CN113903059B - 人体模型建立方法、设备和存储介质 - Google Patents
人体模型建立方法、设备和存储介质 Download PDFInfo
- Publication number
- CN113903059B CN113903059B CN202111513378.8A CN202111513378A CN113903059B CN 113903059 B CN113903059 B CN 113903059B CN 202111513378 A CN202111513378 A CN 202111513378A CN 113903059 B CN113903059 B CN 113903059B
- Authority
- CN
- China
- Prior art keywords
- sign
- parameter
- human body
- samples
- original
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000004308 accommodation Effects 0.000 claims abstract description 58
- 239000013598 vector Substances 0.000 claims abstract description 39
- 238000012216 screening Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 18
- 101100380328 Dictyostelium discoideum asns gene Proteins 0.000 claims description 2
- 241000623377 Terminalia elliptica Species 0.000 claims description 2
- 101150062095 asnA gene Proteins 0.000 claims description 2
- 230000036544 posture Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 7
- 238000000513 principal component analysis Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 210000003625 skull Anatomy 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 210000002414 leg Anatomy 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000012847 principal component analysis method Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 238000011068 loading method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000000689 upper leg Anatomy 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及车内人体模型领域，公开了一种人体模型建立方法、设备和存储介质。该方法包括：根据多个人体体征样本中每个人体体征样本与质心样本之间的马氏距离，从所述多个人体体征样本中筛选出满足设定整体容纳百分比的多个区域样本；选取与所述多个区域样本的主成分向量的相关性满足设定相关性阈值的多个区域样本，作为多个人体模型。本实施例在满足设定整体容纳百分比的前提下，使得所筛选出的人体模型的数量尽可能小。
Description
技术领域
本发明涉及车内人体模型领域，尤其涉及一种人体模型建立方法、设备和存储介质。
背景技术
车内人体模型在汽车设计领域有着广泛应用。例如，在座椅舒适性、安全性设计中，使用较多的是RAMSIS（一种人机分析软件）人体模型系统，可基于体征统计数据库建立百分位假人。目前的百分位人体模型多是基于身高、体重建立的，能够在单一尺寸类型（身高）上满足容纳性要求。
然而由于人体体型的多样性，仅利用单一体征参数难以体现个体差异。当人体模型中包括多维体征参数时，利用传统方法构建的人体模型仍只能在单一体征参数上满足容纳性要求，往往难以兼顾针对多维参数的整体容纳性能。
发明内容
为了解决上述技术问题，本发明提供了一种人体模型建立方法、设备和存储介质，所建立的人体模型能够包括更多维度、更大尺寸范围的体征参数，以提高人体模型的整体容纳性能。
本发明实施例提供了一种人体模型建立方法，该方法包括：
根据多个人体体征样本中每个人体体征样本与质心样本之间的马氏距离，从所述多个人体体征样本中筛选出满足设定整体容纳百分比的多个区域样本；
选取与所述多个区域样本的主成分向量的相关性满足设定相关性阈值的多个区域样本，作为多个人体模型；
其中，每个人体体征样本对应不同的人体，每个人体体征样本包括一个人体的多个体征参数，每个体征参数包括参数名和参数值；
所述质心样本用于表征所述多个人体体征样本满足的卡方分布的中心；
所述整体容纳百分比为马氏距离小于马氏距离阈值的人体体征样本的数量与所述多个人体体征样本的数量之间的比值，所述马氏距离阈值为所述多个区域样本对应的多个马氏距离中的最小值。
本发明实施例提供了一种电子设备，所述电子设备包括：
处理器和存储器；
所述处理器通过调用所述存储器存储的程序或指令，用于执行任一实施例所述的人体模型建立方法的步骤。
本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储程序或指令，所述程序或指令使计算机执行任一实施例所述的人体模型建立方法的步骤。
本发明实施例具有以下技术效果：本实施例首先将马氏距离作为衡量整体容纳百分比的依据，从多个人体体征样本中筛选出满足设定整体容纳百分比的区域样本；然后利用主成分分析从多个区域样本中筛选出与主成分向量相关性大的区域样本，作为最终的人体模型。逐步缩小人体模型的筛选范围，使得在满足设定整体容纳百分比的前提下，所筛选出的人体模型的数量尽可能小；同时使得信息量越大的主成分向量附近选择的人体模型越多，更符合人体体征样本的分布规律。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种人体模型建立方法的流程图；
图2是本发明实施例提供的多个人体体征样本的示意图；
图3是本发明实施例提供的身高-体重的卡方分布示意图；
图4是本发明实施例提供的区域椭圆的示意图；
图5为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行清楚、完整的描述。显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施例，都属于本发明所保护的范围。
本发明实施例提供的人体模型建立方法，主要适用于从多个人体体征样本中选取具有代表性的样本作为人体模型的情况。本发明实施例提供的人体模型建立方法可以由电子设备执行。图1是本发明实施例提供的一种人体模型建立方法的流程图。参见图1，该人体模型建立方法具体包括：
S110、根据多个人体体征样本中每个人体体征样本与质心样本之间的马氏距离，从所述多个人体体征样本中筛选出满足设定整体容纳百分比的多个区域样本。
多个人体体征样本用于划定人体模型的初始选取范围，多个区域样本用于从所述初始选取范围中划定一个更小的中间选取范围，后续将从该中间选取范围中继续选取具有代表性的人体模型。
可选地，S110具体包括如下步骤：
步骤一、获取多个人体体征样本，其中每个人体体征样本对应不同的人体，每个人体体征样本包括一个人体的多个体征参数。图2是本发明实施例提供的多个人体体征样本的示意图。如图2所示，本实施例中获取了N s 个人体体征样本，每个人体体征样本中包括N p 个体征参数，其中N s 、N p 均为自然数。每个体征参数包括参数名和参数值。图2中假设N p =12，则12个体征参数的参数名为：身高、体重、坐高、坐姿眼高、坐姿左肩高、坐姿臀膝距、膝盖中心高度、胸围、臀围、坐姿大腿厚、坐姿臀宽和肩宽。在人体体征样本1中，参数名身高、体重、坐高、坐姿眼高和坐姿左肩高对应的参数值分别为175cm、65kg、60cm和50cm。
步骤二、利用每个人体体征样本中的参数值，计算每个人体体征样本与质心样本之间的马氏距离，其中所述质心样本用于表征所述多个人体体征样本满足的卡方分布的中心。马氏距离越小，人体体征样本离质心样本越近。
由于每个人体体征样本包括多个体征参数，每个体征参数在不同数值上呈正态分布，但不同的体征参数对应不同的分布尺度，因此所述多个人体体征样本在同一坐标系内呈椭圆形（对应两个体征参数）或椭球形（对应三个以上体征参数），满足卡方分布。
以体征参数身高和体重为例，图3示出了身高-体重的卡方分布示意图，其中每个点代表一个人体体征样本，对应一组身高和体重的参数值。从图3可以看出，身高-体重的卡方分布呈椭圆形，将该椭圆称为“初始椭圆”。初始椭圆的中心（黑色圆点）即为质心样本。质心样本根据所有人体体征样本计算得到，所有人体体征样本的平均身高值即为质心样本的身高值，所有人体体征样本的平均体重值即为质心样本的体重值。
拓展到更多的体征参数，多个人体体征样本满足的卡方分布呈一椭球形（即所述初始选取范围），将该椭球称为“初始椭球”。初始椭球的中心即为质心样本。质心样本根据所有人体体征样本计算得到，质心样本中任一体征参数的参数值等于该体征参数在所有人体体征样本中的平均参数值。距离质心样本越近的区域，所分布的人体体征样本越多。
步骤三、根据每个人体体征样本对应的马氏距离，从所述多个人体体征样本中筛选出满足设定整体容纳百分比的多个人体体征样本，作为多个区域样本。
所述多个区域样本的分布为以质心样本为中心的环状区域，为初始椭球或初始椭圆的一部分。在图3的基础上，图4是本发明实施例提供的区域椭圆的示意图。其中虚线划定的椭圆区域为初始椭圆，两条实线椭圆划定一个环状区域，该环状区域中的人体体征样本即为区域样本。
所述整体容纳百分比为马氏距离小于马氏距离阈值的人体体征样本的数量与所述多个人体体征样本的数量之间的比值，所述马氏距离阈值为所述多个区域样本对应的多个马氏距离中的最小值。以图4为例，整体容纳百分比可以理解为环状区域包围的椭圆（称为区域椭圆）内的人体体征样本数量与初始椭圆内的人体体征样本数量的比值。
具体来说，首先根据设定整体容纳百分比（例如90%）和百分比公差（例如1%），确定整体容纳百分比范围（[89%, 91%]）。然后根据所述多个体征参数的数量（例如12）和整体容纳百分比范围的端点值（89%和91%），查询卡方分布表，得到两个卡方分布概率值（
，
），从而生成卡方分布概率范围（[18.19, 18.94]）。最后，选取马氏距离落在卡方分布概率范围内的人体体征样本，作为区域样本。
区域样本的个数为N qs ，N qs 为小于N s 的自然数。在一具体实施方式中，N s =18343，N qs =58，即从18343个人体体征样本中选取了58个区域样本，可见在满足设定整体容纳百分比的前提下，样本数量已大大减小。
S120、选取与所述多个区域样本的主成分向量的相关性满足设定相关性阈值的多个区域样本，作为多个人体模型。
本实施例采用主成分分析法从N qs 个区域样本中选取更少的样本作为最终的N m 个人体模型。所述N m 个人体模型仍然可以满足设定整体容纳百分比，能够代表例如90%的人体体征样本的特征，且样数量进一步减小。
可选地，S120具体包括如下步骤：
步骤一、对所述多个区域样本进行主成分分析，得到主成分向量，其中，所述主成分向量用于表征所述多个区域样本的主要信息。具体来说，首先对所述多个区域样本进行标准化，得到无量纲的标准化矩阵Z。然后求解所述标准化矩阵的相关系数矩阵，以及所述相关系数矩阵的多个特征值λi和对应的特征向量矩阵B。最后根据所述标准化矩阵与所述特征向量矩阵，求解主成分矩阵U=ZTB，其中所述主成分矩阵的前n列为n个主成分向量，n为自然数。n的取值可以由累计贡献率确定，累计贡献率与主成分分析的精度需求相关。例如，如果根据主成分分析的精度需求确定累计贡献率为80%，最终确定主成分向量的个数为5，则选出的5个主成分向量可以代表标准化矩阵中80%的信息。
步骤二、选取与所述主成分向量的相关性满足设定相关性阈值的多个区域样本，作为多个人体模型。人体模型的数量为N m ，N m 为小于N qs 的自然数。
本步骤根据人体体征样本与主成分向量之间的相关性来选取最终的人体模型，而不是直接采用主成分向量作为最终的人体模型，保证了最终的人体模型为真实的人体体征样本，而不是虚构的人体体征样本，能更好地反映真实人体的体型。
可选地，采用主成分载荷作为所述相关性的度量。假设设定相关性阈值为0.6，则主成分载荷大于0.6的人体体征样本均为人体模型。仍以上述实施例中的具体数值为例，根据5个主成分向量，从58个区域样本中最终选出的人体模型可能为17个。其中第1个主成分向量代表了58个区域样本最多的信息，因此在第1个主成分向量上的主成分载荷大于0.6的区域样本最多；其余主成分代表的58个区域样本的信息逐渐减小，其对应的主成分载荷大于0.6的区域样本数量也逐渐减小。
需要说明的是，本实施例将主成分分析方法和主成分载荷应用在人体模型的筛选中，与通常的应用场景和应用目的是不同的。通常主成分分析法用于对一个原始样本进行降维，先从该样本的多个维度中提取出主成分向量，再将该样本重新表达为以主成分向量为新维度、以对应的主成分载荷在新维度分量的新样本，因此主成分载荷是为了实现样本的重建。而本实施例中的主成分分析是为了从多个人体体征样本中筛选有代表性的区域样本，主成分载荷只是为了衡量人体体征样本与主成分向量之间的相关性，以采用相关性强的人体体征样本（来自真实的人体）来取代主成分向量（虚构的人体），并没有对每个样本进行重建或降维。本实施例可实现的技术效果是：本实施例首先将马氏距离作为衡量整体容纳百分比的依据，从多个人体体征样本中筛选出满足设定整体容纳百分比的区域样本；然后利用主成分分析从多个区域样本中筛选出与主成分向量相关性大的区域样本，作为最终的人体模型。逐步缩小人体模型的筛选范围，使得在满足设定整体容纳百分比的前提下，所筛选出的人体模型的数量尽可能小；同时使得信息量越大的主成分向量附近选择的人体模型越多，更符合人体体征样本的分布规律。
在上述实施例和下述实施例的基础上，本实施例对每个人体体征样本包括的多个体征参数的参数名确定过程进行细化，根据是否预先获取了原始体征样本给出了两种参数名确定方式。
方式一：在还未获取任何原始体征样本的情况下，尚不存在任何参数名和参数值，这时从体征部位和尺寸类型出发构建参数类别，确定各类体征参数的参数名。可选地，根据多个人体体征样本中每个人体体征样本与质心样本之间的马氏距离，从所述多个人体体征样本中筛选出满足设定整体容纳百分比的多个区域样本之前，还包括如下步骤：
步骤一：获取与人体坐姿相关的体征部位。
本实施例从人体坐姿的角度出发筛选体征参数的参数名，最终筛选出的人体模型可以用于调整驾驶员座椅尺寸等。具体来说，首先获取与人体坐姿的体征部位，所述体征部位用于限定参数名选取的范围。可选地，获取的体征部位包括：眼睛、肩膀、胳膊和腿等。
步骤二：确定所述体征部位在人体坐姿下对应的高度参数名、宽度参数名和围度参数名；将身高、体重，以确定的高度参数名、宽度参数名和围度参数名作为每个人体体征样本包括的所述多个体征参数的参数名。
仍然从人体坐姿出发，为了描述人体的体型，根据尺寸类型确定各体征部位在坐姿下对应的尺寸参数的参数名。其中尺寸类型包括：高度、宽度和围度，确定的参数名包括：高度参数名、宽度参数名和围度参数名。此外，身高、体重是常用的体征参数的参数名，也包括在本实施例的人体体征样本中。表1显示了根据眼睛、肩膀、胳膊和腿等体征部位最终确定的体征参数的参数名。
表1
方式二：在已获取原始体征样本的情况下，原始体征样本中已存在参数名和参数值，这时从已有参数值的相关性出发确定参数类别，选取各类体征参数的参数名。可选地，根据多个人体体征样本中每个人体体征样本与质心样本之间的马氏距离，从所述多个人体体征样本中筛选出满足设定整体容纳百分比的多个区域样本之前，还包括如下步骤：
步骤一、获取多个原始体征样本，其中每个原始体征样本对应不同的人体，每个原始体征样本包括一个人体中多个原始参数，每个原始参数包括参数名和参数值。
所述多个原始体征样本用于生成上述实施例中的多个人体体征样本。具体来说，所述多个原始体征样本的数量N os 与所述多个人体体征样本的数量N s 相同；每个原始体征样本包括的原始参数的数量N op 大于每个人体体征样本包括的体征参数的数量N p ，N op 个原始参数用于从中选取N p 个体征参数。
步骤二、计算每两个原始参数的参数值之间的相关性。
参数值之间的相关性用于对N op 个原始参数进行分类。具体来说，可选地，对于任意两个原始参数，首先将其中一原始参数在所述多个原始体征样本中的参数值组成第一向量，将另一原始参数在所述多个原始体征样本中的参数值组成第二向量；然后计算所述第一向量与所述第二向量之间的欧氏距离，所述欧氏距离用于表征所述任意两个原始参数的参数值之间的相关性。
单一原始参数的参数值满足正态分布，因此可以利用欧氏距离来计算两向量之间的相关性。欧氏距离越小，两个原始参数之间的相关性越大。
步骤三、如果存在多个原始参数中每两个原始参数的参数值之间相关性均大于设定分类阈值，将所述多个原始参数归为一类。
对N op 个原始参数进行分类，以便后续在每一类原始参数中分别进行体征参数的选取。通过原始参数分类可以缩小每次体征参数选取的范围，提高选取效率。具体来说，如果多个原始参数中两两之间的参数值的相关性均大于设定分类阈值，则认为这些原始参数的相关性很强，可以归为一类。
例如，N op 个原始参数中包括：坐姿左肩高、颅高、腰围、胸围、臀围等，则经过相关性分类，可以将坐姿左肩高、颅高归为一类，将腰围、胸围、臀围归为一类，等等。
步骤四、从每类原始参数的参数名中，根据各参数名与人体坐姿的关联程度，选取体征参数的参数名。
仍然从人体坐姿出发，从每类原始参数的参数名中，选取与人体坐姿关联程度更强的参数名，作为体征参数的参数名。同样地，所选取的参数名可以用于调整座椅的相关参数，提高坐姿的舒适性。
例如，在坐姿左肩高和颅高这一类原始参数中，坐姿左肩高与坐姿的关联程度更强，例如更利于确定座椅高度，因此选取“坐姿左肩高”作为一体征参数的参数名；在腰围、胸围、臀围这一类原始参数中，胸围和臀围与坐姿的关联程度更强，例如更有利于调整座椅大小以及座椅与方向盘的距离，因此选取“胸围”和“臀围”作为两个体征参数的参数名。
步骤五、从所述多个原始样本的每个原始样本中剔除选取的参数名之外的原始参数，将剔除后的所述多个原始样本作为所述多个人体体征样本。
确定体征参数的参数名后，从每个原始样本中剔除其它参数，保留的参数即组成一个人体体征样本。
方式一从体征部位和尺寸类型出发构建参数类别，构建方式简单，适用于还未获取任何原始体征样本的情况，可以直接根据所关注的角度确定体征参数，采集相应的参数值；方式二从已有参数值的相关性出发构建参数类别，所构建的类别可以更准确地反映已有样本数据的特征，适用于已采集了原始体征样本的情况，可以直接利用原始体征样本的参数值构建人体体征样本，提高数据的复用性。
在上述实施例和下述实施例的基础上，本发明实施例提供的方法还包括人体模型选出之后对人体模型进行验证和调整的环节。可选地，选取与所述多个区域样本的主成分向量的相关性满足设定相关性阈值的多个区域样本，作为多个人体模型之后，还包括如下步骤：
步骤一、根据任一体征参数在所述多个人体模型中的最小参数值和最大参数值，生成所述体征参数的容纳区间。
一体征参数的容纳区间用于确定选出的人体模型在该体征参数维度上的容纳范围。每个体征参数都有对应的容纳区间。具体来说，一体征参数在每个人体模型中都对应一个参数值。N m 个人体模型对应N m 个参数值。以N m 个参数值中的最小参数值为区间左端点，最大参数值为区间右端点，就形成了该体征参数的容纳区间。
步骤二、计算所述体征参数的参数值处于所述容纳区间内的人体体征样本的数量与所述多个人体体征样本的数量之间的比值，得到所述体征参数的参数容纳百分比。
参数容纳百分比用于验证选出的人体模型对所有人体体征样本的容纳能力。在保证整体容纳百分比的前提下，本实施例选出的人体模型在某一体征参数维度上对所有人体体征样本的容纳百分比也应满足一定条件。本实施例中为各体征参数的容纳百分比设定了相应的百分比阈值。如果所述参数容纳百分比大于或等于所述体征参数对应的设定百分比阈值，则认为选出的人体模型满足该体征参数上的容纳性能要求，人体模型可用。如果所述参数容纳百分比小于所述体征参数对应的设定百分比阈值，则认为选出的人体模型不满足该体征参数上的容纳性能要求，人体模型不可用。这时本实施例给出两种调整方式：
方式A、在计算所述体征参数的参数值处于所述容纳区间内的人体体征样本的数量与所述多个人体体征样本的数量之间的比值，得到所述体征参数的参数容纳百分比之后，还包括：如果所述参数容纳百分比小于所述体征参数对应的设定百分比阈值，减小所述设定相关性阈值；返回选取与所述主成分向量的相关性满足设定相关性阈值的多个区域样本，作为多个人体模型的步骤，直到所述参数容纳百分比大于或等于所述体征参数对应的设定百分比阈值。
如果用户关注的一体征参数的参数容纳百分比低于对应的百分比阈值，则认为选出的人体模型不满足容纳性能要求。这时以一定步长（例如5%）减小所述设定相关性阈值，使得可以从多个区域样本中选出更多的人体模型，以扩大该体征参数的容纳区间，从而使得该参数的参数容纳百分比更大，直到满足设定的百分比阈值。
方式B、计算所述体征参数的参数值处于所述容纳区间内的人体体征样本的数量与所述多个人体体征样本的数量之间的比值，得到所述体征参数的参数容纳百分比之后，还包括：如果所述参数容纳百分比小于所述体征参数对应的设定百分比阈值，增大所述设定分类阈值；返回如果存在多个原始参数中每两个原始参数的参数值之间相关性均大于设定分类阈值，将所述多个原始参数归为一类的步骤，直到所述参数容纳百分比大于或等于所述体征参数对应的设定百分比阈值。
方式B只适用于方式二的参数名选取方法。如果用户关注的一体征参数的参数容纳百分比低于对应的百分比阈值，则认为选出的人体模型不满足容纳性能要求。这时以一定步长（例如5%）减小所述设定分类阈值，使得可以将原始参数分为更多的类别，从而选出更多的体征参数。体征参数丰富后，人体模型的数量也会随之增多，从而扩大该体征参数的容纳区间，提高对应的参数容纳百分比，直到满足设定的百分比阈值。
方式一和方式二可以单独存在，也可以同时存在；同时存在时可以先后进行，也可以交叉循环进行，或以其他方式进行。本实施例对此不作限制。
本实施例建立了人体模型的验证和调整机制，在满足整体容纳百分比的基础上，通过参数容纳百分比验证人体模型在用户关注的维度上的容纳能力，如果参数容纳百分比过低，通过调整设定相关性阈值和/或设定分类阈值，来提高参数容纳百分比。
图5为本发明实施例提供的一种电子设备的结构示意图，如图5所示，该设备包括处理器50、存储器51、输入装置52和输出装置53；设备中处理器50的数量可以是一个或多个，图5中以一个处理器50为例；设备中的处理器50、存储器51、输入装置52和输出装置53可以通过总线或其他方式连接，图5中以通过总线连接为例。
存储器51作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的人体模型建立方法对应的程序指令/模块。处理器50通过运行存储在存储器51中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的人体模型建立方法。
存储器51可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器51可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器51可进一步包括相对于处理器50远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置52可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置53可包括显示屏等显示设备。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一实施例的人体模型建立方法。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器（RAM）、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案。
Claims (7)
1.一种人体模型建立方法，其特征在于，包括：
根据多个人体体征样本中每个人体体征样本与质心样本之间的马氏距离，从所述多个人体体征样本中筛选出满足设定整体容纳百分比的多个区域样本；
选取与所述多个区域样本的主成分向量的相关性满足设定相关性阈值的多个区域样本，作为多个人体模型；
其中，每个人体体征样本对应不同的人体，每个人体体征样本包括一个人体的多个体征参数，每个体征参数包括参数名和参数值；
所述质心样本用于表征所述多个人体体征样本满足的卡方分布的中心；
所述整体容纳百分比为马氏距离小于马氏距离阈值的人体体征样本的数量与所述多个人体体征样本的数量之间的比值，所述马氏距离阈值为所述多个区域样本对应的多个马氏距离中的最小值；
选取与所述多个区域样本的主成分向量的相关性满足设定相关性阈值的多个区域样本，作为多个人体模型之后，还包括：
根据任一体征参数在所述多个人体模型中的最小参数值和最大参数值，生成所述体征参数的容纳区间；
计算所述体征参数的参数值处于所述容纳区间内的人体体征样本的数量与所述多个人体体征样本的数量之间的比值，得到所述体征参数的参数容纳百分比；
其中，所述参数容纳百分比用于验证所述多个人体模型对所述多个人体体征样本的容纳能力；
根据多个人体体征样本中每个人体体征样本与质心样本之间的马氏距离，从所述多个人体体征样本中筛选出满足设定整体容纳百分比的多个区域样本之前，还包括：
获取多个原始体征样本，其中每个原始体征样本对应不同的人体，每个原始体征样本包括一个人体中多个原始参数，每个原始参数包括参数名和参数值；
计算每两个原始参数的参数值之间的相关性；
如果存在多个原始参数中每两个原始参数的参数值之间相关性均大于设定分类阈值，将所述多个原始参数归为一类；
从每类原始参数的参数名中，根据各参数名与人体坐姿的关联程度，选取体征参数的参数名；
从所述多个原始样本的每个原始样本中剔除选取的参数名之外的原始参数，将剔除后的所述多个原始样本作为所述多个人体体征样本。
2.根据权利要求1所述的方法，其特征在于，计算所述体征参数的参数值处于所述容纳区间内的人体体征样本的数量与所述多个人体体征样本的数量之间的比值，得到所述体征参数的参数容纳百分比之后，还包括：
如果所述参数容纳百分比小于所述体征参数对应的设定百分比阈值，减小所述设定相关性阈值；
返回选取与所述主成分向量的相关性满足设定相关性阈值的多个区域样本，作为多个人体模型的步骤，直到所述参数容纳百分比大于或等于所述体征参数对应的设定百分比阈值。
3.根据权利要求1所述的方法，其特征在于，所述计算每两个原始参数的参数值之间的相关性，包括：
对于任意两个原始参数，将其中一原始参数在所述多个原始体征样本中的参数值组成第一向量，将另一原始参数在所述多个原始体征样本中的参数值组成第二向量；
计算所述第一向量与所述第二向量之间的欧氏距离，所述欧氏距离用于表征所述任意两个原始参数的参数值之间的相关性。
4.根据权利要求1所述的方法，其特征在于，计算所述体征参数的参数值处于所述容纳区间内的人体体征样本的数量与所述多个人体体征样本的数量之间的比值，得到所述体征参数的参数容纳百分比之后，还包括：
如果所述参数容纳百分比小于所述体征参数对应的设定百分比阈值，增大所述设定分类阈值；
返回如果存在多个原始参数中每两个原始参数的参数值之间相关性均大于设定分类阈值，将所述多个原始参数归为一类的步骤，直到所述参数容纳百分比大于或等于所述体征参数对应的设定百分比阈值。
5.根据权利要求1所述的方法，其特征在于，选取与所述多个区域样本的主成分向量的相关性满足设定相关性阈值的多个区域样本，作为多个人体模型之前，还包括：
对所述多个区域样本进行标准化，得到标准化矩阵；
求解所述标准化矩阵的相关系数矩阵，以及所述相关系数矩阵的特征值和特征向量矩阵；
根据所述标准化矩阵与所述特征向量矩阵，求解主成分矩阵，其中，所述主成分矩阵的前n列为n个主成分向量，n为自然数。
6.一种电子设备，其特征在于，所述电子设备包括：
处理器和存储器；
所述处理器通过调用所述存储器存储的程序或指令，用于执行如权利要求1至5任一项所述的人体模型建立方法的步骤。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储程序或指令，所述程序或指令使计算机执行如权利要求1至5任一项所述的人体模型建立方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111513378.8A CN113903059B (zh) | 2021-12-13 | 2021-12-13 | 人体模型建立方法、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111513378.8A CN113903059B (zh) | 2021-12-13 | 2021-12-13 | 人体模型建立方法、设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113903059A CN113903059A (zh) | 2022-01-07 |
| CN113903059B true CN113903059B (zh) | 2022-04-15 |
Family
ID=79026167
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111513378.8A Active CN113903059B (zh) | 2021-12-13 | 2021-12-13 | 人体模型建立方法、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113903059B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103783706A (zh) * | 2014-03-03 | 2014-05-14 | 湖南省忘不了服饰有限公司 | 基于椭圆傅里叶描述的成年男子系列人台构建方法 |
| CN106203856A (zh) * | 2016-07-18 | 2016-12-07 | 交通运输部公路科学研究所 | 一种组合主成分分析和模糊c均值聚类的车辆行驶工况制定方法 |
| CN106778532A (zh) * | 2016-11-28 | 2017-05-31 | 合肥工业大学 | 基于去差异化尺寸参量的驾驶姿态特征分类方法 |
| CN106952335A (zh) * | 2017-02-14 | 2017-07-14 | 深圳奥比中光科技有限公司 | 建立人体模型库的方法及其系统 |
| CN109543995A (zh) * | 2018-11-14 | 2019-03-29 | 成都天佑路航轨道交通科技有限公司 | 一种高速列车驾驶室车内的布局舒适度评价方法 |
| CN110264310A (zh) * | 2019-05-30 | 2019-09-20 | 肖伯祥 | 一种基于人体大数据的服装制版方法 |
| CN112464154A (zh) * | 2020-11-27 | 2021-03-09 | 中国船舶重工集团公司第七0四研究所 | 一种基于无监督学习的自动筛选有效特征的方法 |
| CN112504188A (zh) * | 2020-11-19 | 2021-03-16 | 东风汽车集团有限公司 | 一种生成人体模型的方法和测量人体尺寸的装置 |
| CN112800575A (zh) * | 2020-12-15 | 2021-05-14 | 中汽研(天津)汽车信息咨询有限公司 | 边界假人建模方法、边界假人模型、座椅舒适性校核方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108256423B (zh) * | 2017-12-07 | 2021-11-16 | 广东技术师范大学 | 基于总体相关系数的阿尔茨海默症特征提取方法及系统 |
| CN112837427A (zh) * | 2019-11-25 | 2021-05-25 | 京东方科技集团股份有限公司 | 可变人体模型的处理方法、装置、系统及存储介质 |
-
2021
- 2021-12-13 CN CN202111513378.8A patent/CN113903059B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103783706A (zh) * | 2014-03-03 | 2014-05-14 | 湖南省忘不了服饰有限公司 | 基于椭圆傅里叶描述的成年男子系列人台构建方法 |
| CN106203856A (zh) * | 2016-07-18 | 2016-12-07 | 交通运输部公路科学研究所 | 一种组合主成分分析和模糊c均值聚类的车辆行驶工况制定方法 |
| CN106778532A (zh) * | 2016-11-28 | 2017-05-31 | 合肥工业大学 | 基于去差异化尺寸参量的驾驶姿态特征分类方法 |
| CN106952335A (zh) * | 2017-02-14 | 2017-07-14 | 深圳奥比中光科技有限公司 | 建立人体模型库的方法及其系统 |
| CN109543995A (zh) * | 2018-11-14 | 2019-03-29 | 成都天佑路航轨道交通科技有限公司 | 一种高速列车驾驶室车内的布局舒适度评价方法 |
| CN110264310A (zh) * | 2019-05-30 | 2019-09-20 | 肖伯祥 | 一种基于人体大数据的服装制版方法 |
| CN112504188A (zh) * | 2020-11-19 | 2021-03-16 | 东风汽车集团有限公司 | 一种生成人体模型的方法和测量人体尺寸的装置 |
| CN112464154A (zh) * | 2020-11-27 | 2021-03-09 | 中国船舶重工集团公司第七0四研究所 | 一种基于无监督学习的自动筛选有效特征的方法 |
| CN112800575A (zh) * | 2020-12-15 | 2021-05-14 | 中汽研(天津)汽车信息咨询有限公司 | 边界假人建模方法、边界假人模型、座椅舒适性校核方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113903059A (zh) | 2022-01-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111428557A (zh) | 基于神经网络模型的手写签名的自动校验的方法和装置 | |
| CN112215157B (zh) | 一种基于多模型融合的人脸特征降维提取方法 | |
| CN110782340B (zh) | 决策树模型的交互式建模方法、装置、设备及存储介质 | |
| CN112348079A (zh) | 数据降维处理方法、装置、计算机设备及存储介质 | |
| CN112231558A (zh) | 在线学习挖掘方法及在线学习系统 | |
| CN114037003A (zh) | 问答模型的训练方法、装置及电子设备 | |
| CN115994822A (zh) | 一种人机交互的实时信用审核决策系统 | |
| CN107609487B (zh) | 一种用户头像的生成方法和装置 | |
| CN113903059B (zh) | 人体模型建立方法、设备和存储介质 | |
| CN112101438A (zh) | 一种左右眼分类方法、装置、服务器和存储介质 | |
| CN118135062B (zh) | 一种图像编辑方法、装置、设备及存储介质 | |
| CN112381074B (zh) | 图像识别方法、装置、电子设备和计算机可读介质 | |
| CN113762046A (zh) | 图像识别方法、装置、设备以及存储介质 | |
| CN111723740A (zh) | 数据识别方法、装置、设备及计算机可读存储介质 | |
| CN112232292A (zh) | 应用于移动端的人脸检测方法及装置 | |
| CN111246363B (zh) | 一种基于听觉匹配的虚拟声定制方法及装置 | |
| CN115311152A (zh) | 图像处理方法、装置、电子设备以及存储介质 | |
| CN111242146B (zh) | 基于卷积神经网络的poi信息分类 | |
| CN117669007B (zh) | 一种家具设计方法、装置及系统 | |
| CN111859635A (zh) | 一种基于多粒度建模技术的仿真系统及构建方法 | |
| CN112766362A (zh) | 数据处理方法、装置和设备 | |
| CN116152403B (zh) | 一种形象生成方法、装置、存储介质及电子设备 | |
| CN112733649B (zh) | 基于视频图像识别用户意图的方法及相关设备 | |
| JP2021043841A (ja) | 仮想キャラクタ生成装置及びプログラム | |
| CN111128392B (zh) | 基于小样本进行疾病识别的数据处理方法以及装置、设备、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 | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20220107 Assignee: Zhongqi Intellectual Property (Guangzhou) Co.,Ltd. Assignor: China automobile information technology (Tianjin) Co.,Ltd. Contract record no.: X2024440000002 Denomination of invention: Method, equipment, and storage medium for establishing human body models Granted publication date: 20220415 License type: Common License Record date: 20240105 |
|
| EE01 | Entry into force of recordation of patent licensing contract |