一种面向非接触式人体参数测量的特征点定位方法技术

本发明专利技术属于人体参数测量技术领域，具体为一种面向非接触式人体参数测量的特征点定位方法，用以解决现有技术在现实环境下定位准确率较低的问题。本发明专利技术利用深度学习网络模型代替传统的图像分割算法来提取人体的轮廓信息，使得提取的轮廓信息更加精确，并克服了传统算法在复杂背景下难以提取人体轮廓的弊端；同时，将强依赖的轮廓提取与特征点提取两个步骤进行了分离，减少了特征点提取对轮廓提取结果的依赖，而且利用深度学习网络模型进行特征点提取对人体形态没有要求，克服了传统算法设计时只适应了标准的人体形态使得现实环境下特征点提取不准确的问题。

A feature point location method for non-contact human body parameter measurement

【技术实现步骤摘要】
一种面向非接触式人体参数测量的特征点定位方法
本专利技术属于人体参数测量
，尤其涉及了一种非接触式人体参数测量中特征点定位方法。
技术介绍
人体参数测量是服装定制、人体建模等应用中的一个重要环节，而基于正交图像的非接触式人体参数测量方法由于其简便易行、适合在网络环境下应用等优点得到了广泛关注。此类方法以图像采集设备获取人体的正、侧面图像作为输入，利用图像处理算法定位量体特征点并结合辅助信息(例如身高)计算二维量体数据，最后通过围度拟合获得人体围度信息，其精度在很大程度上依赖于特征点定位的准确性。近年来，国内外学者对量体特征点定位算法做了许多研究，大致可分为两类：基于图像分割的特征点定位和基于统计学习模型的特征点定位；但是以上两类特征点定位方法的精度都依赖于特征工程的构建、要求背景单一、人体着装与背景有显著差异，当在现实环境下，量体特征点的定位会出现较大的误差。随着大数据时代的到来，深度学习技术代替了手动设计特征提取器，较深的网络结构使得其包含大量的参数，具有强大的表征能力，可以拟合出较复杂的函数。目前深度学习在量体特征点提本文档来自技高网...

【技术保护点】
1.一种面向非接触式人体参数测量的特征点定位方法，包括以下步骤：/n步骤1.数据集构建/n1.1人体图像采集，按照规定站姿拍摄人体正面图像，得到人体图像数据集；/n1.2标记待提取特征点，根据提取的人体参数对人体图像数据集进行待提取特征点标记，获取待提取特征点位置信息；/n步骤2.初步特征点提取/n2.1构建特征点提取网络模型，首先，根据CPN的网络结构构建特征点提取网络模型并对其参数进行随机初始化；然后，获取CPN在MS COCO数据集上训练后的模型参数，用除输出层外其他层的参数对CPN中参数进行赋值；/n2.2设置网络训练时的超参数；/n2.3训练网络模型，当模型在训练集和验证集上的误差差...

【技术特征摘要】
1.一种面向非接触式人体参数测量的特征点定位方法，包括以下步骤：
步骤1.数据集构建
1.1人体图像采集，按照规定站姿拍摄人体正面图像，得到人体图像数据集；
1.2标记待提取特征点，根据提取的人体参数对人体图像数据集进行待提取特征点标记，获取待提取特征点位置信息；
步骤2.初步特征点提取
2.1构建特征点提取网络模型，首先，根据CPN的网络结构构建特征点提取网络模型并对其参数进行随机初始化；然后，获取CPN在MSCOCO数据集上训练后的模型参数，用除输出层外其他层的参数对CPN中参数进行赋值；
2.2设置网络训练时的超参数；
2.3训练网络模型，当模型在训练集和验证集上的误差差值大于预设阈值时停止训练、并保存此刻模型的结构和参数；
2.4提取初步定位的特征点，将待测图像输入特征点提取网络模型，获得初步特征点；
步骤3.像素级轮廓分割
3.1构建轮廓分割网络模型并初始化参数，首先，根据YOLACT的网络结构构建特征点提取网络模型并对其参数进行随机初始化；然后，获取YOLACT在MSCOCO数据集上训练后的模型参数，用除输出层外其他层的参数对YOLACT中参数进行赋值；
3.2设置网络训练时的超参数；
3.3训练网络模型，当模型迭代次数达到预设阈值时停止训练，并保存此刻模型的结构和参数；
3.4获得像素级的人体轮廓，将待测图像输入轮廓分割网络模型，获得人体轮廓信息；
步骤4.精确特征点提取
4.1确定感兴趣区域，以特征点的横纵坐标为中心，取人体宽度1/3、人体长度1/5大小的矩形为感兴趣区域；
4.2特征点位置调整，设定调整条件：当调整距离在横坐标或纵坐标方向大...

【专利技术属性】
技术研发人员：连春华，罗光春，林隆永，卢国明，朱大勇，王伟灿，董代宇，
申请(专利权)人：电子科技大学，四川久远银海软件股份有限公司，
类型：发明
国别省市：四川;51