一种基于2D人体图像进行量体的方法及系统技术方案

本发明专利技术涉及一种基于2D人体图像进行量体的方法及系统，其方法包括以下步骤，获取用户的2D人体图像；对所述2D人体图像进行人体边缘计算，得到边缘图像，并结合用户的性别、年龄和体重对所述边缘图像进行神经网络计算，生成3D人体点云模型；对所述3D人体点云模型进行优化处理，得到光滑的3D人体点云模型；对光滑的3D人体点云模型中的特征部位进行测量，计算出相应的人体尺寸。本发明专利技术利用2D图像测量方法进行量体，每次测量只需输入被测量者的性别、身高、体重，然后拍摄照片，就能快速计算出量体数据，整个过程在30秒左右可以完成，有效地简化了测量过程和提高了测量效率；另外通过图像处理和神经网络计算可以有效提高测量的精度。

【技术实现步骤摘要】
一种基于2D人体图像进行量体的方法及系统
本专利技术涉及人体测量领域，具体涉及一种基于2D人体图像进行量体的方法及系统。
技术介绍
传统的服装量体必须由量体师来进行，要求被测量者站立，量体师利用软尺对被测量者的胸围、腹围、颈围、臀围、腕围、腿围、臂长、腿长等近30项尺码逐一测量。平均测量一个人的所有尺寸需要3到5分钟，一个经验丰富的量体师每天测量80至100人次，已经是精神和体力的极限(由于要频繁地蹲下站起)。人工量体需要专业的量体师进行一对一的手工测量，还需配备一名记录员记录测量的数据，测量并记录一个人的尺码需要三到五分钟，且测量记录为手工记录。如果面对大量的被测量群体，传统的人工量体速度慢、效率低，测量过程中量体师的选点随着体力的消耗不会完全一致，极易导致量体数据的不准确，测量之后还需将手工记录的尺码录入电脑或者装订保存，存在误差的风险较大，且需耗费大量的时间与人力成本。而且，不同的量体师对人体测量点位的选择必然存在偏差，手法也不尽相同，最后得到的数据可能并不一致。随着人工智能的发展，市面上也出现了一些智能量体技术，而现有的智能量体技术需要用户着贴身衣物，并输入身高体重性别年龄及大量的身材尺寸描述信息，然后在数据库中进行匹配，本质上是一个专家系统；这种测量系统有两大缺陷，其一为量体步骤繁琐，用户体验差；其二为准确性较低，因为此方法是通过样本匹配给出近似值，并非精确的计算。
技术实现思路
本专利技术所要解决的技术问题是提供一种基于2D人体图像进行量体的方法及系统，可以简化测量过程，提高测量效率和精度。本专利技术解决上述技术问题的技术方案如下：一种基于2D人体图像进行量体的方法，包括以下步骤，S1，获取用户的2D人体图像；S2，对所述2D人体图像进行人体边缘计算，得到边缘图像，并结合用户的性别、年龄和体重对所述边缘图像进行神经网络计算，生成3D人体点云模型；S3，对所述3D人体点云模型进行优化处理，得到光滑的3D人体点云模型；S4，对光滑的3D人体点云模型中的特征部位进行测量，计算出相应的人体尺寸。本专利技术的有益效果是：本专利技术利用2D图像测量方法进行量体，每次测量只需输入被测量者的性别、身高、体重，然后拍摄照片，就能快速计算出量体数据，整个过程在30秒左右可以完成，有效地简化了测量过程和提高了测量效率；另外通过图像处理和神经网络计算可以有效提高测量的精度。在上述技术方案的基础上，本专利技术还可以做如下改进。进一步，所述S1具体为，S11，采集用户任意姿势的全身照片；S12，对所述全身照片进行Canny算子的边缘检测，得到边缘检测结果；S13，在所述边缘检测结果中标记连通分支，得到连通域；S14，对所述连通域进行区域化过滤，得到过滤区域；S15，在所述过滤区域中筛选出前景色和背景色；S16，基于所述前景色和背景色对所述过滤区域进行二值化处理，得到去掉背景的所述2D人体图像。进一步，所述S2具体为，S21，对所述2D人体图像进行高斯滤波，得到滤波图像；S22，求取所述滤波图像的梯度幅值，得到梯度幅值图像；S23，对所述梯度幅值图像进行边缘非最大值抑制；S24，采用双阈值处理和连接分析的方法连接边缘非最大值抑制，得到所述边缘图像；S25，结合用户的性别、年龄和体重对所述边缘图像进行神经网络深度学习，识别出人体骨架；S26，将预先训练好的3D模型与所述人体骨架进行重建，生成3D人体点云模型。进一步，所述S3具体为，S31，读取所述3D人体点云模型中的三维散乱点云数据P；S32，将所述三维散乱点云数据P利用空间单元格栅建立云拓扑关系；S33，根据所述云拓扑关系搜索所述三维散乱点云数据P中任一点Pi∈P的K_邻域NV(Pi)；S34，计算点Pi与其K_邻域NV(Pi)内K个点之间的距离，并计算所述距离的平均值M(Pi)；S35，将所述距离的平均值M(Pi)与预先设定的阈值M进行对比，若M(Pi)≤M，则保留所述点Pi，并返回至所述S33，若M(Pi)＞M，则删除所述点Pi，直至所有点搜索计算完成，得到光滑的3D人体点云模型。进一步，所述S4具体为，S41，通过三维扫描仪获取光滑的3D人体点云模型中的人体点云数据；S42，对所述人体点云数据中的非逻辑的点云数据进行数据识别和分割,得到特征部位；S43，结合人体的几何特征以及人体特征尺寸在服装学中的定义获取所述特征部位的测量基准点或特征点所在的位置；S44，通过所述测量基准点或特征点的位置获取所述特征部位的截面；S45，通过B样条曲线拟合所述截面上的数据点，获取所述特征部位的特征尺寸，所述特征部位的特征尺寸即为相应的人体尺寸。基于上述一种基于2D人体图像进行量体的方法，本专利技术还提供一种基于2D人体图像进行量体的系统。一种基于2D人体图像进行量体的系统，包括以下模块，2D人体图像获取模块，其用于获取用户的2D人体图像；3D人体点云模型生成模块，其用于对所述2D人体图像进行人体边缘计算，得到边缘图像，并结合用户的性别、年龄和体重对所述边缘图像进行神经网络计算，生成3D人体点云模型；3D人体点云模型优化处理模块，其用于对所述3D人体点云模型进行优化处理，得到光滑的3D人体点云模型；特征部位测量模块，其用于对光滑的3D人体点云模型中的特征部位进行测量，计算出相应的人体尺寸。本专利技术的有益效果是：本专利技术利用2D图像测量方法进行量体，每次测量只需输入被测量者的性别、身高、体重，然后拍摄照片，就能快速计算出量体数据，整个过程在30秒左右可以完成，有效地简化了测量过程和提高了测量效率；另外通过图像处理和神经网络计算可以有效提高测量的精度。在上述技术方案的基础上，本专利技术还可以做如下改进。进一步，所述2D人体图像获取模块具体用于，采集用户任意姿势的全身照片；对所述全身照片进行Canny算子的边缘检测，得到边缘检测结果；在所述边缘检测结果中标记连通分支，得到连通域；对所述连通域进行区域化过滤，得到过滤区域；在所述过滤区域中筛选出前景色和背景色；基于所述前景色和背景色对所述过滤区域进行二值化处理，得到去掉背景的所述2D人体图像。进一步，所述3D人体点云模型生成模块具体用于，对所述2D人体图像进行高斯滤波，得到滤波图像；求取所述滤波图像的梯度幅值，得到梯度幅值图像；对所述梯度幅值图像进行边缘非最大值抑制；采用双阈值处理和连接分析的方法连接边缘非最大值抑制，得到所述边缘图像；结合用户的性别、年龄和体重对所述边缘图像进行神经网络深度学习，识别出人体骨架；将预先训练好的3D模型与所述人体骨架进行重建，生成3D人体点云模型。进一步，所述3D人体点云模型优化处理模块具体用于，读取所述3D人体点云模型中的三维散乱点云数据P；将所述三维散乱点云数据P利用空间单元格栅建立云拓扑关系；根据所述云拓扑关系搜索所述三维散乱点云数据P中任一点Pi∈P的K_邻域NV(Pi)；计算点Pi与其K_邻域NV(Pi)内K个点之间的距离，并计算所述距离的平均值M(Pi)；将所述距离的平均值M(Pi)与预先设定的阈值M进行对比，若M(Pi)≤M，则保留所述点Pi，若M(Pi)＞M，则删除所述点Pi，直至所有点搜索计算完成，得到光滑的3D人体点云模型。进一步，所述特征部位测量模块具体用于，通过三维扫描仪获取光滑的3D人体点云模型中的人体点云数本文档来自技高网...

【技术保护点】
1.一种基于2D人体图像进行量体的方法，其特征在于：包括以下步骤，S1，获取用户的2D人体图像；S2，对所述2D人体图像进行人体边缘计算，得到边缘图像，并结合用户的性别、年龄和体重对所述边缘图像进行神经网络计算，生成3D人体点云模型；S3，对所述3D人体点云模型进行优化处理，得到光滑的3D人体点云模型；S4，对光滑的3D人体点云模型中的特征部位进行测量，计算出相应的人体尺寸。

【技术特征摘要】
1.一种基于2D人体图像进行量体的方法，其特征在于：包括以下步骤，S1，获取用户的2D人体图像；S2，对所述2D人体图像进行人体边缘计算，得到边缘图像，并结合用户的性别、年龄和体重对所述边缘图像进行神经网络计算，生成3D人体点云模型；S3，对所述3D人体点云模型进行优化处理，得到光滑的3D人体点云模型；S4，对光滑的3D人体点云模型中的特征部位进行测量，计算出相应的人体尺寸。2.根据权利要求1所述的一种基于2D人体图像进行量体的方法，其特征在于：所述S1具体为，S11，采集用户任意姿势的全身照片；S12，对所述全身照片进行Canny算子的边缘检测，得到边缘检测结果；S13，在所述边缘检测结果中标记连通分支，得到连通域；S14，对所述连通域进行区域化过滤，得到过滤区域；S15，在所述过滤区域中筛选出前景色和背景色；S16，基于所述前景色和背景色对所述过滤区域进行二值化处理，得到去掉背景的所述2D人体图像。3.根据权利要求1或2所述的一种基于2D人体图像进行量体的方法，其特征在于：所述S2具体为，S21，对所述2D人体图像进行高斯滤波，得到滤波图像；S22，求取所述滤波图像的梯度幅值，得到梯度幅值图像；S23，对所述梯度幅值图像进行边缘非最大值抑制；S24，采用双阈值处理和连接分析的方法连接边缘非最大值抑制，得到所述边缘图像；S25，结合用户的性别、年龄和体重对所述边缘图像进行神经网络深度学习，识别出人体骨架；S26，将预先训练好的3D模型与所述人体骨架进行重建，生成3D人体点云模型。4.根据权利要求1或2所述的一种基于2D人体图像进行量体的方法，其特征在于：所述S3具体为，S31，读取所述3D人体点云模型中的三维散乱点云数据P；S32，将所述三维散乱点云数据P利用空间单元格栅建立云拓扑关系；S33，根据所述云拓扑关系搜索所述三维散乱点云数据P中任一点Pi∈P的K_邻域NV(Pi)；S34，计算点Pi与其K_邻域NV(Pi)内K个点之间的距离，并计算所述距离的平均值M(Pi)；S35，将所述距离的平均值M(Pi)与预先设定的阈值M进行对比，若M(Pi)≤M，则保留所述点Pi，并返回至所述S33，若M(Pi)＞M，则删除所述点Pi，直至所有点搜索计算完成，得到光滑的3D人体点云模型。5.根据权利要求1或2所述的一种基于2D人体图像进行量体的方法，其特征在于：所述S4具体为，S41，通过三维扫描仪获取光滑的3D人体点云模型中的人体点云数据；S42，对所述人体点云数据中的非逻辑的点云数据进行数据识别和分割,得到特征部位；S43，结合人体的几何特征以及人体特征尺寸在服装学中的定义获取所述特征部位的测量基准点或特征点所在的位置；S44，通过所述测量基准点或特征点的位置获取所述特征部位的截面；S45，通过B样条曲线拟合所述截面上的数据点，获取所述特征部位的特征尺寸，所述特征部位的特征尺寸即为相应的...

【专利技术属性】
技术研发人员：武大治，汪赛虎，方力，
申请(专利权)人：武汉亘星智能技术有限公司，
类型：发明
国别省市：湖北,42