CN115661370A - 一种红外3d人体模型构建方法及存储介质 - Google Patents

Abstract

本申请涉及一般的图像数据处理或产生技术领域，特别是涉及一种红外3D人体模型构建方法及存储介质。所述方法包括以下步骤：获取人体的关键点KP和边缘点EP；获取映射矩阵或形变网络；遍历KP、EP和FP，分别将红外图像中kp_i、ep_j和fp_r的像素值赋予标准3D人体模型中对应点；遍历标准3D人体模型目标区域中的点，若所述目标区域中存在未赋予像素值的点，则获取F_a；如果F_a中任意两法向量之间的夹角均小于等于AJ₁，则将V_a1=∑^Qa _b=1(V_a,b/Qa)赋予NP_a；否则，将V_a2=∑^Qa _b=1(w_b*V_a,b)赋予NP_a。本发明改善了基于二维红外图像得到的标准3D人体模型中存在的形变问题。

Description

一种红外3D人体模型构建方法及存储介质

技术领域

本发明涉及一般的图像数据处理或产生技术领域，特别是涉及一种红外3D人体模型构建方法及存储介质。

背景技术

现有技术中红外图像多以二维图像的形式被储存和查看，由此，红外图像中的人体也是以二维形式展现在用户面前。如何实现二维红外图像中二维人体图像向三维人体模型的转换，是现有技术中的难点。目前，已有人提出了将红外图像中人体区域按照预设规则进行分块后映射在标准3D人体模型的方法，其考虑到对红外图像中人体区域进行分块后与标准3D人体模型中对应块的面积可能不相等，因此还包括在映射之前对红外图像中人体区域的分块区域进行拉伸或缩放的步骤。例如，当红外图像中人体区域的腹部区域面积大于标准3D人体模型中的腹部区域面积时，对红外图像中人体区域的腹部区域进行拉伸后映射在标准3D人体模型中的腹部区域。上述这种方法得到的标准3D人体模型中会存在形变问题。如何改善基于二维红外图像得到的标准3D人体模型中存在的形变问题，是亟待解决的问题。

发明内容

本发明目的在于，提供一种红外3D人体模型构建方法及存储介质，改善了基于二维红外图像得到的标准3D人体模型中存在的形变问题。

根据本发明的第一方面，提供了一种红外3D人体模型构建方法，包括以下步骤：

S100，获取红外图像中人体的关键点KP=(kp₁，kp₂，…，kp_i，…，kp_N)，其中，kp_i为红外图像中人体的第i个关键点，i的取值范围是1到N，N为红外图像中人体的关键点的总数量。

S200，获取红外图像中人体的边缘点EP=(ep₁，ep₂，…，ep_j，…，ep_M)，其中，ep_j为红外图像中人体的第j个边缘点，j的取值范围是1到M，M为红外图像中人体的边缘点的总数量。

S300，获取红外图像向标准3D人体模型转换时的映射矩阵或形变网络，所述映射矩阵或形变网络根据KP和EP在红外图像中的坐标，以及标准3D人体模型中与KP和EP对应的点的坐标得到。

S400，获取红外图像中人体的非关键点和非边缘点的像素点FP=(fp₁，fp₂，…，fp_r，…，fp_R)，其中，fp_r为红外图像中人体的第r个非关键点和非边缘点的像素点，r的取值范围为1到R，R为红外图像中人体的非关键点和非边缘点的像素点的总数量。

S500，遍历KP、EP和FP，分别将红外图像中kp_i、ep_j和fp_r的像素值赋予标准3D人体模型中坐标为(kpx_i，kpy_i，kpz_i)、(epx_j，epy_j，epz_j)和(fpx_r，fpy_r，fpz_r)的点，kpx_i、kpy_i和kpz_i分别为kp_i经映射矩阵或形变网络进行坐标转换后的X、Y和Z轴坐标，epx_j、epy_j和epz_j分别为ep_j经映射矩阵或形变网络进行坐标转换后的X、Y和Z轴坐标，fpx_r、fpy_r和fpz_r分别为fp_r经映射矩阵或形变网络进行坐标转换后的X、Y和Z轴坐标。

S600，遍历标准3D人体模型目标区域中的点，若所述目标区域中存在未赋予像素值的点，则获取F_a={f_a,1，f_a,2，…，f_a,b，…，f_a,Qa}，其中，f_a,b为NP_a,b的法向量，NP_a,b为标准3D人体模型中NP_a的第b个已被赋予像素值的邻域点，NP_a为所述目标区域中第a个未赋予像素值的点，b的取值为1到Qa，Qa为标准3D人体模型中NP_a的已被赋予像素值的邻域点的总数量；所述目标区域为由nep₁，nep₂，…，nep_j，…，nep_M所围成的区域；其中，nep_j为标准3D人体模型中与ep_j对应的点；a的取值为1到H，其中，H为所述目标区域中所有未赋予像素值的点的总数量。

S700，如果F_a中任意两法向量之间的夹角均小于等于AJ₁，则将V_a1=∑^Qa _b=1(V_a,b/Qa)赋予NP_a，V_a,b为标准3D人体模型中NP_a,b的像素值，AJ₁为第一设定角度阈值；否则，将V_a2=∑^Qa _b=1(w_b*V_a,b)赋予NP_a，w_b为NP_a,b的权重，∑^Qa _b=1w_b=1。

本发明与现有技术相比具有明显的有益效果，借由上述技术方案，本发明提供的红外图像处理方法及存储介质可达到相当的技术进步性及实用性，并具有产业上的广泛利用价值，其至少具有以下有益效果：

本发明获取了红外图像中人体的关键点和边缘点，基于这些关键点和边缘点实现了二维红外图像中人体向标准3D人体模型的转换，其中，可基于边缘点改善得到的标准3D人体模型中人体的边缘形变的问题，可基于关键点改善得到的标准3D人体模型中人体的内部形变的问题，相较于现有对人体区域直接进行拉伸或缩放后映射在标准3D人体模型的方法，本发明能够改善基于二维红外图像得到的标准3D人体模型中存在的形变问题。而且，本发明在转换的过程中，考虑了将二维红外图像中点映射到标准3D人体模型中后标准3D人体模型中仍有点没有被赋予像素值的情况，并针对此情况提出了解决办法，提高了构建得到的人体三维模型的精确性。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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为本发明实施例提供的红外3D人体模型构建方法的流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅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，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

根据本发明的第一方面，提供了一种红外3D人体模型构建方法，如图1所示，包括以下步骤：

S100，获取红外图像中人体的关键点KP=(kp₁，kp₂，…，kp_i，…，kp_N)，其中，kp_i为红外图像中人体的第i个关键点，i的取值范围是1到N，N为红外图像中人体的关键点的总数量。

根据本发明，获取红外图像中人体的关键点KP的方法包括两种，第一种是基于相同的视角获取红外图像对应的可见光图像，然后利用第一关键点检测方法识别可见光图像中人体的关键点；由于可见光图像和红外图像是基于相同视角下拍摄的，因此可将光图像中人体的关键点的坐标与红外图像中人体的关键点的坐标相同，由此，在得到可见光图像中人体的关键点之后就可以得到红外图像中人体的关键点。本领域技术人员知悉，利用现有技术中任意的第一关键点检测方法识别可见光图像中的关键点均落入本发明的保护范围。可选的，现有技术中的关键点检测方法是基于第一卷积神经网络的关键点检测方法。

第二种是利用第二关键点检测方法识别红外图像中人体的关键点。可选的，第二关键点检测方法是基于第二卷积神经网络的关键点检测方法。根据本发明，第二卷积神经网络为经训练的卷积神经网络，第二卷积神经网络在进行训练时利用的样本是红外图像，第二卷积神经网络具备识别红外图像中人体关键点的功能。

需要说明的是，本发明获取的红外图像中的人体为同一个人的人体。例如，一个具体的场景是：一个人进入人体仓中进行图像拍摄。

S200，获取红外图像中人体的边缘点EP=(ep₁，ep₂，…，ep_j，…，ep_M)，其中，ep_j为红外图像中人体的第j个边缘点，j的取值范围是1到M，M为红外图像中人体的边缘点的总数量。

根据本发明，利用边缘检测算法获取红外图像中人体的边缘点EP。本领域技术人员知悉，利用现有技术中任意的边缘检测算法获取红外图像中人体的边缘点均落入本发明的保护范围。

S300，获取红外图像向标准3D人体模型转换时的映射矩阵或形变网络，所述映射矩阵或形变网络根据KP和EP在红外图像中的坐标，以及标准3D人体模型中与KP和EP对应的点的坐标得到。

本发明的目的在于根据红外图像中人体的关键点和边缘点构建对应的标准3D人体模型。应当理解的是，标准3D人体模型是预先构建好的，其中构成标准3D人体模型的任意点的坐标是已知的，其中哪些点是与KP对应的关键点是已知的，哪些点是与EP对应的边缘点也是已知的，未知的只是标准3D人体模型中各点的像素值。应当理解的是，红外图像中某点与标准3D人体模型中某点对应指的是两点代表的是人体的同一位置，例如，红外图像中人体鼻子关键点与标准3D人体模型中人体鼻子关键点对应，红外图像中神阙穴所在位置的关键点与标准3D人体模型中神阙穴所在位置的关键点对应，红外图像中人体下颚边缘点与标准3D人体模型中人体下颚边缘点对应。

可选的，获取标准3D人体模型中EP对应的点的方法包括：

S310，获取标准3D人体模型中人体的初始边缘点PNEP=(pnep₁，pnep₂，…，pnep_M0)，pnep_f为PNEP中第f个初始边缘点，f的取值范围为1到M0，M0为PNEP中初始边缘点的总数量。

需要说明的是，标准3D人体模型中人体的初始边缘点PNEP为用户输入的与红外图像具有相同拍摄视角的边缘点，例如，红外图像是从人体的正面拍摄的，那么PNEP为用户输入的人体的正面视角下的边缘点。

S320，获取红外图像向标准3D人体模型转换时的映射矩阵，红外图像向标准3D人体模型转换时的映射矩阵根据KP在红外图像中的坐标和标准3D人体模型中KP对应的点的坐标得到。

本领域技术人员知悉，利用现有技术中任意获取映射矩阵的方法获取本发明红外图像向标准3D人体模型转换时的映射矩阵均落入本发明的保护范围。

S330，获取NEP’=(nep’₁，nep’₂，…，nep’_j，…，nep’_M)，其中，nep’_j为利用所述红外图像向标准3D人体模型转换时的映射矩阵将ep_j进行转换后得到的边缘点。

S340，遍历NEP’，获取NEP=(nep₁，nep₂，…，nep_j，…，nep_M)，其中，nep_j为PNEP中与nep’_j距离最近的初始边缘点。

根据本发明，遍历PNEP，获取pnep_f与nep’_j的距离，将PNEP中与nep’_j距离最近的pnep_f作为nep_j。本领域技术人员知悉，利用现有技术中任意计算两个三维坐标点之间距离的方法获取本发明pnep_f与nep’_j距离均落入本发明的保护范围。

根据本发明，在得到了人体的多个位置分别在红外图像中的坐标和标准3D人体模型中的坐标后，根据多个位置在红外图像和标准3D人体模型中的坐标之间的对应关系即可获取映射矩阵或形变网络，该映射矩阵或形变网络即可实现红外图像中二维坐标系到标准3D人体模型中三维坐标系的转换。本领域技术人员知悉，利用现有技术中任意获取映射矩阵或形变网络的方法获取本发明的映射矩阵或形变网络均落入本发明的保护范围。

S400，获取红外图像中人体的非关键点和非边缘点的像素点FP=(fp₁，fp₂，…，fp_r，…，fp_R)，其中，fp_r为红外图像中人体的第r个非关键点和非边缘点的像素点，r的取值范围为1到R，R为红外图像中人体的非关键点和非边缘点的像素点的总数量。

应当理解的是，红外图像中人体除了包括关键点和边缘点之外，还包括既不是关键点，也不是边缘点的像素点，本发明将这样的像素点称之为非关键点和非边缘点。

S500，遍历KP、EP和FP，分别将红外图像中kp_i、ep_j和fp_r的像素值赋予标准3D人体模型中坐标为(kpx_i，kpy_i，kpz_i)、(epx_j，epy_j，epz_j)和(fpx_r，fpy_r，fpz_r)的点，kpx_i、kpy_i和kpz_i分别为kp_i经映射矩阵或形变网络进行坐标转换后的X、Y和Z轴坐标，epx_j、epy_j和epz_j分别为ep_j经映射矩阵或形变网络进行坐标转换后的X、Y和Z轴坐标，fpx_r、fpy_r和fpz_r分别为fp_r经映射矩阵或形变网络进行坐标转换后的X、Y和Z轴坐标。

根据本发明，在S300得到了红外图像向标准3D人体模型转换时的映射矩阵或形变网络后，即可知晓红外图像中像素点与标准3D人体模型中哪一点代表的是人体的同一位置，由此就可以根据红外图像中各像素点的像素值得到标准3D人体模型中对应点的像素值。

S600，遍历标准3D人体模型目标区域中的点，若所述目标区域中存在未赋予像素值的点，则获取F_a={f_a,1，f_a,2，…，f_a,b，…，f_a,Qa}，其中，f_a,b为NP_a,b的法向量，NP_a,b为标准3D人体模型中NP_a的第b个已被赋予像素值的邻域点，NP_a为所述目标区域中第a个未赋予像素值的点，b的取值为1到Qa，Qa为标准3D人体模型中NP_a的已被赋予像素值的邻域点的总数量；所述目标区域为由nep₁，nep₂，…，nep_j，…，nep_M所围成的区域；其中，nep_j为标准3D人体模型中与ep_j对应的点；a的取值为1到H，其中，H为所述目标区域中所有未赋予像素值的点的总数量。

根据本发明，S600遍历KP、EP和FP后，标准3D人体模型中的目标区域仍然可能存在未被赋予像素值的点，而这些未被赋予像素值的点可以根据其已被赋予像素值的邻域点的像素值确定。

根据本发明，只判断目标区域中的点是否被赋予像素值，可以提高构建得到的标准3D人体模型的精确性。应当理解的是，根据单张的红外图像只能够确定标准3D人体模型在某一视角下的点，例如，对人体进行正面拍摄时，拍摄得到的二维红外图像中只能看到人体的正面，根据该拍摄得到的二维红外图像对标准3D人体模型进行构建时，只能够得到标准3D人体模型正面的点的像素值，不能够得到标准3D人体模型背面的点的像素值，因此，本发明只判断标准3D人体模型中由nep₁，nep₂，…，nep_j，…，nep_M所围成的区域中是否存在未被赋予像素值的点。应当理解的是，nep_j为标准3D人体模型中与ep_j对应的点，优选的，nep_j具体为S340中PNEP中与nep’_j距离最近的初始边缘点。本领域技术人员知悉，现有技术中任意获取标准3D人体模型中对应边缘点的技术方案均落入本发明的保护范围。

根据本发明，目标区域中存在的未赋予像素值的点与其已被赋予像素值的邻域点既可能在标准3D人体模型中的一个平面上，也可能在标准3D人体模型中的曲面上；因此本发明获取了F_a，以根据F_a判断目标区域中存在的未赋予像素值的点与其已被赋予像素值的邻域点是否在一个平面上。

根据本发明，标准3D人体模型中任意点的法向量是已知的。本领域技术人员知悉，利用现有技术中任何获取标准3D人体模型中点的法向量的方法获取F_a均落入本发明的保护范围。

S700，如果F_a中任意两法向量之间的夹角均小于等于AJ₁，则将V_a1=∑^Qa _b=1(V_a,b/Qa)赋予NP_a，V_a,b为标准3D人体模型中NP_a,b的像素值，AJ₁为第一设定角度阈值；否则，则将V_a2=∑^Qa _b=1(w_b*V_a,b)赋予NP_a，w_b为NP_a,b的权重，∑^Qa _b=1w_b=1。

根据本发明，若F_a中任意两法向量之间的夹角均小于等于AJ₁，那么该点与其邻域点处于同一平面上，此时可以将存在像素值的邻域点的像素值的均值作为NP_a的像素值。本发明中AJ₁为某一略大于0°的角度。

根据本发明，若F_a中存在两法向量之间的夹角大于AJ₁，那么该点与其邻域点不是处于同一平面上，此时为其存在像素值的邻域点赋予权重，再结合其存在像素值的邻域点的像素值获取NP_a的像素值。

优选的，w_b的获取包括：

S710，获取J_a,b和J_a,c，J_a,b为f_a,b与f_a,0的夹角，J_a,c为f_a,c与f_a,0的夹角，f_a,0为NP_a的法向量，f_a,c为NP_a,c的法向量，NP_a,c为标准3D人体模型中NP_a的第c个已被赋予像素值的邻域点，c的取值范围为1到Qa，且b≠c。

S720，如果J_a,b<AJ₂<J_a,c，则w_b>w_c，w_c为NP_a,c的权重，AJ₂为第二设定角度阈值，AJ₂<AJ₁。可选的，AJ₂=0.5*AJ₁。

根据本发明，当满足J_a,b<AJ₂<J_a,c时，说明NP_a,b和NP_a在同一平面上，J_a,c和NP_a不在同一平面上，本发明设置w_b>w_c，使得为NP_a赋予的像素值更多地参考NP_a,b的像素值，经小规模试验表明，相较于随机为w_b赋予权重，由此得到的标准3D人体模型的精确度较高。

优选的，S720中，如果AJ₂<J_a,b、AJ₂<J_a,c且J⁰ _a,b<J⁰ _a,c，则w_b>w_c，J⁰ _a,b为f_a,b和标准3D人体模型的入射方向的夹角，J⁰ _a,c为f_a,c和标准3D人体模型的入射方向的夹角。例如，对人体进行正面拍摄时，拍摄得到的二维红外图像中只能看到人体的正面，对应的标准3D人体模型中只有正面的点会被赋予像素值，那么标准3D人体模型的入射方向即是垂直于标准3D人体模型的正面的方向。或者，对人体进行左侧面拍摄时，拍摄得到的二维红外图像中只能看到人体的左侧面，对应的标准3D人体模型中只有左侧面的点会被赋予像素值，那么标准3D人体模型的入射方向即是垂直于标准3D人体模型的左侧面的方向。

根据本发明，当满足AJ₂<J_a,b、AJ₂<J_a,c时，说明NP_a,b和NP_a,c均不与NP_a在同一平面上，此时若J⁰ _a,b<J⁰ _a,c，说明NP_a,b的像素值的准确性大于NP_a,c的像素值的准确性，本发明设置w_b>w_c，使得为NP_a赋予的像素值更多地参考NP_a,b的像素值，经小规模试验表明，相较于随机为w_b赋予权重，由此得到的标准3D人体模型的精确度较高。

优选的，S720中，如果J_a,b<J_a,c<AJ₂，则w_b>w_c或者w_b=w_c。

根据本发明，当满足J_a,b<J_a,c<AJ₂时，说明NP_a,b和NP_a,c均与NP_a在同一平面上，此时可设置w_b=w_c，或者设置w_b>w_c以得到精确度较高的标准3D人体模型。

本发明实施例还提供了一种非瞬时性计算机可读存储介质，所述存储介质中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由处理器加载并执行本发明实施例所述的方法。

虽然已经通过示例对本发明的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上示例仅是为了进行说明，而不是为了限制本发明的范围。本领域的技术人员还应理解，可以对实施例进行多种修改而不脱离本发明的范围和精神。本发明的范围由所附权利要求来限定。

Claims (9)

1.一种红外3D人体模型构建方法，其特征在于，包括以下步骤：

S100，获取红外图像中人体的关键点KP=(kp₁，kp₂，…，kp_i，…，kp_N)，其中，kp_i为红外图像中人体的第i个关键点，i的取值范围是1到N，N为红外图像中人体的关键点的总数量；

S200，获取红外图像中人体的边缘点EP=(ep₁，ep₂，…，ep_j，…，ep_M)，其中，ep_j为红外图像中人体的第j个边缘点，j的取值范围是1到M，M为红外图像中人体的边缘点的总数量；

S300，获取红外图像向标准3D人体模型转换时的映射矩阵或形变网络，所述映射矩阵或形变网络根据KP和EP在红外图像中的坐标，以及标准3D人体模型中与KP和EP对应的点的坐标得到；

S400，获取红外图像中人体的非关键点和非边缘点的像素点FP=(fp₁，fp₂，…，fp_r，…，fp_R)，其中，fp_r为红外图像中人体的第r个非关键点和非边缘点的像素点，r的取值范围为1到R，R为红外图像中人体的非关键点和非边缘点的像素点的总数量；

S500，遍历KP、EP和FP，分别将红外图像中kp_i、ep_j和fp_r的像素值赋予标准3D人体模型中坐标为(kpx_i，kpy_i，kpz_i)、(epx_j，epy_j，epz_j)和(fpx_r，fpy_r，fpz_r)的点，kpx_i、kpy_i和kpz_i分别为kp_i经映射矩阵或形变网络进行坐标转换后的X、Y和Z轴坐标，epx_j、epy_j和epz_j分别为ep_j经映射矩阵或形变网络进行坐标转换后的X、Y和Z轴坐标，fpx_r、fpy_r和fpz_r分别为fp_r经映射矩阵或形变网络进行坐标转换后的X、Y和Z轴坐标；

S600，遍历标准3D人体模型目标区域中的点，若所述目标区域中存在未赋予像素值的点，则获取F_a={f_a,1，f_a,2，…，f_a,b，…，f_a,Qa}，其中，f_a,b为NP_a,b的法向量，NP_a,b为标准3D人体模型中NP_a的第b个已被赋予像素值的邻域点，NP_a为所述目标区域中第a个未赋予像素值的点，b的取值为1到Qa，Qa为标准3D人体模型中NP_a的已被赋予像素值的邻域点的总数量；所述目标区域为由nep₁，nep₂，…，nep_j，…，nep_M所围成的区域；其中，nep_j为标准3D人体模型中与ep_j对应的点；a的取值为1到H，其中，H为所述目标区域中所有未赋予像素值的点的总数量；

S700，如果F_a中任意两法向量之间的夹角均小于等于AJ₁，则将V_a1=∑^Qa _b=1(V_a,b/Qa)赋予NP_a，V_a,b为标准3D人体模型中NP_a,b的像素值，AJ₁为第一设定角度阈值；否则，则将V_a2=∑^Qa _b=1(w_b*V_a,b)赋予NP_a，w_b为NP_a,b的权重，∑^Qa _b=1w_b=1。

2.根据权利要求1所述的方法，其特征在于，S700中，w_b的获取包括：

S710，获取J_a,b和J_a,c，J_a,b为f_a,b与f_a,0的夹角，J_a,c为f_a,c与f_a,0的夹角，f_a,0为NP_a的法向量，f_a,c为NP_a,c的法向量，NP_a,c为标准3D人体模型中NP_a的第c个已被赋予像素值的邻域点，c的取值范围为1到Qa，且b≠c；

S720，如果J_a,b<AJ₂<J_a,c，则w_b>w_c，w_c为NP_a,c的权重，AJ₂为第二设定角度阈值，AJ₂<AJ₁。

3.根据权利要求2所述的方法，其特征在于，S720中，如果AJ₂<J_a,b、AJ₂<J_a,c且J⁰ _a,b<J⁰ _a,c，则w_b>w_c，J⁰ _a,b为f_a,b和标准3D人体模型的入射方向的夹角，J⁰ _a,c为f_a,c和标准3D人体模型的入射方向的夹角。

4.根据权利要求2所述的方法，其特征在于，S720中，如果J_a,b<J_a,c<AJ₂，则w_b≥w_c。

5.根据权利要求2所述的方法，其特征在于，S720中，AJ₂=0.5*AJ₁。

6.根据权利要求1所述的方法，其特征在于，S100中，利用第一卷积神经网络识别可见光图像中的关键点，得到红外图像中人体的关键点KP，所述可见光图像与所述红外图像具有相同的拍摄视角。

7.根据权利要求1所述的方法，其特征在于，S100中，利用第二卷积神经网络识别红外图像中的关键点，得到红外图像中人体的关键点KP。

8.根据权利要求1所述的方法，其特征在于，S200中，利用边缘检测算法获取红外图像中人体的边缘点EP。

9.一种非瞬时性计算机可读存储介质，所述存储介质中存储有至少一条指令或至少一段程序，其特征在于，所述至少一条指令或所述至少一段程序由处理器加载并执行以实现如权利要求1-8中任意一项所述的方法。

Images