CN113240603A - 基于点云数据的三维人体测量系统和测量方法 - Google Patents
基于点云数据的三维人体测量系统和测量方法 Download PDFInfo
- Publication number
- CN113240603A CN113240603A CN202110541549.1A CN202110541549A CN113240603A CN 113240603 A CN113240603 A CN 113240603A CN 202110541549 A CN202110541549 A CN 202110541549A CN 113240603 A CN113240603 A CN 113240603A
- Authority
- CN
- China
- Prior art keywords
- human body
- point
- point cloud
- data
- cloud 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
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000005070 sampling Methods 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 11
- 230000000007 visual effect Effects 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 5
- 238000000691 measurement method Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 abstract description 6
- 230000000694 effects Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 239000003814 drug Substances 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- -1 iterating Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/344—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving models
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了基于点云数据的三维人体测量系统,包括圆形的测量台和设置在机械臂上的深度相机,深度相机的外侧设有高度传感器;机械臂的末端设有环形座,环形座与测量台滑动配合;环形座在电机的驱动下旋转,测量台的控制器控制环形座的旋转角度;机械臂关节的驱动单元与测量台的控制器电性连接。所述三维人体测量系统还包括计算机和计算机上运行的数据采集模块、数据处理模块、配准模块、曲面重建模块、计算及显示模块。本发明还公开了相应的测量方法。本发明可测量得到精确的三维人体模型和身体各部位尺寸数据,测量准确性好,成本低;本发明的测量方法抗噪效果好,便于计算机执行,易于实施。
Description
技术领域
本发明属于智能测量领域,具体涉及一种三维人体测量系统和测量方法。
背景技术
人体三维测量系统广泛应用于服装、动画、人机工程以及医学等领域。随着计算机三维重建技术的日益成熟,很多传统行业如健身行业、服装行业都期望可以更加智能、快速的获得人体的三维模型数据。现如今,机械臂技术已相当成熟,因其独特的操作灵活性,已在工业装配,安全防爆等领域得到广泛应用。目前获取三维模型的系统体积较大,价格昂贵,传统人体建模过程通常还需要粘贴标志点,过程繁琐、复杂。公开号为CN 209297361U的中国专利“基于三维重建技术的人体快速建模设备”虽利用相机旋转获取多视角,但获取视角范围有限,致使人体模型不够精确,且结构复杂、笨重,占地面积较大,不易移动。公开号为CN 110047131 A的中国专利“一种人体三维重建的点云融合方法”,人体旋转具有危险性,且仅采集了人体上半部分和下半部分,会出现无法完美融合的情况,影响最终三维重建效果。
发明内容
本发明的目的是针对上述问题,提供一种基于点云数据的三维人体测量系统和测量方法,利用可围绕人体旋转的机械臂上的深度相机,从不同视角拍摄人体的图像,获得人体的点云数据,并进行去噪和配准后,得到初始三维人体模型,并对初始三维人体模型的表面进行曲面重建,得到高精度的三维人体模型,并根据人体骨架和人体曲线,得到准确的人体尺寸数据。
本发明的技术方案是基于点云数据的三维人体测量系统,包括圆形的测量台和设置在机械臂上的深度相机,深度相机的外侧设有高度传感器,高度传感器与测量台的控制器电性连接;机械臂的末端设有环形座,环形座与测量台滑动配合;环形座在电机的驱动下旋转,测量台的控制器控制环形座的旋转角度;机械臂关节的驱动单元与测量台的控制器电性连接;在机械臂配合下,深度相机从多个视角对测量台上的人体进行拍摄,采集人体多个视角的图像,获得人体点云数据。深度相机的外侧设有高度传感器,高度传感器与测量台的控制器电性连接。
所述三维人体测量系统还包括计算机和计算机上运行的数据采集模块、数据处理模块、配准模块、曲面重建模块、计算及显示模块。数据采集模块,获取深度相机从多个视角拍摄的人体的图像数据,将其转换为人体点云数据;数据处理模块,对人体点云数据进行预处理,预处理包括降采样、去噪;配准模块,对人体点云数据进行配准,获得初始三维人体模型;曲面重建模块,利用人体点云数据进行曲面重建,得到三维人体模型;计算及显示模块,利用三维人体模型中的骨架数据,计算得到人体尺寸数据,并向用户展示。
优选地,深度相机的镜头侧设有红外距离传感器,红外距离传感器与测量台的控制器电性连接。
上述的三维人体测量系统的测量方法,包括以下步骤:
步骤1:控制机械臂,利用深度相机从多个视角拍摄测量台上的人体的图像,将其转换得到人体点云数据;
步骤2:对人体点云数据进行预处理,预处理包括降采样、去噪;
步骤3:对人体点云数据进行初始配准后再对其进行精配准,获得初始三维人体模型;
步骤4:根据人体点云数据对初始三维人体模型进行曲面重建,得到三维人体模型;
步骤5:利用三维人体模型中的骨架数据,计算得到人体尺寸数据,并向用户展示。
步骤2还包括对人体点云数据进行滤波,具体包括:
1)指定维度和该维度的值域,去除该值域以外的所有点,即使用直通滤波器消除点云背景;
2)移除离群点;
3)指定体素体积大小,使用该体素的重心点代替该体素内的所有点,即进行降采样,减少点云数据集大小。
步骤3中,所述对人体点云数据进行初始配准,对同一旋转角度的点云集提取法向量,从查询点的近邻元素中创建协方差矩阵,分析协方差矩阵的特征矢量和特征值,协方差矩阵的计算式如下
式中C表示协方差矩阵,Pq表示查询点,k表示点Pi的邻近点的数目,表示查询点的最近邻元素的三维质心,λj表示协方差矩阵的第j个特征值,表示第j个特征向量;j表示协方差矩阵的第j个特征值或特征向量,j∈{0,1,2};
计算查询点和它的领域点的点特征直方图值,重新确认每个查询点的k邻域,使用近邻的点特征直方图值计算得到查询点的点特征直方图值的修正值,计算式如下:
式中R(Pq)表示查询点Pq的点特征直方图值的修正值,SPFH()表示点的点特征直方图值;wk表示查询点Pq与给定度量空间中的近邻点Pk之间的距离;
根据点特征直方图的欧式距离确定点对应关系,随机选择若干点对计算刚体变换矩阵并进行迭代,完成初始配准。
步骤3中,所述精配准,具体包括:
1)对人体点云数据进行采样,提取关键点;
2)计算所有关键点的特征描述子;
3)采用移动最小二乘法迭代计算最优的坐标变换,进行平滑处理,初步估计对应点对;
4)采用随机采样一致性算法去除错误对应点对;
5)利用剩余的点对计算刚体变换矩阵,完成精配准。
步骤4)中,所述去除错误对应点对,设初始配准后的点云集为样本,并从样本中随机抽选若干点,形成点云子集,使用最小方差估计计算子集模型参数,计算所有样本与该模型的偏差并与阈值比较,计算迭代结束评判因子;设定阈值ε=dk-dk-1和最大迭代次数Nmax,将刚体变换作用于源点云P′,得到新点云P″,计算P″和目标点云Q的距离误差,如果两次迭代的误差小于阈值ε或者当前迭代次数大于Nmax,则迭代结束,否则将初始配准的点集更新为P″和Q,继续重复上述步骤,直至满足收敛条件。
步骤5包括以下子步骤:
步骤5.1:计算得到三维人体模型中的骨架位置,并确定骨架的关键点;
步骤5.2:根据需要测量的身体部位,确定骨架相对应的关键点,以相应的骨架方向为法线方向作该关键点的切面,确定该平面与人体三维模型的相交线,以相交线的长度作为该身体部位的围度;
步骤5.3:重复步骤5.2,得到人体尺寸数据。
本发明的有益效果是提供了基于点云数据的三维人体测量系统,可测量得到精确的三维人体模型和身体各部位尺寸数据,测量准确性好,易操作,可靠性好,成本低,相比现有的三维点云扫描装置,体积更小,对人体影响小;本发明的测量方法抗噪效果好,便于计算机执行,易于实施,测量过程中始终保持人体不动,以免给人体造成不适。
附图说明
下面结合附图和实施例对本发明作进一步说明。
图1为本发明实施例的三维人体测量系统的结构示意图。
图2为本发明实施例的电路结构框图。
图3为本发明实施例的计算机模块的示意图。
图4为本发明实施例的深度相机的拍摄视点的俯视图。
图5为本发明实施例的深度相机的深度相机高度的示意图。
图6为本发明实施例的三维人体模型的示意图。
具体实施方式
如图1-3所示,基于点云数据的三维人体测量系统,包括圆形的测量台1和设置在机械臂3上的深度相机2,深度相机2的外侧设有高度传感器,高度传感器与测量台1的控制器电性连接;机械臂3的末端设有环形座301,环形座301与测量台1滑动配合;环形座301在电机的驱动下旋转,测量台1的控制器控制环形座的旋转角度;机械臂3关节的驱动单元与测量台1的控制器电性连接;在机械臂3配合下,深度相机2从多个视角对测量台1上的人体进行拍摄,采集人体多个视角的图像,获得人体点云数据。深度相机2的镜头侧设有红外距离传感器,红外距离传感器与测量台1的控制器电性连接。
如图3所示,三维人体测量系统还包括计算机4和计算机上运行的数据采集模块、数据处理模块、配准模块、曲面重建模块、计算及显示模块,数据采集模块,获取深度相机从多个视角拍摄的人体的图像数据,将其转换为人体点云数据;数据处理模块,对人体点云数据进行预处理,预处理包括降采样、去噪;配准模块,对人体点云数据进行配准,获得初始三维人体模型;曲面重建模块,利用人体点云数据进行曲面重建,得到三维人体模型;计算及显示模块,利用三维人体模型中的骨架数据,计算得到人体尺寸数据,并向用户展示。
实施例中,控制机械臂将深度相机置于人体头顶正上方,获取高度传感器的输出值h1为220cm,红外距离传感器的输出值h2为35cm,测量台高度h3为5cm,则人体高度h的计算式如下:
h=h1-h2-h3=(220-35-5)cm=180cm
深度相机的水平拍摄距离x:
上述三维人体测量系统的测量方法,包括以下步骤:
步骤1:控制机械臂,利用深度相机从多个视角拍摄测量台上的人体的图像,将其转换得到人体点云数据;
步骤1.1:控制机械臂使高度传感器的高度为H1,使用深度相机分别在0度、120度和240度3个位置拍摄;
步骤1.2:控制机械臂使高度传感器的值为H2,使用深度相机分别在0度、60度、120度、180度、240度和300度6个位置拍摄,如图4所示;
步骤1.3:控制机械臂使高度传感器的值为H3,使用深度相机分别在60度、180度和300度3个位置拍摄;
步骤1.4:利用深度相机内参将步骤1.1~1.3拍摄的图像数据转换为点云数据,得到多个角度的点云数据;
步骤2:对人体点云数据进行预处理,预处理包括降采样、去噪,
对人体点云数据进行滤波,具体包括:
1)指定维度和该维度的值域,去除该值域以外的所有点,即使用直通滤波器消除点云背景;
2)指定每个的点一定范围内周围至少要有足够多的近邻,半径范围内其他点个数少于设定的阈值的点将被滤除,即使用半径滤波的方法,移除离群点;
3)指定体素体积大小,实施例的体素体积为1立方厘米,使用该体素的重心点代替该体素内的所有点,采用体素栅格滤波器进行降采样,减少点云数据集大小。
步骤3:对人体点云数据进行初始配准后再对其进行精配准,获得初始三维人体模型;
对同一旋转角度的点云集提取法向量,从查询点的近邻元素中创建协方差矩阵,分析协方差矩阵的特征矢量和特征值,协方差矩阵的计算式如下
式中C表示协方差矩阵,Pq表示查询点,k表示点Pi的邻近点的数目,表示查询点的最近邻元素的三维质心,λj表示协方差矩阵的第j个特征值,表示第j个特征向量;j表示协方差矩阵的第j个特征值或特征向量,j∈{0,1,2};
对查询点与邻域点之间的空间差异进行参数化,形成多维直方图对点的k邻域的几何属性进行描述。计算查询点(设此点为Pq)的直方图影响区域,将Pq的所有k邻元素连接在一个网络中,计算其中两点Pi、Pj及Pi的法线ni、Pj的法线nj之间的相对偏差,在其中的一个点(设该点为点Pi)上定义uvw局部坐标系,则:
u=ni
w=u×v
式中ni表示点Pi的法向量,(Pj-Pi)表示从点Pi指向点Pj的向量,||Pj-Pi||2表示向量(Pj-Pi)的欧几里得范数,代表点Pi与点Pj的距离,u表示uvw局部坐标系的u轴,v表示uvw局部坐标系的v轴,w表示uvw局部坐标系的w轴;
法线ni和nj之间的偏差采用元组(α,φ,θ)表示,计算式如下:
α=v·nt
θ=arctan(w·nt,u·nt)
式中d是两点Pi、Pj之间的欧式距离,d=||Pt-Ps||2;
计算查询点和它的领域点的点特征直方图值,重新确认每个查询点的k邻域,使用近邻的点特征直方图值计算得到查询点的点特征直方图值的修正值,计算式如下:
式中R(Pq)表示查询点Pq的点特征直方图值的修正值,SPFH()表示点的点特征直方图值;wk表示查询点Pq与给定度量空间中的近邻点Pk之间的距离;
根据点特征直方图的欧式距离确定点对应关系,随机选择若干点对计算刚体变换矩阵并进行迭代,完成初始配准,得到6个初始配准后点云集,两两一组,分为3组。
精配准,具体包括:
1)对人体点云数据进行采样,提取关键点;
2)计算所有关键点的特征描述子;
3)采用移动最小二乘法迭代计算最优的坐标变换,进行平滑处理,初步估计对应点对;
4)采用随机采样一致性算法去除错误对应点对;
步骤3)中采用的移动最小二乘法参照2004年第1期《工程图学学报》刊登的曾清红等的论文“基于移动最小二乘法的曲线曲面拟合”公开的移动最小二乘法。
初始配准后的点云为样本,随机抽选样本的子集,使用最小方差估计计算子集模型参数,计算所有样本与该模型的偏差并与阈值比较,计算迭代结束评判因子;
设定阈值ε=dk-dk-1和最大迭代次数Nmax,实施例中ε取值为20,Nmax取值为1800,将刚体变换作用于源点云P′,得到新点云P″,计算P″和目标点云Q的距离误差,如果两次迭代的误差小于阈值ε或者当前迭代次数大于Nmax,则迭代结束,否则将初始配准的点集更新为P″和Q,继续重复上述步骤,直至满足收敛条件。
5)利用剩余的点对计算刚体变换矩阵,完成精配准。
步骤4:根据人体点云数据对初始三维人体模型进行曲面重建,得到三维人体模型;
步骤5:利用三维人体模型中的骨架数据,计算得到人体尺寸数据,并向用户展示。
步骤5.1:计算得到三维人体模型中的骨架位置,并确定骨架的关键点;
步骤5.2:根据需要测量的身体部位,确定骨架相对应的关键点,以相应的骨架方向为法线方向作该关键点的切面,确定该平面与人体三维模型的相交线,以相交线的长度作为该身体部位的围度;
步骤5.3:重复步骤5.2,得到人体尺寸数据。
根据最终的三维人体模型,计算胸围、臂围、腰围、臀围、腿围等人体维度信息,并输出显示在液晶显示竖屏上。
实施例中,根据三维人体模型计算人体维度信息的过程如下:
1)调用深度相机的库函数功能,计算最终的三维人体模型中骨架位置信息;
2)根据所要测量的身体部位,在骨架上定位相应的关键点,如图6所示,以相应的骨架方向为法线法向生成过该关键点的平面,计算该平面与人体三维模型的相交线,以相交线的长度作为该部位的围度。关键点的选取根据本本领域通用技术选取,比如腰围的关键点是脊柱骨架上位于腰部的点,臀围的关键点是脊柱骨架上位于臀部中心的点。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.基于点云数据的三维人体测量系统,其特征在于,包括圆形的测量台(1)和设置在机械臂(3)上的深度相机(2),深度相机的外侧设有高度传感器,高度传感器与测量台的控制器电性连接;
机械臂(3)的末端设有环形座(301),环形座(301)与测量台(1)滑动配合;
环形座(301)在电机的驱动下旋转,测量台的控制器控制环形座的旋转角度;机械臂关节的驱动单元与测量台的控制器电性连接;
在机械臂(3)配合下,深度相机(2)从多个视角对测量台上的人体进行拍摄,采集人体多个视角的图像,获得人体点云数据。
2.根据权利要求1所述的三维人体测量系统,其特征在于,深度相机的镜头侧设有红外距离传感器,红外距离传感器与测量台的控制器电性连接。
3.根据权利要求1所述的三维人体测量系统,其特征在于,还包括分别与测量台的控制器、深度相机连接的计算机(4)和计算机上运行的数据采集模块、数据处理模块、配准模块、曲面重建模块、计算及显示模块;
数据采集模块,获取深度相机从多个视角拍摄的人体的图像数据,将其转换为人体点云数据;数据处理模块,对人体点云数据进行预处理,预处理包括降采样、去噪;
配准模块,对人体点云数据进行配准,获得初始三维人体模型;
曲面重建模块,利用人体点云数据进行曲面重建,得到三维人体模型;
计算及显示模块,利用三维人体模型中的骨架数据,计算得到人体尺寸数据,并向用户展示。
4.如权利要求3所述的三维人体测量系统的测量方法,其特征在于,包括以下步骤:
步骤1:控制机械臂,利用深度相机从多个视角拍摄测量台上的人体的图像,将其转换得到人体点云数据;
步骤2:对人体点云数据进行预处理,预处理包括降采样、去噪;
步骤3:对人体点云数据进行初始配准后再对其进行精配准,获得初始三维人体模型;
步骤4:根据人体点云数据对初始三维人体模型进行曲面重建,得到三维人体模型;
步骤5:利用三维人体模型中的骨架数据,计算得到人体尺寸数据,并向用户展示。
5.根据权利要求4所述的测量方法,其特征在于,步骤2还包括对人体点云数据进行滤波,具体包括:
1)指定维度和该维度的值域,去除该值域以外的所有点,即使用直通滤波器消除点云背景;
2)移除离群点;
3)指定体素体积大小,使用该体素的重心点代替该体素内的所有点,即进行降采样,减少点云数据集大小。
6.根据权利要求4所述的测量方法,其特征在于,步骤3中,所述对人体点云数据进行初始配准,对同一旋转角度的点云集提取法向量,从查询点的近邻元素中创建协方差矩阵,分析协方差矩阵的特征矢量和特征值,协方差矩阵的计算式如下
式中C表示协方差矩阵,Pq表示查询点,k表示点Pi的邻近点的数目,表示查询点的最近邻元素的三维质心,λj表示协方差矩阵的第j个特征值,表示第j个特征向量;j表示协方差矩阵的第j个特征值或特征向量,j∈{0,1,2};
计算查询点和它的领域点的点特征直方图值,重新确认每个查询点的k邻域,使用近邻的点特征直方图值计算得到查询点的点特征直方图值的修正值,计算式如下:
式中R(Pq)表示查询点Pq的点特征直方图值的修正值,SPFH()表示点的点特征直方图值;权重wk表示查询点Pq与给定度量空间中的近邻点Pk之间的距离;
根据点特征直方图的欧式距离确定点对应关系,随机选择若干点对计算刚体变换矩阵并进行迭代,完成初始配准。
7.根据权利要求4所述的测量方法,其特征在于,步骤3中,所述精配准,具体包括:
1)对人体点云数据进行采样,提取关键点;
2)计算所有关键点的特征描述子;
3)采用移动最小二乘法迭代计算最优的坐标变换,进行平滑处理,初步估计对应点对;
4)采用随机采样一致性算法去除错误对应点对;
5)利用剩余的点对计算刚体变换矩阵,完成精配准。
8.根据权利要求4所述的测量方法,其特征在于,步骤5包括以下子步骤:
步骤5.1:计算得到三维人体模型中的骨架位置,并确定骨架的关键点;
步骤5.2:根据需要测量的身体部位,确定骨架相对应的关键点,以相应的骨架方向为法线方向作该关键点的切面,确定该平面与人体三维模型的相交线,以相交线的长度作为该身体部位的围度;
步骤5.3:重复步骤5.2,得到人体尺寸数据。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2020115771233 | 2020-12-28 | ||
CN202011577123 | 2020-12-28 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113240603A true CN113240603A (zh) | 2021-08-10 |
Family
ID=77135184
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110541549.1A Pending CN113240603A (zh) | 2020-12-28 | 2021-05-18 | 基于点云数据的三维人体测量系统和测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113240603A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115205354A (zh) * | 2022-06-23 | 2022-10-18 | 中国人民解放军国防科技大学 | 基于ransac和icp点云配准的相控阵激光雷达成像方法 |
CN115690188A (zh) * | 2022-10-21 | 2023-02-03 | 武汉纺织大学 | 基于点云模型优化的人体三维测量方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101320483A (zh) * | 2008-06-25 | 2008-12-10 | 浙江工业大学 | 一种旋转立体视觉的三维重建方法 |
CN102657531A (zh) * | 2012-04-28 | 2012-09-12 | 深圳泰山在线科技有限公司 | 基于计算机视觉的人体躯干围度测量方法和装置 |
KR20120006336U (ko) * | 2011-03-04 | 2012-09-12 | 데오덴탈 주식회사 | 3차원 구강스캐너 시스템 |
CN103873751A (zh) * | 2014-03-28 | 2014-06-18 | 陈维龙 | 一种三维全景扫描装置及三维模型生成方法 |
CN205505995U (zh) * | 2016-04-22 | 2016-08-24 | 杭州非白三维科技有限公司 | 一种用于三维图像建模的物体全角度照片自动采集系统 |
CN106204727A (zh) * | 2016-07-11 | 2016-12-07 | 北京大学深圳研究生院 | 一种足部三维扫描重建的方法及装置 |
CN106204533A (zh) * | 2016-06-28 | 2016-12-07 | 王凌峰 | 一种三维扫描装置 |
CN107121089A (zh) * | 2017-05-05 | 2017-09-01 | 哈尔滨理工大学 | 一种用于机器视觉拍摄的多功能旋转装置 |
CN109304866A (zh) * | 2018-09-11 | 2019-02-05 | 魏帅 | 使用3d摄像头自助拍照打印3d人像的一体设备及方法 |
CN109523635A (zh) * | 2018-11-01 | 2019-03-26 | 深圳蒜泥科技投资管理合伙企业(有限合伙) | 一种三维人体扫描非刚性重建和测量方法及装置 |
CN110473248A (zh) * | 2019-08-16 | 2019-11-19 | 上海索倍信息科技有限公司 | 一种利用图像构建人体三维模型的测量方法 |
CN111862315A (zh) * | 2020-07-25 | 2020-10-30 | 南开大学 | 一种基于深度相机的人体多尺寸测量方法及系统 |
-
2021
- 2021-05-18 CN CN202110541549.1A patent/CN113240603A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101320483A (zh) * | 2008-06-25 | 2008-12-10 | 浙江工业大学 | 一种旋转立体视觉的三维重建方法 |
KR20120006336U (ko) * | 2011-03-04 | 2012-09-12 | 데오덴탈 주식회사 | 3차원 구강스캐너 시스템 |
CN102657531A (zh) * | 2012-04-28 | 2012-09-12 | 深圳泰山在线科技有限公司 | 基于计算机视觉的人体躯干围度测量方法和装置 |
CN103873751A (zh) * | 2014-03-28 | 2014-06-18 | 陈维龙 | 一种三维全景扫描装置及三维模型生成方法 |
CN205505995U (zh) * | 2016-04-22 | 2016-08-24 | 杭州非白三维科技有限公司 | 一种用于三维图像建模的物体全角度照片自动采集系统 |
CN106204533A (zh) * | 2016-06-28 | 2016-12-07 | 王凌峰 | 一种三维扫描装置 |
CN106204727A (zh) * | 2016-07-11 | 2016-12-07 | 北京大学深圳研究生院 | 一种足部三维扫描重建的方法及装置 |
CN107121089A (zh) * | 2017-05-05 | 2017-09-01 | 哈尔滨理工大学 | 一种用于机器视觉拍摄的多功能旋转装置 |
CN109304866A (zh) * | 2018-09-11 | 2019-02-05 | 魏帅 | 使用3d摄像头自助拍照打印3d人像的一体设备及方法 |
CN109523635A (zh) * | 2018-11-01 | 2019-03-26 | 深圳蒜泥科技投资管理合伙企业(有限合伙) | 一种三维人体扫描非刚性重建和测量方法及装置 |
CN110473248A (zh) * | 2019-08-16 | 2019-11-19 | 上海索倍信息科技有限公司 | 一种利用图像构建人体三维模型的测量方法 |
CN111862315A (zh) * | 2020-07-25 | 2020-10-30 | 南开大学 | 一种基于深度相机的人体多尺寸测量方法及系统 |
Non-Patent Citations (1)
Title |
---|
徐兆阳: "三维重建中的点云配准技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115205354A (zh) * | 2022-06-23 | 2022-10-18 | 中国人民解放军国防科技大学 | 基于ransac和icp点云配准的相控阵激光雷达成像方法 |
CN115690188A (zh) * | 2022-10-21 | 2023-02-03 | 武汉纺织大学 | 基于点云模型优化的人体三维测量方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Anandan | A computational framework and an algorithm for the measurement of visual motion | |
US10460517B2 (en) | Mobile device human body scanning and 3D model creation and analysis | |
Aggarwal et al. | Articulated and elastic non-rigid motion: A review | |
CN111223133B (zh) | 一种异源图像的配准方法 | |
Guest et al. | Robust point correspondence applied to two-and three-dimensional image registration | |
CN100559398C (zh) | 自动的深度图像配准方法 | |
CN113240603A (zh) | 基于点云数据的三维人体测量系统和测量方法 | |
CN104809738B (zh) | 一种基于双目视觉的安全气囊轮廓尺寸检测方法 | |
CN112308932B (zh) | 一种注视检测方法、装置、设备及存储介质 | |
CN111402330B (zh) | 一种基于平面靶标的激光线关键点提取方法 | |
CN112669385A (zh) | 基于三维点云特征的工业机器人工件识别与位姿估计方法 | |
CN111462198B (zh) | 一种尺度、旋转和辐射不变性的多模态影像配准方法 | |
Kwok et al. | Volumetric template fitting for human body reconstruction from incomplete data | |
CN113344990B (zh) | 孔位表征投影系统及自适应拟合的孔位对齐方法 | |
CN113884002B (zh) | 基于二三维信息融合的受电弓滑板上表面检测系统及方法 | |
CN111862315A (zh) | 一种基于深度相机的人体多尺寸测量方法及系统 | |
CN115375842A (zh) | 一种植株三维重建方法、终端及存储介质 | |
Monga et al. | From voxel to curvature | |
Song et al. | Data-driven 3-D human body customization with a mobile device | |
JP3144400B2 (ja) | ジェスチャ認識装置及び方法 | |
Marzani et al. | A 3-D marker-free system for the analysis of movement disabilities-an application to the legs | |
CN111354057B (zh) | 基于图像变形技术的骨折线地图绘制方法 | |
CN111310798B (zh) | 基于几何特征和纹理特征的脸部运动迟缓的检测模型的构建方法 | |
CN109506569B (zh) | 一种基于双目视觉监测结晶过程方块状和柱状晶体三维尺寸的方法 | |
CN109918998B (zh) | 一种大姿态人脸识别方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210810 |
|
RJ01 | Rejection of invention patent application after publication |