CN113674205A - 一种基于单目深度摄像头的人体测量的方法及系统 - Google Patents

一种基于单目深度摄像头的人体测量的方法及系统 Download PDF

Info

Publication number
CN113674205A
CN113674205A CN202110814930.0A CN202110814930A CN113674205A CN 113674205 A CN113674205 A CN 113674205A CN 202110814930 A CN202110814930 A CN 202110814930A CN 113674205 A CN113674205 A CN 113674205A
Authority
CN
China
Prior art keywords
image
point
depth
human body
coordinates
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
CN202110814930.0A
Other languages
English (en)
Inventor
程煜钧
赵乾
唐志强
张磊
丁博文
李观喜
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.)
Guangzhou Ziweiyun Technology Co ltd
Original Assignee
Guangzhou Ziweiyun 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 Guangzhou Ziweiyun Technology Co ltd filed Critical Guangzhou Ziweiyun Technology Co ltd
Priority to CN202110814930.0A priority Critical patent/CN113674205A/zh
Publication of CN113674205A publication Critical patent/CN113674205A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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
    • G06T7/50—Depth or shape recovery
    • G06T7/55—Depth or shape recovery from multiple images
    • G06T7/593—Depth or shape recovery from multiple images from stereo images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明公开了一种基于单目深度摄像头的人体测量的方法，所述方法包括：采用yolo目标检测算法对人体所在区域进行检测，根据yolo得到的矩形框，在原始深度图像上进行裁剪，裁剪后作为输入图像传入关键点定位模块；通过使用一个随机森林模型对骨骼关键点进行识别以得到人体关键点的关键点坐标；得到人体关键点的关键点坐标之后，对所述关键点坐标进行坐标变换，所述测量模块通过身体关键点的空间坐标，即可对身体进行测量。本发明采用深度摄像头，相比于RGB摄像头，可以有效解决光照不足、光照过强、颜色混淆等问题，极大的提高设备的抗干扰性。并且可以更加准确的找到人体轮廓。

Description

一种基于单目深度摄像头的人体测量的方法及系统
技术领域
本发明涉及图像分析技术领域，尤其涉及一种基于单目深度摄像头的人体测量方法及系统。
背景技术
目前市面上基于视觉的人体测量系统大多包含笨重的机械装置，或需要多个摄像机协同。本设计方案只需要单个深度摄像头即可完成人体测量功能。人体测量是一种在生产生活中比较重要的需求，通过一套系统装置可以迅速的得到人体的测量数据，该数据可以进一步应用在服装剪裁、体检等领域。深度摄像头相比于RGB摄像头，可以有效解决光照不足、光照过强、颜色混淆等问题，极大的提高设备的抗干扰性。并且可以更加准确的找到人体轮廓。
本发明基于单个深度摄像头即可实现，大大降低了成本，提高了易用性。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明公开了一种基于单目深度摄像头的人体测量系统，所述系统包括：
人体检测模块，所述人体检测模块采用yolo目标检测算法对人体所在区域进行检测，根据yolo得到的矩形框，在原始深度图像上进行裁剪，裁剪后作为输入图像传入关键点定位模块；
关键点定位模块，所述关键点定位模块通过使用一个随机森林模型对骨骼关键点进行识别；
人体测量模块，得到人体关键点的关键点坐标之后，对所述关键点坐标进行坐标变换，所述测量模块通过身体关键点的空间坐标，即可对身体进行测量。
更进一步地，所述人体检测模块进一步包括：所述yolo目标检测算法采用Yolo 的网络结构，该网络结构的核心为darknet-53，该算法的输出为三个box，yolo v3 设定的是每个网格单元预测3个box，所以每个box需要有(x,y,w,h,confidence) 五个基本参数，使用深度摄像头采集深度图像，并转换为3通道图像，将图像作为输入传入yolo神经网络，可以得到人体所在的矩形框大小及位置信息，根据yolo得到的矩形框，在原始深度图像上进行裁剪，裁剪后作为输入图像传入下一模块。
更进一步地，所述关键点定位模块进一步包括：特征描述模块，所述特征描述模块对图像中任意一像素点可以通过如下公式进行特征的描述：
Figure RE-GDA0003281032440000021
其中，I是整张深度图像数据，尺寸为w*h，通道为1，每个像素的值为物体到摄像头的距离，x为图像I中某一指定的像素点，dIx是某像素点x在图像中的深度值， u和v是特征的偏移值，单位为像素，
Figure RE-GDA0003281032440000022
确保了人体特征在任何深度都保持不变；对于图像中给定的任意一点x，在其周围取均匀的8个方向，分别计算其u,v并带入上述公式，即可获得该点x的八个特征值。
更进一步地，所述关键点定位模块进一步包括：随机森林模块，所述随机森林模块根据像素点的特征、可以构建出多个决策树，形成随机森林，再将任意一个像素点的特征值输入到树的根部，通过不同的θ值，将特征点分类到不同的叶子节点。
更进一步地，将身体上32个关键点使用不同的one-hot值，作为不同的分类目标，每一个叶子节点将计算出一个像素点被分类为不同身体关键点的概率值，将任意一像素点输入到不同的随机决策树中，可以得到多个概率分布模型，将所有概率分布求平均数即可得到该像素点被分类为某一身体关键点的概率，公式如下：
Figure RE-GDA0003281032440000023
其中，Pt为随机决策树t的概率分布模型，Pt(c|I,x)为基于该概率分布模型，深度图像I中一点x被分类为身体关节c的概率，在随机森林的训练过程中，将数据集进行均匀划分，每棵树使用不同的数据集进行训练；在随机决策树的每一层，使用不同的参数θ和阈值τ，同时计算不同节点的交叉信息熵，计算信息增益，不断的更新随机树的参数，最终得到一个具有准确的分类功能的随机树。
更进一步地，所述关键点定位模块进一步包括：关键点推荐模块，所述关键点推荐模块采用高斯核密度评估器，对于深度图像中任意一点x，可以得到该点被分类为某身体部位c的得分，其公式如下：
Figure RE-GDA0003281032440000024
其中，
Figure RE-GDA0003281032440000031
是推荐点在空间中的坐标，N是整个图像中的全部像素个数，bc是经过学习的各身体部位带宽，由于不同身体部位有着不同尺度的特征，故需要此参数调整搜索半径，Wic是该像素对应某一身体部位的权重，其计算公式如下：
wic＝P(c|I,x)dI(xi)2
其中，dI(xi)为图像I中某点xi的值，即该点的深度值，通过高斯核在图像中以某一半径进行搜索，同时进行移动，找到密度最大的位置，即为某一身体部位的推荐位置。
更进一步地，在高斯核函数计算中，由于要遍历图像中的每个像素，运算量较大，故此处在运算时增加了一个mask图像，尺寸与深度图像一致，取值为0或1，对于深度摄像头，存在最大测量深度，在mask图像中将无效的像素点置成0，在进行遍历时，如遇到mask为0的位置，则跳过该点以此降低时间复杂度。
更进一步地，所述人体测量模块进一步包括：得到人体32个关键点的关键点坐标之后，需要进行坐标变换，将2维的图像坐标变换到3维空间坐标，若图像坐标系中一点的坐标为(u,v)，则得到的3维坐标为(x,y,z)，变换公式如下：
Figure RE-GDA0003281032440000032
Figure RE-GDA0003281032440000033
Figure RE-GDA0003281032440000034
其中，d为点(u,v)在深度图像中对应的深度值；depth为变换尺度，用来计算深度值与毫米的比例，设为1000，Cx、Cy、fx、fy为相机内参参数，需要通过对相机进行标定获得，Cx、Cy为图像的中心点坐标，fx,fy为标定过的相机内参焦距值。
本发明进一步公开了一种基于单目深度摄像头的人体测量的方法，所述方法包括：
步骤1，采用yolo目标检测算法对人体所在区域进行检测，根据yolo得到的矩形框，在原始深度图像上进行裁剪，裁剪后作为输入图像传入关键点定位模块；
步骤2，通过使用一个随机森林模型对骨骼关键点进行识别以得到人体关键点的关键点坐标；
步骤3，得到人体关键点的关键点坐标之后，对所述关键点坐标进行坐标变换，所述测量模块通过身体关键点的空间坐标，即可对身体进行测量。
本发明进一步公开了一种基于单目深度摄像头的人体测量系统，包括处理器、机器可读存储介质，所述机器可读存储介质和所述处理器连接，所述机器可读存储介质用于存储程序、指令或代码，所述处理器用于执行所述机器可读存储介质中的程序、指令或代码，以实现上述的一种基于单目深度摄像头的人体测量的方法。
附图说明
从以下结合附图的描述可以进一步理解本发明。图中的部件不一定按比例绘制，而是将重点放在示出实施例的原理上。在图中，在不同的视图中，相同的附图标记指定对应的部分。
图1为本发明逻辑流程示意图。
图2为本发明的Yolo的网络结构示意图。
具体实施方式
实施例一
如图1所示，基于单目深度摄像头的人体测量系统分为三个模块，第一个模块为人体检测模块，第二个模块为关键点定位模块，第三个模块为测量模块。下面针对以上三个核心模块做详细技术介绍。
1、单目深度摄像头人体检测模块
采用yolo目标检测算法对人体所在区域进行检测。Yolo的网络结构图2所示：
该网络结构的核心为darknet-53，该网络相对于ResNet网络，网络层数大大减少，并且在分类精度保持不变的情况下计算速度大大提高。该算法的输出为三个box， yolo v3设定的是每个网格单元预测3个box，所以每个box需要有(x,y,w,h, confidence)五个基本参数。
使用深度摄像头采集深度图像，并转换为3通道图像，将图像作为输入传入yolo神经网络，可以得到人体所在的矩形框大小及位置信息。
根据yolo得到的矩形框，在原始深度图像上进行裁剪，裁剪后作为输入图像传入下一模块。
2、骨骼关键点识别
骨骼关键点识别模块主要使用了一个随机森林模型，大致分为以下三个步骤：
1.特征描述模块
要对人体关键点的位置进行定位，首先要对图像中的像素点进行描述，因为涉及了特征描述模块。
该模块使用自己设计的特征描述方法，对图像中任意一像素点可以通过如下公式进行特征的描述：
Figure RE-GDA0003281032440000051
其中，I是整张深度图像数据，尺寸为w*h，通道为1，每个像素的值为物体到摄像头的距离。
x为图像I中某一指定的像素点。dIx是某像素点x在图像中的深度值。
u和v是特征的偏移值，单位为像素。
Figure RE-GDA0003281032440000052
确保了人体特征在任何深度都保持不变。
对于图像中给定的任意一点x，在其周围取均匀的8个方向，分别计算其u,v并带入上述公式，即可获得该点x的八个特征值。
2.随机森林模块
根据像素点的特征、可以构建出多个决策树，形成随机森林。将任意一个像素点的特征值输入到树的根部，通过不同的θ值，将特征点分类到不同的叶子节点。
将身体上32个关键点使用不同的one-hot值，作为不同的分类目标。每一个叶子节点将计算出一个像素点被分类为不同身体关键点的概率值。将任意一像素点输入到不同的随机决策树中，可以得到多个概率分布模型，将所有概率分布求平均数即可得到该像素点被分类为某一身体关键点的概率，公式如下：
Figure RE-GDA0003281032440000053
其中Pt为随机决策树t的概率分布模型，Pt(c|I，x)为基于该概率分布模型，深度图像I中一点x被分类为身体关节c的概率。
在随机森林的训练过程中，将数据集进行均匀划分，每棵树使用不同的数据集进行训练。
在随机决策树的每一层，使用不同的参数θ和阈值τ，同时计算不同节点的交叉信息熵，计算信息增益，不断的更新随机树的参数，最终得到一个具有准确的分类功能的随机树。
3.关键点推荐模块
本系统设计了一种高斯核密度评估器，对于深度图像中任意一点x，可以得到该点被分类为某身体部位c的得分，其公式如下：
Figure RE-GDA0003281032440000061
其中
Figure RE-GDA0003281032440000062
是推荐点在空间中的坐标，N是整个图像中的全部像素个数。
bc是经过学习的各身体部位带宽，由于不同身体部位有着不同尺度的特征，故需要此参数调整搜索半径。
Wic是该像素对应某一身体部位的权重，其计算公式如下：
wic＝P(c|I,x)dI(xi)2
其中，dI(xi)为图像I中某点xi的值，即该点的深度值。
通过上述高斯核在图像中以某一半径进行搜索，同时进行移动，找到密度最大的位置，即为某一身体部位的推荐位置。
在高斯核函数计算中，由于要遍历图像中的每个像素，运算量较大，故此处在运算时增加了一个mask图像，尺寸与深度图像一致，取值为0或1。对于一般的深度摄像头，存在最大测量深度(如kinect为8米)，因此可以在mask图像中将无效的像素点置成0。在进行遍历时，如遇到mask为0的位置，则跳过该点，通过该方法可以大大降低时间复杂度。
3、人体测量模块
得到人体32个关键点的关键点坐标之后，需要进行坐标变换，将2维的图像坐标变换到3维空间坐标。若图像坐标系中一点的坐标为(u,v)，则得到的3维坐标为 (x,y,z)，变换公式如下：
Figure RE-GDA0003281032440000063
Figure RE-GDA0003281032440000064
Figure RE-GDA0003281032440000065
其中，d为点(u,v)在深度图像中对应的深度值；depth为变换尺度，用来计算深度值与毫米的比例，通常为1000。Cx、Cy、fx、fy为相机内参参数，需要通过对相机进行标定获得，Cx、Cy为图像的中心点坐标。fx,fy为标定过的相机内参焦距值。
通过身体关键点的空间坐标，即可对身体进行测量。
使用时，测量者站在镜头前，站直挺身，多次调整方向。系统即可得出测试结果。
还需要说明的是，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、商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、商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、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
虽然上面已经参考各种实施例描述了本发明，但是应当理解，在不脱离本发明的范围的情况下，可以进行许多改变和修改。因此，其旨在上述详细描述被认为是例示性的而非限制性的，并且应当理解，以下权利要求(包括所有等同物)旨在限定本发明的精神和范围。以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims (10)

1.一种基于单目深度摄像头的人体测量系统，其特征在于，所述系统包括：
人体检测模块，所述人体检测模块采用yolo目标检测算法对人体所在区域进行检测，根据yolo得到的矩形框，在原始深度图像上进行裁剪，裁剪后作为输入图像传入关键点定位模块；
关键点定位模块，所述关键点定位模块通过使用一个随机森林模型对骨骼关键点进行识别；
人体测量模块，得到人体关键点的关键点坐标之后，对所述关键点坐标进行坐标变换，所述测量模块通过身体关键点的空间坐标，即可对身体进行测量。
2.如权利要求1所述的一种基于单目深度摄像头的人体测量系统，其特征在于，所述人体检测模块进一步包括：所述yolo目标检测算法采用Yolo的网络结构，该网络结构的核心为darknet-53，该算法的输出为三个box，yolo v3设定的是每个网格单元预测3个box，所以每个box需要有(x,y,w,h,confidence)五个基本参数，使用深度摄像头采集深度图像，并转换为3通道图像，将图像作为输入传入yolo神经网络，可以得到人体所在的矩形框大小及位置信息，根据yolo得到的矩形框，在原始深度图像上进行裁剪，裁剪后作为输入图像传入下一模块。
3.如权利要求1所述的一种基于单目深度摄像头的人体测量系统，其特征在于，所述关键点定位模块进一步包括：特征描述模块，所述特征描述模块对图像中任意一像素点可以通过如下公式进行特征的描述：
Figure FDA0003169345610000011
其中，I是整张深度图像数据，尺寸为w*h，通道为1，每个像素的值为物体到摄像头的距离，x为图像I中某一指定的像素点，dIx是某像素点x在图像中的深度值，u和v是特征的偏移值，单位为像素，
Figure FDA0003169345610000012
确保了人体特征在任何深度都保持不变；对于图像中给定的任意一点x，在其周围取均匀的8个方向，分别计算其u,v并带入上述公式，即可获得该点x的八个特征值。
4.如权利要求1所述的一种基于单目深度摄像头的人体测量系统，其特征在于，所述关键点定位模块进一步包括：随机森林模块，所述随机森林模块根据像素点的特征、可以构建出多个决策树，形成随机森林，再将任意一个像素点的特征值输入到树的根部，通过不同的θ值，将特征点分类到不同的叶子节点。
5.如权利要求4所述的一种基于单目深度摄像头的人体测量系统，其特征在于，将身体上32个关键点使用不同的one-hot值，作为不同的分类目标，每一个叶子节点将计算出一个像素点被分类为不同身体关键点的概率值，将任意一像素点输入到不同的随机决策树中，可以得到多个概率分布模型，将所有概率分布求平均数即可得到该像素点被分类为某一身体关键点的概率，公式如下：
Figure FDA0003169345610000021
其中，Pt为随机决策树t的概率分布模型，Pt(c|I,x)为基于该概率分布模型，深度图像I中一点x被分类为身体关节c的概率，在随机森林的训练过程中，将数据集进行均匀划分，每棵树使用不同的数据集进行训练；在随机决策树的每一层，使用不同的参数θ和阈值τ，同时计算不同节点的交叉信息熵，计算信息增益，不断的更新随机树的参数，最终得到一个具有准确的分类功能的随机树。
6.如权利要求1所述的一种基于单目深度摄像头的人体测量系统，其特征在于，所述关键点定位模块进一步包括：关键点推荐模块，所述关键点推荐模块采用高斯核密度评估器，对于深度图像中任意一点x，可以得到该点被分类为某身体部位c的得分，其公式如下：
Figure FDA0003169345610000022
其中，
Figure FDA0003169345610000023
是推荐点在空间中的坐标，N是整个图像中的全部像素个数，bc是经过学习的各身体部位带宽，由于不同身体部位有着不同尺度的特征，故需要此参数调整搜索半径，Wic是该像素对应某一身体部位的权重，其计算公式如下：
wic＝P(c|I,x)dI(xi)2
其中，dI(xi)为图像I中某点xi的值，即该点的深度值，通过高斯核在图像中以某一半径进行搜索，同时进行移动，找到密度最大的位置，即为某一身体部位的推荐位置。
7.如权利要求6所述的一种基于单目深度摄像头的人体测量系统，其特征在于，在高斯核函数计算中，由于要遍历图像中的每个像素，运算量较大，故此处在运算时增加了一个mask图像，尺寸与深度图像一致，取值为0或1，对于深度摄像头，存在最大测量深度，在mask图像中将无效的像素点置成0，在进行遍历时，如遇到mask为0的位置，则跳过该点以此降低时间复杂度。
8.如权利要求1所述的一种基于单目深度摄像头的人体测量系统，其特征在于，所述人体测量模块进一步包括：得到人体32个关键点的关键点坐标之后，需要进行坐标变换，将2维的图像坐标变换到3维空间坐标，若图像坐标系中一点的坐标为(u,v)，则得到的3维坐标为(x,y,z)，变换公式如下：
Figure FDA0003169345610000031
Figure FDA0003169345610000032
Figure FDA0003169345610000033
其中，d为点(u,v)在深度图像中对应的深度值；depth为变换尺度，用来计算深度值与毫米的比例，设为1000，Cx、Cy、fx、fy为相机内参参数，需要通过对相机进行标定获得，Cx、Cy为图像的中心点坐标，fx,fy为标定过的相机内参焦距值。
9.一种基于单目深度摄像头的人体测量的方法，其特征在于，所述方法包括：
步骤1，采用yolo目标检测算法对人体所在区域进行检测，根据yolo得到的矩形框，在原始深度图像上进行裁剪，裁剪后作为输入图像传入关键点定位模块；
步骤2，通过使用一个随机森林模型对骨骼关键点进行识别以得到人体关键点的关键点坐标；
步骤3，得到人体关键点的关键点坐标之后，对所述关键点坐标进行坐标变换，所述测量模块通过身体关键点的空间坐标，即可对身体进行测量。
10.一种基于单目深度摄像头的人体测量系统，其特征在于，包括处理器、机器可读存储介质，所述机器可读存储介质和所述处理器连接，所述机器可读存储介质用于存储程序、指令或代码，所述处理器用于执行所述机器可读存储介质中的程序、指令或代码，以实现权利要求9所述的一种基于单目深度摄像头的人体测量的方法。
CN202110814930.0A 2021-07-19 2021-07-19 一种基于单目深度摄像头的人体测量的方法及系统 Pending CN113674205A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110814930.0A CN113674205A (zh) 2021-07-19 2021-07-19 一种基于单目深度摄像头的人体测量的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110814930.0A CN113674205A (zh) 2021-07-19 2021-07-19 一种基于单目深度摄像头的人体测量的方法及系统

Publications (1)

Publication Number Publication Date
CN113674205A true CN113674205A (zh) 2021-11-19

Family

ID=78539527

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110814930.0A Pending CN113674205A (zh) 2021-07-19 2021-07-19 一种基于单目深度摄像头的人体测量的方法及系统

Country Status (1)

Country Link
CN (1) CN113674205A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114748086A (zh) * 2021-12-21 2022-07-15 首都医科大学附属北京友谊医院 Ct扫描方法和系统、电子设备和计算机可读存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108154176A (zh) * 2017-12-22 2018-06-12 北京工业大学 一种针对单一深度图像的3d人体姿态估计算法
EP3745352A1 (en) * 2019-05-31 2020-12-02 Presize UG Methods and systems for determining body measurements and providing clothing size recommendations
CN112669348A (zh) * 2020-12-18 2021-04-16 浙江大学 一种鱼体姿势估计和鱼体表型数据测量方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108154176A (zh) * 2017-12-22 2018-06-12 北京工业大学 一种针对单一深度图像的3d人体姿态估计算法
EP3745352A1 (en) * 2019-05-31 2020-12-02 Presize UG Methods and systems for determining body measurements and providing clothing size recommendations
CN112669348A (zh) * 2020-12-18 2021-04-16 浙江大学 一种鱼体姿势估计和鱼体表型数据测量方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114748086A (zh) * 2021-12-21 2022-07-15 首都医科大学附属北京友谊医院 Ct扫描方法和系统、电子设备和计算机可读存储介质
CN114748086B (zh) * 2021-12-21 2023-08-08 首都医科大学附属北京友谊医院 Ct扫描方法和系统、电子设备和计算机可读存储介质

Similar Documents

Publication Publication Date Title
Wu et al. Rachis detection and three-dimensional localization of cut off point for vision-based banana robot
US9767604B2 (en) Image analysis method by analyzing point cloud using hierarchical search tree
CN108921057B (zh) 基于卷积神经网络的对虾形态测量方法、介质、终端设备及装置
CN110517311A (zh) 基于叶片病斑面积的病虫害监测方法
CN110866079A (zh) 一种智慧景区实景语义地图的生成与辅助定位方法
CN109614935A (zh) 车辆定损方法及装置、存储介质及电子设备
CN109859101B (zh) 农作物冠层热红外图像识别方法及系统
Li et al. A multi-scale cucumber disease detection method in natural scenes based on YOLOv5
CN113420640B (zh) 红树林高光谱图像分类方法、装置、电子设备及存储介质
CN113435282B (zh) 基于深度学习的无人机影像麦穗识别方法
CN116595208B (zh) 高光谱图像的分类方法、装置及电子设备
CN104463240B (zh) 一种仪表定位方法及装置
CN109726746A (zh) 一种模板匹配的方法及装置
CN111967527B (zh) 一种基于人工智能牡丹品种识别方法及识别系统
Paturkar et al. 3D reconstruction of plants under outdoor conditions using image-based computer vision
CN113674205A (zh) 一种基于单目深度摄像头的人体测量的方法及系统
He et al. Visual recognition and location algorithm based on optimized YOLOv3 detector and RGB depth camera
CN115830318A (zh) 基于改进Mask-RCNN网络的重叠烟丝图像分割方法及装置
Patel et al. Deep Learning-Based Plant Organ Segmentation and Phenotyping of Sorghum Plants Using LiDAR Point Cloud
CN113932712A (zh) 一种基于深度相机和关键点的瓜果类蔬菜尺寸测量方法
CN113378739A (zh) 一种基于深度学习的地基云状目标检测方法
CN112465821A (zh) 一种基于边界关键点感知的多尺度害虫图像检测方法
Kundur et al. Pest Detection and Recognition: An approach using Deep Learning Techniques
Zhu et al. Stem-leaf segmentation and phenotypic trait extraction of maize shoots from three-dimensional point cloud
CN115471728B (zh) 基于多阶几何约束整体匹配的果实快速三维定位方法

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: 20211119

RJ01 Rejection of invention patent application after publication