿态估计技术判断待测者旋转的角度，并自动提取出正视图和侧视图。
3)通过深度学习模型自动地从正视图和侧视图中提取出人体轮廓。
4)通过人体分割方法，识别出人体的二十个特征点。
5)通过对特征点之间的像素差结合身高信息与像素之间的比例关系计算并拟合出最终的人体数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010947520.9A CN112353033A (zh) | 2020-09-10 | 2020-09-10 | 基于深度学习的人体数据批量测量系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010947520.9A CN112353033A (zh) | 2020-09-10 | 2020-09-10 | 基于深度学习的人体数据批量测量系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112353033A true CN112353033A (zh) | 2021-02-12 |
Family
ID=74516553
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010947520.9A Pending CN112353033A (zh) | 2020-09-10 | 2020-09-10 | 基于深度学习的人体数据批量测量系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112353033A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113124802A (zh) * | 2021-03-30 | 2021-07-16 | 章瀚文 | 一种家禽胫围快速测定方法和装置 |
-
2020
- 2020-09-10 CN CN202010947520.9A patent/CN112353033A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113124802A (zh) * | 2021-03-30 | 2021-07-16 | 章瀚文 | 一种家禽胫围快速测定方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11010896B2 (en) | Methods and systems for generating 3D datasets to train deep learning networks for measurements estimation | |
| US10813715B1 (en) | Single image mobile device human body scanning and 3D model creation and analysis | |
| US20170053422A1 (en) | Mobile device human body scanning and 3d model creation and analysis | |
| CN106952335B (zh) | 建立人体模型库的方法及其系统 | |
| CN107408315A (zh) | 用于实时、物理准确且逼真的眼镜试戴的流程和方法 | |
| CN110689573B (zh) | 一种基于边缘模型的增强现实无标识跟踪注册方法及装置 | |
| US11798299B2 (en) | Methods and systems for generating 3D datasets to train deep learning networks for measurements estimation | |
| CN107194361A (zh) | 二维姿势检测方法及装置 | |
| CN109655011B (zh) | 一种人体建模维度测量的方法及系统 | |
| Song et al. | Data-driven 3-D human body customization with a mobile device | |
| CN112116702A (zh) | 一种基于正面和侧面轮廓的人体测量三维建模方法及系统 | |
| CN109685042A (zh) | 一种三维图像识别装置及其识别方法 | |
| CN106933976B (zh) | 建立人体3d净模型的方法及其在3d试衣中的应用 | |
| Singh et al. | Human body parts measurement using human pose estimation | |
| CN112353033A (zh) | 基于深度学习的人体数据批量测量系统 | |
| CN109740458B (zh) | 一种基于视频处理的体貌特征测量方法及系统 | |
| CN109801326A (zh) | 一种用于获取人体体型数据的图像测量方法 | |
| Le et al. | Overlay upper clothing textures to still images based on human pose estimation | |
| US11721035B2 (en) | System and method of use of augmented reality in measuring body circumference for the use of apparel production | |
| Aly et al. | Toward Smart Internet of Things (IoT) for Apparel Retail Industry: Automatic Customer’s Body Measurements and Size Recommendation System using Computer Vision Techniques | |
| Shah et al. | A methodology for extracting anthropometric measurements from 2D images | |
| Wang et al. | Im2fit: Fast 3d model fitting and anthropometrics using single consumer depth camera and synthetic data | |
| Yuan et al. | Magic glasses: from 2D to 3D | |
| KR100951315B1 (ko) | Ａａｍ을 이용한 얼굴검출 방법 및 장치 | |
| Liu et al. | Modern Clothing Design Based on Human 3D Somatosensory Technology |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210212 |