CN114627250A - 一种基于Kinect的人体站姿三维重建与测量的方法 - Google Patents
一种基于Kinect的人体站姿三维重建与测量的方法 Download PDFInfo
- Publication number
- CN114627250A CN114627250A CN202210521064.0A CN202210521064A CN114627250A CN 114627250 A CN114627250 A CN 114627250A CN 202210521064 A CN202210521064 A CN 202210521064A CN 114627250 A CN114627250 A CN 114627250A
- Authority
- CN
- China
- Prior art keywords
- human body
- point cloud
- point
- dimensional reconstruction
- standing posture
- 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
- 238000000691 measurement method Methods 0.000 title claims abstract description 11
- 230000009466 transformation Effects 0.000 claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 19
- 238000013136 deep learning model Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 33
- 239000013598 vector Substances 0.000 claims description 30
- 238000005259 measurement Methods 0.000 claims description 23
- 210000001624 hip Anatomy 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 9
- 238000013519 translation Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 210000001217 buttock Anatomy 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 101000911772 Homo sapiens Hsc70-interacting protein Proteins 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
Images
Classifications
-
- 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
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
-
- 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
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)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于Kinect的人体站姿三维重建与测量的方法,涉及点云配准技术领域。本发明方法包括:一台Kinect深度相机拍摄多张点云图像;将点云图像输入至深度学习模型提取点云中所有点的特征;对点云图像根据所提取的特征进行配准生成多个刚性变换矩阵,依靠刚性变换矩阵初步进行三维重建;对三维重建模型进行优化并拼接构成完整人体站姿三维重建模型;对人体站姿三维重建模型根据人体位置结构关系,得到人体各部位对应的点云数据,求得各部位尺寸参数信息。本发明通过三维重建技术对站立人体进行模型重建,并在不依靠测量工具的前提下可测得包含身高、臀围、肩宽、臂长等多个人体尺寸数据。
Description
技术领域
本发明涉及点云配准技术领域,具体是一种基于Kinect的人体站姿三维重建与测量的方法。
背景技术
Kinect 设备前端由一个摄像机和两个摄像头构成。摄像机是红外发射器,它从红外摄像头获取的红外数据后,在内部对其进行计算处理,然后产生深度数据。现在比较流行的三维人体重建方法主要有两种:其一是手工建模主要依靠人工测量并使用软件设计制作,建模准确性不仅与测量人员自身专业水平有关,而且速度较慢。而基于深度相机人体三维重建技术结构简单,准确度高,更便捷。目前,因线上购物的快速发展,许多消费者选择在网上选购自己的衣服,并且消费者更希望获取更贴合自身尺寸的服装,将三维人体测量技术在未来的购物模式中得到应用,这种大规模定制的前提是消费者身体尺寸数据的获取。传统的人体尺寸测量方法是通过测量工具接触式测量,耗费时间和精力,而基于深度相机的人体尺寸测量技术中,多采用Kinect深度相机提取人体三维数据,进行特征维度的测量,但其需要多台相机同时对人体四周进行点云数据提取,只能测量少数简单的尺寸,无法实现人体多尺寸的精确测量,限制了现实的生产应用。
因此出现了基于公开号为CN 113240603A的中国专利公开了“基于点云数据的三维人体测量系统和测量方法”,根据所述检测方法能够通过机械臂与深度相机的配合测量人体各部位的尺寸数据,但实际操作起来较为复杂,且检测准确性不理想。
发明内容
为了解决上述问题存在的不足,本发明旨在仅通过一个电动转台与一个Kinect深度相机对人体进行三维重建,并将人体位置结构关系与重建点云相结合,实现对人体的非接触多尺寸信息的精准测量。
本发明解决其技术问题所采用的技术方案是:
步骤1,通过Kinect深度相机拍摄多张人体点云图像;
步骤2,对原始点云图像去除噪声及背景;
步骤3,将去除噪声及背景的点云图像输入至深度学习模型提取特征;
步骤4,根据所提取的特征对去除噪声及背景的点云图像进行配准,得到多个刚性变换矩阵,刚性变换矩阵与原始点云图像相乘初步构成三维重建模型;
步骤5,对构成的三维重建模型进行优化并拼接构成完整人体站姿三维重建模型;
步骤6,首先求出人体站姿三维重建模型中所有点云坐标的均值,确定为坐标系原点坐标;随后通过人体站姿三维重建模型中方差最大方向设定为y轴方向;再求出与y轴方向垂直的次大方差方向即为x轴,再经过坐标系原点,作垂直于x轴与y轴组成的面的线,此线即为z轴;
然后根据人体位置结构关系与人体站姿三维重建模型,得到人体各部位对应的点云数据,求得各部位尺寸参数信息,包括身高、肩宽、臂长和臀围。
进一步的,步骤1的具体实现包括以下步骤:
步骤1.1,将Kinect深度相机立于电动转台前方,人体自然站立于电动转台之上;
步骤1.2,使电动转台匀速旋转,在此过程中利用Kinect深度相机拍摄n张点云图像,将采集到的点云图像作为原始点云图像集;
进一步的,步骤2的具体实现包括以下步骤;
步骤2.1,首先对人体边界产生的明显噪声通过设置深度阈值m对其进行去除,同理再通过深度阈值n将人体的背景数据全部去除;
步骤2.2,对于所拍摄的点云图中部分无法使用深度阈值去除的噪声,首先对于点云中所有点,以每个点为球心设定初始半径r1计算包含在此球内点的数量,求出所有球中点的数量的平均值,此平均值的k%即为新设定的阈值w;
步骤2.3,通过步骤2.2所得阈值,遍历点云所有的点,同理以点为球心设定初始半径r2计算包含在此球内点的数量,点的数量小于w的球的球心即为噪声,将这些为噪声的球心去除。
进一步的,步骤3的具体实现包括以下步骤;
步骤3.1,使用旋转矩阵对点云进行旋转,其中旋转矩阵通过以下步骤获得:对于输入的n×3点云特征,n为点云点的数量,3为每个点的坐标值x, y, z,首先通过卷积核大小为1×1的卷积层升维至n×k,然后将所得特征向量进行最大池化,得到一个二维的1×k的特征向量,将此二维特征向量转换为一个长度为k的一维特征向量,再对此一维特征向量降维至9,并通过矩阵变换,得到一个3×3的矩阵,所得矩阵即为旋转矩阵,将旋转矩阵与输入点云特征相乘得到一个新的n×3的点云特征;
步骤3.2,将新的点云特征依次通过四次由共享权重的多层感知机与池化层组成的层结构,其中多层感知机的卷积核大小为1,通道数为128;之后将四个层结构的输出进行拼接,得到初步提取特征的特征向量;
步骤3.3,将步骤3.2中的输出再次通过一个多层感知机与最大池化层;
步骤3.4,最后将步骤3.2与步骤3.3中的输出拼接,得到每个点像素级的特征。
进一步的,步骤4的具体实现包括以下步骤;
步骤4.1,根据奇异值分解方法,对所提取的特征对点云图像之间进行两两配准,得到多个刚性变换矩阵,所述刚性变换矩阵包括旋转矩阵和平移向量;
步骤4.2,将步骤4.1得到的刚性变换矩阵与原点云图相乘初步构成三维重建模型。
进一步的,步骤5的具体实现包括以下步骤;
步骤5.1,将步骤4所得的三维重建模型通过优化算法进行优化得到坐标更精准的点云图;
优化算法,其具体包括:
其中,b j 是优化后的点,a j 为原始点,n j 为a j 的法向量,ω为权重因子;权重因子的计算方法如下:
其中,a j 为当前计算的点,A l (a j )表示a j 的邻域,a k 为邻域内的点,σ p 为频域高斯的标准差,σ r 为空域高斯的标准差,n k 为a k 的法向量,< n k , n j >为n k 与n j 的内积,|n k |为n k 的模;
步骤5.2,根据步骤5.1所得的点云图与其对应的旋转矩阵重建人体站姿三维模型,即将点云图与旋转矩阵做矩阵乘法,再将每个点的坐标加上平移向量,得到人体站姿三维重建模型。
进一步的,步骤6中对于身高、肩宽测量,首先找寻人体站姿三维重建模型中方差最大的方向,此方向即为人体直立方向,此方向中差值最大的两个点即为身高;通过分析坐标,找寻x值与y值之和最大的点即为左肩点,经过左肩点作垂直于人体直立方向的面,此面x值最小点即为右肩点,求得左肩点与右肩点之差即可得到肩宽。
进一步的,步骤6中对于臂长测量,以左臂为例,根据左肩点坐标,经过左肩点坐标作平行于y轴的面,从而将左臂点云从人体站姿三维重建模型中分割出来;在分割后的点云中寻找方差最大的方向,此方向中差值最大的两个点之间y的差值即为臂长。
进一步的,步骤6中对于臀围测量,根据头身比,分割出人体臀部区域的大致点云模块,在此模块中寻找z值最大的点,通过此点作垂直于人体方向的切面,获得该切面与人体站姿三维重建模型相交的区域,再根据凸包算法找到区域最外围的一圈点云,然后通过点与点之间的直线拟合得到最外围的一圈点云对应的曲线,曲线的周长即为臀围;其中设定成年人身高为h,则头部长度e为1/8 h,臀部区域即在区域[1/2 h,5/8 h]内。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
本发明提供的一种基于Kinect的人体站姿三维重建与测量的方法,仅通过一个电动转台与一个Kinect深度相机对人体进行三维重建,并将人体位置结构关系与重建点云相结合,实现对人体的非接触多尺寸信息的精准测量。
附图说明
图1是本发明实施例提供的一种基于Kinect的人体站姿三维重建与测量的方法流程示意图;
图2是本发明实施例提供的一种基于Kinect的人体站姿三维重建与测量的方法检测人体部位尺寸示意图,图中人体为实验重建结果。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施案例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明提出了一种基于Kinect的人体站姿三维重建与测量的方法,如图1所示,包括:
步骤1,通过Kinect深度相机拍摄多张人体点云图像;
步骤2,对原始点云图像去除噪声及背景;
步骤3,将去除噪声及背景的点云图像输入至深度学习模型提取特征;
步骤4,根据所提取的特征对去除噪声及背景的点云图像进行配准,得到多个刚性变换矩阵,刚性变换矩阵与原始点云图像相乘初步构成三维重建模型;
步骤5,对构成的三维重建模型进行优化并拼接构成完整人体站姿三维重建模型;
步骤6,根据人体位置结构关系与人体站姿三维重建模型,得到人体各部位对应的点云数据,求得各部位尺寸参数信息。
所述步骤1具体包括以下步骤:
步骤1.1:将Kinect深度相机立于电动转台前方,人体自然站立于电动转台之上;
步骤1.2:使电动转台匀速旋转,在此过程中利用Kinect深度相机拍摄n张点云图像,将采集到的点云图像作为原始点云图像集;
所述步骤2具体包括以下步骤:
步骤2.1:首先对人体边界产生的明显噪声通过设置深度阈值m对其进行去除,同理再通过深度阈值n将人体的背景数据全部去除;
步骤2.2:对于所拍摄的点云图中部分无法使用深度阈值去除的噪声,对于所拍摄的点云图中部分无法使用深度阈值去除的噪声,首先对于点云中所有点,以每个点为球心设定初始半径r1计算包含在此球内点的数量,求出所有球中点的数量的平均值,此平均值的k%即为新设定的阈值w;在人体站姿三维重建中k值设定为35可达到较好的效果;
步骤2.3,通过步骤2.2所得阈值,遍历点云所有的点,同理以点为球心设定初始半径r2计算包含在此球内点的数量,点的数量小于w的球的球心即为噪声,将这些为噪声的球心去除。
所述步骤3具体包括以下步骤:
步骤3.1:使用旋转矩阵对点云进行旋转,其中旋转矩阵通过以下步骤获得:对于输入的n×3(n为点云点的数量,3为每个点的坐标值x, y, z)点云特征,首先通过卷积核大小为1×1的卷积层升维至n×512,然后将所得特征向量进行最大池化,得到一个二维的1×512的特征向量,将此二维特征向量转换为一个长度为512的一维特征向量,再对此一维特征向量降维至9,并通过矩阵变换,得到一个3×3的矩阵,所得矩阵即为旋转矩阵,将旋转矩阵与输入点云特征相乘得到一个新的n×3的点云特征;
步骤3.2,将新的点云特征依次通过四次由共享权重的多层感知机与池化层组成的层结构,其中多层感知机的卷积核大小为1,通道数为128;之后将四个层结构的输出进行拼接,得到初步提取特征的特征向量;
步骤3.3,将步骤3.2中的输出再次通过一个多层感知机与最大池化层;
步骤3.4:最后将步骤3.2与步骤3.3中的输出拼接,得到每个点像素级的特征。
所述步骤4具体包括以下步骤:
步骤4.1:根据奇异值分解方法,对所提取的特征对点云图像之间进行两两配准,得到多个刚性变换矩阵,所述刚性变换矩阵包括旋转矩阵和平移向量;
步骤4.2:将步骤4.1得到的刚性变换矩阵与原点云图相乘初步构成三维重建模型;
所述步骤5具体包括以下步骤:
步骤5.1:将步骤4所得的三维重建模型通过优化算法进行优化得到坐标更精准的点云图;
优化算法,其具体包括:
其中,b j 是优化后的点,a j 为原始点,n j 为a j 的法向量,ω为权重因子;权重因子的计算方法如下:
其中,a j 为当前计算的点,A l (a j )表示a j 的邻域,a k 为邻域内的点,σ p 为频域高斯的标准差,σ r 为空域高斯的标准差,n k 为a k 的法向量,< n k , n j >为n k 与n j 的内积,|n k |为n k 的模;
步骤5.2:根据步骤5.1所得的点云图与其对应的旋转矩阵重建人体站姿三维模型,即将点云图与旋转矩阵做矩阵乘法,再将每个点的坐标加上平移向量,得到人体站姿三维重建模型。
步骤6中,根据人体位置结构关系与人体站姿三维重建模型,得到人体各部位对应的点云数据,求得各部位尺寸参数信息的方法,包括身高、肩宽、臂长和臀围;
首先求出人体三维重建模型中所有点坐标的均值,确定如图2所示坐标系原点坐标;随后通过人体三维重建模型中方差最大方向设定为y轴方向;再求出与y轴方向垂直的次大方差方向即为x轴;再经过坐标系原点,作垂直于x轴与y轴组成的面的线,此线即为z轴;
对于身高、肩宽测量,首先找寻人体站姿三维重建模型中方差最大的方向,此方向即为人体直立方向,此方向中差值最大的两个点即为身高;通过分析坐标,可找寻x值与y值之和最大的点即为左肩点,即图2中(x3,y3,z3);根据左肩点垂直于人体直立方向切面这一原理,经过左肩点作垂直于人体直立方向的面,此面x值最小点即为右肩,求得左肩与右肩之差即可得到肩宽;
对于臂长测量,以左臂为例,根据左肩坐标,经过左肩点坐标作平行于y轴的面,从而将左臂点云从人体站姿三维重建模型中分割出来,在分割后的点云中寻找方差最大的方向,此方向中差值最大的两个点之间y的差值即为臂长;
对于臀围测量,根据头身比,分割出人体臀部区域的大致点云模块(例如设定成年人身高为h,则头部长度e为1/8 h,臀部区域即在区域[1/2 h,5/8 h]内),在此模块中寻找z值最大的点,通过此点作垂直于人体方向的切面,获得该切面与人体站姿三维重建模型相交的区域,再根据凸包算法找到区域最外围的一圈点云,然后通过点与点之间的直线拟合得到最外围的一圈点云的曲线,曲线的周长即为臀围。
具体的,如图2所示,检测身高与肩宽的方法包括:找寻人体站姿三维重建模型中方差最大的方向,此方向即为人体直立方向,此方向中差值最大的两个点(x1,y1,z1) 与(x2,y2,z2)即为身高;因每个点包含x, y, z三个坐标值,找寻x与y值之和最大的点即为左肩,即(x3,y3,z3),根据此点垂直于人体直立方向切面,此面x值最小点即为右肩,即(x4,y4,z4),求得左肩与右肩之差即可得到肩宽。
其中,测臂长的方法包括: 以左臂为例,根据左肩坐标,将左臂点云进行分割;在分割后的点云中寻找方差最大的方向,此方向中差值最大的两个点(x3,y3,z3) 与(x5,y5,z5)之间y的差值即为臂长。
其中,检测臀围的方法包括:根据头身比,分割出人体臀部区域的大致点云模块,在此模块中寻找z值最大的点 (x6,y6,z6),通过此点作垂直于人体方向的切面,获得该切面与人体站姿三维重建模型相交的区域,再根据凸包算法找到区域最外围的一圈点云,然后通过点与点之间的直线拟合得到最外围的一圈点云对应的曲线,曲线的周长即为臀围。
对于上述所测的身高、肩宽、臂长以及臀围与实际真实尺寸误差均小于1cm,精度较以往的通过三维重建测量人体各部位尺寸参数信息的算法有所提高。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
Claims (9)
1.一种基于Kinect的人体站姿三维重建与测量的方法,其特征在于,包括如下步骤:
步骤1,通过Kinect深度相机拍摄多张人体点云图像;
步骤2,对原始点云图像去除噪声及背景;
步骤3,将去除噪声及背景的点云图像输入至深度学习模型提取特征;
步骤4,根据所提取的特征对去除噪声及背景的点云图像进行配准,得到多个刚性变换矩阵,刚性变换矩阵与原始点云图像相乘初步构成三维重建模型;
步骤5,对构成的三维重建模型进行优化并拼接构成完整人体站姿三维重建模型;
步骤6,首先求出人体站姿三维重建模型中所有点云坐标的均值,确定为坐标系原点坐标;随后通过人体站姿三维重建模型中方差最大方向设定为y轴方向;再求出与y轴方向垂直的次大方差方向即为x轴,再经过坐标系原点,作垂直于x轴与y轴组成的面的线,此线即为z轴;
然后根据人体位置结构关系与人体站姿三维重建模型,得到人体各部位对应的点云数据,求得各部位尺寸参数信息,包括身高、肩宽、臂长和臀围。
2.如权利要求1所述的一种基于Kinect的人体站姿三维重建与测量的方法,其特征在于:步骤1的具体实现包括以下步骤:
步骤1.1,将Kinect深度相机立于电动转台前方,人体自然站立于电动转台之上;
步骤1.2,使电动转台匀速旋转,在此过程中利用Kinect深度相机拍摄n张点云图像,将采集到的点云图像作为原始点云图像集。
3.如权利要求1所述的一种基于Kinect的人体站姿三维重建与测量的方法,其特征在于:步骤2的具体实现包括以下步骤;
步骤2.1,首先对人体边界产生的明显噪声通过设置深度阈值m对其进行去除,同理再通过深度阈值n将人体的背景数据全部去除;
步骤2.2,对于所拍摄的点云图中部分无法使用深度阈值去除的噪声,首先对于点云中所有点,以每个点为球心设定初始半径r1计算包含在此球内点的数量,求出所有球中点的数量的平均值,此平均值的k%即为新设定的阈值w;
步骤2.3,通过步骤2.2所得阈值,遍历点云所有的点,同理以点为球心设定初始半径r2计算包含在此球内点的数量,点的数量小于w的球的球心即为噪声,将这些为噪声的球心去除。
4.如权利要求1所述的一种基于Kinect的人体站姿三维重建与测量的方法,其特征在于:步骤3的具体实现包括以下步骤;
步骤3.1,使用旋转矩阵对点云进行旋转,其中旋转矩阵通过以下步骤获得:对于输入的n×3点云特征,n为点云点的数量,3为每个点的坐标值x, y, z,首先通过卷积核大小为1×1的卷积层升维至n×k,然后将所得特征向量进行最大池化,得到一个二维的1×k的特征向量,将此二维特征向量转换为一个长度为k的一维特征向量,再对此一维特征向量降维至9,并通过矩阵变换,得到一个3×3的矩阵,所得矩阵即为旋转矩阵,将旋转矩阵与输入点云特征相乘得到一个新的n×3的点云特征;
步骤3.2,将新的点云特征依次通过四次由共享权重的多层感知机与池化层组成的层结构,其中多层感知机的卷积核大小为1,通道数为128;之后将四个层结构的输出进行拼接,得到初步提取特征的特征向量;
步骤3.3,将步骤3.2中的输出再次通过一个多层感知机与最大池化层;
步骤3.4,最后将步骤3.2与步骤3.3中的输出拼接,得到每个点像素级的特征。
5.如权利要求1所述的一种基于Kinect的人体站姿三维重建与测量的方法,其特征在于:步骤4的具体实现包括以下步骤;
步骤4.1,根据奇异值分解方法,对所提取的特征对点云图像之间进行两两配准,得到多个刚性变换矩阵,所述刚性变换矩阵包括旋转矩阵和平移向量;
步骤4.2,将步骤4.1得到的刚性变换矩阵与原点云图相乘初步构成三维重建模型。
6.如权利要求5所述的一种基于Kinect的人体站姿三维重建与测量的方法,其特征在于:步骤5的具体实现包括以下步骤;
步骤5.1,将步骤4所得的三维重建模型通过优化算法进行优化得到坐标更精准的点云图;
优化算法,其具体包括:
其中,b j 是优化后的点,a j 为原始点,n j 为a j 的法向量,ω为权重因子;权重因子的计算方法如下:
其中,a j 为当前计算的点,A l (a j )表示a j 的邻域,a k 为邻域内的点,σ p 为频域高斯的标准差,σ r 为空域高斯的标准差,n k 为a k 的法向量,< n k , n j >为n k 与n j 的内积,|n k |为n k 的模;
步骤5.2,根据步骤5.1得的点云图与其对应的旋转矩阵重建人体站姿三维模型,即将点云图与旋转矩阵做矩阵乘法,再将每个点的坐标加上平移向量,得到人体站姿三维重建模型。
7.如权利要求1所述的一种基于Kinect的人体站姿三维重建与测量的方法,其特征在于:步骤6中对于身高、肩宽测量,首先找寻人体站姿三维重建模型中方差最大的方向,此方向即为人体直立方向,此方向中差值最大的两个点即为身高;通过分析坐标,找寻x值与y值之和最大的点即为左肩点,经过左肩点作垂直于人体直立方向的面,此面x值最小点即为右肩点,求得左肩点与右肩点之差即可得到肩宽。
8.如权利要求1所述的一种基于Kinect的人体站姿三维重建与测量的方法,其特征在于:步骤6中对于臂长测量,以左臂为例,根据左肩点坐标,经过左肩点坐标作平行于y轴的面,从而将左臂点云从人体站姿三维重建模型中分割出来;在分割后的点云中寻找方差最大的方向,此方向中差值最大的两个点之间y的差值即为臂长。
9.如权利要求1所述的一种基于Kinect的人体站姿三维重建与测量的方法,其特征在于:步骤6中对于臀围测量,根据头身比,分割出人体臀部区域的大致点云模块,在此模块中寻找z值最大的点,通过此点作垂直于人体方向的切面,获得该切面与人体站姿三维重建模型相交的区域,再根据凸包算法找到区域最外围的一圈点云,然后通过点与点之间的直线拟合得到最外围的一圈点云对应的曲线,曲线的周长即为臀围;其中设定成年人身高为h,则头部长度e为1/8 h,臀部区域即在区域[1/2 h,5/8 h]内。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210521064.0A CN114627250B (zh) | 2022-05-13 | 2022-05-13 | 一种基于Kinect的人体站姿三维重建与测量的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210521064.0A CN114627250B (zh) | 2022-05-13 | 2022-05-13 | 一种基于Kinect的人体站姿三维重建与测量的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114627250A true CN114627250A (zh) | 2022-06-14 |
CN114627250B CN114627250B (zh) | 2022-08-16 |
Family
ID=81907019
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210521064.0A Active CN114627250B (zh) | 2022-05-13 | 2022-05-13 | 一种基于Kinect的人体站姿三维重建与测量的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114627250B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN117152734A (zh) * | 2023-08-27 | 2023-12-01 | 上海盎维信息技术有限公司 | 基于标靶的影像识别方法、激光雷达及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794722A (zh) * | 2015-04-30 | 2015-07-22 | 浙江大学 | 利用单个Kinect计算着装人体三维净体模型的方法 |
CN109242960A (zh) * | 2018-09-15 | 2019-01-18 | 武汉智觉空间信息技术有限公司 | 采用双Kinect和旋转平台的人体实时建模系统及其建模方法 |
CN109389671A (zh) * | 2018-09-25 | 2019-02-26 | 南京大学 | 一种基于多阶段神经网络的单图像三维重建方法 |
CN110223387A (zh) * | 2019-05-17 | 2019-09-10 | 武汉奥贝赛维数码科技有限公司 | 一种基于深度学习的三维模型重建技术 |
CN111414798A (zh) * | 2019-02-03 | 2020-07-14 | 沈阳工业大学 | 基于rgb-d图像的头部姿态检测方法及系统 |
US20200302621A1 (en) * | 2019-03-18 | 2020-09-24 | Beijing University Of Technology | Method for three-dimensional human pose estimation |
-
2022
- 2022-05-13 CN CN202210521064.0A patent/CN114627250B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104794722A (zh) * | 2015-04-30 | 2015-07-22 | 浙江大学 | 利用单个Kinect计算着装人体三维净体模型的方法 |
CN109242960A (zh) * | 2018-09-15 | 2019-01-18 | 武汉智觉空间信息技术有限公司 | 采用双Kinect和旋转平台的人体实时建模系统及其建模方法 |
CN109389671A (zh) * | 2018-09-25 | 2019-02-26 | 南京大学 | 一种基于多阶段神经网络的单图像三维重建方法 |
CN111414798A (zh) * | 2019-02-03 | 2020-07-14 | 沈阳工业大学 | 基于rgb-d图像的头部姿态检测方法及系统 |
US20200302621A1 (en) * | 2019-03-18 | 2020-09-24 | Beijing University Of Technology | Method for three-dimensional human pose estimation |
CN110223387A (zh) * | 2019-05-17 | 2019-09-10 | 武汉奥贝赛维数码科技有限公司 | 一种基于深度学习的三维模型重建技术 |
Non-Patent Citations (2)
Title |
---|
HUARONG XU: "Fast 3D-Object Modeling with Kinect and Rotation Platform", 《2015 THIRD INTERNATIONAL CONFERENCE ON ROBOT, VISION AND SIGNAL PROCESSING》 * |
杜小燕等: "点云模型的双边滤波去噪算法", 《计算机应用与软件》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN117152734A (zh) * | 2023-08-27 | 2023-12-01 | 上海盎维信息技术有限公司 | 基于标靶的影像识别方法、激光雷达及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114627250B (zh) | 2022-08-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114627250B (zh) | 一种基于Kinect的人体站姿三维重建与测量的方法 | |
CN106780619B (zh) | 一种基于Kinect深度相机的人体尺寸测量方法 | |
CN105654483B (zh) | 三维点云全自动配准方法 | |
CN111080627A (zh) | 一种基于深度学习的2d+3d大飞机外形缺陷检测与分析方法 | |
CN111462302B (zh) | 基于深度编码网络的多视点人体动态三维重建方法及系统 | |
Wu et al. | A novel high precise laser 3D profile scanning method with flexible calibration | |
CN116309880A (zh) | 基于三维重建的物体位姿确定方法、装置、设备及介质 | |
CN109345582A (zh) | 基于优化的置信传播算法和稀疏表示的深度图像获取方法 | |
CN110009745B (zh) | 根据平面基元和模型驱动对点云提取平面的方法 | |
CN112329726B (zh) | 人脸识别方法及装置 | |
CN103308000A (zh) | 基于双目视觉的曲线物体测量方法 | |
Wei et al. | Optimization of 3-D pose measurement method based on binocular vision | |
Yin et al. | [Retracted] Virtual Reconstruction Method of Regional 3D Image Based on Visual Transmission Effect | |
CN114612412A (zh) | 三维点云数据的处理方法及其用途、电子设备、存储介质 | |
CN115100277A (zh) | 复杂曲面结构零件位姿确定方法 | |
CN113628170A (zh) | 一种基于深度学习的激光线提取方法及系统 | |
CN104134206B (zh) | 基于三维二值特征描述子的ct体数据快速匹配方法 | |
Zhang et al. | Robust curvature estimation and geometry analysis of 3d point cloud surfaces | |
CN112150546B (zh) | 一种基于辅助点几何约束的单目视觉位姿估计方法 | |
Sun et al. | A new camera calibration method for multi-camera localization | |
Yang et al. | Fast matching algorithm for sparse star points based on improved Delaunay subdivision | |
CN117689813B (zh) | 一种变电站高精度电力变压器红外三维建模方法及系统 | |
CN115797185B (zh) | 一种基于图像处理、复球面的坐标转换的方法 | |
CN116295097B (zh) | 一种具有材质普适性的三维数据集采集评估方法及装置 | |
Hao et al. | Primitive Segmentation of Dougong Components Based on Regional Clustering |
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 |