CN115457104A - 人体信息的确定方法、装置及电子设备 - Google Patents
人体信息的确定方法、装置及电子设备 Download PDFInfo
- Publication number
- CN115457104A CN115457104A CN202211338135.XA CN202211338135A CN115457104A CN 115457104 A CN115457104 A CN 115457104A CN 202211338135 A CN202211338135 A CN 202211338135A CN 115457104 A CN115457104 A CN 115457104A
- Authority
- CN
- China
- Prior art keywords
- human body
- view
- parameters
- determining
- 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.)
- Granted
Links
Images
Classifications
-
- 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
-
- 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
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- 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
-
- 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
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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 Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了人体信息的确定方法,涉及增强现实、虚拟现实、计算机视觉、深度学习等技术领域,可应用于元宇宙等场景。具体方案:获取相机采集的目标对象的前视图、侧视图及身高数据;根据前视图及侧视图确定相机的参数及目标对象的目标人体参数;将目标人体参数及相机的参数,输入预设多视图重建网络模型,获取多视图重建网络模型输出的第一预测人体网格模型;根据身高数据对第一预测人体网格模型进行缩放,确定目标对象的人体网格模型;根据人体网格模型确定目标对象的人体数据。该方法通过目标对象的前视图及侧视图准确地构建出人体网格模型,并基于人体网格模型确定人体数据,不仅提高了确定人体数据的便捷性,也提高了确定人体数据的准确性。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及增强现实、虚拟现实、计算机视觉、深度学习等技术领域,可应用于元宇宙、虚拟数字人等场景,具体涉及人体信息的确定方法、装置及电子设备。
背景技术
在机器人视觉、高级人机交互、虚拟现实、虚拟试穿、虚拟社交、健身健康等领域中,为了提供更真实的用户体验,需要获取真实的人体数据。因此,如何便捷地准确地确定人体数据,是目前亟需解决的问题。
发明内容
本公开提供了一种人体信息的确定方法、装置及电子设备。
根据本公开的一方面,提供了一种人体信息的确定方法,包括:
获取相机采集的目标对象的前视图、侧视图及身高数据;
根据前视图及侧视图,确定相机的参数及目标对象的目标人体参数;
将目标人体参数及相机的参数,输入预设的多视图重建网络模型,以获取多视图重建网络模型输出的第一预测人体网格模型;
根据身高数据对第一预测人体网格模型进行缩放,以确定目标对象的人体网格模型;
根据人体网格模型,确定目标对象的人体数据。
根据本公开的另一方面,提供了一种人体信息的确定装置,包括:
获取模块,用于获取相机采集的目标对象的前视图、侧视图及身高数据;
确定模块,用于根据前视图及侧视图,确定相机的参数及目标对象的目标人体参数;
预测模块,用于将目标人体参数及相机的参数,输入预设的多视图重建网络模型,以获取多视图重建网络模型输出的第一预测人体网格模型;
修正模块,用于根据身高数据对第一预测人体网格模型进行缩放,以确定目标对象的人体网格模型;
上述确定模块,用于根据人体网格模型,确定目标对象的人体数据。
根据本公开的另一方面,提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述实施例所述的方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据上述实施例所述的方法。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1为本公开实施例提供的一种人体信息的确定方法的流程示意图;
图2为本公开实施例提供的另一种人体信息的确定方法的流程示意图;
图3为本公开实施例提供的另一种人体信息的确定方法的流程示意图;
图4为本公开实施例提供的另一种人体信息的确定方法的流程示意图;
图5为本公开实施例提供的另一种人体信息的确定方法的流程示意图;
图6为本公开实施例提供的另一种人体信息的确定方法的流程示意图;
图7为本公开实施例提供的另一种人体信息的确定装置的结构示意图;
图8是用来实现本公开实施例的人体信息的确定的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
人工智能,是研究使用计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术领域也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术;人工智能软件技术包括计算机视觉技术、语音识别技术、自然语言处理技术以及深度学习、大数据处理技术、知识图谱技术等几大方向。
虚拟现实技术,又称虚拟实境或灵境技术,是20世纪发展起来的一项全新的实用技术。虚拟现实技术囊括计算机、电子信息、仿真技术,其基本实现方式是以计算机技术为主,利用并综合三维图形技术、多媒体技术、仿真技术、显示技术、伺服技术等多种高科技的最新发展成果,借助计算机等设备产生一个逼真的三维视觉、触觉、嗅觉等多种感官体验的虚拟世界,从而使处于虚拟世界中的人产生一种身临其境的感觉。
增强现实技术,是一种将虚拟信息与真实世界巧妙融合的技术,广泛运用了多媒体、三维建模、实时跟踪及注册、智能交互、传感等多种技术手段,将计算机生成的文字、图像、三维模型、音乐、视频等虚拟信息模拟仿真后,应用到真实世界中,两种信息互为补充,从而实现对真实世界的“增强”。
深度学习是机器学习领域中一个新的研究方向。深度学习是学习样本数据的内在规律和表示层次,这些学习过程中获得的信息对诸如文字,图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力,能够识别文字、图像和声音等数据。
本公开中,通过目标对象的前视图及侧视图准确地构建出人体网格模型,并基于人体网格模型,确定人体数据,从而不仅提高了确定人体数据的便捷性,也提高了确定的人体数据的准确性。
下面参考附图,对本公开实施例的人体信息的确定方法、装置、电子设备和存储介质进行详细说明。
需要说明的是,本公开实施的人体信息的确定方法被配置于人体信息的确定处理装置(以下简称为处理装置)中来举例说明,处理装置可以应用于任一电子设备中,以使该电子设备可以执行人体信息的确定功能。
其中,电子设备可以为任一具有计算能力的设备,例如可以为个人电脑(PersonalComputer,简称PC)、移动终端等,移动终端例如可以为手机、平板电脑、个人数字助理、穿戴式设备等具有各种操作系统、触摸屏和/或显示屏的硬件设备。
图1为本公开实施例提供的一种人体信息的确定方法的流程示意图。
如图1所示,该方法包括:
步骤101,获取相机采集的目标对象的前视图、侧视图及身高数据。
其中,前视图为目标对象的人体正面的图像,侧视图为目标对象的人体侧面的图像。
传统的采取手工测量的方式确定人体数据的方法效率较低且不便捷。本公开中,可以通过手机、数码相机或者是单反相机采集目标对象的前视图及侧视图,并将前视图、侧视图及用户输入的身高数据上传到处理装置,以根据前视图、侧视图及身高数据构建出人体网络模型,并基于人体网络模型确定出人体数据。
可选的,为了更多的采集到目标对象的人体信息,以便更准确的确定人体数据,可以采集预设姿态的前视图及侧视图。比如,可以采集目标用户双臂张开45度直立姿态的前视图及侧视图。
本公开中,在确定人体数据的过程中,只根据目标对象的前视图和侧视图,而不需要获取目标对象的序列图像,即可准确地确定全部的人体数据。从而提高了数据采集的便捷性,降低了数据采集的成本,扩大了人体数据的确定方法的适用范围。
步骤102,根据前视图及侧视图,确定相机的参数及目标对象的目标人体参数。
其中,目标人体参数可以包括形态(shape)参数以及姿态(pose)参数。形态参数可以包含表征人体的高矮胖瘦、头身比例等参数;姿态参数可以包含预设数量个关节点对应的参数。
本公开中,由于人体数据包括宽度、厚度、围长、长度等多种类型的数据,而前视图中包括了宽度类型的数据,侧视图包括了厚度类型的数据。因此,可以基于前视图和侧视图,确定相机的参数及目标对象的目标人体参数,之后即可根据相机的参数及目标人体参数准确的构建出人体网格模型。从而保证了确定的人体数据方法的准确性。
可选的,目标人体参数可以包括各人体部件分别对应的形态(shape)参数及姿态(pose)参数,或者目标人体参数可以包括整个人体对应的形态(shape)参数及姿态(pose)参数,本公开对此不作限制。
其中,人体部件可以为按照骨骼划分的人体组成部分,比如,手、胳膊、脖子、头、躯干等。
可选的,在目标人体参数中包括的姿态参数与预设的参考姿态参数的相似度小于预设阈值的情况下,说明目标对象未按照预设的参考姿态采集前视图和侧视图。因此,可以生成提示信息,以提示目标对象姿态不正确,并结束人体信息的确定流程,以避免确定的人体数据不准确。
步骤103,将目标人体参数及相机的参数,输入预设的多视图重建网络模型,以获取多视图重建网络模型输出的第一预测人体网格模型。
本公开中,多视图重建网络模型用于基于目标人体参数及相机的参数,构建出第一预测人体网格模型。
步骤104,根据身高数据对第一预测人体网格模型进行缩放,以确定目标对象的人体网格模型。
本公开中,由于多视图重建网络模型输出的第一预测人体网格模型与前视图及侧视图中人体数据相同,与实际的人体数据不同。因此,可以基于真实的身高数据与第一预测人体网格模型高度的比例,对第一预测人体网格模型进行放大,以获取与目标对象大小一致的人体网格模型。
步骤105,根据人体网格模型,确定目标对象的人体数据。
本公开中,可以利用预设的切面函数,分割出人体网格模型的预设部位的切面,比如分割出胸部、腰部、臀部、肩部的切面。然后,可以根据切面边缘中预设位置的点的连线,确定目标对象的人体数据。
本公开中,在获取相机采集的目标对象的前视图、侧视图及身高数据后,可以根据前视图及侧视图,确定相机的参数及目标对象的目标人体参数,并将目标人体参数及相机的参数,输入预设的多视图重建网络模型,以获取多视图重建网络模型输出的第一预测人体网格模型,之后,可以根据身高数据对第一预测人体网格模型进行缩放,以确定目标对象的人体网格模型,并根据人体网格模型,确定目标对象的人体数据。由此,通过目标对象的前视图及侧视图准确地构建出人体网格模型,并基于人体网格模型,确定人体数据,从而不仅提高了确定人体数据的便捷性,也提高了确定的人体数据的准确性。
图2为本公开实施例提供的一种人体信息的确定方法的流程示意图。
如图2所示,该方法包括:
步骤201,获取相机采集的目标对象的前视图、侧视图及身高数据。
本公开中,步骤201的具体实现过程,可参见本公开任一实施例的详细描述,在此不再赘述。
步骤202,分别对前视图及侧视图进行人体框检测,以确定前视图中的第一人体框及侧视图中的第二人体框。
本公开中,可以基于目标对象的前视图和侧视图构建人体网格模型,以提高人体网格模型的准确性,从而提高确定的人体数据的准确性。
本公开中,可以利用预设的人体框检测算法,对前视图进行人体框检测,确定前视图中的第一人体框。并利用预设的人体框检测算法,对侧视图进行人体框检测,确定侧视图中的第二人体框。
步骤203,分别基于第一人体框及第二人体框,提取前视图中的第一人体图像及侧视图中的第二人体图像。
本公开中,可以基于第一人体框,提取出前视图中第一人体框内的第一人体图像,并基于第二人体框,提取出侧视图中第二人体框内的第二人体图像。
可选的,分别基于第一人体框和第二人体框提取的第一人体图像和第二人体图像可能会丢失部分人体信息,因此,可以扩大第一人体框和第二人体框的范围,并基于扩大范围后的第一人体框,提取出前视图中的第一人体图像,基于扩大范围后的第二人体框,提取出侧视图中的第二人体图像。从而可以避免获取的第一人体图像及第二人体图像中人体信息的丢失,进而可以提高确定的人体数据的准确性。
步骤204,利用预设的人体参数评估模型,分别确定第一人体图像对应的第一相机参数及第一人体参数、第二人体图像对应的第二相机参数及第二人体参数。
本公开中,可以将第一人体图像输入到人体参数评估模型中,以输出第一相机参数及第一人体参数,将第二人体图像输入到人体参数评估模型中,以输出第二相机参数及第二人体参数。其中,人体参数评估模型可以包括姿态参数评估模型和形态参数评估模型。形态参数评估模型是一种用于预测图片中人体形态的神经网络模型。姿态参数评估模型是一种用于预测图片中人体姿态的神经网络模型。
步骤205,根据第一相机参数及第二相机参数,确定相机的参数。
本公开中,可以将第一相机参数及第二相机参数的均值,确定为相机的参数,从而可以提高相机的参数的准确性。
步骤206,对第一人体参数及第二人体参数进行融合,以确定目标人体参数。
本公开中,可以将第一人体参数及第二人体参数进行联合优化,以确定前视图和侧视图共有的形态参数、前视图对应的姿态参数、侧视图对应的姿态参数。并基于形态参数、前视图对应的姿态参数、侧视图对应的姿态参数组成目标人体参数。
步骤207,将目标人体参数及相机的参数,输入预设的多视图重建网络模型,以获取多视图重建网络模型输出的第一预测人体网格模型。
步骤208,根据身高数据对第一预测人体网格模型进行缩放,以确定目标对象的人体网格模型。
步骤209,根据人体网格模型,确定目标对象的人体数据。
本公开中,步骤207-步骤209的具体实现过程,可参见本公开任一实施例的详细描述,在此不再赘述。
本公开中,通过目标对象的前视图及侧视图准确地构建出人体网格模型,并基于人体网格模型,确定人体数据,从而不仅提高了确定人体数据的便捷性,也提高了确定的人体数据的准确性。
图3为本公开实施例提供的一种人体信息的确定方法的流程示意图。
如图3所示,该方法包括:
步骤301,获取相机采集的目标对象的前视图、侧视图及身高数据。
步骤302,根据前视图及侧视图,确定相机的参数及目标对象的目标人体参数。
步骤303,将目标人体参数及相机的参数,输入预设的多视图重建网络模型,以获取多视图重建网络模型输出的第一预测人体网格模型。
步骤304,根据身高数据对第一预测人体网格模型进行缩放,以确定目标对象的人体网格模型。
本公开中,步骤301-步骤304的具体实现过程,可参见本公开任一实施例的详细描述,在此不再赘述。
步骤305,获取人体网格模型中预设人体部位的切面。
本公开中,可以利用预设的切面函数,分割出人体网格模型的预设部位的切面,比如分割出胸部、腰部、臀部、肩部的切面。
步骤306,根据切面的正投影及侧投影,分别确定预设人体部位的宽度数据、厚度数据。
其中,宽度数据为任一人体部位的切面中最左侧边缘点和最右侧边缘点之间的长度,厚度数据为任一人体部位的切面中最前侧边缘点和最后侧边缘点之间的长度。
本公开中,可以将切面的正投影的长度,确定为预设人体部位的宽度数据,将切面的侧投影的长度,确定为预设人体部位的厚度数据。
步骤307,根据切面的边缘,确定预设人体部位的围长数据。
其中,围长数据可以为预设人体部位一周的长度,比如头围数据、胸围数据、臀围数据、大腿围数据等。
本公开中,可以将切面边缘的长度,确定为该切面对应的人体部位的围长数据。比如,可以将腰部的切面边缘的长度,确定为腰围长度。或者,当切面的边缘存在凹陷的曲线时,可以根据凹陷曲线的两个端点的连线长度及切面边缘中其它曲线的长度,确定该切面对应的人体部位的围长数据。
本公开中,基于预设人体部位的切面投影及边缘,即可准确的确定该预设人体部位的各种类型的数据,从而提高了确定人体数据的便捷性。
本公开中,通过目标对象的前视图及侧视图准确地构建出人体网格模型,并基于人体网格模型,确定人体数据,从而不仅提高了确定人体数据的便捷性,也提高了确定的人体数据的准确性。
图4为本公开实施例提供的一种人体信息的确定方法的流程示意图。
如图4所示,该方法包括:
步骤401,获取相机采集的目标对象的前视图、侧视图及身高数据。
步骤402,根据前视图及侧视图,确定相机的参数及目标对象的目标人体参数。
本公开中,步骤401-步骤402的具体实现过程,可参见本公开任一实施例的详细描述,在此不再赘述。
步骤403,对前视图进行人体关键点检测,以确定前视图中的第一关键点。
本公开中,当目标对象未按照预设的站姿进行采集前视图时,采集到的前视图或侧视图中可能有部分人体部位被遮挡,导致根据前视图和侧视图确定的人体参数部分缺失,从而导致根据人体参数构建的人体网格模型中缺失部分人体信息,进而导致人体数据的缺失。因此,在构建人体网格模型之前,可以先对缺失的人体参数进行补全,以获取完整的目标人体参数,从而获取全部的人体数据,提高了确定人体数据的便捷性。
本公开中,可以利用关键点检测算法,对前视图进行人体关键点检测,以确定前视图中的第一关键点。其中,第一关键点可以是人体的骨骼关键点等,本公开对此不作限制。
可以理解的是,人体中存在多个骨骼关键点,所以前视图对应的第一关键点可以为多个。
步骤404,基于关键点之间的对称性及第一关键点,确定前视图中缺失的第一人体部件。
本公开中,当获取的前视图为目标对象直立姿势的图像时,各人体部件对应的关键点对称分布。比如,左手对应的关键点和右手对应的关键点对称,左膝关节对应的关键点和右膝关节对应的关键点对称。因此,可以根据头部对应的第一关键点确定中轴线,根据中轴线及其他人体部件对应的第一关键点,确定缺失的第一关键点,从而根据缺失的第一关键点,确定缺失的第一人体部件。
可选的,对前视图进行人体关键点检测时,可以确定前视图中的第一关键点及每个第一关键点对应的人体部件。因此,可以根据预设的人体中包含的全部人体部件及每个第一关键点对应的人体部件,确定缺失的人体部件。
步骤405,根据与第一人体部件对称的第二人体部件的人体参数,确定第一人体部件对应的补充人体参数。
本公开中,由于人体部件是对称存在的,比如左手和右手对称存在,对称的人体部件的形态相似。因此,可以根据与第一人体部件对称的第二人体部件的人体参数确定第一人体部件对应的补充人体参数。具体地,可以根据第二人体部件的姿态参数确定第一人体部件的姿态参数,根据第二人体部件的形态参数确定第一人体部件的形态参数。
步骤406,利用补充人体参数对目标人体参数,进行补充。
本公开中,可以利用补充人体参数补充目标人体参数中第一人体部件对应的人体参数,从而获取完整的目标人体参数。
步骤407,将目标人体参数及相机的参数,输入预设的多视图重建网络模型,以获取多视图重建网络模型输出的第一预测人体网格模型。
步骤408,根据身高数据对第一预测人体网格模型进行缩放,以确定目标对象的人体网格模型。
步骤409,根据人体网格模型,确定目标对象的人体数据。
本公开中,步骤407-步骤409的具体实现过程,可参见本公开任一实施例的详细描述,在此不再赘述。
本公开中,通过目标对象的前视图及侧视图准确地构建出人体网格模型,并基于人体网格模型,确定人体数据,从而不仅提高了确定人体数据的便捷性,也提高了确定的人体数据的准确性。
图5为本公开实施例提供的一种人体信息的确定方法的流程示意图。
如图5所示,该方法包括:
步骤501,获取相机采集的目标对象的前视图、侧视图及身高数据。
步骤502,根据前视图及侧视图,确定相机的参数及目标对象的目标人体参数。
本公开中,步骤501-步骤502的具体实现过程,可参见本公开任一实施例的详细描述,在此不再赘述。
步骤503,获取训练数据集,其中,训练数据集包括训练样本的样本前视图、样本侧视图、样本人体参数及样本相机参数。
本公开中,样本人体参数及样本相机参数可以预先根据样本前视图及样本侧视图确定,并保存在训练数据集中。
步骤504,将样本人体参数及样本相机参数,输入初始多视图重建网络模型,以输出第二预测人体网格模型。
本公开中,步骤504的具体实现过程,可参见本公开任一实施例的详细描述,在此不再赘述。
步骤505,对样本前视图及样本侧视图进行人体关键点检测和人体轮廓检测,以确定训练样本的第二关键点和第一轮廓。
本公开中,可以利用预设的关键点检测算法,分别对样本前视图及样本侧视图进行关键点检测,以确定样本前视图对应的关键点和样本侧视图对应的关键点,并将样本前视图对应的关键点和样本侧视图对应的关键点组成训练样本的第二关键点。可以利用预设的轮廓检测算法,分别对样本前视图及样本侧视图进行轮廓检测,以确定样本前视图对应的轮廓和样本侧视图对应的轮廓,并将样本前视图对应的轮廓和样本侧视图对应的轮廓进行融合,确定训练样本的第一轮廓。
步骤506,根据预设的投影函数,确定第二预测人体网格模型的预测前视图和预测侧视图。
本公开中,可以利用投影函数将第二预测人体网格模型中的各顶点投影到二维空间,以确定第二预测人体网格模型的预测前视图和预测侧视图。
可以理解的是,预测前视图中包括了第二预测人体网格模型中的各顶点从人体正面投影到二维空间的信息。预测侧视图中包括了第二预测人体网格模型中的各顶点从人体侧面投影到二维空间的信息。
步骤507,对预测前视图及预测侧视图分别进行人体关键点检测和人体轮廓检测,以确定第二预测人体网格模型的第三关键点和第二轮廓。
本公开中,可以利用预设的关键点检测算法,分别对预测前视图及预测侧视图进行关键点检测,以确定预测前视图对应的关键点和预测侧视图对应的关键点,并将预测前视图对应的关键点和预测侧视图对应的关键点组成第二预测人体网格模型的第三关键点。可以利用预设的轮廓检测算法,分别对预测前视图及预测侧视图进行轮廓检测,以确定预测前视图对应的轮廓和预测侧视图对应的轮廓,并将预测前视图对应的轮廓和预测侧视图对应的轮廓进行融合,确定第二预测人体网格模型的第二轮廓。
步骤508,根据第三关键点与第二关键点的误差及第二轮廓与第一轮廓的误差,确定损失值。
本公开中,可以根据第三关键点中各参数值与第二关键点中对应的参数值之间的差值,确定第三关键点与第二关键点的误差。根据第二轮廓与第一轮廓的相似度,确定第二轮廓与第一轮廓的误差。之后,可以将第三关键点与第二关键点的误差及第二轮廓与第一轮廓的误差的加权和,确定为损失值。
可选的,初始多视图重建网络模型输出的第二预测人体网格模型的姿态可能与参考姿态参数不同。因此,为了提高多视图重建网络模型输出的预测人体网格模型的准确性,可以通过对第二预测人体网格模型进行姿态检测,确定第二预测人体网格模型的第一姿态参数,并根据获取的预设参考姿态参数与第一姿态参数的相似度,修正损失值。由此,利用参考姿态参数对多视图重建网络模型输出的预测人体网格模型进行约束,从而可以提高多视图重建网络模型输出的预测人体网格模型的准确性,进而可以提高基于人体网格模型确定的人体数据的准确性。
步骤509,基于损失值对初始多视图重建网络模型进行修正,直至获取多视图重建网络模型。
本公开中,在损失值大于预设阈值的情况下,可以基于损失值对初始多视图重建网络模型的参数进行调整,并利用训练数据继续对调整后的初始多视图重建网络模型进行训练,直至训练初始多视图重建网络模型的训练数据的数量达到预设数量,获取多视图重建网络模型,从而可以提高多视图重建网络模型输出的预测人体网格模型的准确性,进而可以提高基于人体网格模型确定的人体数据的准确性。
步骤510,将目标人体参数及相机的参数,输入预设的多视图重建网络模型,以获取多视图重建网络模型输出的第一预测人体网格模型。
步骤511,根据身高数据对第一预测人体网格模型进行缩放,以确定目标对象的人体网格模型。
步骤512,根据人体网格模型,确定目标对象的人体数据。
本公开中,步骤510-步骤512的具体实现过程,可参见本公开任一实施例的详细描述,在此不再赘述。
本公开中,通过目标对象的前视图及侧视图准确地构建出人体网格模型,并基于人体网格模型,确定人体数据,从而不仅提高了确定人体数据的便捷性,也提高了确定的人体数据的准确性。
图6为本公开实施例提供的一种人体信息的确定方法的流程示意图。
如图6所示,该方法包括:
步骤601,获取相机采集的目标对象的前视图、侧视图及身高数据。
步骤602,根据前视图及侧视图,确定相机的参数及目标对象的目标人体参数。
步骤603,将目标人体参数及相机的参数,输入预设的多视图重建网络模型,以获取多视图重建网络模型输出的第一预测人体网格模型。
步骤604,根据身高数据对第一预测人体网格模型进行缩放,以确定目标对象的人体网格模型。
步骤605,根据人体网格模型,确定目标对象的人体数据。
本公开中,步骤601-步骤605的具体实现过程,可参见本公开任一实施例的详细描述,在此不再赘述。
步骤606,根据预设的各数据类型的调整值,对人体数据进行调整。
本公开中,由于测量误差及穿着服装的影响,人工测量的人体数据与真实的人体数据可能会存在一定的误差。因此,可以对人体数据进行调整,以使人体数据更符合人工测量的人体数据,从而提高用户体验。
本公开中,各数据类型可以分别对应与不同的调整值。比如,宽度数据类型对应一个调整值,围长数据类型可以对应与另一个调整值。可以根据预设的各数据类型的调整值,分别对对应的人体数据进行调整。比如,可以将宽度数据加上宽度数据类型对应的调整值,以确定调整后的人体数据。
可选的,还可以将各数据类型的调整值及人体数据输入预设的数据回归模型,以输出调整后的人体数据,从而提高用户体验。
本公开中,通过目标对象的前视图及侧视图准确地构建出人体网格模型,并基于人体网格模型,确定人体数据,从而不仅提高了确定人体数据的便捷性,也提高了确定的人体数据的准确性。
为了实现上述实施例,本公开实施例还提出一种人体信息的确定装置。
图7为本公开实施例提供的一种人体信息的确定装置的结构示意图。
如图7所示,该用户人体信息的确定装置700包括:获取模块710、确定模块720、预测模块730、修正模块740。
获取模块710,用于获取相机采集的目标对象的前视图、侧视图及身高数据;
确定模块720,用于根据前视图及侧视图,确定相机的参数及目标对象的目标人体参数;
预测模块730,用于将目标人体参数及相机的参数,输入预设的多视图重建网络模型,以获取多视图重建网络模型输出的第一预测人体网格模型;
修正模块740,用于根据身高数据对第一预测人体网格模型进行缩放,以确定目标对象的人体网格模型;
上述确定模块720,用于根据人体网格模型,确定目标对象的人体数据。
在本公开实施例一种可能的实现方式中,上述确定模块720,用于:
分别对前视图及侧视图进行人体框检测,以确定前视图中的第一人体框及侧视图中的第二人体框;
分别基于第一人体框及第二人体框,提取前视图中的第一人体图像及侧视图中的第二人体图像;
利用预设的人体参数评估模型,分别确定第一人体图像对应的第一相机参数及第一人体参数、第二人体图像对应的第二相机参数及第二人体参数;
根据第一相机参数及第二相机参数,确定相机的参数;
对第一人体参数及第二人体参数进行融合,以确定目标人体参数。
在本公开实施例一种可能的实现方式中,上述确定模块720,用于:
获取人体网格模型中预设人体部位的切面;
根据切面的正投影及侧投影,分别确定预设人体部位的宽度数据、厚度数据;
根据切面的边缘,确定预设人体部位的围长数据。
在本公开实施例一种可能的实现方式中,还包括:
检测模块,用于对前视图进行人体关键点检测,以确定前视图中的第一关键点;
上述确定模块720,用于基于关键点之间的对称性及第一关键点,确定前视图中缺失的第一人体部件;
根据与第一人体部件对称的第二人体部件的人体参数,确定第一人体部件对应的补充人体参数;
上述修正模块740,用于利用补充人体参数对人体参数,进行补充。
在本公开实施例一种可能的实现方式中,上述获取模块710,还用于:
获取训练数据集,其中,训练数据集包括训练样本的样本前视图、样本侧视图、样本人体参数及样本相机参数;
将样本人体参数及样本相机参数,输入初始多视图重建网络模型,以输出第二预测人体网格模型;
对样本前视图及样本侧视图进行人体关键点检测和人体轮廓检测,以确定训练样本的第二关键点和第一轮廓;
根据预设的投影函数,确定第二预测人体网格模型的预测前视图和预测侧视图;
对预测前视图及预测侧视图分别进行人体关键点检测和人体轮廓检测,以确定第二预测人体网格模型的第三关键点和第二轮廓;
根据第三关键点与第二关键点的误差及第二轮廓与第一轮廓的误差,确定损失值;
基于损失值对初始多视图重建网络模型进行修正,直至获取多视图重建网络模型。
在本公开实施例一种可能的实现方式中,上述修正模块740,还用于:
获取预设的参考姿态参数;
对第二预测人体网格模型进行姿态检测,以确定第二预测人体网格模型的第一姿态参数;
根据第一姿态参数与参考姿态参数的相似度,修正损失值。
在本公开实施例一种可能的实现方式中,上述修正模块740,还用于:
根据预设的各数据类型的调整值,对人体数据进行调整。
在本公开实施例一种可能的实现方式中,上述修正模块740,用于:
将各数据类型的调整值及人体数据输入预设的尺寸回归模型,以输出调整后的人体数据。
在本公开实施例一种可能的实现方式中,目标人体参数中包括第二姿态参数,还包括:
生成模块,用于在第二姿态参数与预设的参考姿态参数的相似度小于预设阈值的情况下,生成提示信息,其中,提示信息用于提示目标对象姿态不正确。
需要说明的是,前述人体信息的确定方法实施例的解释说明,也适用于该实施例的装置,故在此不再赘述。
本公开中,在获取相机采集的目标对象的前视图、侧视图及身高数据后,可以根据前视图及侧视图,确定相机的参数及目标对象的目标人体参数,并将目标人体参数及相机的参数,输入预设的多视图重建网络模型,以获取多视图重建网络模型输出的第一预测人体网格模型,之后,可以根据身高数据对第一预测人体网格模型进行缩放,以确定目标对象的人体网格模型,并根据人体网格模型,确定目标对象的人体数据。由此,通过目标对象的前视图及侧视图准确地构建出人体网格模型,并基于人体网格模型,确定人体数据,从而不仅提高了确定人体数据的便捷性,也提高了确定的人体数据的准确性。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质。
图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图8所示,设备800包括计算单元801,其可以根据存储在ROM(Read-OnlyMemory,只读存储器)802中的计算机程序或者从存储单元808加载到RAM(Random AccessMemory,随机访问/存取存储器)803中的计算机程序,来执行各种适当的动作和处理。在RAM803中,还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。I/O(Input/Output,输入/输出)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805,包括:输入单元806,例如键盘、鼠标等;输出单元807,例如各种类型的显示器、扬声器等;存储单元808,例如磁盘、光盘等;以及通信单元809,例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于CPU(Central Processing Unit,中央处理单元)、GPU(Graphic Processing Units,图形处理单元)、各种专用的AI(Artificial Intelligence,人工智能)计算芯片、各种运行机器学习模型算法的计算单元、DSP(Digital SignalProcessor,数字信号处理器)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理,例如人体信息的确定方法。例如,在一些实施例中,对人体信息的确定方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元808。在一些实施例中,计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时,可以执行上文描述的人体信息的确定方法的一个或多个步骤。备选地,在其他实施例中,计算单元801可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行人体信息的确定方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、FPGA(Field Programmable Gate Array,现场可编程门阵列)、ASIC(Application-Specific Integrated Circuit,专用集成电路)、ASSP(Application Specific StandardProduct,专用标准产品)、SOC(System On Chip,芯片上系统的系统)、CPLD(ComplexProgrammable Logic Device,复杂可编程逻辑设备)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、RAM、ROM、EPROM(Electrically Programmable Read-Only-Memory,可擦除可编程只读存储器)或快闪存储器、光纤、CD-ROM(Compact Disc Read-Only Memory,便捷式紧凑盘只读存储器)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(Cathode-Ray Tube,阴极射线管)或者LCD(Liquid Crystal Display,液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:LAN(LocalArea Network,局域网)、WAN(Wide Area Network,广域网)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务(VirtualPrivate Server,虚拟专用服务器)中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (20)
1.一种人体信息的确定方法,所述方法包括:
获取相机采集的目标对象的前视图、侧视图及身高数据;
根据所述前视图及所述侧视图,确定所述相机的参数及所述目标对象的目标人体参数;
将所述目标人体参数及所述相机的参数,输入预设的多视图重建网络模型,以获取所述多视图重建网络模型输出的第一预测人体网格模型;
根据所述身高数据对所述第一预测人体网格模型进行缩放,以确定所述目标对象的人体网格模型;
根据所述人体网格模型,确定所述目标对象的人体数据。
2.如权利要求1所述方法,其中,所述根据所述前视图及所述侧视图,确定所述相机的参数及所述目标对象的目标人体参数,包括:
分别对所述前视图及所述侧视图进行人体框检测,以确定所述前视图中的第一人体框及所述侧视图中的第二人体框;
分别基于所述第一人体框及第二人体框,提取所述前视图中的第一人体图像及所述侧视图中的第二人体图像;
利用预设的人体参数评估模型,分别确定所述第一人体图像对应的第一相机参数及第一人体参数、所述第二人体图像对应的第二相机参数及第二人体参数;
根据所述第一相机参数及所述第二相机参数,确定所述相机的参数;
对所述第一人体参数及所述第二人体参数进行融合,以确定所述目标人体参数。
3.如权利要求1所述方法,其中,所述根据所述人体网格模型,确定所述目标对象的人体数据,包括:
获取所述人体网格模型中预设人体部位的切面;
根据所述切面的正投影及侧投影,分别确定所述预设人体部位的宽度数据、厚度数据;
根据所述切面的边缘,确定所述预设人体部位的围长数据。
4.如权利要求1所述方法,其中,在所述将所述目标人体参数及所述相机的参数,输入预设的多视图重建网络模型,以获取所述多视图重建网络模型输出的第一预测人体网格模型之前,还包括:
对所述前视图进行人体关键点检测,以确定所述前视图中的第一关键点;
基于关键点之间的对称性及所述第一关键点,确定所述前视图中缺失的第一人体部件;
根据与所述第一人体部件对称的第二人体部件的人体参数,确定所述第一人体部件对应的补充人体参数;
利用所述补充人体参数对所述人体参数,进行补充。
5.如权利要求1所述方法,其中,在所述将所述目标人体参数及所述相机的参数,输入预设的多视图重建网络模型,以获取所述多视图重建网络模型输出的第一预测人体网格模型之前,还包括:
获取训练数据集,其中,所述训练数据集包括训练样本的样本前视图、样本侧视图、样本人体参数及样本相机参数;
将所述样本人体参数及所述样本相机参数,输入初始多视图重建网络模型,以输出第二预测人体网格模型;
对所述样本前视图及所述样本侧视图进行人体关键点检测和人体轮廓检测,以确定所述训练样本的第二关键点和第一轮廓;
根据预设的投影函数,确定所述第二预测人体网格模型的预测前视图和预测侧视图;
对所述预测前视图及所述预测侧视图分别进行人体关键点检测和人体轮廓检测,以确定所述第二预测人体网格模型的第三关键点和第二轮廓;
根据所述第三关键点与所述第二关键点的误差及所述第二轮廓与所述第一轮廓的误差,确定损失值;
基于所述损失值对所述初始多视图重建网络模型进行修正,直至获取多视图重建网络模型。
6.如权利要求5所述方法,其中,在所述根据所述第三关键点与所述第二关键点的误差及所述第二轮廓与所述第一轮廓的误差,确定损失值之后,还包括:
获取预设的参考姿态参数;
对所述第二预测人体网格模型进行姿态检测,以确定所述第二预测人体网格模型的第一姿态参数;
根据所述第一姿态参数与所述参考姿态参数的相似度,修正所述损失值。
7.如权利要求1所述方法,其中,还包括:
根据预设的各数据类型的调整值,对所述人体数据进行调整。
8.如权利要求7所述方法,其中,所述根据预设的各数据类型的调整值,对所述人体数据进行调整,包括:
将各所述数据类型的调整值及所述人体数据输入预设的数据回归模型,以输出调整后的人体数据。
9.如权利要求1-8任一所述方法,其中,所述目标人体参数中包括第二姿态参数,在所述根据所述前视图及所述侧视图,确定所述相机的参数及所述目标对象的目标人体参数之后,还包括:
在所述第二姿态参数与预设的参考姿态参数的相似度小于预设阈值的情况下,生成提示信息,其中,所述提示信息用于提示所述目标对象姿态不正确。
10.一种人体信息的确定装置,所述装置包括:
获取模块,用于获取相机采集的目标对象的前视图、侧视图及身高数据;
确定模块,用于根据所述前视图及所述侧视图,确定所述相机的参数及所述目标对象的目标人体参数;
预测模块,用于将所述目标人体参数及所述相机的参数,输入预设的多视图重建网络模型,以获取所述多视图重建网络模型输出的第一预测人体网格模型;
修正模块,用于根据所述身高数据对所述第一预测人体网格模型进行缩放,以确定所述目标对象的人体网格模型;
所述确定模块,用于根据所述人体网格模型,确定所述目标对象的人体数据。
11.如权利要求10所述装置,其中,所述确定模块,用于:
分别对所述前视图及所述侧视图进行人体框检测,以确定所述前视图中的第一人体框及所述侧视图中的第二人体框;
分别基于所述第一人体框及第二人体框,提取所述前视图中的第一人体图像及所述侧视图中的第二人体图像;
利用预设的人体参数评估模型,分别确定所述第一人体图像对应的第一相机参数及第一人体参数、所述第二人体图像对应的第二相机参数及第二人体参数;
根据所述第一相机参数及所述第二相机参数,确定所述相机的参数;
对所述第一人体参数及所述第二人体参数进行融合,以确定所述目标人体参数。
12.如权利要求10所述装置,其中,所述确定模块,用于:
获取所述人体网格模型中预设人体部位的切面;
根据所述切面的正投影及侧投影,分别确定所述预设人体部位的宽度数据、厚度数据;
根据所述切面的边缘,确定所述预设人体部位的围长数据。
13.如权利要求10所述装置,其中,还包括:
检测模块,用于对所述前视图进行人体关键点检测,以确定所述前视图中的第一关键点;
所述确定模块,用于基于关键点之间的对称性及所述第一关键点,确定所述前视图中缺失的第一人体部件;根据与所述第一人体部件对称的第二人体部件的人体参数,确定所述第一人体部件对应的补充人体参数;
所述修正模块,用于利用所述补充人体参数对所述人体参数,进行补充。
14.如权利要求10所述装置,其中,所述获取模块,还用于:
获取训练数据集,其中,所述训练数据集包括训练样本的样本前视图、样本侧视图、样本人体参数及样本相机参数;
将所述样本人体参数及所述样本相机参数,输入初始多视图重建网络模型,以输出第二预测人体网格模型;
对所述样本前视图及所述样本侧视图进行人体关键点检测和人体轮廓检测,以确定所述训练样本的第二关键点和第一轮廓;
根据预设的投影函数,确定所述第二预测人体网格模型的预测前视图和预测侧视图;
对所述预测前视图及所述预测侧视图分别进行人体关键点检测和人体轮廓检测,以确定所述第二预测人体网格模型的第三关键点和第二轮廓;
根据所述第三关键点与所述第二关键点的误差及所述第二轮廓与所述第一轮廓的误差,确定损失值;
基于所述损失值对所述初始多视图重建网络模型进行修正,直至获取多视图重建网络模型。
15.如权利要求14所述装置,其中,所述修正模块,还用于:
获取预设的参考姿态参数;
对所述第二预测人体网格模型进行姿态检测,以确定所述第二预测人体网格模型的第一姿态参数;
根据所述第一姿态参数与所述参考姿态参数的相似度,修正所述损失值。
16.如权利要求10所述装置,其中,所述修正模块,还用于:
根据预设的各数据类型的调整值,对所述人体数据进行调整。
17.如权利要求16所述装置,其中,所述修正模块,用于:
将各所述数据类型的调整值及所述人体数据输入预设的数据回归模型,以输出调整后的人体数据。
18.如权利要求10-17任一所述装置,其中,所述目标人体参数中包括第二姿态参数,所述装置还包括:
生成模块,用于在所述第二姿态参数与预设的参考姿态参数的相似度小于预设阈值的情况下,生成提示信息,其中,所述提示信息用于提示所述目标对象姿态不正确。
19.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-9中任一项所述的方法。
20.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211338135.XA CN115457104B (zh) | 2022-10-28 | 2022-10-28 | 人体信息的确定方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211338135.XA CN115457104B (zh) | 2022-10-28 | 2022-10-28 | 人体信息的确定方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115457104A true CN115457104A (zh) | 2022-12-09 |
CN115457104B CN115457104B (zh) | 2023-01-24 |
Family
ID=84310492
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211338135.XA Active CN115457104B (zh) | 2022-10-28 | 2022-10-28 | 人体信息的确定方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115457104B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101322589A (zh) * | 2008-07-16 | 2008-12-17 | 苏州大学 | 用于服装设计的非接触式人体测量方法 |
CN108564612A (zh) * | 2018-03-26 | 2018-09-21 | 广东欧珀移动通信有限公司 | 模型显示方法、装置、存储介质及电子设备 |
US20200126295A1 (en) * | 2018-10-22 | 2020-04-23 | The Hong Kong Polytechnic University | Method and/or system for reconstructing from images a personalized 3d human body model and thereof |
CN112529073A (zh) * | 2020-12-07 | 2021-03-19 | 北京百度网讯科技有限公司 | 模型训练方法、姿态估计方法、装置及电子设备 |
CN112819944A (zh) * | 2021-01-21 | 2021-05-18 | 魔珐(上海)信息科技有限公司 | 三维人体模型重建方法、装置、电子设备及存储介质 |
CN113327320A (zh) * | 2021-06-30 | 2021-08-31 | 北京字跳网络技术有限公司 | 三维模型重建方法、装置、设备及计算机可读存储介质 |
CN113421328A (zh) * | 2021-05-27 | 2021-09-21 | 中国人民解放军军事科学院国防科技创新研究院 | 一种三维人体虚拟化重建方法及装置 |
CN113711235A (zh) * | 2019-04-02 | 2021-11-26 | 智能身型 | 使用深度学习网络从用户照片进行重量测量的系统和方法 |
CN114202629A (zh) * | 2020-08-27 | 2022-03-18 | 北京陌陌信息技术有限公司 | 一种人体模型的建立方法、系统、设备和存储介质 |
CN114581502A (zh) * | 2022-03-10 | 2022-06-03 | 西安电子科技大学 | 基于单目图像的三维人体模型联合重建方法、电子设备及存储介质 |
-
2022
- 2022-10-28 CN CN202211338135.XA patent/CN115457104B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101322589A (zh) * | 2008-07-16 | 2008-12-17 | 苏州大学 | 用于服装设计的非接触式人体测量方法 |
CN108564612A (zh) * | 2018-03-26 | 2018-09-21 | 广东欧珀移动通信有限公司 | 模型显示方法、装置、存储介质及电子设备 |
US20200126295A1 (en) * | 2018-10-22 | 2020-04-23 | The Hong Kong Polytechnic University | Method and/or system for reconstructing from images a personalized 3d human body model and thereof |
CN113711235A (zh) * | 2019-04-02 | 2021-11-26 | 智能身型 | 使用深度学习网络从用户照片进行重量测量的系统和方法 |
CN114202629A (zh) * | 2020-08-27 | 2022-03-18 | 北京陌陌信息技术有限公司 | 一种人体模型的建立方法、系统、设备和存储介质 |
CN112529073A (zh) * | 2020-12-07 | 2021-03-19 | 北京百度网讯科技有限公司 | 模型训练方法、姿态估计方法、装置及电子设备 |
CN112819944A (zh) * | 2021-01-21 | 2021-05-18 | 魔珐(上海)信息科技有限公司 | 三维人体模型重建方法、装置、电子设备及存储介质 |
CN113421328A (zh) * | 2021-05-27 | 2021-09-21 | 中国人民解放军军事科学院国防科技创新研究院 | 一种三维人体虚拟化重建方法及装置 |
CN113327320A (zh) * | 2021-06-30 | 2021-08-31 | 北京字跳网络技术有限公司 | 三维模型重建方法、装置、设备及计算机可读存储介质 |
CN114581502A (zh) * | 2022-03-10 | 2022-06-03 | 西安电子科技大学 | 基于单目图像的三维人体模型联合重建方法、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115457104B (zh) | 2023-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7075085B2 (ja) | 全身測定値抽出のためのシステムおよび方法 | |
CN111598998B (zh) | 三维虚拟模型重建方法、装置、计算机设备和存储介质 | |
CN113642431B (zh) | 目标检测模型的训练方法及装置、电子设备和存储介质 | |
WO2022143645A1 (zh) | 三维人脸重建的方法、装置、设备和存储介质 | |
CN111325846B (zh) | 表情基确定方法、虚拟形象驱动方法、装置及介质 | |
CN104978764A (zh) | 三维人脸网格模型处理方法和设备 | |
CN111401318B (zh) | 动作识别方法及装置 | |
CN113240778A (zh) | 虚拟形象的生成方法、装置、电子设备和存储介质 | |
CN116416416A (zh) | 虚拟试衣模型的训练方法、虚拟试衣方法及电子设备 | |
CN113591566A (zh) | 图像识别模型的训练方法、装置、电子设备和存储介质 | |
CN114187624A (zh) | 图像生成方法、装置、电子设备及存储介质 | |
CN111754431B (zh) | 一种图像区域替换方法、装置、设备及存储介质 | |
CN114677572B (zh) | 对象描述参数的生成方法、深度学习模型的训练方法 | |
CN112580666A (zh) | 图像特征的提取方法、训练方法、装置、电子设备及介质 | |
CN116092120B (zh) | 基于图像的动作确定方法、装置、电子设备及存储介质 | |
CN115409951B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN115457104B (zh) | 人体信息的确定方法、装置及电子设备 | |
US20230115765A1 (en) | Method and apparatus of transferring image, and method and apparatus of training image transfer model | |
CN115393488A (zh) | 虚拟人物表情的驱动方法、装置、电子设备和存储介质 | |
CN113781653A (zh) | 对象模型生成方法、装置、电子设备及存储介质 | |
CN111369603A (zh) | 点云配准技术的评估方法、装置、电子设备及可读存储介质 | |
CN115830640B (zh) | 一种人体姿态识别和模型训练方法、装置、设备和介质 | |
CN116612495B (zh) | 图像处理方法及装置 | |
US11954899B2 (en) | Systems and methods for training models to predict dense correspondences in images using geodesic distances | |
Xu et al. | A YOLOv5-based Target Detection Algorithm Design |
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 |