一种基于深度学习的人体曲线测量方法及系统技术方案

本发明专利技术公开了一种基于深度学习的人体曲线测量方法及系统，通过获取人体分割和骨骼点回归数据库，输入用户人体图像，对输入图像进行检测标定进而计算得到人体曲线测量数据。本发明专利技术提出的获取方法通过输入带有参照物的用户人体图片，可以方便地进行非接触式人体曲线测量，提高了测量的精度和便利度。

Human body curve measurement method and system based on deep learning

The invention discloses a method and system for measuring human body curve based on depth learning. By acquiring human body segmentation and bone point regression database, the user's human body image is input, and the input image is detected and calibrated, and then the human body curve measurement data is calculated. The acquisition method of the invention can conveniently carry out non-contact human body curve measurement by inputting a user's human body picture with a reference object, thereby improving the accuracy and convenience of the measurement.

【技术实现步骤摘要】
一种基于深度学习的人体曲线测量方法及系统
本专利技术涉及计算机视觉
，特别是一种基于深度学习的人体曲线测量方法及系统。
技术介绍
人体检测在生活中应用广泛，例如监控系统、安全监察、自动驾驶和驾驶辅助系统、人机交互、互动娱乐、智能家庭和老人辅助，医学治疗等，广泛的应用和挑战吸引了很多研究者参与到其中来。现有的人体曲线测量都局限在和设备的接触式测量，且需要自身的配合才能较准确的测量人体身高，如卡尺式测量和超声波感应身高测量仪均需要人体站在设备指定的平台上才能完成，而且只能逐个测量。如现有专利CN2548558Y公开了一种人体脊椎、背部曲线测量模板，由均布有通孔的孔状模板和以过渡配合方式插置在各通孔内的测量杆组成。使用时先将人体脊椎、背部曲线测量模板的测量杆全部滑向模板的一侧，然后放置在人体的靠背处，要求被测量人将测量部位轻轻地靠压在曲线测量模板上，设置在模板上的测量杆便会因测量部位对其作用力的不同而向内缩入，均布在模板上的测量杆模刻出人体被测量部位的曲线，根据测量杆的缩入量便可近似地画出人体的脊椎或背部的生理曲线。上述测量方法及装置测量效率低且对测量对象不友好，不能进行远程或非接触式测量。计算机视觉是使用计算机及相关设备对生物视觉的一种模拟。它的主要任务就是通过对采集的图片或视频进行处理以获得相应场景的三维信息，就像人类和许多其他类生物每天所做的那样。单目视觉是指仅利用一台摄像机完成定位工作。因其仅需一台视觉传感器，单目摄像头需要对目标进行识别，也就是说在测量前先识别目标是车、人还是别的什么。在此基础上再进行对目标的参数测量。双目视觉技术，是计算机视觉的一种重要形式，其基于视差原理并利用不同位置的两个相机对同一场景进行拍摄，通过双目标定及匹配技术，获取场景中目标的三维信息。双目匹配是指建立相同场景下的目标点在不同视角下两幅投影图像目标点的对准。单双目视觉测量方法具有效率高、精度合适、系统结构简单、成本低等优点，非常适合于制造现场的在线、非接触产品检测和质量控制。
技术实现思路
本专利技术旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本专利技术提出了一种基于深度学习的人体曲线测量方法及系统，可以方便地进行非接触式人体曲线测量，提高了测量的精度和便利度。本专利技术提出一种基于深度学习的的人体曲线测量方法，包括：步骤一：获取人体分割和骨骼点回归数据库；步骤二：输入用户人体图像；步骤三：利用人体分割和骨骼点回归数据库对输入的图像进行检测标定及提取，计算得到用户人体曲线测量数据。进一步地，步骤一中获取人体分割和骨骼点回归数据库具体包括：训练阶段和测试阶段。进一步地，训练阶段包括：选取人体图片作为训练样本；对人体图片进行预处理；对预处理得到的图片进行CNN及RPN训练，得到目标类别得分，目标边框、人体分割区域块和骨骼点回归模型。进一步地，测试阶段包括：输入图片帧；读取训练好的目标类别得分、目标边框、人体分割区域块和骨骼点回归模型参数；调用一张图片帧做前向传播，得到输入图片帧的目标类别得分，目标边框、人体分割区域数据和骨骼点数据。进一步地，步骤二中输入的用户人体图像包括采用单目摄像头或双目摄像头获取的用户人体正面图像和用户人体侧面图像。进一步地，采用单目摄像头获取的用户人体图像包括带有参照物的用户人体正面图像和用户人体侧面图像。进一步地，步骤三中对输入图像进行检测标定包括对参照物角点进行检测标定及对人体轮廓和骨骼点进行提取；其中，对人体轮廓和骨骼点提取包括，提取人体分割区域数据，根据人体分割区域数据，提取人体分割区域边缘坐标，将边缘坐标从头顶开始由上至下、由左至右连续存储，以及根据所述骨骼点回归模型得到骨骼点坐标。进一步地，当所述参照物为棋盘格时，对参照物角点进行检测标定具体包括：检测图片中棋盘格，根据检测到的棋盘格角点数据，将检测到的各个角点坐标按从左到右，从上到下的顺序存储，计算出X和Y方向每个像素表示的长度，将上述多个长度求均值得到每个像素表示的实际长度。进一步地，基于获取的用户人体正面图像计算得到人体正面测量数据具体包括：提取人体轮廓从头部顶点开始，定义右侧第一个凹点附近区域平均值得到D点，定义左侧第一个凹点附近区域平均值得到C点，定义C点到D点X方向差值为正面脖宽，定义C点到头部顶点为头高；定义左眼睛骨骼点向上一距离l与左侧人体轮廓交点为A点，定义左眼睛骨骼点向上所述距离l与右侧人体轮廓交点为B点，定义A点到B点X方向差值为正面头宽；定义左肩骨骼点左斜向上一角度α与左侧人体轮廓交点E点，定义右肩骨骼点右斜向上所述角度α与右侧人体轮廓交点F点，定义E点到F点X方向差值为肩宽；定义左肩骨骼点到左肘骨骼点的距离为左上臂长度EK，定义右肩骨骼点到右肘骨骼点的距离为右上臂长度FM，定义左肘骨骼点到左腕骨骼点的距离为左下臂长度KL，定义右肘骨骼点到右腕骨骼点的距离为左下臂长度MN，定义上臂长度为(EK+FM)/2，定义下臂长度为(KL+MN)/2；定义左右肩骨骼中心点与左右髋关节点中心点的距离为体高，定义E点右斜向下一距离m处为G点，定义F点左斜向下一距离m处为H点，定义G点到H点X方向距离为正面胸宽；定义左髋关节向上一距离n与左侧轮廓交点为I点，定义右髋关节向上所述距离n与右侧轮廓交点为J点，定义I点到J点X方向距离为正面腰宽。进一步地，基于获取的用户人体侧面图像计算得到人体侧面测量数据具体包括：提取人体轮廓从头部顶点开始，定义左侧第一个凹点附近区域平均值得到Q点，定义Q点到头部顶点Y方向高度为侧面头高；定义Q点X方向右侧与人体轮廓右侧交点为R点，定义Q点和R点X方向的距离为侧面脖宽；定义眼睛骨骼点向上一距离l’与左侧人体轮廓交点为O点，定义眼睛骨骼点向上所述距离l’与右侧人体轮廓交点为P点，定义O点与P点X方向距离为侧面头宽；定义左右肩骨骼中心点与左右髋关节点中心点的距离为侧面体高；定义左右肩骨骼中心点向下一距离m’与左侧人体轮廓交点为S点，定义左右肩骨骼中心点向下所述距离m’与右侧人体轮廓交点为T点，定义S点与T点X方向距离为侧面胸宽；定义左右髋关节中心点向上一距离n’与左侧人体轮廓交点为U点，定义左右髋关节中心点向上所述距离n’与右侧人体轮廓交点为V点，定义U点与V点X方向距离为侧面腰宽。进一步地，根据上述计算得到的人体正面和侧面测量数据，通过椭圆计算公式或者多曲线叠加公式计算出人体曲线测量数据。进一步地，还包括步骤四：输出所述用户人体曲线测量数据。本专利技术还提出了一种基于深度学习的人体曲线测量系统，包括：人体分割和骨骼点回归数据库获取模块，用于获取人体分割和骨骼点回归数据库；用户人体图像获取模块，用于接收用户人体图像；人体曲线计算模块，用于计算得到所述用户人体曲线测量数据。进一步地，人体分割和骨骼点回归数据库获取模块进一步包括训练模块和测试模块。进一步地，训练模块用于：选取人体图片作为训练样本；对人体图片进行预处理；对预处理得到的图片进行CNN及RPN训练，得到目标类别得分，目标边框、人体分割区域块和骨骼点回归模型。进一步地，测试模块用于：输入图片帧；读取训练好的目标类别得分、目标边框、人体分割区域块和骨骼点回归模型参数；调用一张图片帧做前向传播，得到输入图片帧的目标类别得分，目标边框、人体分割区域数据本文档来自技高网...

【技术保护点】
1.一种基于深度学习的人体曲线测量方法，其特征在于，包括：步骤一：获取人体分割和骨骼点回归数据库；步骤二：输入用户人体图像；步骤三：利用所述人体分割和骨骼点回归数据库对所述输入的图像进行检测标定及提取，计算得到用户人体曲线测量数据。

【技术特征摘要】
1.一种基于深度学习的人体曲线测量方法，其特征在于，包括：步骤一：获取人体分割和骨骼点回归数据库；步骤二：输入用户人体图像；步骤三：利用所述人体分割和骨骼点回归数据库对所述输入的图像进行检测标定及提取，计算得到用户人体曲线测量数据。2.如权利要求1所述的一种基于深度学习的人体曲线测量方法，其特征在于：所述步骤一中获取人体分割和骨骼点回归数据库具体包括：训练阶段和测试阶段。3.如权利要求2所述的一种基于深度学习的人体曲线测量方法，其特征在于：所述训练阶段包括：选取人体图片作为训练样本；对所述人体图片进行预处理；对所述预处理得到的图片进行CNN及RPN训练，得到目标类别得分，目标边框、人体分割区域块和骨骼点回归模型。4.如权利要求3所述的一种基于深度学习的人体曲线测量方法，其特征在于：所述步骤二中输入的用户人体图像包括采用单目摄像头或双目摄像头获取的用户人体正面图像和用户人体侧面图像。5.如权利要求4所述的一种基于深度学习的人体曲线测量方法，其特征在于：所述采用单目摄像头获取的所述用户人体图像包括带有参照物的用户人体正面图像和用户人体侧面图像。6.如权利要求5所述的一种基于深度学习的人体曲线测量方法，其特征在于：所述步骤三中对输入图像进行检测标定包括对参照物角点进行检测标定及对人体轮廓和骨骼点进行提取；其中，对人体轮廓和骨骼点提取包括，提取人体分割区域数据，根据所述人体分割区域数据，提取人体分割区域边缘坐标，将所述边缘坐标从头顶开始由上至下、由左至右连续存储，以及根据所述骨骼点回归模型得到骨骼点坐标。7.如权利要求6所述的一种基于深度学习的人体曲线测量方法，其特征在于：当所述参照物为棋盘格时，对参照物角点进行检测标定具体包括：检测图片中棋盘格，根据检测到的棋盘格角点数据，将检测到的各个角点坐标按从左到右，从上到下的顺序存储，计算出X和Y方向每个像素表示的长度，将上述多个长度求均值得到每个像素表示的实际长度。8.如权利要求7所述的一种基于深度学习的人体曲线测量方法，其特征在于：基于获取的所述用户人体正面图像计算得到人体正面测量数据具体包括：提取人体轮廓从头部顶点开始，定义右侧第一个凹点附近区域平均值得到D点，定义左侧第一个凹点附近区域平均值得到C点，定义C点到D点X方向差值为正面脖宽，定义C点到头部顶点...

【专利技术属性】
技术研发人员：高鹏，
申请(专利权)人：高鹏，
类型：发明
国别省市：北京,11