CN114140414A - 非接触式人体测量方法、装置和电子设备 - Google Patents
非接触式人体测量方法、装置和电子设备 Download PDFInfo
- Publication number
- CN114140414A CN114140414A CN202111412469.2A CN202111412469A CN114140414A CN 114140414 A CN114140414 A CN 114140414A CN 202111412469 A CN202111412469 A CN 202111412469A CN 114140414 A CN114140414 A CN 114140414A
- Authority
- CN
- China
- Prior art keywords
- size
- human body
- image
- dimensional
- dimension
- 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 49
- 238000005259 measurement Methods 0.000 claims abstract description 60
- 230000011218 segmentation Effects 0.000 claims abstract description 38
- 238000013178 mathematical model Methods 0.000 claims abstract description 7
- 238000000691 measurement method Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 9
- 238000003708 edge detection Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000007670 refining Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 12
- 238000000605 extraction Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 5
- 210000001624 hip Anatomy 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000010219 correlation analysis Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000007621 cluster analysis Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 210000003414 extremity Anatomy 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 210000002414 leg Anatomy 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241000270295 Serpentes Species 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000005693 optoelectronics Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 210000000689 upper leg Anatomy 0.000 description 1
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
- 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
-
- 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
-
- G06T5/70—
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
Abstract
本申请涉及一种非接触式人体测量方法、装置和电子设备，包括：获取用户数据；所述用户数据包括参考尺寸和图像数据，所述参考尺寸包括被测人体至少一个实际的二维采集尺寸；基于所述图像数据提取对应的人体轮廓线，得到分割图像；基于所述参考尺寸和所述分割图像，确定分割图像中所述被测人体各个维度的实际二维尺寸；将所述实际二维尺寸输入预设的尺寸预测模型，得到所述被测人体各个维度的三维测量尺寸；所述尺寸预测模型为预先进行尺寸拟合得到的数学模型。通过本申请，实现了精确的非接触式的人体测量。
Description
技术领域
本申请涉及人体测量技术领域，特别是涉及一种非接触式人体测量方法、装置和电子设备。
背景技术
为了适应在线服装定制，人体尺寸获取方法应快捷方便，传统手工测量效率不高，不能满足公司日益增长的业务需求。
三维人体测量技术从手工接触式测量向非接触式测量发展，并逐渐实现了和计算机接轨的智能化自动化，不仅解决了人工测量的缺点，还与时代发展与时俱进。三维人体测量技术是以现代光学为基础，汇集了光电子学、计算机图像学、信息处理技术和计算机视觉等多种学科技术。其工作原理是利用光敏感应设备或摄像机捕捉投射到人体表面的光在人体上形成的图像，从中提取出需要的人体三维尺寸信息。
相关技术中，三维人体测量技术以照明方式分类主要有主动式测量和被动式测量。主动式测量通常利用三维人体测量仪获取人体图像再运用图像处理技术获取人体尺寸数据，其主要优点是避免直接测量的不便性和不准确性，测量速度快、精度高，且后期连接电脑后能够为服装设计制造提供准确的尺寸参数，但其测量系统的复杂性、高成本等不便性阻碍了它的发展和推广。被动式测量中的摄影测量法可以避免了其他三维测量的缺点，但是目前研究主要还处于图像边缘检测、轮廓提取及主要部位尺寸提取的阶段，提取精度和尺寸拟合精度不高。
发明内容
本申请实施例提供了一种非接触式人体测量方法、装置和电子设备，以至少解决相关技术中三维人体测量图像提取精度和尺寸拟合精度不高的问题。
第一方面，本申请实施例提供了一种非接触式人体测量方法，包括：
获取用户数据；所述用户数据包括参考尺寸和图像数据，所述参考尺寸包括被测人体至少一个实际的二维采集尺寸；
基于所述图像数据提取对应的人体轮廓线，得到分割图像；
基于所述参考尺寸和所述分割图像，确定分割图像中所述被测人体各个维度的实际二维尺寸；
将所述实际二维尺寸输入预设的尺寸预测模型，得到所述被测人体各个维度的三维测量尺寸；所述尺寸预测模型为预先进行尺寸拟合得到的数学模型。
在其中一些实施例中，基于所述图像数据提取得到对应的人体轮廓线之前，还包括：
对所述图像数据进行姿态识别，并根据姿态识别结果对图像数据进行数据筛选。
在其中一些实施例中，基于所述图像数据提取得到对应的人体轮廓线，得到分割图像包括：
对所述图像数据进行二值化处理和噪声处理，得到二值图；
对所述二值图进行图像边缘检测并标识人体轮廓线，得到分割图像。
在其中一些实施例中，所述基于所述图像数据提取对应的人体轮廓线，得到分割图像之后，所述方法还包括：
对预设的尺寸特征点的位置信息进行纠正，细化所述人体轮廓线。
在其中一些实施例中，所述基于所述参考尺寸和所述分割图像，确定分割图像中所述被测人体各个维度的实际二维尺寸，包括：
从所述分割图像中提取人体骨架；
基于所述分割图像中的所述人体骨架和所述人体轮廓线，确定预设的尺寸特征点对应的坐标信息；
基于所述尺寸特征点对应的坐标信息和所述参考尺寸，确定分割图像中被测人体的实际二维尺寸。
在其中一些实施例中，所述基于所述尺寸特征点对应的坐标信息和所述参考尺寸，确定分割图像中被测人体的实际二维尺寸包括：
基于所述尺寸特征点对应的坐标信息，确定所述图像数据中正面图像和侧面图像的对应关系；
根据所述对应关系对分割图像中所述被测人体进行各个维度的尺寸拟合，得到图像二维尺寸；
基于所述参考尺寸和所述图像二维尺寸，计算得到分割图像中所述被测人体的实际二维尺寸。
在其中一些实施例中，所述尺寸预测模型的建立包括以下步骤：
对样本数据中第一维度的相关维度进行二维尺寸数据的相关度分析，得到所有相关维度的相关度排序；所述样本数据包括人体样本各个维度的二维尺寸数据；
至少以所述样本数据中第二维度的二维尺寸数据为输入进行尺寸拟合，得到所述第一维度对应的尺寸预测模型；所述第二维度与所述第一维度具有最高相关度；
重复以上步骤基于不同维度的二维尺寸数据进行尺寸预测模型拟合，得到各个维度对应的尺寸预测模型。
在其中一些实施例中，将所述实际二维尺寸输入预设的尺寸预测模型，得到所述被测人体各个维度的三维测量尺寸之后，所述方法还包括：
从所述三维测量尺寸中提取局部特征数据进行聚类分析，得出所述被测人体的体型信息；
根据所述三维测量尺寸和所述体型信息构建人体3D模型。
第二方面，本申请实施例提供了一种非接触式人体测量装置，包括：
用户数据获取单元，用于获取用户数据；所述用户数据包括参考尺寸和图像数据，所述参考尺寸包括被测人体至少一个实际的二维采集尺寸；
分割图像确定单元，用于基于所述图像数据提取对应的人体轮廓线，得到分割图像；
实际二维尺寸确定单元，用于基于所述参考尺寸和所述分割图像，确定分割图像中所述被测人体各个维度的实际二维尺寸；
三维测量尺寸获取单元，用于将所述实际二维尺寸输入预设的尺寸预测模型，得到所述被测人体各个维度的三维测量尺寸；所述尺寸预测模型为预先进行尺寸拟合得到的数学模型。
第三方面，本申请实施例提供了一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的非接触式人体测量方法。
相比于相关技术，本申请实施例提供的非接触式人体测量方法，通过获取用户数据，所述用户数据包括参考尺寸和图像数据，所述参考尺寸包括被测人体至少一个实际的二维采集尺寸；基于所述图像数据提取对应的人体轮廓线，得到分割图像；基于所述参考尺寸和所述分割图像，确定分割图像中所述被测人体各个维度的实际二维尺寸；将所述实际二维尺寸输入预设的尺寸预测模型，得到所述被测人体各个维度的三维测量尺寸，实现了基于用户数据中被测人体的至少一个实际的二维采集尺寸和图像数据输出对应被测人体各个维度的三维测量尺寸，通过实际采集尺寸辅助进行图像数据处理，实现了精确的非接触式的人体测量。
本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是本申请其中一个实施例中非接触式人体测量方法的流程示意图；
图2是本申请其中一个实施例中分割图像的获取流程示意图；
图3是本申请其中一个实施例中确定分割图像中所述被测人体各个维度的实际二维尺寸的流程示意图；
图4是本申请其中一个实施例中尺寸预测模型的建立流程示意图；
图5是本申请其中一个实施例中非接触式人体测量装置的结构框图；
图6是本申请其中一个实施例中电子设备的结构示意图。
附图说明：201、用户数据获取单元；202、分割图像确定单元；203、实际二维尺寸确定单元；204、三维测量尺寸获取单元；30、总线；31、处理器；32、存储器；33、通信接口。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开的内容相关的本领域的普通技术人员而言，在本申请揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本申请所描述的实施例在不冲突的情况下，可以与其它实施例相结合。
除非另作定义，本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。
人体测量是成衣设计和生产的基础性工作，是服装成型的基本依据。静态测量技术是服装生产过程中应用最广泛的测量技术，包括接触式人体测量和非接触式人体测量。随着服装行业的设计生产进入自动化时代，人体尺寸测量由简单的人工接触式逐步转变为非接触式自动测量。非接触式人体测量是利用计算机、图像、光和波等形式完成人体的测量，测量速度快、准确性高。常见非接触式人体测量方法有立体摄影法、激光测量法、莫尔条纹测量法、投影条纹相位测量法等。
本实施例提供的非接触式人体测量方法可以应用于服装设计、服装生产过程中，也可以应用于自动样板生成、服装个性定制、虚拟试衣、人体数据库建立过程，本申请在此并不限定。
本实施例提供了一种非接触式人体测量方法。图1是根据本申请实施例的非接触式人体测量方法的流程图，如图1所示，该流程包括如下步骤：
步骤S101，获取用户数据；所述用户数据包括参考尺寸和图像数据，所述参考尺寸包括被测人体至少一个实际的二维采集尺寸。
在本实施例中，所述图像数据可以由用户提供，也可以从网络或各个数据库中采集得到，其可以是被测人体的半身图像，也可以是全身图像，图像的拍摄范围至少覆盖被测人体的待测尺寸对应的身体部位。在一些实施例中，图像数据包括被测人体的正面图像和侧面图像；更为优选的，图像数据包括被测人体的至少一张正面图像和至少两张侧面图像，图像数据量增加可以提高后续进行三维信息获取的准确度。
所述参考尺寸包括被测人体至少一个实际的二维采集尺寸，所述实际的二维采集尺寸为被测人体的实际尺寸，即真实尺寸。参考尺寸可以由用户直接提供(如通过下单数据获取)，也可以通过量体获取。在一些实施例中，参考尺寸可以是如身高、肩宽、眼距等。需要说明的是，二维特征尺寸的选取应避免受光线、背景、衣着误差影响，可以作为被测人体的真实尺寸参考，为后续被测人体的实际二维尺寸的精准计算提供了良好的数据基础。
步骤S102，基于所述图像数据提取对应的人体轮廓线，得到分割图像。
在本实施例中，通过对所述图像数据进行轮廓提取，可以确定人体轮廓线，进而得到对应的分割图像。轮廓提取技术利用人体和背景在图像的灰度、颜色或者纹理特征等方面的差异提取图像中不同特征区域间的分界线。轮廓提取方法较为成熟，包括先验知识法、数学形态法、基于梯度的方法、水平集方法、活动轮廓模型方法等，本申请不再一一赘述。
步骤S103，基于所述参考尺寸和所述分割图像，确定分割图像中所述被测人体各个维度的实际二维尺寸。
具体的，在本实施例中，通过对分割图像进行二维尺寸提取，可以得到各个维度的图像尺寸。根据所述参考尺寸和分割图像的图像尺寸，确定参考尺寸在分割图像中的缩放比。从而根据缩放比对分割图像中的被测人体各个维度的图像尺寸进行计算，得到对应的实际二维尺寸。各个维度的实际二维尺寸包括被测人体实际的长度(如身高)、宽度(肩宽、胸宽、腰宽、胯宽)、厚度(如臀厚、腰厚)等实际二维尺寸中的至少之一。
步骤S104，将所述实际二维尺寸输入预设的尺寸预测模型，得到所述被测人体各个维度的三维测量尺寸；所述尺寸预测模型为预先进行尺寸拟合得到的数学模型。
在本实施例中，尺寸预测模型为以目标人体的实际二维尺寸为自变量进行尺寸拟合得到，拟合方法可以采用超椭圆拟合、EE参数样条曲线拟合、回归分析拟合等。通过尺寸预测模型可以输出各个维度的三维测量尺寸的预测值。
综上，本申请实施例提供的非接触式人体测量方法，通过获取用户数据，所述用户数据包括参考尺寸和图像数据，所述参考尺寸包括被测人体至少一个实际的二维采集尺寸；基于所述图像数据提取对应的人体轮廓线，得到分割图像；基于所述参考尺寸和所述分割图像，确定分割图像中所述被测人体各个维度的实际二维尺寸；将所述实际二维尺寸输入预设的尺寸预测模型，得到所述被测人体各个维度的三维测量尺寸，实现了基于用户数据中被测人体的至少一个实际的二维采集尺寸和图像数据输出对应被测人体各个维度的三维测量尺寸，通过实际采集尺寸辅助进行图像数据处理，实现了精确的非接触式的人体测量。
下面通过优选实施例对本申请实施例进行描述和说明。
在上述实施例的基础上，在其中一些实施例中，基于所述图像数据提取得到对应的人体轮廓线之前，还包括：对所述图像数据进行姿态识别，并根据姿态识别结果对图像数据进行数据筛选。
在本实施例中，图像数据可能不符合拍摄规范，因此图像数据在使用之前需要进行数据筛选。具体的，通过对所述图像数据进行姿态识别，初步筛除不符合规范的图像。姿态识别的本质是图像中的物体识别，可以使用HU不变矩法、卷积神经网络、小波变换等方法。其中，HU不变矩因为具有对形状的敏感性，可以判断图像数据是否符合规范，确定图像数据是否为特定姿势人体全身图像。
在一些实施例中，为了获取规范的图像数据，获取用户数据之前，可以向用户提示图像数据的拍摄要求。例如，当图像数据包括被测人体的至少一张正面图像和至少两张侧面图像时，要求被测人体的正面照自然站立，两臂伸直张开，与身体成一定距离，手部握拳、拳心向下、拳眼向前；第一张侧面照两臂自然下垂、放到大腿两侧、双腿合拢；第二张侧面照一只手向前平举、拳眼朝上、双腿合拢；身体各部位完整并包含头部；衣服为轻薄紧身款；衣服颜色与背景反差较大；摄像头拍摄高度大致为身体中部等。
可以理解，在其他实施例中，图像数据的数据筛选还可以包括数据过滤等，以降低图片数据来源带来的误差。
如图2所示，在上述实施例的基础上，在其中一些实施例中，基于所述图像数据提取得到对应的人体轮廓线，得到分割图像包括：
步骤S1021，对所述图像数据进行二值化处理和噪声处理，得到二值图。
在一些实施例中，由于被测人体和背景的像素灰度分布差异十分明显，因此可以基于OpenCV计算机视觉库采用基本全局阈值法等对图像数据进行二值化处理，得到待测人体部分为白色，背景部分为黑色的二值图。
由于处理得到的二值图存在噪点，因此还需要对其进行噪声处理。具体的，首先进行开运算，消除图片中识别到的除待测人体外的物体、平滑形状边界且不改变面积，然后进行闭运算，填充被测人体内的小空洞，连接断掉的轮廓线。
步骤S1022，对所述二值图进行图像边缘检测并标识人体轮廓线，得到分割图像。
在本实施例中，可以结合深度学习技术，采用Deeplab V3+等语义分割算法获得具有强针对性、高精准度的人体分割模型，将人体与背景完成精确分离。示例性地，可以采用Sobel边缘检测算法，利用快速卷积函数以简单有效地提取图像边缘，标识数字图像中亮度变化明显的点，得到人体轮廓线图。当然，可以根据实际情况选择其他方法进行图像边缘检测，图像边缘检测为本领域现有技术，本申请不做赘述。
在上述实施例的基础上，在其中一些实施例中，所述基于所述图像数据提取对应的人体轮廓线，得到分割图像之后，所述方法还包括：对预设的尺寸特征点的位置信息进行纠正，细化所述人体轮廓线。
在本实施例中，通过图像边缘检测得到人体轮廓线为初始曲线，需要进行细化处理。在一些实施例中，可以通过snake模型(活动轮廓模型)细化人体轮廓线。具体的，首先获取预设的尺寸特征点。所述尺寸特征点为轮廓线上局部区域的关键点。然后以局部区域放大后的初始曲线为初始值，最小化能量泛函，对关键点所在的局部区域迭代，使初始曲线在图像中发生变形并不断逼近目标轮廓，可以将人体轮廓线进行局部区域细化，以获得更加准确的关键点位置信息。在其他实施例中，除了活动轮廓模型，还可以使用CV、PS、LBF、LGDF与LIF模型等，本申请在此并不限定。
如图3所示，在上述实施例的基础上，在其中一些实施例中，所述基于所述参考尺寸和所述分割图像，确定分割图像中所述被测人体各个维度的实际二维尺寸，包括：
步骤S1031，从所述分割图像中提取人体骨架。
具体地，计算机设备检测待处理图像中被测人体的骨架关键点，根据骨架关键点预测出骨架区域。可以理解，本实施例对人体骨架识别方式不进行限定，只要能够从分割图像中提取出人体骨架即可。可以采用AlphaPose方法或OpenPose方法等。
示例性的，可以运用OpenPose算法进行人体骨架的识别。OpenPose算法包含两个部分：第一部分是使用CPM算法识别关节点，第二部分是使用PAF算法将识别到的关键点连接上肢体。两个分支均由两个CNN(卷积神经网络)构成，第一个CNN输入为原图，输出为热度图；第二个CNN的输入为上一个CNN得到的热力图和原图，输出为热力图，网络循环直至收敛。在每一个后续的阶段中，两个分支将前一预测和原始图像联系起来并用于更准确地预测。为引导网络去迭代预测第一个分支中的人体关节点置信映射和第二个阶段中的字段PAF(Part Affinity Fields，PAF为一组对位置和图像上肢体的方向进行编码的2D矢量场)，在每一个阶段结尾处各应用一个损失函数，并且根据前两个阶段得到的两个热度图，根据关节点和肢体位置计算每个像素的法向，生成法向图，并采用匈牙利算法寻找所有的关节点之间的连线，最终得到人体的完整骨架。
步骤S1032，基于所述分割图像中的所述人体骨架和所述人体轮廓线，确定预设的尺寸特征点对应的坐标信息。
具体的，在本实施例中，根据预设的尺寸特征点的分布规律在人体骨架确定尺寸特征点所在的分布区域，扫描对应人体轮廓线的局部区域确定尺寸特征点的点像素坐标。
步骤S1033，基于所述尺寸特征点对应的坐标信息和所述参考尺寸，确定分割图像中被测人体的实际二维尺寸。
具体的，首先基于所述尺寸特征点对应的坐标信息，确定所述图像数据中正面图像和侧面图像的对应关系。在一些实施例中，可以根据被测人体头顶点、脚底点以及人体关节点确定正面图像与侧面图像的对应关系。尺寸特征点可以自定义设置，只要能实现正面图像与侧面图像中像素点的匹配即可。
然后根据所述对应关系对分割图像中所述被测人体进行各个维度的尺寸拟合，得到图像二维尺寸，图像二维尺寸包括长度尺寸和围度尺寸。具体的，根据所述对应关系可以获取正面图像与侧面图像中各个像素点的坐标信息，长度尺寸可以由各个像素点的坐标信息直接获取；围度尺寸基于所述坐标信息进行围度拟合，得出被测人体的截面、厚度和角度的数值后，计算得到对应的围度尺寸。
最后将参考尺寸作为被测人体的真实尺寸参考，基于所述参考尺寸和所述图像二维尺寸，计算得到分割图像中所述被测人体的实际二维尺寸。具体的，根据所述参考尺寸和分割图像的图像二维尺寸，确定参考尺寸在分割图像中的缩放比。从而根据缩放比对分割图像中的被测人体各个维度的图像二维尺寸进行计算，得到对应的实际二维尺寸。示例性的，通过运用公式：参考尺寸/参考尺寸对应的图像二维尺寸＝实际二维尺寸/图像二维尺寸，可以计算得到实际二维尺寸。其中，所述参考尺寸为用户数据中被测人体至少一个实际的二维特征尺寸(如用户的身高)；所述参考尺寸对应的图像二维尺寸为参考尺寸在分割图像中对应的像素值个数；参考尺寸/参考尺寸对应的图像二维尺寸为缩放比；所述图像二维尺寸由上述方式计算得到；所述实际二维尺寸为待求解的被测人体的真实二维尺寸，可以是被测人体实际的二维高度、宽度、厚度和角度等信息。通过上述步骤，可以基于所述参考尺寸以及所述分割图像，计算得到被测人体各个维度的实际二维尺寸，通过实际采集尺寸辅助进行图像数据处理，可以得到更为精确的实际二维尺寸数据。
如图4所示，在上述实施例的基础上，在其中一些实施例中，所述尺寸预测模型的建立包括以下步骤：
步骤S1041，对样本数据中第一维度的相关维度进行二维尺寸数据的相关度分析，得到所有相关维度的相关度排序；所述样本数据包括人体样本各个维度的二维尺寸数据。
在本实施例中，不同维度的尺寸之间具有不同的相关关系，因此需要选用与第一维度相关度高的其他维度进行对应尺寸预测模型的建立，保证模型的预测效果。具体的，根据第一维度建立第一维度对应的尺寸预测模型时，首先对第一维度的相关维度进行二维尺寸数据的相关度分析。在一些实施例中，相关度分析可以使用皮尔逊相关系数，利用大量数据进行拟合回归，本申请在此并不限定。
步骤S1042，至少以所述样本数据中第二维度的二维尺寸数据为输入进行尺寸拟合，得到所述第一维度对应的尺寸预测模型；所述第二维度与所述第一维度具有最高相关度。
步骤S1043，重复以上步骤基于不同维度的二维尺寸数据进行尺寸预测模型拟合，得到各个维度对应的尺寸预测模型。
在本实施例中，不同的人体部位对应的尺寸预测模型具有不同的自变量，以与所述第一维度具有最高相关度的二维尺寸为自变量进行回归分析，由于人体尺寸仿真探究中每个尺寸部位情况不同，每个尺寸部位都使用多种较合适的数学模型，如超椭圆模型、EE样条参数函数或多元回归分析进行比较计算，保证因变量与自变量的相关性最高，可以综合考虑最终使用的模型，提高模型的准确率和精度。
例如，要建立胸围预测模型，则首先对正面和侧面图中的二维尺寸信息与胸围进行拟合回归，提取与胸围相关度高的特征设为自变量进行拟合分析，得到所述第一维度对应的尺寸预测模型。进一步地，将拟合后模型得到的胸围预测模型与人工测量得到的胸围进行比较，与人工测量结果接近则模型拟合效果好。
在上述实施例的基础上，在其中一些实施例中，将所述实际二维尺寸输入预设的尺寸预测模型，得到所述被测人体各个维度的三维测量尺寸之后，所述方法还包括：从所述三维测量尺寸中提取局部特征数据进行聚类分析，得出所述被测人体的体型信息；根据所述三维测量尺寸和所述体型信息构建人体3D模型。
具体的，局部特征数据可以是用户的感兴趣部位，如肩部、头身比、腰部、臀部等部位等。可以利用主成分分析法将三维测量尺寸进行因子提取，对贡献率较大的因子进行聚类分析，并为各聚类类别给出体型标签，对被测对象进行描述。示例性地，由于人体的特殊性，很多标准是模糊的，并不能进行标准的分类，以身高为例，人为地分为高个、中等身高和矮个，其中高个和中等身高的分界标准并不确定，可以采用模糊C聚类分析(FCM)对模糊的对象进行划分，实现了从硬划分向软划分的转变并逐渐应用到实际应用层面。
在本实施例中，根据尺寸尺寸预测模型得到被测人体的三围尺寸和相关曲线尺寸信息，根据各部位的拟合模型建立人体3D模型。利用人体3D模型直接向用户输出各部位详细尺寸信息、可以实现识别体型类型并打印输出3D模型等服务。
需要说明的是，在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
本实施例还提供了一种非接触式人体测量装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图5是根据本申请实施例的非接触式人体测量装置的结构框图，如图5所示，该装置包括：用户数据获取单元201、分割图像确定单元202、实际二维尺寸确定单元203和三维测量尺寸获取单元204。
用户数据获取单元201，用于获取用户数据；所述用户数据包括参考尺寸和图像数据，所述参考尺寸包括被测人体至少一个实际的二维采集尺寸；
分割图像确定单元202，用于基于所述图像数据提取对应的人体轮廓线，得到分割图像；
实际二维尺寸确定单元203，用于基于所述参考尺寸和所述分割图像，确定分割图像中所述被测人体各个维度的实际二维尺寸；
三维测量尺寸获取单元204，用于将所述实际二维尺寸输入预设的尺寸预测模型，得到所述被测人体各个维度的三维测量尺寸；所述尺寸预测模型为预先进行尺寸拟合得到的数学模型。
在其中一些实施例中，非接触式人体测量装置还包括数据筛选单元。
数据筛选单元，用于对所述图像数据进行姿态识别，并根据姿态识别结果对图像数据进行数据筛选。
在其中一些实施例中，分割图像确定单元202包括：二值图获取模块和图像分割模块。
二值图获取模块，用于对所述图像数据进行二值化处理和噪声处理，得到二值图；
图像分割模块，用于对所述二值图进行图像边缘检测并标识人体轮廓线，得到分割图像。
在其中一些实施例中，所述非接触式人体测量装置还包括：轮廓线细化单元。
轮廓线细化单元，用于对预设的尺寸特征点的位置信息进行纠正，细化所述人体轮廓线。
在其中一些实施例中，实际二维尺寸确定单元203包括：人体骨架提取模块、尺寸特征点信息获取模块和实际二维尺寸获取模块。
人体骨架提取模块，用于从所述分割图像中提取人体骨架；
尺寸特征点信息获取模块，用于基于所述分割图像中的所述人体骨架和所述人体轮廓线，确定预设的尺寸特征点对应的坐标信息；
实际二维尺寸获取模块，用于基于所述尺寸特征点对应的坐标信息和所述参考尺寸，确定分割图像中被测人体的实际二维尺寸。
在其中一些实施例中，所述实际二维尺寸获取模块包括：对应关系获取模块、图像二维尺寸获取模块和实际二维尺寸计算模块。
对应关系获取模块，用于基于所述尺寸特征点对应的坐标信息，确定所述图像数据中正面图像和侧面图像的对应关系；
图像二维尺寸获取模块，用于根据所述对应关系对分割图像中所述被测人体进行各个维度的尺寸拟合，得到图像二维尺寸；
实际二维尺寸计算模块，用于基于所述参考尺寸和所述图像二维尺寸，计算得到分割图像中所述被测人体的实际二维尺寸。
在其中一些实施例中，所述非接触式人体测量装置还包括：相关度分析单元、训练单元和尺寸预测模型获取单元。
相关度分析单元，用于对样本数据中第一维度的相关维度进行二维尺寸数据的相关度分析，得到所有相关维度的相关度排序；所述样本数据包括人体样本各个维度的二维尺寸数据；
训练单元，用于至少以所述样本数据中第二维度的二维尺寸数据为输入进行尺寸拟合，得到所述第一维度对应的尺寸预测模型；所述第二维度与所述第一维度具有最高相关度；
尺寸预测模型获取单元，用于重复以上步骤基于不同维度的二维尺寸数据进行尺寸预测模型拟合，得到各个维度对应的尺寸预测模型。
在其中一些实施例中，所述非接触式人体测量装置还包括：体型信息获取单元和3D模型构建单元。
体型信息获取单元，用于从所述三维测量尺寸中提取局部特征数据进行聚类分析，得出所述被测人体的体型信息；
3D模型构建单元，用于根据所述三维测量尺寸和所述体型信息构建人体3D模型。
需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
另外，结合图1描述的本申请实施例非接触式人体测量方法可以由电子设备来实现。图6为根据本申请实施例的电子设备的硬件结构示意图。
电子设备可以包括处理器31以及存储有计算机程序指令的存储器32。
具体地，上述处理器31可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，简称为ASIC)，或者可以被配置成实施本申请实施例的一个或多个集成电路。
其中，存储器32可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器32可包括硬盘驱动器(Hard Disk Drive，简称为HDD)、软盘驱动器、固态驱动器(SolidState Drive，简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(Universal SerialBus，简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器32可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器32可在数据处理装置的内部或外部。在特定实施例中，存储器32是非易失性(Non-Volatile)存储器。在特定实施例中，存储器32包括只读存储器(Read-Only Memory，简称为ROM)和随机存取存储器(RandomAccess Memory，简称为RAM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(Programmable Read-Only Memory，简称为PROM)、可擦除PROM(Erasable ProgrammableRead-Only Memory，简称为EPROM)、电可擦除PROM(Electrically Erasable ProgrammableRead-Only Memory，简称为EEPROM)、电可改写ROM(Electrically Alterable Read-OnlyMemory，简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下，该RAM可以是静态随机存取存储器(Static Random-Access Memory，简称为SRAM)或动态随机存取存储器(Dynamic Random Access Memory，简称为DRAM)，其中，DRAM可以是快速页模式动态随机存取存储器(Fast Page Mode Dynamic Random Access Memory，简称为FPMDRAM)、扩展数据输出动态随机存取存储器(Extended Date Out Dynamic RandomAccess Memory，简称为EDODRAM)、同步动态随机存取内存(Synchronous Dynamic Random-Access Memory，简称SDRAM)等。
存储器32可以用来存储或者缓存需要处理和/或通信使用的各种数据文件，以及处理器31所执行的可能的计算机程序指令。
处理器31通过读取并执行存储器32中存储的计算机程序指令，以实现上述实施例中的任意一种非接触式人体测量方法。
在其中一些实施例中，电子设备还可包括通信接口33和总线30。其中，如图6所示，处理器31、存储器32、通信接口33通过总线30连接并完成相互间的通信。
通信接口33用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。通信接口33还可以实现与其他部件例如：外接设备、图像/数据采集设备、数据库、外部存储以及图像/数据处理工作站等之间进行数据通信。
总线30包括硬件、软件或两者，将电子设备的部件彼此耦接在一起。总线30包括但不限于以下至少之一：数据总线(Data Bus)、地址总线(Address Bus)、控制总线(ControlBus)、扩展总线(Expansion Bus)、局部总线(Local Bus)。举例来说而非限制，总线30可包括图形加速接口(Accelerated Graphics Port，简称为AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture，简称为EISA)总线、前端总线(FrontSide Bus，简称为FSB)、超传输(Hyper Transport，简称为HT)互连、工业标准架构(Industry Standard Architecture，简称为ISA)总线、无线带宽(InfiniBand)互连、低引脚数(Low Pin Count，简称为LPC)总线、存储器总线、微信道架构(Micro ChannelArchitecture，简称为MCA)总线、外围组件互连(Peripheral Component Interconnect，简称为PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(Serial AdvancedTechnology Attachment，简称为SATA)总线、视频电子标准协会局部(Video ElectronicsStandards Association Local Bus，简称为VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线30可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。
该电子设备可以基于获取到的程序指令，执行本申请实施例中的非接触式人体测量方法，从而实现结合图1描述的非接触式人体测量方法。
另外，结合上述实施例中的非接触式人体测量方法，本申请实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种非接触式人体测量方法。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种非接触式人体测量方法，其特征在于，包括：
获取用户数据；所述用户数据包括参考尺寸和图像数据，所述参考尺寸包括被测人体至少一个实际的二维采集尺寸；
基于所述图像数据提取对应的人体轮廓线，得到分割图像；
基于所述参考尺寸和所述分割图像，确定分割图像中所述被测人体各个维度的实际二维尺寸；
将所述实际二维尺寸输入预设的尺寸预测模型，得到所述被测人体各个维度的三维测量尺寸；所述尺寸预测模型为预先进行尺寸拟合得到的数学模型。
2.根据权利要求1所述的非接触式人体测量方法，其特征在于，基于所述图像数据提取得到对应的人体轮廓线之前，还包括：
对所述图像数据进行姿态识别，并根据姿态识别结果对图像数据进行数据筛选。
3.根据权利要求1所述的非接触式人体测量方法，其特征在于，基于所述图像数据提取得到对应的人体轮廓线，得到分割图像包括：
对所述图像数据进行二值化处理和噪声处理，得到二值图；
对所述二值图进行图像边缘检测并标识人体轮廓线，得到分割图像。
4.根据权利要求1所述的非接触式人体测量方法，其特征在于，所述基于所述图像数据提取对应的人体轮廓线，得到分割图像之后，所述方法还包括：
对预设的尺寸特征点的位置信息进行纠正，细化所述人体轮廓线。
5.根据权利要求1所述的非接触式人体测量方法，其特征在于，所述基于所述参考尺寸和所述分割图像，确定分割图像中所述被测人体各个维度的实际二维尺寸，包括：
从所述分割图像中提取人体骨架；
基于所述分割图像中的所述人体骨架和所述人体轮廓线，确定预设的尺寸特征点对应的坐标信息；
基于所述尺寸特征点对应的坐标信息和所述参考尺寸，确定分割图像中被测人体的实际二维尺寸。
6.根据权利要求5所述的非接触式人体测量方法，其特征在于，所述基于所述尺寸特征点对应的坐标信息和所述参考尺寸，确定分割图像中被测人体的实际二维尺寸包括：
基于所述尺寸特征点对应的坐标信息，确定所述图像数据中正面图像和侧面图像的对应关系；
根据所述对应关系对分割图像中所述被测人体进行各个维度的尺寸拟合，得到图像二维尺寸；
基于所述参考尺寸和所述图像二维尺寸，计算得到分割图像中所述被测人体的实际二维尺寸。
7.根据权利要求1所述的非接触式人体测量方法，其特征在于，所述尺寸预测模型的建立包括以下步骤：
对样本数据中第一维度的相关维度进行二维尺寸数据的相关度分析，得到所有相关维度的相关度排序；所述样本数据包括人体样本各个维度的二维尺寸数据；
至少以所述样本数据中第二维度的二维尺寸数据为输入进行尺寸拟合，得到所述第一维度对应的尺寸预测模型；所述第二维度与所述第一维度具有最高相关度；
重复以上步骤基于不同维度的二维尺寸数据进行尺寸预测模型拟合，得到各个维度对应的尺寸预测模型。
8.根据权利要求1所述的非接触式人体测量方法，其特征在于，将所述实际二维尺寸输入预设的尺寸预测模型，得到所述被测人体各个维度的三维测量尺寸之后，所述方法还包括：
从所述三维测量尺寸中提取局部特征数据进行聚类分析，得出所述被测人体的体型信息；
根据所述三维测量尺寸和所述体型信息构建人体3D模型。
9.一种非接触式人体测量装置，其特征在于，包括：
用户数据获取单元，用于获取用户数据；所述用户数据包括参考尺寸和图像数据，所述参考尺寸包括被测人体至少一个实际的二维采集尺寸；
分割图像确定单元，用于基于所述图像数据提取对应的人体轮廓线，得到分割图像；
实际二维尺寸确定单元，用于基于所述参考尺寸和所述分割图像，确定分割图像中所述被测人体各个维度的实际二维尺寸；
三维测量尺寸获取单元，用于将所述实际二维尺寸输入预设的尺寸预测模型，得到所述被测人体各个维度的三维测量尺寸；所述尺寸预测模型为预先进行尺寸拟合得到的数学模型。
10.一种电子设备，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1至7中任一项所述的非接触式人体测量方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111412469.2A CN114140414A (zh) | 2021-11-25 | 2021-11-25 | 非接触式人体测量方法、装置和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111412469.2A CN114140414A (zh) | 2021-11-25 | 2021-11-25 | 非接触式人体测量方法、装置和电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114140414A true CN114140414A (zh) | 2022-03-04 |
Family
ID=80391695
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111412469.2A Pending CN114140414A (zh) | 2021-11-25 | 2021-11-25 | 非接触式人体测量方法、装置和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114140414A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114842147A (zh) * | 2022-05-16 | 2022-08-02 | 聚好看科技股份有限公司 | 一种测量人体参数的方法及电子设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108805980A (zh) * | 2018-07-17 | 2018-11-13 | 新疆农业大学 | 一种基于3d的马体尺测量系统及数据修正方法 |
| CN109493426A (zh) * | 2018-07-24 | 2019-03-19 | 中南大学 | 一种基于单目成像的高炉料面三维重构方法及系统 |
| CN110569784A (zh) * | 2019-09-05 | 2019-12-13 | 武汉纺织大学 | 一种人体尺寸测量方法、系统、存储介质及电子设备 |
| CN111814804A (zh) * | 2020-05-25 | 2020-10-23 | 武汉纺织大学 | 基于ga-bp-mc神经网络的人体三维尺寸信息预测方法及装置 |
| CN112446325A (zh) * | 2020-11-26 | 2021-03-05 | 厦门理工学院 | 一种面向老年人的2d-3d非接触式人体测量方法 |
-
2021
- 2021-11-25 CN CN202111412469.2A patent/CN114140414A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108805980A (zh) * | 2018-07-17 | 2018-11-13 | 新疆农业大学 | 一种基于3d的马体尺测量系统及数据修正方法 |
| CN109493426A (zh) * | 2018-07-24 | 2019-03-19 | 中南大学 | 一种基于单目成像的高炉料面三维重构方法及系统 |
| CN110569784A (zh) * | 2019-09-05 | 2019-12-13 | 武汉纺织大学 | 一种人体尺寸测量方法、系统、存储介质及电子设备 |
| CN111814804A (zh) * | 2020-05-25 | 2020-10-23 | 武汉纺织大学 | 基于ga-bp-mc神经网络的人体三维尺寸信息预测方法及装置 |
| CN112446325A (zh) * | 2020-11-26 | 2021-03-05 | 厦门理工学院 | 一种面向老年人的2d-3d非接触式人体测量方法 |
Non-Patent Citations (1)
| Title |
|---|
| 李学华，杨玮: "与信息时代同行，与创新精神共进 北京信息科技大学信息与通信工程学院2020年大学生创新实践与教学改革论文集", 北京：北京邮电大学出版社, pages: 192 - 199 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114842147A (zh) * | 2022-05-16 | 2022-08-02 | 聚好看科技股份有限公司 | 一种测量人体参数的方法及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109658515B (zh) | 点云网格化方法、装置、设备及计算机存储介质 | |
| CN109325952B (zh) | 基于深度学习的时尚服装图像分割方法 | |
| CN108875524B (zh) | 视线估计方法、装置、系统和存储介质 | |
| CN110675487B (zh) | 基于多角度二维人脸的三维人脸建模、识别方法及装置 | |
| CN112052831B (zh) | 人脸检测的方法、装置和计算机存储介质 | |
| US9665803B2 (en) | Image processing apparatus and image processing method | |
| KR20170008638A (ko) | 3차원 컨텐츠 생성 장치 및 그 3차원 컨텐츠 생성 방법 | |
| JP5538868B2 (ja) | 画像処理装置、その画像処理方法及びプログラム | |
| EP3905194A1 (en) | Pose estimation method and apparatus | |
| CN109640066B (zh) | 高精度稠密深度图像的生成方法和装置 | |
| KR20130044099A (ko) | 영상 처리 방법 및 장치 | |
| JP2023545200A (ja) | パラメータ推定モデルの訓練方法、パラメータ推定モデルの訓練装置、デバイスおよび記憶媒体 | |
| CN107221005B (zh) | 物体检测方法及装置 | |
| CN111160291A (zh) | 基于深度信息与cnn的人眼检测方法 | |
| CN109816634B (zh) | 检测方法、模型训练方法、装置及设备 | |
| CN112200056B (zh) | 人脸活体检测方法、装置、电子设备及存储介质 | |
| CN111626163A (zh) | 一种人脸活体检测方法、装置及计算机设备 | |
| US11922593B2 (en) | Methods of estimating a bare body shape from a concealed scan of the body | |
| JP2017151797A (ja) | 幾何検証装置、プログラム及び方法 | |
| CN114140414A (zh) | 非接触式人体测量方法、装置和电子设备 | |
| CN114626118A (zh) | 建筑物室内模型生成方法及装置 | |
| Bunda | 3D point cloud reconstruction based on the finger vascular pattern | |
| Ranade et al. | Novel single view constraints for manhattan 3d line reconstruction | |
| Wang et al. | A new female body segmentation and feature localisation method for image-based anthropometry | |
| CN112016495A (zh) | 人脸识别的方法、装置和电子设备 |
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 |