CN112419479B - 一种基于体重身高及身体影像的体型数据计算方法 - Google Patents
一种基于体重身高及身体影像的体型数据计算方法 Download PDFInfo
- Publication number
- CN112419479B CN112419479B CN202011249408.4A CN202011249408A CN112419479B CN 112419479 B CN112419479 B CN 112419479B CN 202011249408 A CN202011249408 A CN 202011249408A CN 112419479 B CN112419479 B CN 112419479B
- Authority
- CN
- China
- Prior art keywords
- human body
- data
- height
- information
- weight
- 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.)
- Active
Links
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
-
- 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
- A61B5/1072—Measuring physical dimensions, e.g. size of the entire body or parts thereof measuring distances on the body, e.g. measuring length, height or thickness
-
- 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
-
- 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
- A61B5/1079—Measuring physical dimensions, e.g. size of the entire body or parts thereof using optical or photographic means
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4869—Determining body composition
- A61B5/4872—Body fat
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01G—WEIGHING
- G01G19/00—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups
- G01G19/44—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups for weighing persons
- G01G19/50—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups for weighing persons having additional measuring devices, e.g. for height
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Theoretical Computer Science (AREA)
- Public Health (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Pathology (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Dentistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Fuzzy Systems (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Length Measuring Devices With Unspecified Measuring Means (AREA)
- Image Analysis (AREA)
Abstract
本发明专利涉及体型测量技术领域,尤其为一种基于体重身高及身体影像的体型数据计算方法,包括以下步骤:采用体型信息:采用十二类人体体型,采用的人体数据组包括人体胸围、人体臀围、人体腰围、人体腿长、人体小腿长、人体大腿围和人体上身长共计七组数据;采集样本数据:采集上述十二类人体体型信息数据样本共计一万份;本发明专利使用基础的标准设备进行人体的数据采集,在实施上和成本上更具有优势,并且对于用户使用来说更为便利,利用神经网络的推断方法,在整体的准确度上面具备更佳的实施优势,通过超宽带雷达可以获取增强的人体信息,将其与其他人体信息进行对比,从而提升三维人体模型建立的准确性。
Description
技术领域
本发明专利涉及体型测量技术领域,具体为一种基于体重身高及身体影像的体型数据计算方法。
背景技术
在AR和VR不断发展的背景下,越来越多的应用场景不断的使用了虚拟增强的技术来提升产品的体验感,例如基于AR技术的人脸虚拟上妆技术,基于AR技术的旅游体验等解决方案。虚拟现实作为一种依赖虚拟场景来提升产品的体验感,力求让用户具有沉浸式的产品体验的方案,其核心的技术在于从现实出发,利用三维重构技术来打造一体化的场景,让使用者拥有一种置身事中的真实感觉。在众多的虚拟现实的场景中如何快速准确的获取到人体的数据进行三维模型重建成为了一个能否快速产品和市场化成功的重要因素。例如在虚拟试衣的应用技术上,试衣效果的好与坏,人体模型的重建的准确与否很大程度的影响了最终的试衣效果。
目前行业中获取人体数据的方式通常使用多个摄像头构造成摄像头集群的方式,分别安装在场景的左右前后不同的位置,通过多个角度拍摄人体的影像进行分析合成,最终得到比较准确的人体体型数据。这种方式在目前的实现方案中能够比较准确的获取到人体的体型数据,但是对于目标人体的站立位置有比较严格的要求,并且实施起来比较复杂,需要比较精准的校验摄像头的安装位置和焦距的调试等,对于用户体验来说并不能够达到真实的自动化和一步到位的便捷性。
专利CN103006228A提出了一种人体形态特征的测量方法,利用三维扫描方案得到人体形态的三维云点数据,进而映射为二维的图像数据,通过二维图像数据与预设测量模板进行对比进而计算出人体的形态数据。该方案在实施和体验上拥有比多摄像头集群的方案更具优势,但是在精准度上面通常无法达到指定的要求,由于通过三维映射二维的方式,在映射的过程中存在较大的数据丢失,并且依赖于三维与二维转化的精准度影像,得出的最终人体形态数据偏差较大,而且在此方案中,仍待需要人工进行图像区域的分割处理,大大的降低了实现的效率,为此提出一种基于体重身高及身体影像的体型数据计算方法,来解决此问题。
发明专利内容
本发明专利的目的在于提供一种基于体重身高及身体影像的体型数据计算方法,解决了对于目标人体的站立位置有比较严格的要求,并且实施起来比较复杂,需要比较精准的校验摄像头的安装位置和焦距的调试等,对于用户体验来说并不能够达到真实的自动化和一步到位的便捷性,在精准度上面通常无法达到指定的要求,由于通过三维映射二维的方式,在映射的过程中存在较大的数据丢失,并且依赖于三维与二维转化的精准度影像,得出的最终人体形态数据偏差较大,而且在此方案中,仍待需要人工进行图像区域的分割处理,大大的降低了实现的效率的问题。
为实现上述目的,本发明专利提供如下技术方案:一种基于体重身高及身体影像的体型数据计算方法,包括以下步骤:
步骤1:采用体型信息:采用十二类人体体型,采用的人体数据组包括人体胸围、人体臀围、人体腰围、人体腿长、人体小腿长、人体大腿围和人体上身长共计七组数据;
步骤2:采集样本数据:采集上述十二类人体体型信息数据样本共计一万份,并且通过人工测量和设备测量的方式测量出样本的体型分类和人体数据组;
步骤3:输入数据测量采集:针对上述样本进行测量,测量需要使用标准化的设备进行以下数据的测量:身高、体重、8电极体脂传感器数据和人体影像数据;
步骤4:构建L-CNN:构建一个分类神经网络L-CNN,将获取身高、体重、8电极体脂传感器数据和人体影像数据作为输入,十二类人体体型样本信息数据作为监督学习的标签,训练得到一个n分类的人体体型分类神经网络,n=12;
步骤5:构建R-CNN:构建一个回归神经网络R-CNN,将获取身高、体重、8电极体脂传感器数据和人体影像数据作为输入,步骤2中的N组体型数据作为监督学习的标签输入到神经网络中进行监督训练,N=7,这样可以分别得到用于体型数据分类的L-CNN神经网络和人体数据推断的R-CNN神经网络;
步骤6:超宽带雷达成像:使用超宽带雷达对用户进行检测,对输入接收的超宽带雷达信号并进行三维BP成像,得到三维成像结果,对超宽带雷达信号的三维BP成像结果进行检测,获得三维成像区域,然后将连续多帧超宽带雷达成像结果输入resnet网络进行特征提取,使用headnet网络将resnet网络提取的特征转换为各个骨骼点概率分布,并将所有骨骼点坐标按照顺序连接,形成超宽带雷达的人体信息;
步骤7:得到用户人体信息:通过标准的身高和体重测量工具得到用户的体重身高数据,通过标准的8电极体脂传感器获取到用户的体脂数据,通过摄像头拍摄到用户的人体影像图片,将以上数据分别同时传入到L-CNN和R-CNN中,得到用户人体体型分类和7组人体数据信息;
步骤8:获得三维人体模型:通过获取到的用户人体体型分类和7组人体数据信息后得到比较准确的人体信息,以及超宽带雷达的人体信息,将二者对比合并,对预设的三维人体进行相应的数据变形和匹配,而获得准确的三维人体模型。
优选的,所述步骤1中,十二类人体体型分别划分为:苹果型、H型、梨型、细沙漏型、长方形、V型、圆型、胖沙漏型、五五型、瘦小型、超高型和I子型。
优选的,所述步骤2中,样本的体型共计十二类,每一类均包括人体胸围、人体臀围、人体腰围、人体腿长、人体小腿长、人体大腿围和人体上身长。
优选的,所述步骤3中,人体影像数据为使用摄像头捕捉到的人体数据图像。
优选的,所述步骤6中,输入接收超宽带雷达的信号,然后进行三维BP成像,最终得到探测场景的三维成像结果数据。
优选的,所述步骤6中,将超宽带雷达三维成像结果沿着高度向取最大值,得到最大值投影结果,根据目标位置从测试场景的整体三维成像结果中截取目标附近的三维成像区域作为人体目标的三维成像结果。
优选的,所述步骤6中,对人体目标的三维成像结果分别做方位向、距离向和高度向的最大值投影,得到三个成像结果Iyz、Ixz、Ixy,将人体目标的连续多帧最大值成像结果输入已经训练好的resnet-18网络中,对人体目标对应雷达图像进行特征提取,生成特征矩阵。
优选的,所述步骤7中,标准身高和体重测量工具为专业的身高体重秤,身高体重秤使用超声波进行身高测量。
优选的,所述步骤8中,将两种用户人体信息利用专业的对比合并软件进行对比,然后修正合并形成准确的三维人体模型。
与现有技术相比,本发明专利的有益效果如下:
本发明专利通过目前的通用标准化的硬件设备来获取到人体的身高和体重数据,通过标准化的八电极的体脂传感器来获取人体的体脂数据以及摄像头采集的人体影像信息,将这些信息作为基础的数据信息输入到神经网络中进行数据的推断,通过分类的方案将人体类型分为若干分类进行推断,通过目标回归的方案得出人体体型中的若干组数据,通过两种类型的数据来得到最终的人体体型的关键性数据,通过超宽带雷达可以获取增强的人体信息,将其与其他人体信息进行对比,从而提升三维人体模型建立的准确性。
附图说明
图1为本发明专利结构流程图。
具体实施方式
下面将结合本发明专利实施例中的附图,对本发明专利实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明专利一部分实施例,而不是全部的实施例。基于本发明专利中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明专利保护的范围。
请参阅图1,本发明提供一种技术方案:一种基于体重身高及身体影像的体型数据计算方法,包括以下步骤:
步骤1:采用体型信息:采用十二类人体体型,采用的人体数据组包括人体胸围、人体臀围、人体腰围、人体腿长、人体小腿长、人体大腿围和人体上身长共计七组数据;
步骤2:采集样本数据:采集上述十二类人体体型信息数据样本共计一万份,并且通过人工测量和设备测量的方式测量出样本的体型分类和人体数据组;
步骤3:输入数据测量采集:针对上述样本进行测量,测量需要使用标准化的设备进行以下数据的测量:身高、体重、8电极体脂传感器数据和人体影像数据;
步骤4:构建L-CNN:构建一个分类神经网络L-CNN,将获取身高、体重、8电极体脂传感器数据和人体影像数据作为输入,十二类人体体型样本信息数据作为监督学习的标签,训练得到一个n分类的人体体型分类神经网络,n=12;
步骤5:构建R-CNN:构建一个回归神经网络R-CNN,将获取身高、体重、8电极体脂传感器数据和人体影像数据作为输入,步骤2中的N组体型数据作为监督学习的标签输入到神经网络中进行监督训练,N=7,这样可以分别得到用于体型数据分类的L-CNN神经网络和人体数据推断的R-CNN神经网络;
步骤6:超宽带雷达成像:使用超宽带雷达对用户进行检测,对输入接收的超宽带雷达信号并进行三维BP成像,得到三维成像结果,对超宽带雷达信号的三维BP成像结果进行检测,获得三维成像区域,然后将连续多帧超宽带雷达成像结果输入resnet网络进行特征提取,使用headnet网络将resnet网络提取的特征转换为各个骨骼点概率分布,并将所有骨骼点坐标按照顺序连接,形成超宽带雷达的人体信息;
步骤7:得到用户人体信息:通过标准的身高和体重测量工具得到用户的体重身高数据,通过标准的8电极体脂传感器获取到用户的体脂数据,通过摄像头拍摄到用户的人体影像图片,将以上数据分别同时传入到L-CNN和R-CNN中,得到用户人体体型分类和7组人体数据信息;
步骤8:获得三维人体模型:通过获取到的用户人体体型分类和7组人体数据信息后得到比较准确的人体信息,以及超宽带雷达的人体信息,将二者对比合并,对预设的三维人体进行相应的数据变形和匹配,而获得准确的三维人体模型。
实施例一:
采用体型信息:采用十二类人体体型,采用的人体数据组包括人体胸围、人体臀围、人体腰围、人体腿长、人体小腿长、人体大腿围和人体上身长共计七组数据;采集样本数据:采集上述十二类人体体型信息数据样本共计一万份,并且通过人工测量和设备测量的方式测量出样本的体型分类和人体数据组;输入数据测量采集:针对上述样本进行测量,测量需要使用标准化的设备进行以下数据的测量:身高、体重、8电极体脂传感器数据和人体影像数据;构建L-CNN:构建一个分类神经网络L-CNN,将获取身高、体重、8电极体脂传感器数据和人体影像数据作为输入,十二类人体体型样本信息数据作为监督学习的标签,训练得到一个n分类的人体体型分类神经网络,n=12;构建R-CNN:构建一个回归神经网络R-CNN,将获取身高、体重、8电极体脂传感器数据和人体影像数据作为输入,步骤2中的N组体型数据作为监督学习的标签输入到神经网络中进行监督训练,N=7,这样可以分别得到用于体型数据分类的L-CNN神经网络和人体数据推断的R-CNN神经网络;超宽带雷达成像:使用超宽带雷达对用户进行检测,对输入接收的超宽带雷达信号并进行三维BP成像,得到三维成像结果,对超宽带雷达信号的三维BP成像结果进行检测,获得三维成像区域,然后将连续多帧超宽带雷达成像结果输入resnet网络进行特征提取,使用headnet网络将resnet网络提取的特征转换为各个骨骼点概率分布,并将所有骨骼点坐标按照顺序连接,形成超宽带雷达的人体信息;得到用户人体信息:通过标准的身高和体重测量工具得到用户的体重身高数据,通过标准的8电极体脂传感器获取到用户的体脂数据,通过摄像头拍摄到用户的人体影像图片,将以上数据分别同时传入到L-CNN和R-CNN中,得到用户人体体型分类和7组人体数据信息;获得三维人体模型:通过获取到的用户人体体型分类和7组人体数据信息后得到比较准确的人体信息,以及超宽带雷达的人体信息,将二者对比合并,对预设的三维人体进行相应的数据变形和匹配,而获得准确的三维人体模型。
实施例二:
在实施例一中,再加上下述工序:
在步骤1中,十二类人体体型分别划分为:苹果型、H型、梨型、细沙漏型、长方形、V型、圆型、胖沙漏型、五五型、瘦小型、超高型和I子型,为人体信息的测量提供标准。
采用体型信息:采用十二类人体体型,采用的人体数据组包括人体胸围、人体臀围、人体腰围、人体腿长、人体小腿长、人体大腿围和人体上身长共计七组数据;采集样本数据:采集上述十二类人体体型信息数据样本共计一万份,并且通过人工测量和设备测量的方式测量出样本的体型分类和人体数据组;输入数据测量采集:针对上述样本进行测量,测量需要使用标准化的设备进行以下数据的测量:身高、体重、8电极体脂传感器数据和人体影像数据;构建L-CNN:构建一个分类神经网络L-CNN,将获取身高、体重、8电极体脂传感器数据和人体影像数据作为输入,十二类人体体型样本信息数据作为监督学习的标签,训练得到一个n分类的人体体型分类神经网络,n=12;构建R-CNN:构建一个回归神经网络R-CNN,将获取身高、体重、8电极体脂传感器数据和人体影像数据作为输入,步骤2中的N组体型数据作为监督学习的标签输入到神经网络中进行监督训练,N=7,这样可以分别得到用于体型数据分类的L-CNN神经网络和人体数据推断的R-CNN神经网络;超宽带雷达成像:使用超宽带雷达对用户进行检测,对输入接收的超宽带雷达信号并进行三维BP成像,得到三维成像结果,对超宽带雷达信号的三维BP成像结果进行检测,获得三维成像区域,然后将连续多帧超宽带雷达成像结果输入resnet网络进行特征提取,使用headnet网络将resnet网络提取的特征转换为各个骨骼点概率分布,并将所有骨骼点坐标按照顺序连接,形成超宽带雷达的人体信息;得到用户人体信息:通过标准的身高和体重测量工具得到用户的体重身高数据,通过标准的8电极体脂传感器获取到用户的体脂数据,通过摄像头拍摄到用户的人体影像图片,将以上数据分别同时传入到L-CNN和R-CNN中,得到用户人体体型分类和7组人体数据信息;获得三维人体模型:通过获取到的用户人体体型分类和7组人体数据信息后得到比较准确的人体信息,以及超宽带雷达的人体信息,将二者对比合并,对预设的三维人体进行相应的数据变形和匹配,而获得准确的三维人体模型。
实施例三:
在实施例二中,再加上下述工序:
在步骤2中,样本的体型共计十二类,每一类均包括人体胸围、人体臀围、人体腰围、人体腿长、人体小腿长、人体大腿围和人体上身长,为人体的测量提供标准。
采用体型信息:采用十二类人体体型,采用的人体数据组包括人体胸围、人体臀围、人体腰围、人体腿长、人体小腿长、人体大腿围和人体上身长共计七组数据;采集样本数据:采集上述十二类人体体型信息数据样本共计一万份,并且通过人工测量和设备测量的方式测量出样本的体型分类和人体数据组;输入数据测量采集:针对上述样本进行测量,测量需要使用标准化的设备进行以下数据的测量:身高、体重、8电极体脂传感器数据和人体影像数据;构建L-CNN:构建一个分类神经网络L-CNN,将获取身高、体重、8电极体脂传感器数据和人体影像数据作为输入,十二类人体体型样本信息数据作为监督学习的标签,训练得到一个n分类的人体体型分类神经网络,n=12;构建R-CNN:构建一个回归神经网络R-CNN,将获取身高、体重、8电极体脂传感器数据和人体影像数据作为输入,步骤2中的N组体型数据作为监督学习的标签输入到神经网络中进行监督训练,N=7,这样可以分别得到用于体型数据分类的L-CNN神经网络和人体数据推断的R-CNN神经网络;超宽带雷达成像:使用超宽带雷达对用户进行检测,对输入接收的超宽带雷达信号并进行三维BP成像,得到三维成像结果,对超宽带雷达信号的三维BP成像结果进行检测,获得三维成像区域,然后将连续多帧超宽带雷达成像结果输入resnet网络进行特征提取,使用headnet网络将resnet网络提取的特征转换为各个骨骼点概率分布,并将所有骨骼点坐标按照顺序连接,形成超宽带雷达的人体信息;得到用户人体信息:通过标准的身高和体重测量工具得到用户的体重身高数据,通过标准的8电极体脂传感器获取到用户的体脂数据,通过摄像头拍摄到用户的人体影像图片,将以上数据分别同时传入到L-CNN和R-CNN中,得到用户人体体型分类和7组人体数据信息;获得三维人体模型:通过获取到的用户人体体型分类和7组人体数据信息后得到比较准确的人体信息,以及超宽带雷达的人体信息,将二者对比合并,对预设的三维人体进行相应的数据变形和匹配,而获得准确的三维人体模型。
实施例四:
在实施例三中,再加上下述工序:
在步骤3中,人体影像数据为使用摄像头捕捉到的人体数据图像,方便进行测量。
采用体型信息:采用十二类人体体型,采用的人体数据组包括人体胸围、人体臀围、人体腰围、人体腿长、人体小腿长、人体大腿围和人体上身长共计七组数据;采集样本数据:采集上述十二类人体体型信息数据样本共计一万份,并且通过人工测量和设备测量的方式测量出样本的体型分类和人体数据组;输入数据测量采集:针对上述样本进行测量,测量需要使用标准化的设备进行以下数据的测量:身高、体重、8电极体脂传感器数据和人体影像数据;构建L-CNN:构建一个分类神经网络L-CNN,将获取身高、体重、8电极体脂传感器数据和人体影像数据作为输入,十二类人体体型样本信息数据作为监督学习的标签,训练得到一个n分类的人体体型分类神经网络,n=12;构建R-CNN:构建一个回归神经网络R-CNN,将获取身高、体重、8电极体脂传感器数据和人体影像数据作为输入,步骤2中的N组体型数据作为监督学习的标签输入到神经网络中进行监督训练,N=7,这样可以分别得到用于体型数据分类的L-CNN神经网络和人体数据推断的R-CNN神经网络;超宽带雷达成像:使用超宽带雷达对用户进行检测,对输入接收的超宽带雷达信号并进行三维BP成像,得到三维成像结果,对超宽带雷达信号的三维BP成像结果进行检测,获得三维成像区域,然后将连续多帧超宽带雷达成像结果输入resnet网络进行特征提取,使用headnet网络将resnet网络提取的特征转换为各个骨骼点概率分布,并将所有骨骼点坐标按照顺序连接,形成超宽带雷达的人体信息;得到用户人体信息:通过标准的身高和体重测量工具得到用户的体重身高数据,通过标准的8电极体脂传感器获取到用户的体脂数据,通过摄像头拍摄到用户的人体影像图片,将以上数据分别同时传入到L-CNN和R-CNN中,得到用户人体体型分类和7组人体数据信息;获得三维人体模型:通过获取到的用户人体体型分类和7组人体数据信息后得到比较准确的人体信息,以及超宽带雷达的人体信息,将二者对比合并,对预设的三维人体进行相应的数据变形和匹配,而获得准确的三维人体模型。
实施例五:
在实施例四中,再加上下述工序:
在步骤6中,输入接收超宽带雷达的信号,然后进行三维BP成像,最终得到探测场景的三维成像结果数据,将超宽带雷达三维成像结果沿着高度向取最大值,得到最大值投影结果,根据目标位置从测试场景的整体三维成像结果中截取目标附近的三维成像区域作为人体目标的三维成像结果,对人体目标的三维成像结果分别做方位向、距离向和高度向的最大值投影,得到三个成像结果Iyz、Ixz、Ixy,将人体目标的连续多帧最大值成像结果输入已经训练好的resnet-18网络中,对人体目标对应雷达图像进行特征提取,生成特征矩阵,方便进行超宽带雷达的测量,增强获取信息的准确性。
采用体型信息:采用十二类人体体型,采用的人体数据组包括人体胸围、人体臀围、人体腰围、人体腿长、人体小腿长、人体大腿围和人体上身长共计七组数据;采集样本数据:采集上述十二类人体体型信息数据样本共计一万份,并且通过人工测量和设备测量的方式测量出样本的体型分类和人体数据组;输入数据测量采集:针对上述样本进行测量,测量需要使用标准化的设备进行以下数据的测量:身高、体重、8电极体脂传感器数据和人体影像数据;构建L-CNN:构建一个分类神经网络L-CNN,将获取身高、体重、8电极体脂传感器数据和人体影像数据作为输入,十二类人体体型样本信息数据作为监督学习的标签,训练得到一个n分类的人体体型分类神经网络,n=12;构建R-CNN:构建一个回归神经网络R-CNN,将获取身高、体重、8电极体脂传感器数据和人体影像数据作为输入,步骤2中的N组体型数据作为监督学习的标签输入到神经网络中进行监督训练,N=7,这样可以分别得到用于体型数据分类的L-CNN神经网络和人体数据推断的R-CNN神经网络;超宽带雷达成像:使用超宽带雷达对用户进行检测,对输入接收的超宽带雷达信号并进行三维BP成像,得到三维成像结果,对超宽带雷达信号的三维BP成像结果进行检测,获得三维成像区域,然后将连续多帧超宽带雷达成像结果输入resnet网络进行特征提取,使用headnet网络将resnet网络提取的特征转换为各个骨骼点概率分布,并将所有骨骼点坐标按照顺序连接,形成超宽带雷达的人体信息;得到用户人体信息:通过标准的身高和体重测量工具得到用户的体重身高数据,通过标准的8电极体脂传感器获取到用户的体脂数据,通过摄像头拍摄到用户的人体影像图片,将以上数据分别同时传入到L-CNN和R-CNN中,得到用户人体体型分类和7组人体数据信息;获得三维人体模型:通过获取到的用户人体体型分类和7组人体数据信息后得到比较准确的人体信息,以及超宽带雷达的人体信息,将二者对比合并,对预设的三维人体进行相应的数据变形和匹配,而获得准确的三维人体模型。
实施例六:
在实施例五中,再加上下述工序:
在步骤7中,标准身高和体重测量工具为专业的身高体重秤,身高体重秤使用超声波进行身高测量,增强体重和身高测量的准确性。
采用体型信息:采用十二类人体体型,采用的人体数据组包括人体胸围、人体臀围、人体腰围、人体腿长、人体小腿长、人体大腿围和人体上身长共计七组数据;采集样本数据:采集上述十二类人体体型信息数据样本共计一万份,并且通过人工测量和设备测量的方式测量出样本的体型分类和人体数据组;输入数据测量采集:针对上述样本进行测量,测量需要使用标准化的设备进行以下数据的测量:身高、体重、8电极体脂传感器数据和人体影像数据;构建L-CNN:构建一个分类神经网络L-CNN,将获取身高、体重、8电极体脂传感器数据和人体影像数据作为输入,十二类人体体型样本信息数据作为监督学习的标签,训练得到一个n分类的人体体型分类神经网络,n=12;构建R-CNN:构建一个回归神经网络R-CNN,将获取身高、体重、8电极体脂传感器数据和人体影像数据作为输入,步骤2中的N组体型数据作为监督学习的标签输入到神经网络中进行监督训练,N=7,这样可以分别得到用于体型数据分类的L-CNN神经网络和人体数据推断的R-CNN神经网络;超宽带雷达成像:使用超宽带雷达对用户进行检测,对输入接收的超宽带雷达信号并进行三维BP成像,得到三维成像结果,对超宽带雷达信号的三维BP成像结果进行检测,获得三维成像区域,然后将连续多帧超宽带雷达成像结果输入resnet网络进行特征提取,使用headnet网络将resnet网络提取的特征转换为各个骨骼点概率分布,并将所有骨骼点坐标按照顺序连接,形成超宽带雷达的人体信息;得到用户人体信息:通过标准的身高和体重测量工具得到用户的体重身高数据,通过标准的8电极体脂传感器获取到用户的体脂数据,通过摄像头拍摄到用户的人体影像图片,将以上数据分别同时传入到L-CNN和R-CNN中,得到用户人体体型分类和7组人体数据信息;获得三维人体模型:通过获取到的用户人体体型分类和7组人体数据信息后得到比较准确的人体信息,以及超宽带雷达的人体信息,将二者对比合并,对预设的三维人体进行相应的数据变形和匹配,而获得准确的三维人体模型。
实施例七:
在实施例六中,再加上下述工序:
在步骤8中,将两种用户人体信息利用专业的对比合并软件进行对比,然后修正合并形成准确的三维人体模型,为三维人体模型的修正提供样本。
采用体型信息:采用十二类人体体型,采用的人体数据组包括人体胸围、人体臀围、人体腰围、人体腿长、人体小腿长、人体大腿围和人体上身长共计七组数据;采集样本数据:采集上述十二类人体体型信息数据样本共计一万份,并且通过人工测量和设备测量的方式测量出样本的体型分类和人体数据组;输入数据测量采集:针对上述样本进行测量,测量需要使用标准化的设备进行以下数据的测量:身高、体重、8电极体脂传感器数据和人体影像数据;构建L-CNN:构建一个分类神经网络L-CNN,将获取身高、体重、8电极体脂传感器数据和人体影像数据作为输入,十二类人体体型样本信息数据作为监督学习的标签,训练得到一个n分类的人体体型分类神经网络,n=12;构建R-CNN:构建一个回归神经网络R-CNN,将获取身高、体重、8电极体脂传感器数据和人体影像数据作为输入,步骤2中的N组体型数据作为监督学习的标签输入到神经网络中进行监督训练,N=7,这样可以分别得到用于体型数据分类的L-CNN神经网络和人体数据推断的R-CNN神经网络;超宽带雷达成像:使用超宽带雷达对用户进行检测,对输入接收的超宽带雷达信号并进行三维BP成像,得到三维成像结果,对超宽带雷达信号的三维BP成像结果进行检测,获得三维成像区域,然后将连续多帧超宽带雷达成像结果输入resnet网络进行特征提取,使用headnet网络将resnet网络提取的特征转换为各个骨骼点概率分布,并将所有骨骼点坐标按照顺序连接,形成超宽带雷达的人体信息;得到用户人体信息:通过标准的身高和体重测量工具得到用户的体重身高数据,通过标准的8电极体脂传感器获取到用户的体脂数据,通过摄像头拍摄到用户的人体影像图片,将以上数据分别同时传入到L-CNN和R-CNN中,得到用户人体体型分类和7组人体数据信息;获得三维人体模型:通过获取到的用户人体体型分类和7组人体数据信息后得到比较准确的人体信息,以及超宽带雷达的人体信息,将二者对比合并,对预设的三维人体进行相应的数据变形和匹配,而获得准确的三维人体模型。
尽管已经示出和描述了本发明专利的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明专利的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明专利的范围由所附权利要求及其等同物限定。
Claims (9)
1.一种基于体重身高及身体影像的体型数据计算方法,其特征在于:包括以下步骤:
步骤1:采用体型信息:采用十二类人体体型,采用的人体数据组包括人体胸围、人体臀围、人体腰围、人体腿长、人体小腿长、人体大腿围和人体上身长共计七组数据;
步骤2:采集样本数据:采集上述十二类人体体型信息数据样本共计一万份,并且通过人工测量和设备测量的方式测量出样本的体型分类和人体数据组;
步骤3:输入数据测量采集:针对上述样本进行测量,测量需要使用标准化的设备进行以下数据的测量:身高、体重、8电极体脂传感器数据和人体影像数据;
步骤4:构建L-CNN:构建一个分类神经网络L-CNN,将获取身高、体重、8电极体脂传感器数据和人体影像数据作为输入,十二类人体体型样本信息数据作为监督学习的标签,训练得到一个n分类的人体体型分类神经网络,n=12;
步骤5:构建R-CNN:构建一个回归神经网络R-CNN,将获取身高、体重、8电极体脂传感器数据和人体影像数据作为输入,步骤2中的N组体型数据作为监督学习的标签输入到神经网络中进行监督训练,N=7,这样可以分别得到用于体型数据分类的L-CNN神经网络和人体数据推断的R-CNN神经网络;
步骤6:超宽带雷达成像:使用超宽带雷达对用户进行检测,对输入接收的超宽带雷达信号并进行三维BP成像,得到三维成像结果,对超宽带雷达信号的三维BP成像结果进行检测,获得三维成像区域,然后将连续多帧超宽带雷达成像结果输入resnet网络进行特征提取,使用headnet网络将resnet网络提取的特征转换为各个骨骼点概率分布,并将所有骨骼点坐标按照顺序连接,形成超宽带雷达的人体信息;
步骤7:得到用户人体信息:通过标准的身高和体重测量工具得到用户的体重身高数据,通过标准的8电极体脂传感器获取到用户的体脂数据,通过摄像头拍摄到用户的人体影像图片,将以上数据分别同时传入到L-CNN和R-CNN中,得到用户人体体型分类和7组人体数据信息;
步骤8:获得三维人体模型:通过获取到的用户人体体型分类和7组人体数据信息后得到比较准确的人体信息,以及超宽带雷达的人体信息,将二者对比合并,对预设的三维人体进行相应的数据变形和匹配,而获得准确的三维人体模型。
2.根据权利要求1所述的一种基于体重身高及身体影像的体型数据计算方法,其特征在于:所述步骤1中,十二类人体体型分别划分为:苹果型、H型、梨型、细沙漏型、长方形、V型、圆型、胖沙漏型、五五型、瘦小型、超高型和I子型。
3.根据权利要求1所述的一种基于体重身高及身体影像的体型数据计算方法,其特征在于:所述步骤2中,样本的体型共计十二类,每一类均包括人体胸围、人体臀围、人体腰围、人体腿长、人体小腿长、人体大腿围和人体上身长。
4.根据权利要求1所述的一种基于体重身高及身体影像的体型数据计算方法,其特征在于:所述步骤3中,人体影像数据为使用摄像头捕捉到的人体数据图像。
5.根据权利要求1所述的一种基于体重身高及身体影像的体型数据计算方法,其特征在于:所述步骤6中,输入接收超宽带雷达的信号,然后进行三维BP成像,最终得到探测场景的三维成像结果数据。
6.根据权利要求1所述的一种基于体重身高及身体影像的体型数据计算方法,其特征在于:所述步骤6中,将超宽带雷达三维成像结果沿着高度向取最大值,得到最大值投影结果,根据目标位置从测试场景的整体三维成像结果中截取目标附近的三维成像区域作为人体目标的三维成像结果。
7.根据权利要求1所述的一种基于体重身高及身体影像的体型数据计算方法,其特征在于:所述步骤6中,对人体目标的三维成像结果分别做方位向、距离向和高度向的最大值投影,得到三个成像结果Iyz、Ixz、Ixy,将人体目标的连续多帧最大值成像结果输入已经训练好的resnet-18网络中,对人体目标对应雷达图像进行特征提取,生成特征矩阵。
8.根据权利要求1所述的一种基于体重身高及身体影像的体型数据计算方法,其特征在于:所述步骤7中,标准身高和体重测量工具为专业的身高体重秤,身高体重秤使用超声波进行身高测量。
9.根据权利要求1所述的一种基于体重身高及身体影像的体型数据计算方法,其特征在于:所述步骤8中,将两种用户人体信息利用专业的对比合并软件进行对比,然后修正合并形成准确的三维人体模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011249408.4A CN112419479B (zh) | 2020-11-10 | 2020-11-10 | 一种基于体重身高及身体影像的体型数据计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011249408.4A CN112419479B (zh) | 2020-11-10 | 2020-11-10 | 一种基于体重身高及身体影像的体型数据计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112419479A CN112419479A (zh) | 2021-02-26 |
CN112419479B true CN112419479B (zh) | 2022-09-06 |
Family
ID=74781056
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011249408.4A Active CN112419479B (zh) | 2020-11-10 | 2020-11-10 | 一种基于体重身高及身体影像的体型数据计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112419479B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113050083A (zh) * | 2021-03-10 | 2021-06-29 | 中国人民解放军国防科技大学 | 一种基于点云的超宽带雷达人体姿态重构方法 |
CN113706688A (zh) * | 2021-07-22 | 2021-11-26 | 定智衣(上海)服装科技有限公司 | 一种动态人体尺寸特征建模方法 |
CN117316455B (zh) * | 2023-10-10 | 2024-06-25 | 尚氏(广东)大数据服务有限公司 | 基于bmi数据分析的装置和方法、计算机存储介质 |
CN117523154B (zh) * | 2024-01-08 | 2024-03-19 | 天津市肿瘤医院(天津医科大学肿瘤医院) | 一种基于体征数据的人体三维模型校准方法、系统及存储介质 |
CN118078258A (zh) * | 2024-03-06 | 2024-05-28 | 广东启悦未来科技股份有限公司 | 一种人体参数检测方法、装置及其存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06217962A (ja) * | 1993-01-28 | 1994-08-09 | Sekisui Chem Co Ltd | 体型分析装置 |
CN1565292A (zh) * | 2003-06-13 | 2005-01-19 | 中国人民解放军总后勤部军需装备研究所 | 中国军人基准人体模型系列 |
EP1522259A1 (en) * | 2003-10-08 | 2005-04-13 | Tanita Corporation | Body type determining apparatus |
CN107016721A (zh) * | 2017-03-07 | 2017-08-04 | 上海优裁信息技术有限公司 | 人体三维模型的建模方法 |
WO2018107872A1 (zh) * | 2016-12-15 | 2018-06-21 | 广州视源电子科技股份有限公司 | 一种体型预测方法及设备 |
CN110705421A (zh) * | 2019-09-25 | 2020-01-17 | 浙江鸿泉电子科技有限公司 | 体型数据的处理方法及装置 |
WO2020153662A1 (ko) * | 2019-01-25 | 2020-07-30 | 엘지전자 주식회사 | 체형 관리 장치 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017029488A2 (en) * | 2015-08-14 | 2017-02-23 | Metail Limited | Methods of generating personalized 3d head models or 3d body models |
CN107194987B (zh) * | 2017-05-12 | 2021-12-10 | 西安蒜泥电子科技有限责任公司 | 对人体测量数据进行预测的方法 |
US10621779B1 (en) * | 2017-05-25 | 2020-04-14 | Fastvdo Llc | Artificial intelligence based generation and analysis of 3D models |
CN108171792A (zh) * | 2018-01-15 | 2018-06-15 | 深圳市云之梦科技有限公司 | 一种基于语义参数的人体三维模型恢复技术的方法及系统 |
CN109800653A (zh) * | 2018-12-24 | 2019-05-24 | 重庆第二师范学院 | 一种基于图像分析的人体特征参数提取方法及系统 |
CN109444967A (zh) * | 2018-12-28 | 2019-03-08 | 同方威视技术股份有限公司 | 人体特性测量方法、人体安检方法和fmcw雷达-毫米波安检装置 |
CN109409348A (zh) * | 2018-12-29 | 2019-03-01 | 北京卡路里信息技术有限公司 | 一种用户体征的确定方法、装置、设备和存储介质 |
CN110599540B (zh) * | 2019-08-05 | 2022-06-17 | 清华大学 | 多视点相机下的实时三维人体体型与姿态重建方法及装置 |
CN111208509B (zh) * | 2020-01-15 | 2020-12-29 | 中国人民解放军国防科技大学 | 一种超宽带雷达人体目标姿态可视化增强方法 |
-
2020
- 2020-11-10 CN CN202011249408.4A patent/CN112419479B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06217962A (ja) * | 1993-01-28 | 1994-08-09 | Sekisui Chem Co Ltd | 体型分析装置 |
CN1565292A (zh) * | 2003-06-13 | 2005-01-19 | 中国人民解放军总后勤部军需装备研究所 | 中国军人基准人体模型系列 |
EP1522259A1 (en) * | 2003-10-08 | 2005-04-13 | Tanita Corporation | Body type determining apparatus |
WO2018107872A1 (zh) * | 2016-12-15 | 2018-06-21 | 广州视源电子科技股份有限公司 | 一种体型预测方法及设备 |
CN107016721A (zh) * | 2017-03-07 | 2017-08-04 | 上海优裁信息技术有限公司 | 人体三维模型的建模方法 |
WO2020153662A1 (ko) * | 2019-01-25 | 2020-07-30 | 엘지전자 주식회사 | 체형 관리 장치 |
CN110705421A (zh) * | 2019-09-25 | 2020-01-17 | 浙江鸿泉电子科技有限公司 | 体型数据的处理方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112419479A (zh) | 2021-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112419479B (zh) | 一种基于体重身高及身体影像的体型数据计算方法 | |
CN109934111B (zh) | 一种基于关键点的健身姿态估计方法及系统 | |
CN104598867B (zh) | 一种人体动作自动评估方法及舞蹈评分系统 | |
CN110459301B (zh) | 基于热力图和面部关键点的脑部神经外科导航配准方法 | |
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 | |
Tsoli et al. | Model-based anthropometry: Predicting measurements from 3D human scans in multiple poses | |
CN112016497A (zh) | 基于人工智能的单视角太极拳动作分析及考核系统 | |
CN111931804A (zh) | 一种基于rgbd摄像机的人体动作自动评分方法 | |
CN108154503A (zh) | 一种基于图像处理的白癜风病情诊断系统 | |
CN106952335A (zh) | 建立人体模型库的方法及其系统 | |
CN111985579A (zh) | 基于相机协同和三维骨骼估计的双人跳水同步性分析方法 | |
US11771327B2 (en) | System and method for human motion detection and tracking | |
Kaashki et al. | Deep learning-based automated extraction of anthropometric measurements from a single 3-D scan | |
Bullas et al. | Validity and repeatability of a depth camera-based surface imaging system for thigh volume measurement | |
Seo et al. | SVM-based waist circumference estimation using Kinect | |
CN110477921B (zh) | 基于骨架折线Ridge回归的身高测量方法 | |
CN110151186A (zh) | 一种基于网络化智能终端的人体测量方法 | |
CN110507285A (zh) | 一种皮肤病患者用的护理装置 | |
CN115690045A (zh) | 基于曲面断层片的牙周炎治疗前后骨增量定量评估方法 | |
CN112331345A (zh) | 一种基于直接评测模型的奶牛体脂率检测方法 | |
CN101311969B (zh) | 一种中华虚拟人台及其建立方法 | |
Liu et al. | New anti-blur and illumination-robust combined invariant for stereo vision in human belly reconstruction | |
Zhang et al. | Motion damage attitude acquisition based on three-dimensional image analysis | |
Velesaca et al. | Deep learning-based human height estimation from a stereo vision system | |
CN117649494B (zh) | 一种基于点云像素匹配的三维舌体的重建方法及系统 |
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 |