一种基于3D扫描的人物身体形状估计方法技术

本发明专利技术中提出的一种基于3D扫描的人物身体形状估计方法，其主要内容包括：使用身体模型确定姿势向量，定义单帧目标函数，融合形状估计，姿势和形状跟踪，其过程为，先使用多人物线性模型确定姿势向量，模拟形状和姿势的相关变形，再用皮肤项、布料项、模型耦合项和先验项定义单帧目标函数，接着将单帧目标扩展到多个帧并联合优化，通过再次使用单帧目标获得单个形状估计，最后使用融合形状进行跟踪，使估计的形状保持靠近融合形状。本发明专利技术使用多人物线性模型跟踪复杂的姿势，能够高效地估计联合模型参数和主体特定的自由形状；同时，还增加了细节部分的检测，提高了精确度。

【技术实现步骤摘要】
一种基于3D扫描的人物身体形状估计方法
本专利技术涉及身体形状估计领域，尤其是涉及了一种基于3D扫描的人物身体形状估计方法。
技术介绍
随着新兴三维非接触测量技术的发展，三维全人体扫描技术已经成为科学家们关注和研究的重要课题之一，它被用来侦测和分析人类个体的形状和外观数据，其应用领域非常广泛，如人体三维数据收集、人像打印；服装设计、虚拟试衣、个性化量身定做；美体塑身行业体型分析、评价；影视行业真人三维建模；医学工程、生理解剖；工业模型扫描与设计；文物研究与修复等。然而，先前使用的模型太过简单，无法跟踪复杂的姿态，缺乏细节部分的检测，精确度不高，因此无法满足使用需求。本专利技术提出了一种基于3D扫描的人物身体形状估计方法，先使用多人物线性模型(MPLM)确定姿势向量，模拟形状和姿势的相关变形，再用皮肤项、布料项、模型耦合项和先验项定义单帧目标函数，接着将单帧目标扩展到多个帧并联合优化，通过再次使用单帧目标获得单个形状估计，最后使用融合形状进行跟踪，使估计的形状保持靠近融合形状。本专利技术使用多人物线性模型跟踪复杂的姿势，能够高效地估计联合模型参数和主体特定的自由形状；同时，还增加了细节部分的检测，提高了精确度。
技术实现思路
针对模型太过简单、无法跟踪复杂的姿态等问题，本专利技术的目的在于提供一种基于3D扫描的人物身体形状估计方法，先使用多人物线性模型(MPLM)确定姿势向量，模拟形状和姿势的相关变形，再用皮肤项、布料项、模型耦合项和先验项定义单帧目标函数，接着将单帧目标扩展到多个帧并联合优化，通过再次使用单帧目标获得单个形状估计，最后使用融合形状进行跟踪，使估计的形状保持靠近融合形状。为解决上述问题，本专利技术提供一种基于3D扫描的人物身体形状估计方法，其主要内容包括：(一)使用身体模型确定姿势向量；(二)定义单帧目标函数；(三)融合形状估计；(四)姿势和形状跟踪。其中，所述的使用身体模型确定姿势向量，多人物线性模型(MPLM)使用具有6890个顶点的学习装配模板T的主体模型；根据形状参数和骨架姿态适配MPLM的顶点位置；人体的骨骼结构由运动链建模，运动链由通过24个关节连接的刚性骨段组成；每个关节建模为具有3个旋转自由度(DoF)的球形关节，用指数坐标ω进行参数化；包括平移在内，姿势θ由3×23+3＝72个参数的姿势向量确定。进一步地，所述的多人物线性模型(MPLM)，为了模拟形状和姿势的相关变形，MPLM以加总的方式修改模板，并从变形的模板预测关节位置；M(β,θ)＝W(T(β,θ),J(β),θ,W)(1)T(β,θ)＝Tμ+Bs(β)+Bp(θ)(2)其中，是线性混合蒙皮函数，其在静止姿态Tμ、联合位置J、姿态θ和混合权重W中取顶点，并返回所提出的顶点；参数Bs(β)和Bp(θ)是来自模板的顶点偏移向量；使用M引用MPLM生成的网格。其中，所述的定义单帧目标函数，将单帧目标函数定义为：E(TEst,M(β,0),θ；S)＝λskinEs+λcEc+λcplEcpl+λpriorEprior(3)其中，Es是皮肤项，Ec是布料项，Ecpl是模型耦合项，Eprior包括姿势、形状和平移的先验项；M(β,0)＝Tu+Bs(β)(4)Tu是MPLM的默认模板，β是形状空间的系数。进一步地，所述的皮肤项，惩罚项与模型的偏差，扫描标记为皮肤si∈Ss的点；为了使损失函数平滑，先计算对齐的点与最近的布料点的测地距离，并应用逻辑函数来映射0和1之间的测地距离；将此函数命名为结果值以最近距离传播到扫描点，并用于对每个扫描残余加权；靠近皮肤-布料边界的点具有平滑减小的重量；其中，dist是点到表面距离，ρ(·)是Geman-McClure惩罚函数；dist()计算网格三角形、边或点上最接近的基元；在每种情况下相应地计算分析导数。进一步地，所述的布料项，由于Ec＝Eo+Ei，外部惩罚项穿透网格的布点，拟合项鼓励网格靠近布料表面；假设进行闭合扫描，并将模型推入内部；外部项在数学上是标记为布料的每个扫描点的惩罚的总和s∈Sc，其穿透形状网格：其中，如果扫描点si位于网格内部，则δi返回1的指示符函数，否则为0；通过计算网格表面法线、连接扫描顶点和网格中最近点的矢量之间的角度，可获得激活δi。进一步地，所述的耦合项，仅优化Es和Ec导致结果不稳定，因为没有强制人体测量约束；因此，限制模板TEst，保持接近统计形状主体模型；Ecpl(TEst,M(0,β))＝‖diag(w)(TEst-M(0,β))‖2(7)其中，对角矩阵diag(w)简单地增加了诸如手和脚部分的耦合强度；联合优化TEst和β，形状的模型表示被拉向TEst，反之亦然；优化的结果是详细的估计TEst和形状β的模型表示。进一步地，所述的先验项，使用从MPLM的姿势训练集计算高斯先验对姿势进行正则化；具体来说，在姿势上执行马氏距离：其中，从姿态训练集中计算平均值μθ和协方差类似的先验可以强制在形状空间系数β，为了优化单帧目标，使用自动分解工具计算导数。其中，所述的融合形状估计，将单帧目标扩展到多帧，并联合优化单个TEst，β和Nframes姿势按顺序将所有扫描记录到单个衣物模板；使用单帧目标函数λc＝0；由此获得每帧穿着的模板模板集包含非刚性布料运动；裸体形状位于所有的衣物模板内部；收集所有模板，并将其视为单个点云，称之为融合扫描因此，可以通过再次使用单帧目标获得单个形状估计：所获得的融合形状已经相当准确。其中，所述的姿势和形状跟踪，使用融合形状进行跟踪，使估计的形状保持靠近融合形状；通过将估计耦合到融合形状来实现：用上式表示，故耦合项现在是附图说明图1是本专利技术一种基于3D扫描的人物身体形状估计方法的系统流程图。图2是本专利技术一种基于3D扫描的人物身体形状估计方法的皮肤项。图3是本专利技术一种基于3D扫描的人物身体形状估计方法的融合形状估计。具体实施方式需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互结合，下面结合附图和具体实施例对本专利技术作进一步详细说明。图1是本专利技术一种基于3D扫描的人物身体形状估计方法的系统流程图。主要包括使用身体模型确定姿势向量，定义单帧目标函数，融合形状估计，姿势和形状跟踪。使用身体模型确定姿势向量，多人物线性模型(MPLM)使用具有6890个顶点的学习装配模板T的主体模型；根据形状参数和骨架姿态适配MPLM的顶点位置；人体的骨骼结构由运动链建模，运动链由通过24个关节连接的刚性骨段组成；每个关节建模为具有3个旋转自由度(DoF)的球形关节，用指数坐标ω进行参数化；包括平移在内，姿势θ由3×23+3＝72个参数的姿势向量确定。为了模拟形状和姿势的相关变形，MPLM以加总的方式修改模板，并从变形的模板预测关节位置；M(β,θ)＝W(T(β,θ),J(β),θ,W)(1)T(β,θ)＝Tμ+Bs(β)+Bp(θ)(2)其中，是线性混合蒙皮函数，其在静止姿态Tμ、联合位置J、姿态θ和混合权重W中取顶点，并返回所提出的顶点；参数Bs(β)和Bp(θ)是来自模板的顶点偏移向量；使用M引用MPLM生成的网格。将单帧目标函数定义为：E(TEst,M(β,0),θ；S)＝λskinEs+λcEc+λcplEcpl+λpriorEprior(3)本文档来自技高网...

【技术保护点】
一种基于3D扫描的人物身体形状估计方法，其特征在于，主要包括使用身体模型确定姿势向量(一)；定义单帧目标函数(二)；融合形状估计(三)；姿势和形状跟踪(四)。

【技术特征摘要】
1.一种基于3D扫描的人物身体形状估计方法，其特征在于，主要包括使用身体模型确定姿势向量(一)；定义单帧目标函数(二)；融合形状估计(三)；姿势和形状跟踪(四)。2.基于权利要求书1所述的使用身体模型确定姿势向量(一)，其特征在于，多人物线性模型(MPLM)使用具有6890个顶点的学习装配模板T的主体模型；根据形状参数和骨架姿态适配MPLM的顶点位置；人体的骨骼结构由运动链建模，运动链由通过24个关节连接的刚性骨段组成；每个关节建模为具有3个旋转自由度(DoF)的球形关节，用指数坐标ω进行参数化；包括平移在内，姿势θ由3×23+3＝72个参数的姿势向量确定。3.基于权利要求书2所述的多人物线性模型(MPLM)，其特征在于，为了模拟形状和姿势的相关变形，MPLM以加总的方式修改模板，并从变形的模板预测关节位置；M(β,θ)＝W(T(β,θ),J(β),θ,W)(1)T(β,θ)＝Tμ+Bs(β)+Bp(θ)(2)其中，是线性混合蒙皮函数，其在静止姿态Tμ、联合位置J、姿态θ和混合权重W中取顶点，并返回所提出的顶点；参数Bs(β)和Bp(θ)是来自模板的顶点偏移向量；使用M引用MPLM生成的网格。4.基于权利要求书1所述的定义单帧目标函数(二)，其特征在于，将单帧目标函数定义为：E(TEst,M(β,0),θ；S)＝λskinEs+λcEc+λcplEcpl+λpriorEprior(3)其中，Es是皮肤项，Ec是布料项，Ecpl是模型耦合项，Eprior包括姿势、形状和平移的先验项；M(β,0)＝Tu+Bs(β)(4)Tu是MPLM的默认模板，β是形状空间的系数。5.基于权利要求书4所述的皮肤项，其特征在于，惩罚项与模型的偏差，扫描标记为皮肤si∈Ss的点；为了使损失函数平滑，先计算对齐的点与最近的布料点的测地距离，并应用逻辑函数来映射0和1之间的测地距离；将此函数命名为结果值以最近距离传播到扫描点，并用于对每个扫描残余加权；靠近皮肤-布料边界的点具有平滑减小的重量；其中，dist是点到表面距离，ρ(·)是Geman-McClure惩罚函数；dist()计算网格三角形、边或点上最接近的基元；在每种情况下相应地计算分析导数。6.基于权利要求书4所述的布料项，其特征在于，由于Ec＝Eo+Ei，外部惩罚项穿透网格的布点，拟合项鼓励网格靠...

【专利技术属性】
技术研发人员：夏春秋，
申请(专利权)人：深圳市唯特视科技有限公司，
类型：发明
国别省市：广东,44