一种基于体重身高及身体影像的体型数据计算方法技术

本发明专利技术专利涉及体型测量技术领域，尤其为一种基于体重身高及身体影像的体型数据计算方法，包括以下步骤：采用体型信息：采用十二类人体体型，采用的人体数据组包括人体胸围、人体臀围、人体腰围、人体腿长、人体小腿长、人体大腿围和人体上身长共计七组数据；采集样本数据：采集上述十二类人体体型信息数据样本共计一万份；本发明专利技术专利使用基础的标准设备进行人体的数据采集，在实施上和成本上更具有优势，并且对于用户使用来说更为便利，利用神经网络的推断方法，在整体的准确度上面具备更佳的实施优势，通过超宽带雷达可以获取增强的人体信息，将其与其他人体信息进行对比，从而提升三维人体模型建立的准确性。维人体模型建立的准确性。维人体模型建立的准确性。

【技术实现步骤摘要】
一种基于体重身高及身体影像的体型数据计算方法


[0001]本专利技术专利涉及体型测量
，具体为一种基于体重身高及身体影像的体型数据计算方法。

技术介绍

[0002]在AR和VR不断发展的背景下，越来越多的应用场景不断的使用了虚拟增强的技术来提升产品的体验感，例如基于AR技术的人脸虚拟上妆技术，基于AR技术的旅游体验等解决方案。虚拟现实作为一种依赖虚拟场景来提升产品的体验感，力求让用户具有沉浸式的产品体验的方案，其核心的技术在于从现实出发，利用三维重构技术来打造一体化的场景，让使用者拥有一种置身事中的真实感觉。在众多的虚拟现实的场景中如何快速准确的获取到人体的数据进行三维模型重建成为了一个能否快速产品和市场化成功的重要因素。例如在虚拟试衣的应用技术上，试衣效果的好与坏，人体模型的重建的准确与否很大程度的影响了最终的试衣效果。
[0003]目前行业中获取人体数据的方式通常使用多个摄像头构造成摄像头集群的方式，分别安装在场景的左右前后不同的位置，通过多个角度拍摄人体的影像进行分析合成，最终得到比较准确的人体体型数据。这种方式在目前的实现方案中能够比较准确的获取到人体的体型数据，但是对于目标人体的站立位置有比较严格的要求，并且实施起来比较复杂，需要比较精准的校验摄像头的安装位置和焦距的调试等，对于用户体验来说并不能够达到真实的自动化和一步到位的便捷性。
[0004]专利CN103006228A提出了一种人体形态特征的测量方法，利用三维扫描方案得到人体形态的三维云点数据，进而映射为二维的图像数据，通过二维图像数据与预设测量模板进行对比进而计算出人体的形态数据。该方案在实施和体验上拥有比多摄像头集群的方案更具优势，但是在精准度上面通常无法达到指定的要求，由于通过三维映射二维的方式，在映射的过程中存在较大的数据丢失，并且依赖于三维与二维转化的精准度影像，得出的最终人体形态数据偏差较大，而且在此方案中，仍待需要人工进行图像区域的分割处理，大大的降低了实现的效率，为此提出一种基于体重身高及身体影像的体型数据计算方法，来解决此问题。
[0005]专利技术专利内容本专利技术专利的目的在于提供一种基于体重身高及身体影像的体型数据计算方法，解决了对于目标人体的站立位置有比较严格的要求，并且实施起来比较复杂，需要比较精准的校验摄像头的安装位置和焦距的调试等，对于用户体验来说并不能够达到真实的自动化和一步到位的便捷性，在精准度上面通常无法达到指定的要求，由于通过三维映射二维的方式，在映射的过程中存在较大的数据丢失，并且依赖于三维与二维转化的精准度影像，得出的最终人体形态数据偏差较大，而且在此方案中，仍待需要人工进行图像区域的分割处理，大大的降低了实现的效率的问题。
[0006]为实现上述目的，本专利技术专利提供如下技术方案：一种基于体重身高及身体影像
的体型数据计算方法，包括以下步骤：步骤1：采用体型信息：采用十二类人体体型，采用的人体数据组包括人体胸围、人体臀围、人体腰围、人体腿长、人体小腿长、人体大腿围和人体上身长共计七组数据；步骤2：采集样本数据：采集上述十二类人体体型信息数据样本共计一万份，并且通过人工测量和设备测量的方式测量出样本的体型分类和数据组；步骤3：输入数据测量采集：针对上述样本进行测量，测量需要使用标准化的设备进行以下数据的测量：身高、体重、8电极体脂传感器数据和人体影像数据；步骤4：构建L-CNN：构建一个分类神经网络L-CNN，将获取身高、体重、8电极体脂传感器数据和人体影像数据作为输入，十二类人体体型样本信息数据作为监督学习的标签，训练得到一个N分类的人体体型分类神经网络（N=12）；步骤5：构建R-CNN：构建一个回归神经网络R-CNN，将获取身高、体重、8电极体脂传感器数据和人体影像数据作为输入，步骤2中的N组体型数据（N=7）作为监督学习的标签输入到神经网络中进行监督训练，这样可以分别得到用于体型数据分类的L-CNN神经网络和R-CNN人体数据推断的神经网络；步骤6：超宽带雷达成像：使用超宽带雷达对用户进行检测，对输入接收的超宽带雷达信号并进行三维BP成像，得到三维成像结果，对超宽带雷达信号的三维BP成像结果进行检测，获得三维成像区域，然后将连续多帧超宽带雷达成像结果输入resnet网络进行特征提取，使用headnet网络将resnet网络提取的特征转换为各个骨骼点概率分布，并将所有骨骼点坐标按照顺序连接，形成超宽带雷达的人体信息；步骤7：得到用户人体信息：通过标准的身高和体重测量工具得到用户的体重身高数据，通过标准的8电极体脂传感器获取到用户的体脂数据，通过摄像头拍摄到用户的人体影像图片，将以上数据分别同时传入到L-CNN和R-CNN中，得到用户人体体型分类和7组人体数据信息；步骤8：获得三维人体模型：通过获取到的数据信息后得到比较准确的人体信息，以及超宽带雷达的人体信息，将二者对比合并，进行对预设的三维人体进行相应的数据变形和匹配而获得准确的三维人体模型。
[0007]优选的，所述在步骤1中，十二类人体体型分别划分为：苹果型、H型、梨型、细沙漏型、长方形、V型、圆型、胖沙漏型、五五型、瘦小型、超高型和I子型。
[0008]优选的，所述在步骤2中，样本的体型共计十二类，每一类均包括人体胸围、人体臀围、人体腰围、人体腿长、人体小腿长、人体大腿围和人体上身长。
[0009]优选的，所述在步骤3中，其中8电极体脂传感器使用目前市面通用的体质传感器，人体影像数据为使用摄像头捕捉到的人体数据图像。
[0010]优选的，所述在步骤6中，输入接收超宽带雷达的信号，然后进行三维BP成像，最终得到探测场景的三维成像结果数据。
[0011]优选的，所述在步骤6中，将超宽带雷达三维成像结果沿着高度向取最大值，得到最大值投影结果，根据目标位置从测试场景的整体三维成像结果中截取目标附近的三维成像区域作为人体目标的三维成像结果。
[0012]优选的，所述在步骤6中，对人体目标的三维成像结果分别做方位向、距离向和高度向的最大值投影，得到三个成像结果Iyz、Ixz、Ixy，将人体目标的连续多帧最大值成像结
果输入已经训练好的resnet-18网络中，对人体目标对应雷达图像进行特征提取，生成特征矩阵。
[0013]优选的，所述在步骤7中，标准身高和体重测量工具为专业的身高体重秤，身高体重秤使用超声波进行身高测量。
[0014]优选的，所述在步骤8中，将两种用户人体信息利用专业的对比合并软件进行对比，然后修正合并形成准确的三维人体模型。
[0015]与现有技术相比，本专利技术专利的有益效果如下：本专利技术专利通过目前的通用标准化的硬件设备来获取到人体的身高和体重数据，通过标准化的八电极的体脂传感器来获取人体的体脂数据以及摄像头采集的人体影像信息，将这些信息作为基础的数据信息输入到神经网络中进行数据的推断，通过分类的方案将人体类型分为若干分类进行推断，通过目标回归的方案得出人体体型中的若干组数据，通过两种类型的数据来得到最终的人体体型的关键性数据，通过超宽带雷达可以获取增强的人本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于体重身高及身体影像的体型数据计算方法，其特征在于：包括以下步骤：步骤1：采用体型信息：采用十二类人体体型，采用的人体数据组包括人体胸围、人体臀围、人体腰围、人体腿长、人体小腿长、人体大腿围和人体上身长共计七组数据；步骤2：采集样本数据：采集上述十二类人体体型信息数据样本共计一万份，并且通过人工测量和设备测量的方式测量出样本的体型分类和数据组；步骤3：输入数据测量采集：针对上述样本进行测量，测量需要使用标准化的设备进行以下数据的测量：身高、体重、8电极体脂传感器数据和人体影像数据；步骤4：构建L-CNN：构建一个分类神经网络L-CNN，将获取身高、体重、8电极体脂传感器数据和人体影像数据作为输入，十二类人体体型样本信息数据作为监督学习的标签，训练得到一个N分类的人体体型分类神经网络（N=12）；步骤5：构建R-CNN：构建一个回归神经网络R-CNN，将获取身高、体重、8电极体脂传感器数据和人体影像数据作为输入，步骤2中的N组体型数据（N=7）作为监督学习的标签输入到神经网络中进行监督训练，这样可以分别得到用于体型数据分类的L-CNN神经网络和R-CNN人体数据推断的神经网络；步骤6：超宽带雷达成像：使用超宽带雷达对用户进行检测，对输入接收的超宽带雷达信号并进行三维BP成像，得到三维成像结果，对超宽带雷达信号的三维BP成像结果进行检测，获得三维成像区域，然后将连续多帧超宽带雷达成像结果输入resnet网络进行特征提取，使用headnet网络将resnet网络提取的特征转换为各个骨骼点概率分布，并将所有骨骼点坐标按照顺序连接，形成超宽带雷达的人体信息；步骤7：得到用户人体信息：通过标准的身高和体重测量工具得到用户的体重身高数据，通过标准的8电极体脂传感器获取到用户的体脂数据，通过摄像头拍摄到用户的人体影像图片，将以上数据分别同时传入到L-CNN和R-CNN中，得到用户人体体型分类和7组人体数据信息；步骤8：获得三维人体模型：通过获取到的数据信息后得到比较准确的人体信息，以及超宽带雷达的人体信息，将二者对比合并，进行对预设的三维人体进行相应的数据变形和匹配而获...

【专利技术属性】
技术研发人员：袁亚军，关腾，袁亚荣，
申请(专利权)人：广州二元科技有限公司，
类型：发明
国别省市：