CN112733804A - 人体参数测量的摄像装置 - Google Patents
人体参数测量的摄像装置 Download PDFInfo
- Publication number
- CN112733804A CN112733804A CN202110123226.0A CN202110123226A CN112733804A CN 112733804 A CN112733804 A CN 112733804A CN 202110123226 A CN202110123226 A CN 202110123226A CN 112733804 A CN112733804 A CN 112733804A
- Authority
- CN
- China
- Prior art keywords
- machine learning
- learning model
- human body
- image
- user
- 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
- 238000012545 processing Methods 0.000 claims abstract description 61
- 238000001514 detection method Methods 0.000 claims abstract description 15
- 238000005259 measurement Methods 0.000 claims abstract description 15
- 238000010801 machine learning Methods 0.000 claims description 143
- 239000000463 material Substances 0.000 claims description 79
- 230000011218 segmentation Effects 0.000 claims description 23
- 238000000034 method Methods 0.000 claims description 20
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000003384 imaging method Methods 0.000 claims 2
- 238000012549 training Methods 0.000 description 16
- 238000009826 distribution Methods 0.000 description 12
- 230000000694 effects Effects 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
Abstract
一种用于人体参数测量的摄像装置,包括两个正交的摄像头、语音提示模块、处理单元,两个摄像头的交会区域为用户拍照区域,检测用户拍照区域中是否存在人体,语音提示模块发出提示用户面对其中的一个摄像头,两个摄像头分别获取用户的人体影像,处理单元用于分析获取用户的人体影像,将识别出人脸且置信度高的摄像头影像设置为正面影像,另一影像设置为侧面影像,通过上述方案我们能够实现用户根据提示信息,获取用户拍照区域中的照片直到得到图片处理结果的流程,用户能够方便地进行影响采集,提升了用户体验。
Description
技术领域
本发明涉及及一种基于机器学习的人体参数测量的摄像装置。
背景技术
随着智能手机、平板电脑等智能终端的普及,基于智能终端拍摄图像、视频进行人体身高测量、物体尺寸测量相关的技术不断发展。例如(申请号:CN 201910450077.1)、一种基于机器学习的人体三维尺寸预测方法。提出拍摄人体正面、侧面图像来输入机器学习模型来预测三维尺寸。然而,上述基于机器学习的人体三维尺寸预测方法,只能直接对正面、侧面图像进行输入。无法通过机器学习获得更为准确的数值。
发明内容
为此,需要提供一种能够更好地识别人体三维数据参数的方法,以解决在现有技术中对于人体测量参数识别不够准确的问题;
为实现上述目的,发明人提供了一种用于人体参数测量的摄像装置,包括两个正交的摄像头、语音提示模块、处理单元,两个摄像头的交会区域为用户拍照区域,检测用户拍照区域中是否存在人体,语音提示模块发出提示用户面对其中的一个摄像头,两个摄像头分别获取用户的人体影像,处理单元用于分析获取用户的人体影像,将识别出人脸且置信度高的摄像头影像设置为正面影像,另一影像设置为侧面影像,处理单元还进行如下步骤,检测用户照片是否为正面图片,若否,则提示用户重新拍照,发出用户进行侧面照片拍照的提示,检测用户照片是否为侧面图片,若否,则提示用户重新拍照。
具体地,检测用户照片是否为正面图片的方法,具体包括:
使用face++人脸检测和人脸关键点接口处理,检测正面照片的headpose字段下的yaw_angle字段绝对值是否小于20,
检测用户照片是否为侧面图片的方法,具体包括:
使用face++人脸检测和人脸关键点接口处理,检测侧面照片的headpose字段下的yaw_angle字段绝对值是否大于150。
具体地,所述处理单元用于将输入第一机器学习模型得到第一处理结果,将第一处理结果输入第二机器学习模型得到第二机器学习模型对甲的人体参数的输出结果,所述第一机器学习模型通过如下步骤进行训练:获取第一素材,所述第一素材包括人体图像及对人的身体的分割网格;第一素材中的人体图像为第一机器学习模型的输入,还包括第一素材中对人的身体的分割网格作为第一机器学习模型的输出;所述第二机器学习模型通过如下步骤进行训练:获取第二素材,所述第二素材包括第二图像,所属第二图像为同属一个人体的正面、侧面站立图像;第二素材还包括第二图像所属人体的身高及其他身体参数;对第二图像输入第一机器学习模型进行处理,得到第一机器学习模型对第二图像的输出结果;对该输出结果附加第二图像所属人体的身高信息,作为第二机器学习模型的输入信息,将第二图像所属人体的其他身体参数作为第二机器学习模型的输出信息。
进一步地,所述第一素材还包括针对分割网格中各人体部件的若干控制点,所述第一机器学习模型的输出包括针对分割网格中各人体部件的若干控制点。
进一步地,所述第一机器学习模型用第一素材库进行训练,所述第一素材库包括200组以上的第一素材。
具体地,所述第二机器学习模型用第二素材库进行训练,所述第二素材库包括50组以上的第二素材。
具体地,所述第一机器学习模型为深度神经网络。
具体地,所述第二机器学习模型为LightGBM。
通过上述方案我们能够实现用户根据提示信息,获取用户拍照区域中的照片直到得到图片处理结果的流程,用户能够方便地进行影响采集,提升了用户体验。
附图说明
图1为本发明具体实施方式所述的人体测量方法流程图;
图2为本发明具体实施方式所述的人体参数测量装置示意图;
图3为本发明具体实施方式所述的人体参数测量的摄像装置示意图。
具体实施方式
为详细说明技术方案的技术内容、构造特征、所实现目的及效果,以下结合具体实施例并配合附图详予说明。
请参阅图1,一种人体测量方法,包括如下步骤,获取第一素材,所述第一素材包括人体图像及对人的身体的分割网格;S100设置第一机器学习模型,所述第一机器学习模型的输入为第一素材中的人体图像,输出包括第一素材中对人体人的身体的分割网格,训练第一机器学习模型;第一素材的人体图像并不限于针对人体的正面或侧面角度,可以包括任意角度的人体图像。通过多角度的人体图像进行训练,能够使得第一机器学习模型对于人体图像的分割结果更为细致、智能。其中获取第一素材前还可以包括步骤,人工进行对第一素材中的人体图像进行预处理,对第一素材中的人体图像中的人的身体画出分割网格。所述分割网格为针对人的身体部件区域的分割而画的分割处理网格。通过上述步骤,能够达到训练第一机器学习模型学习人体部件区分的技术效果。
然后进一步地,我们的人体测量方法还进行步骤,获取第二素材,所述第二素材包括第二图像,所属第二图像为同属一个人体的正面、侧面站立图像;第二素材还包括第二图像所属人体的身高及其他身体参数。这里的其他身体参数可以包括胸围、腰围、臀围、手长、手掌长、肩宽、脚长等所有身体的可测量的数据指标。S101对第二图像输入第一机器学习模型进行处理,得到第一机器学习模型对第二图像的输出结果。这里的第一机器学习模型对第二图像的输出结果是指已经训练好的第一机器学习模型,对第二图像处理后,根据上述的原理能够输出对第二图像中的不同人体部件的分割网格。S102对该第一机器学习模型对第二图像的输出结果附加第二图像所属人体的身高信息,作为第二机器学习模型的输入信息,将第二图像所属人体的其他身体参数作为第二机器学习模型的输出信息,训练第二机器学习模型。这样在训练好之后,第二机器学习模型就能够通过接收第二图像及其中的分割网格信息,以及身高信息,对第二图像所属的人体的其他身体参数进行学习估计。具体的实施例中,在应用测量阶段,获取甲的正面、侧面站立图像,S103将甲的正面、侧面站立图像输入第一机器学习模型得到第一处理结果,这里的第一处理结果包括对甲的正面、侧面站立图像中甲的人体部件进行区块分割结果,然后S104将第一处理结果单独输入第二机器学习模型或第一处理结果以及甲的身高一同输入第二机器学习模型得到第二机器学习模型对甲的人体参数的输出结果。这里甲的人体参数可以包括甲的胸围、腰围、臀围、手长、手掌长、肩宽、脚长等参数,通过上述步骤,本发明方案达到了“测量”人体参数的技术效果。
在其他一些进一步的实施例中,所述第一素材还包括针对分割网格中各人体部件的若干控制点,这些控制点也可以在素材标注的步骤中完成,即人工进行对第一素材中的人体图像进行预处理的时候,也进行人工对第一素材中的人体图像进行控制点的标注,这里进行标注控制点主要是为了增加信息量,所述第一机器学习模型的输出包括针对分割网格中各人体部件的若干控制点。通过增加控制点作为输出来进行训练也能够使得第一机器学习模型的训练更为快速稳定。这里的控制点的标注方式可以是图像中人体的关节节点,通过增加控制点标注信息能够为第一机器学习模型提供更多数据量。选择关节节点作为控制点也能够使第一机器学习模型的分类更加科学。
单组第一素材、第二素材训练第一机器学习模型、第二机器学习模型虽然可行,但输出结果不够稳定,没有实操上的意义。我们需要提供为第一素材库训练第一机器学习模型,用第二素材库训练第二机器学习模型。第一素材库中的第一素材均经过人工标注的预处理步骤,且至少包括20组第一素材,第二素材库至少要包括10组以上的素材。在一些具体的实施例中,为了达到更好的训练效果,即第一机器学习模型和第二机器学习模型的输出收敛或输出结果的置信度达标,优选使用包括200组以上的第一素材的第一素材库训练第一机器学习模型,用包括50组以上的第二素材的第二素材库训练第二机器学习模型。
在其他一些具体的实施例中,所述第一机器学习模型为深度神经网络的架构。所述第二机器学习模型为LightGBM架构。通过上述设置能够使得测量参数的结果更加地准确。
在进行上述步骤之后,为了能够进一步地提升方案对不同身高的拟合程度。在执行步骤“对该输出结果附加第二图像所属人体的身高信息”后,对身高数值进行扩展处理,具体包括:
将第一机器学习模型对第二图像的输出结果取平均值K;
设置一个具有若干个子分布的高斯混合模型G,
利用第二素材中各人体的身高参数对G进行训练,通过上述方案能够用以更好地适应人群中可能会出现的身高分布的峰值情况,在我们的技术方案中,具体进行步骤:设置一个具有2个子分布的高斯混合模型G,
利用第二素材中各人体的身高参数对G进行训练。将第二素材中各人体的身高参数通过G计算,每个人得到两个子分布概率P、Q,这是为了适应人群中身高数值可能出现的两个峰值的情况,两个峰值分别是由于性别差异而造成的。将第二机器学习模型的输入信息中的身高数值维度扩展成两个维度,分别赋值P*K,Q*K,不保留原始身高数值维度,训练第二机器学习模型;
在测量阶段,将第一处理结果附加甲的身高数据通过G计算得到两个子概率值乘以K的值,输入第二机器学习模型得到第二机器学习模型对甲的人体参数的输出结果。通过上述方案,能够使得第二机器学习模型在处理身体测量参数时更具有明显的优势。当考虑到可能存在的人种、国籍等更多类型的影响群体身高的差异因素时,设立采用具有4个子分布、6个子分布、8个子分布的技术方案都是可行的。
具体其他一些实施例中,在执行步骤“对该输出结果附加第二图像所属人体的身高信息”后,对身高数值进行扩展处理,具体包括:
设人体身高为H,计算得到P和Q后,比较P和Q的大小,如果P大于Q,将如下数值增加到第二机器学习模型的输入信息中:H*0.515、H*0.345、H*0.542;如果P不大于Q,将如下数值增加到第二机器学习模型的输入信息中:H*0.612、H*0.421、H*0.643;假定PQ分别是身高轴上相对数值较高和较低的两峰,则将对应性别的三围数组作为输入信息的两个维度增加到输入信息中,从而能够使得第二机器学习模型在训练完成后产生的输出结果更为稳定。在这一实施例中,不再将第二机器学习模型的输入信息中的身高数值维度扩展成两个维度,不再分别赋值P*K,Q*K,从而保留原始身高数值维度。
具体地,在执行步骤“对该输出结果附加第二图像所属人体的身高信息”后,对身高数值进行扩展处理,具体包括:
将如下数值增加到第二机器学习模型的输入信息中:
(0.515*P+0.612*Q)/(P+Q),
(0.345*P+0.6421*Q)/(P+Q),
(0.542*P+0.643*Q)/(P+Q),
这是通过将人群常态身高分布于不同人群三围分布关系考虑后结合得出的技术方案,在本实施例中,不需要再将第二机器学习模型的输入信息中的身高数值维度扩展成两个维度,不再分别赋值P*K,Q*K,而保留原始身高数值维度。通过上述方案,也能够使得第二机器学习模型在训练完成后产生的输出结果更为稳定。
其他一些实施例中,考虑摄录影像中人体存在衣着的问题,为了进一步提升识别度,在具体的实施例中,我们的方法还包括步骤,对人的身体的分割网格进行肤色检测,对人的身体的分割网格中肤色区域与非肤色区域的交界线进行直线回归,得到交界直线。获取交界直线的肤色区域侧预设距离处的肤色区域的宽度,获取交界直线非肤色区域侧预设距离处非肤色区域的宽度,在这里的预设距离的长度选择正比于交界直线中交界线段的长度,例如:
预设距离=交界线段长度*0.2
若非肤色区域宽度大于肤色区域的宽度,说明需要排除衣着的干扰,则进行步骤:在非肤色区域的边缘向内生成距离非肤色区域边缘为S的参考曲线,其中,
S=非肤色区域宽度-肤色区域的宽度。
生成的参考曲线可以用于显示,也可以用于作为第二素材输入进第二机器学习模型,从而提高第二机器学习模型对于人物衣着的识别能力。
本方案还设计了一种人体测量系统,包括第一机器学习模型、第二机器学习模型,所述第一机器学习模型通过如下步骤进行训练:获取第一素材,所述第一素材包括人体图像及对人的身体的分割网格;第一素材中的人体图像为第一机器学习模型的输入,还包括第一素材中对人体人的身体的分割网格作为第一机器学习模型的输出。所述第二机器学习模型通过如下步骤进行训练:获取第二素材,所述第二素材包括第二图像,所属第二图像为同属一个人体的正面、侧面站立图像;第二素材还包括第二图像所属人体的身高及其他身体参数;对第二图像输入第一机器学习模型进行处理,得到第一机器学习模型对第二图像的输出结果;对该输出结果附加第二图像所属人体的身高信息,作为第二机器学习模型的输入信息,将第二图像所属人体的其他身体参数作为第二机器学习模型的输出信息。所述系统还用于在测量阶段,获取甲的正面、侧面站立图像,将甲的正面、侧面站立图像输入第一机器学习模型得到第一处理结果,将第一处理结果输入第二机器学习模型得到第二机器学习模型对甲的人体参数的输出结果。通过上述系统,在正式应用的阶段,只要对系统中输入人体的正面、侧面像,就能够得到人体测量参数的输出,因此本发明方案达到了“测量”人体参数的技术效果。
具体地,所述第一素材还包括针对分割网格中各人体部件的若干控制点,所述第一机器学习模型的输出包括针对分割网格中各人体部件的若干控制点。
具体地,所述第一机器学习模型用第一素材库进行训练,所述第一素材库包括200组以上的第一素材。
具体地,所述第二机器学习模型用第二素材库进行训练,所述第二素材库包括50组以上的第二素材。
优选地,所述第一机器学习模型为深度神经网络。
优选地,所述第二机器学习模型为LightGBM。
为了能够进一步地提升方案对不同身高的拟合程度,本人体测量系统在“对该输出结果附加第二图像所属人体的身高信息”后,对身高数值进行扩展处理,具体包括:
将第一机器学习模型对第二图像的输出结果取平均值K;
设置一个具有若干个子分布的高斯混合模型G,
利用第二素材中各人体的身高参数对G进行训练,通过上述方案能够用以更好地适应人群中可能会出现的身高分布的峰值情况,在我们的技术方案中,具体进行步骤:设置一个具有2个子分布的高斯混合模型G,
利用第二素材中各人体的身高参数对G进行训练。将第二素材中各人体的身高参数通过G计算,每个人得到两个子分布概率P、Q,这是为了适应人群中身高数值可能出现的两个峰值的情况,两个峰值分别是由于性别差异而造成的。将第二机器学习模型的输入信息中的身高数值维度扩展成两个维度,分别赋值P*K,Q*K,不保留原始身高数值维度,训练第二机器学习模型;
在测量阶段,将第一处理结果附加甲的身高数据通过G计算得到两个子概率值乘以K的值,输入第二机器学习模型得到第二机器学习模型对甲的人体参数的输出结果。通过上述方案,能够使得第二机器学习模型在处理身体测量参数时更具有明显的优势。当考虑到可能存在的人种、国籍等更多类型的影响群体身高的差异因素时,设立采用具有4个子分布、6个子分布、8个子分布的技术方案都是可行的。
具体其他一些实施例中,本人体测量系统在“对该输出结果附加第二图像所属人体的身高信息”后,对身高数值进行扩展处理,具体包括:
设人体身高为H,计算得到P和Q后,比较P和Q的大小,如果P大于Q,将如下数值增加到第二机器学习模型的输入信息中:H*0.515、H*0.345、H*0.542;如果P不大于Q,将如下数值增加到第二机器学习模型的输入信息中:H*0.612、H*0.421、H*0.643;假定PQ分别是身高轴上相对数值较高和较低的两峰,则将对应性别的三围数组作为输入信息的两个维度增加到输入信息中,从而能够使得第二机器学习模型在训练完成后产生的输出结果更为稳定。在这一实施例中,不再将第二机器学习模型的输入信息中的身高数值维度扩展成两个维度,不再分别赋值P*K,Q*K,从而保留原始身高数值维度。
具体地,本人体测量系统在“对该输出结果附加第二图像所属人体的身高信息”后,对身高数值进行扩展处理,具体包括:
将如下数值增加到第二机器学习模型的输入信息中:
(0.515*P+0.612*Q)/(P+Q),
(0.345*P+0.6421*Q)/(P+Q),
(0.542*P+0.643*Q)/(P+Q),
这是通过将人群常态身高分布于不同人群三围分布关系考虑后结合得出的技术方案,在本实施例中,不需要再将第二机器学习模型的输入信息中的身高数值维度扩展成两个维度,不再分别赋值P*K,Q*K,而保留原始身高数值维度。通过上述方案,也能够使得第二机器学习模型在训练完成后产生的输出结果更为稳定。
其他一些实施例中,考虑摄录影像中人体存在衣着的问题,为了进一步提升识别度,在具体的实施例中,人体测量系统还用于执行步骤,对人的身体的分割网格进行肤色检测,对人的身体的分割网格中肤色区域与非肤色区域的交界线进行直线回归,得到交界直线。获取交界直线的肤色区域侧预设距离处的肤色区域的宽度,获取交界直线非肤色区域侧预设距离处非肤色区域的宽度,在这里的预设距离的长度选择正比于交界直线中交界线段的长度,例如:
预设距离=交界线段长度*0.2
若非肤色区域宽度大于肤色区域的宽度,说明需要排除衣着的干扰,则进行步骤:在非肤色区域的边缘向内生成距离非肤色区域边缘为S的参考曲线,其中,
S=非肤色区域宽度-肤色区域的宽度。
生成的参考曲线可以用于显示,也可以用于作为第二素材输入进第二机器学习模型,从而提高第二机器学习模型对于人物衣着的识别能力。
在另一些具体的实施例中,这里请看图2,我们还提供一种人体参数测量装置。可以是搭载智能系统并具备拍摄功能的手持式设备等,其包括提示模块200、图片检测模块202、处理单元204,所述提示模块用于发出用户进行正面照片拍照的提示,获取用户拍摄的照片,图片检测模块检测用户照片是否为正面图片,若否,则提示模块提示用户重新拍照;提示模块发出用户进行侧面照片拍照的提示,获取用户拍摄的照片,图片检测模块检测用户照片是否为侧面图片,若否,则提示模块提示用户重新拍照。
所述处理单元用于将输入第一机器学习模型得到第一处理结果,将第一处理结果输入第二机器学习模型得到第二机器学习模型对甲的人体参数的输出结果,所述第一机器学习模型通过如下步骤进行训练:获取第一素材,所述第一素材包括人体图像及对人的身体的分割网格;第一素材中的人体图像为第一机器学习模型的输入,还包括第一素材中对人的身体的分割网格作为第一机器学习模型的输出;所述第二机器学习模型通过如下步骤进行训练:获取第二素材,所述第二素材包括第二图像,所属第二图像为同属一个人体的正面、侧面站立图像;第二素材还包括第二图像所属人体的身高及其他身体参数;对第二图像输入第一机器学习模型进行处理,得到第一机器学习模型对第二图像的输出结果;对该输出结果附加第二图像所属人体的身高信息,作为第二机器学习模型的输入信息,将第二图像所属人体的其他身体参数作为第二机器学习模型的输出信息。这里的第一机器学习模型可以集成在本装置内,也可以设置在云端,处理单元只需要将其输入到机器学习模型中进行处理即可。
在我们的技术方案中,检测用户照片是否为正面图片的方法,具体包括:
使用face++人脸检测和人脸关键点接口处理,检测正面照片的headpose字段下的yaw_angle字段绝对值是否小于20;检测用户照片是否为侧面图片的方法,具体包括:使用face++人脸检测和人脸关键点接口处理,检测侧面照片的headpose字段下的yaw_angle字段绝对值是否大于150。使用face++人脸检测接口的方式可以自主选择,正脸与侧脸的判断也可以根据置信度的需要,适当调整yaw_angle字段绝对值的判断标准为正脸:是否小于30或是否小于15,调整yaw_angle字段绝对值的判断标准为侧脸:是否大于160或是否大于140等等。通过上述方案我们实现了用户交互获取照片直到得到图片处理结果的服务,提升了用户体验。
另一些如图3所示的实施例中,我们将介绍一种用于人体参数测量的摄像装置,其特征在于,包括两个正交的摄像头300、语音提示模块302、处理单元304,两个摄像头的交会区域为用户拍照区域,处理单元304检测用户拍照区域中是否存在人体,语音提示模块发出提示用户面对其中的一个摄像头,两个摄像头分别获取用户的人体影像,处理单元用于分析获取用户的人体影像,将识别出人脸且置信度高的摄像头影像设置为正面影像,另一影像设置为侧面影像,处理单元还进行如下步骤,检测用户照片是否为正面图片,若否,则提示用户重新拍照,发出用户进行侧面照片拍照的提示,检测用户照片是否为侧面图片,若否,则提示用户重新拍照。本例中的摄像装置与前述智能设备的主要区别是需要设置两组正交的摄像头,并能够智能识别是否存在人体以及人体正对的摄像头能够被自动识别为正面图片以及侧面图片,便于后续处理。
后续处理同样包括:所述处理单元将输入第一机器学习模型得到第一处理结果,将第一处理结果输入第二机器学习模型得到第二机器学习模型对甲的人体参数的输出结果,所述第一机器学习模型通过如下步骤进行训练:获取第一素材,所述第一素材包括人体图像及对人的身体的分割网格;第一素材中的人体图像为第一机器学习模型的输入,还包括第一素材中对人的身体的分割网格作为第一机器学习模型的输出;所述第二机器学习模型通过如下步骤进行训练:获取第二素材,所述第二素材包括第二图像,所属第二图像为同属一个人体的正面、侧面站立图像;第二素材还包括第二图像所属人体的身高及其他身体参数;对第二图像输入第一机器学习模型进行处理,得到第一机器学习模型对第二图像的输出结果;对该输出结果附加第二图像所属人体的身高信息,作为第二机器学习模型的输入信息,将第二图像所属人体的其他身体参数作为第二机器学习模型的输出信息。通过上述方案我们同样能够实现用户交互获取照片直到得到图片处理结果的服务,提升了用户体验。
具体的实施例中,检测用户照片是否为正面图片的方法,包括:
使用face++人脸检测和人脸关键点接口处理,检测正面照片的headpose字段下的yaw_angle字段绝对值是否小于20,
检测用户照片是否为侧面图片的方法,具体包括:
使用face++人脸检测和人脸关键点接口处理,检测侧面照片的headpose字段下的yaw_angle字段绝对值是否大于150。
需要说明的是,尽管在本文中已经对上述各实施例进行了描述,但并非因此限制本发明的专利保护范围。因此,基于本发明的创新理念,对本文所述实施例进行的变更和修改,或利用本发明说明书及附图内容所作的等效结构或等效流程变换,直接或间接地将以上技术方案运用在其他相关的技术领域,均包括在本发明的专利保护范围之内。
Claims (8)
1.一种人体参数测量的摄像装置,其特征在于,包括两个正交的摄像头、语音提示模块、处理单元,两个摄像头的交会区域为用户拍照区域,检测用户拍照区域中是否存在人体,语音提示模块发出提示用户面对其中的一个摄像头,两个摄像头分别获取用户的人体影像,处理单元用于分析获取用户的人体影像,将识别出人脸且置信度高的摄像头影像设置为正面影像,另一影像设置为侧面影像,处理单元还进行如下步骤,检测用户照片是否为正面图片,若否,则提示用户重新拍照,发出用户进行侧面照片拍照的提示,检测用户照片是否为侧面图片,若否,则提示用户重新拍照。
2.根据权利要求1所述的人体参数测量的摄像装置,其特征在于,检测用户照片是否为正面图片的方法,具体包括:
使用face++人脸检测和人脸关键点接口处理,检测正面照片的headpose字段下的yaw_angle字段绝对值是否小于20,
检测用户照片是否为侧面图片的方法,具体包括:
使用face++人脸检测和人脸关键点接口处理,检测侧面照片的headpose字段下的yaw_angle字段绝对值是否大于150。
3.根据权利要求1所述的人体参数测量的摄像装置,其特征在于,所述处理单元用于将输入第一机器学习模型得到第一处理结果,将第一处理结果输入第二机器学习模型得到第二机器学习模型对甲的人体参数的输出结果,所述第一机器学习模型通过如下步骤进行训练:获取第一素材,所述第一素材包括人体图像及对人的身体的分割网格;第一素材中的人体图像为第一机器学习模型的输入,还包括第一素材中对人的身体的分割网格作为第一机器学习模型的输出;所述第二机器学习模型通过如下步骤进行训练:获取第二素材,所述第二素材包括第二图像,所属第二图像为同属一个人体的正面、侧面站立图像;第二素材还包括第二图像所属人体的身高及其他身体参数;对第二图像输入第一机器学习模型进行处理,得到第一机器学习模型对第二图像的输出结果;对该输出结果附加第二图像所属人体的身高信息,作为第二机器学习模型的输入信息,将第二图像所属人体的其他身体参数作为第二机器学习模型的输出信息。
4.根据权利要求3所述的人体参数测量的摄像装置,其特征在于,所述第一素材还包括针对分割网格中各人体部件的若干控制点,所述第一机器学习模型的输出包括针对分割网格中各人体部件的若干控制点。
5.根据权利要求3所述的人体参数测量的摄像装置,其特征在于,所述第一机器学习模型用第一素材库进行训练,所述第一素材库包括200组以上的第一素材。
6.根据权利要求3所述的人体参数测量的摄像装置,其特征在于,所述第二机器学习模型用第二素材库进行训练,所述第二素材库包括50组以上的第二素材。
7.根据权利要求3所述的人体参数测量的摄像装置,其特征在于,所述第一机器学习模型为深度神经网络。
8.根据权利要求3所述的人体参数测量的摄像装置,其特征在于,所述第二机器学习模型为LightGBM。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110123226.0A CN112733804B (zh) | 2021-01-29 | 2021-01-29 | 人体参数测量的摄像装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110123226.0A CN112733804B (zh) | 2021-01-29 | 2021-01-29 | 人体参数测量的摄像装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112733804A true CN112733804A (zh) | 2021-04-30 |
CN112733804B CN112733804B (zh) | 2024-01-19 |
Family
ID=75594660
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110123226.0A Active CN112733804B (zh) | 2021-01-29 | 2021-01-29 | 人体参数测量的摄像装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112733804B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101322589A (zh) * | 2008-07-16 | 2008-12-17 | 苏州大学 | 用于服装设计的非接触式人体测量方法 |
CN101571917A (zh) * | 2009-06-16 | 2009-11-04 | 哈尔滨工程大学 | 基于视频的正面步态周期检测方法 |
CN101720992A (zh) * | 2009-11-13 | 2010-06-09 | 东华大学 | 一种采用单照像机的三维人体测量方法 |
CN102034097A (zh) * | 2010-12-21 | 2011-04-27 | 中国科学院半导体研究所 | 综合利用正面与侧面图像的人脸识别的方法 |
CN104794439A (zh) * | 2015-04-10 | 2015-07-22 | 上海交通大学 | 基于多相机的准正面人脸图像实时优选方法及系统 |
CN107635095A (zh) * | 2017-09-20 | 2018-01-26 | 广东欧珀移动通信有限公司 | 拍摄照片的方法、装置、存储介质及拍摄设备 |
CN108737714A (zh) * | 2018-03-21 | 2018-11-02 | 北京猎户星空科技有限公司 | 一种拍照方法及装置 |
CN110074788A (zh) * | 2019-04-18 | 2019-08-02 | 梦多科技有限公司 | 一种基于机器学习的身体数据获取方法和装置 |
CN110135443A (zh) * | 2019-05-28 | 2019-08-16 | 北京智形天下科技有限责任公司 | 一种基于机器学习的人体三维尺寸预测方法 |
CN111027374A (zh) * | 2019-10-28 | 2020-04-17 | 华为终端有限公司 | 一种图像识别方法及电子设备 |
CN111967422A (zh) * | 2020-08-27 | 2020-11-20 | 福建医联康护信息技术有限公司 | 自助式人脸识别服务方法 |
-
2021
- 2021-01-29 CN CN202110123226.0A patent/CN112733804B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101322589A (zh) * | 2008-07-16 | 2008-12-17 | 苏州大学 | 用于服装设计的非接触式人体测量方法 |
CN101571917A (zh) * | 2009-06-16 | 2009-11-04 | 哈尔滨工程大学 | 基于视频的正面步态周期检测方法 |
CN101720992A (zh) * | 2009-11-13 | 2010-06-09 | 东华大学 | 一种采用单照像机的三维人体测量方法 |
CN102034097A (zh) * | 2010-12-21 | 2011-04-27 | 中国科学院半导体研究所 | 综合利用正面与侧面图像的人脸识别的方法 |
CN104794439A (zh) * | 2015-04-10 | 2015-07-22 | 上海交通大学 | 基于多相机的准正面人脸图像实时优选方法及系统 |
CN107635095A (zh) * | 2017-09-20 | 2018-01-26 | 广东欧珀移动通信有限公司 | 拍摄照片的方法、装置、存储介质及拍摄设备 |
CN108737714A (zh) * | 2018-03-21 | 2018-11-02 | 北京猎户星空科技有限公司 | 一种拍照方法及装置 |
CN110074788A (zh) * | 2019-04-18 | 2019-08-02 | 梦多科技有限公司 | 一种基于机器学习的身体数据获取方法和装置 |
CN110135443A (zh) * | 2019-05-28 | 2019-08-16 | 北京智形天下科技有限责任公司 | 一种基于机器学习的人体三维尺寸预测方法 |
CN111027374A (zh) * | 2019-10-28 | 2020-04-17 | 华为终端有限公司 | 一种图像识别方法及电子设备 |
CN111967422A (zh) * | 2020-08-27 | 2020-11-20 | 福建医联康护信息技术有限公司 | 自助式人脸识别服务方法 |
Non-Patent Citations (1)
Title |
---|
EASYHOOD: "Face++头部姿势headpose参数解析", pages 1 - 5, Retrieved from the Internet <URL:https://blog.csdn.net/Easyhood/article/details/88382404> * |
Also Published As
Publication number | Publication date |
---|---|
CN112733804B (zh) | 2024-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9818023B2 (en) | Enhanced face detection using depth information | |
CN105335722B (zh) | 一种基于深度图像信息的检测系统及方法 | |
CN106548182B (zh) | 基于深度学习和主成因分析的路面裂纹检测方法及装置 | |
CN108345818B (zh) | 一种人脸活体检测方法及装置 | |
CN101271514B (zh) | 一种快速目标检测和目标输出的图像检测方法及装置 | |
JP2011521355A (ja) | 勾配ヒストグラムを用いた指紋表現 | |
US11062126B1 (en) | Human face detection method | |
CN101840578B (zh) | 摄像装置及其动态侦测方法 | |
CN104732200A (zh) | 一种皮肤类型和皮肤问题的识别方法 | |
KR102199094B1 (ko) | 관심객체 검출을 위한 관심영역 학습장치 및 방법 | |
CN109766838B (zh) | 一种基于卷积神经网络的步态周期检测方法 | |
CN110532746B (zh) | 人脸校验方法、装置、服务器及可读存储介质 | |
CN104517095A (zh) | 一种基于深度图像的人头分割方法 | |
CN112580434B (zh) | 一种基于深度相机的人脸误检优化方法、系统及人脸检测设备 | |
CN101383005A (zh) | 一种利用辅助规则纹理的乘客目标图像和背景分离方法 | |
CN101320477B (zh) | 一种人体跟踪方法及其设备 | |
CN109087240B (zh) | 图像处理方法、图像处理装置及存储介质 | |
CN112733804A (zh) | 人体参数测量的摄像装置 | |
CN112819881B (zh) | 人体测量方法 | |
CN115619842A (zh) | 人体参数测量装置 | |
CN115620335A (zh) | 人体测量系统 | |
KR100951315B1 (ko) | Aam을 이용한 얼굴검출 방법 및 장치 | |
Shrivastava et al. | Human activity recognition by analysis of skeleton joint position in internet of things (IOT) environment | |
Amjed et al. | A robust geometric skin colour face detection method under unconstrained environment of smartphone database | |
CN113343948A (zh) | 一种满意度分析方法、系统及其计算机存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |