本發(fā)明涉及計算機技術(shù)及圖像處理技術(shù)領(lǐng)域，具體涉及一種創(chuàng)建人體參數(shù)化模型的方法及系統(tǒng)。

背景技術(shù)：

人體三維(以后簡稱3d)模型在3d打印、服裝定制、3d試衣、動畫制作等方面都起著重要的作用。獲取人體3d模型目前主要有兩種途徑，一種是通過計算機建模，這種方式獲取的模型光滑逼真，但對建模人員的技術(shù)水平有著較高的要求，建模的效率也較低；另一種方式是通過3d掃描儀或深度相機等設(shè)備直接對人體進行測量，一般通過這種方式得到的是點云數(shù)據(jù)，后續(xù)可以經(jīng)過去噪、網(wǎng)格化等處理得到較為滿意的人體3d模型。后一種方式盡管精度不高，但獲取人體3d模型的速度快，逐漸成為動畫制作、3d試衣領(lǐng)域常用的方式。

為了提高3d測量模型的精度，目前常采用的一種方式是通過建立參數(shù)化模型，然后利用參數(shù)化模型在能量函數(shù)的約束下通過變形迭代等方法逼近測量模型，變形后的參數(shù)化模型與測量模型有很大程度上的相似，但平滑度、精度都要遠遠優(yōu)于測量模型。逼真的參數(shù)化模型是通過對人體3d模型數(shù)據(jù)庫進行學習后得到的，比如scape參數(shù)化模型。

目前已有技術(shù)中，參數(shù)化模型的建立往往僅能針對某些具體的情形，比如僅與姿勢有關(guān)的參數(shù)模型，通過改變姿勢參數(shù)來修改人體3d模型；或者僅與體型有關(guān)的參數(shù)模型。好的參數(shù)化模型能夠反映不同人體特征的變化，scape模型能從姿勢、體型兩個方面描述不同人體的特征。然而事實上，影響人體特征的還有性別、體重等局部特征，特別是體重參數(shù)特征，現(xiàn)有技術(shù)中還沒有考慮到其對參數(shù)模型的影響，比如性別相同、身高相同但體重不同的兩個人會擁有不同的體型特征，目前仍然缺乏一種能夠反映這些信息的參數(shù)化模型。

技術(shù)實現(xiàn)要素：

本發(fā)明要解決的技術(shù)問題在于：現(xiàn)有人體參數(shù)化模型不能準確反映人體性別、身高、體重等局部特征的問題，提出一種創(chuàng)建人體參數(shù)化模型的方法及系統(tǒng)。

本發(fā)明的創(chuàng)建人體參數(shù)化模型的方法，包括以下步驟：

s1:建立含身高、體重、性別信息的人體3d模型數(shù)據(jù)庫；

s2:根據(jù)所述模型數(shù)據(jù)庫建立參數(shù)化模型。

優(yōu)選地，所述人體3d模型是通過基于激光掃描儀或者深度相機的方法測量得到的。

優(yōu)選地，所述人體3d模型包含身高、體重、性別以及3d點云模型或3d網(wǎng)格模型中的一種。

優(yōu)選地，所述人體3d模型數(shù)據(jù)庫中身高、體重相近，性別相同的人體3d模型至少有兩個。

優(yōu)選地，所述根據(jù)模型數(shù)據(jù)庫建立參數(shù)化模型包括以下步驟：

s21:選擇模型數(shù)據(jù)庫中的一個作為標準模型；

s22:確定姿勢、整體體型以及局部體型參數(shù)，建立起標準模型與各參數(shù)之間的變形關(guān)系；

s23:利用模型數(shù)據(jù)庫中的其他樣本模型求解變形關(guān)系中的未知參數(shù)項。

優(yōu)選地，所述步驟s23中利用模型數(shù)據(jù)庫中的其他模型求解變形關(guān)系中的未知參數(shù)項，具體指的是通過機器學習算法，計算得到未知參數(shù)項。

優(yōu)選地，所述機器學習算法指的是以不同姿勢下的同一人體3d模型組成的樣本模型數(shù)據(jù)庫，通過回歸學習算法計算得到標準模型與姿勢變形關(guān)系中的未知參數(shù)項。

優(yōu)選地，所述機器學習算法指的是以多個姿勢相近的不同人體3d模型組成的樣本模型數(shù)據(jù)庫，通過回歸學習算法計算得到標準模型與整體體型變形關(guān)系中的未知參數(shù)項。

優(yōu)選地，所述機器學習算法指的是以身高、體重相近及性別相同的多個不同人體3d模型組成的樣本模型數(shù)據(jù)庫，通過回歸學習算法計算得到標準模型與局部體型變形關(guān)系中的未知參數(shù)項。

基于創(chuàng)建人體參數(shù)化模型的方法，本發(fā)明還提出一種創(chuàng)建人體參數(shù)化模型的系統(tǒng)，包括存儲器，用于存放程序；處理器，運行所述程序，以用于控制所述創(chuàng)建人體參數(shù)化模型的系統(tǒng)執(zhí)行上述創(chuàng)建人體參數(shù)化模型的方法。

另外，本發(fā)明還提出一種包含計算機程序的計算機可讀存儲介質(zhì)，所述計算機程序可操作來使計算機執(zhí)行上述創(chuàng)建人體參數(shù)化模型的方法。

與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果為：

本發(fā)明提供了一種創(chuàng)建人體參數(shù)化模型的方法及系統(tǒng)，首先建立包含身高、體重以及性別的人體3d模型數(shù)據(jù)庫，然后確定姿勢、整體體型以及局部體型參數(shù)，根據(jù)所述模型數(shù)據(jù)庫建立參數(shù)化模型。該參數(shù)化模型同時考慮了姿勢、整體以及局部人體特征對人體3d模型的影響，因此，利用本發(fā)明的人體參數(shù)化模型創(chuàng)建方法及系統(tǒng)可以重建出更加準確的人體3d模型。

進一步地，根據(jù)所述模型數(shù)據(jù)庫建立參數(shù)化模型時，先選取一個標準模型，通過確定姿勢、整體體型以及局部體型參數(shù)，建立起標準模型與各參數(shù)之間的變形關(guān)系，并通過機器學習算法，利用模型數(shù)據(jù)庫中的其他樣本模型求解變形關(guān)系中的未知參數(shù)項，建立參數(shù)化模型，該參數(shù)化模型同時考慮了姿勢、整體以及局部人體特征對人體3d模型的影響，因此，利用本發(fā)明的人體參數(shù)化模型創(chuàng)建方法及系統(tǒng)可以重建出更加準確的人體3d模型。

附圖說明

圖1是本發(fā)明具體實施方式中人體參數(shù)化模型創(chuàng)建方法的流程示意圖。

圖2是本發(fā)明具體實施方式中根據(jù)模型數(shù)據(jù)庫建立參數(shù)化模型方法的流程示意圖。

具體實施方式

下面結(jié)合具體實施方式并對照附圖對本發(fā)明做進一步詳細說明。本發(fā)明具體實施方式中創(chuàng)建人體參數(shù)化模型的方法，如圖1所示，包括以下步驟：s1:建立人體3d模型數(shù)據(jù)庫；s2:根據(jù)模型數(shù)據(jù)庫建立參數(shù)化模型。其中，步驟s1中建立人體3d模型數(shù)據(jù)庫，又包括獲取人體3d點云或網(wǎng)格模型、身高測量、體重測量以及性別獲取等步驟，下面將對上述步驟進行一一詳細說明。

1、創(chuàng)建人體凈模型的方法

s1:建立人體3d模型數(shù)據(jù)庫

建立人體3d模型數(shù)據(jù)庫是獲取人體參數(shù)化模型的前提，數(shù)據(jù)庫內(nèi)模型的種類也會影響到最終參數(shù)化模型的好壞。

模型數(shù)據(jù)庫中3d模型的數(shù)量要盡可能多，數(shù)據(jù)要盡可能全面，不僅包含人體身高、體重、性別信息，還包含同一人體在不同姿勢下的人體3d模型數(shù)據(jù)，多個不同人體在相近姿勢下的人體3d模型數(shù)據(jù)，多個身高、體重相近及性別相同的不同人體3d模型數(shù)據(jù)，分別用來反應人體在不同姿勢下的差異，不同人體在體型上的差異以及不同人體在局部細節(jié)特征上的差異。

在本具體實施方式中，數(shù)據(jù)庫內(nèi)的3d模型除了本身的3d點云或網(wǎng)格模型之外，還包括身高、體重及性別信息。因而，建立模型數(shù)據(jù)庫主要包括人體3d模型測量、身高測量、體重測量以及性別確認幾個方面。

人體3d模型測量方法

目前用于3d測量的方法大致分為基于激光掃描儀以及基于深度相機的方法。激光掃描儀的精度高，但造價昂貴，掃描的速度也較慢，主要用于對一些小型剛性物體的3d測量；基于深度相機的方法是目前常用的人體測量方法，本具體實施方式中選取基于深度相機的方法，更進一步地選取基于結(jié)構(gòu)光三角法的深度相機，用于人體3d模型的測量。

在其他具體實施方式中可以采用基于激光掃描儀，或者使用基于時間飛行法或者雙目視覺原理的深度相機來用于人體3d模型的測量。

基于結(jié)構(gòu)光三角法的深度相機利用激光投影儀向空間中投射經(jīng)編碼的標準結(jié)構(gòu)光圖案，空間中目標深度的不同將標準結(jié)構(gòu)光圖案進行了調(diào)制，通過圖像相關(guān)等算法獲取調(diào)制后的結(jié)構(gòu)光圖像與標準結(jié)構(gòu)光圖案的差別，根據(jù)結(jié)構(gòu)光三角法建立該差別與目標深度之間的關(guān)系就可求解出整個目標空間的深度圖像。

一般地，難以通過一幅圖像來得到全部的人體信息，需要獲取人體各個部位的深度圖像，再通過注冊算法進行融合后得到整體的人體3d點云數(shù)據(jù)。由深度相機獲取的3d點云數(shù)據(jù)一般不能夠直接作為人體3d模型數(shù)據(jù)，還需要通過一些預處理的步驟。一般地，包括圖像分割、去噪、網(wǎng)格化、建立對應關(guān)系等步驟。

圖像分割。因而深度相機獲取的深度圖像中一般除了人體部分之外還包括其他背景成分，利用圖像分割算法去除背景成為必要的步驟。由于深度圖像數(shù)據(jù)的獨特性，即其各像素值代表的物體的深度距離，一種簡單的圖像分割算法——閾值法就能夠有效地去除背景。具體地，即通過設(shè)定合理的可以區(qū)別開人體與背景的閾值，將屬于背景部分的像素值歸零(或取最大值)，保留屬于人體部位的像素值。

圖像去噪。由于獲取的3d點云數(shù)據(jù)不可避免地會有噪聲(即離群點)存在，同時由于人體部位之間的遮擋會出現(xiàn)孔洞，另外點云數(shù)據(jù)的平滑性也較差。因此，圖像去噪的目的一方面要去除離群點，另一方面要對點云數(shù)據(jù)進行平滑及孔洞填充處理。

網(wǎng)格化。在具體的應用中，比如模型的變形轉(zhuǎn)移、動畫制作等，僅針對點云的處理較為復雜，因而點與點之間的相互關(guān)系在3d點云中沒有得到反映。而3d網(wǎng)絡(luò)模型則在保留點云的同時又增加了點云之間的拓撲關(guān)系，特別是變形處理中，3d網(wǎng)格模型具有較大的優(yōu)勢。因此，有必要將3d點云模型網(wǎng)格化成3d網(wǎng)格模型。網(wǎng)格的形式可以是三角形、多邊形等，常用的是三角網(wǎng)格模型。

建立對應關(guān)系。不同人的體型和姿勢都有所區(qū)別，因此由深度相機得到的3d點云數(shù)據(jù)數(shù)量上也有區(qū)別，在后面的處理中會有較大的困難。有必要在建立數(shù)據(jù)庫時就對所有的人體3d模型建立對應關(guān)系。具體地，先選取一幅質(zhì)量較高的3d點云數(shù)據(jù)作為參考。對于當前人體3d模型，利用剛性注冊或非剛性注冊算法，建立二者之間的點與點之間的對應關(guān)系，并將該對應關(guān)系也作為當前人體3d模型的一部分。

人體體重測量

利用體重稱對各個人體的體重進行測量，獲取人體體重。

身高測量

本具體實施方式中將采用較為準確的做法。首先對3d人體點云數(shù)據(jù)進行骨架提取，或者將3d人體分割成多個語義部分(頭、上身、腿)，然后將各個部分的長度相加后得到人體的身高。

在其他具體實施方式中，可以利用傳統(tǒng)的尺寸測量方式進行身高測量，也可以直接利用3d人體點云或網(wǎng)格數(shù)據(jù)來測量身高。需要注意的是，當人體處在不同姿勢時，不能一概而論的利用點云或網(wǎng)格數(shù)據(jù)中的最高點與最低點的差值進行身高估算。

性別獲取

本具體實施方式中采用一種自動識別的方法。即利用人體3d模型的彩色圖像，提取人臉部的彩色圖像，將其輸入經(jīng)訓練的性別分類器中進行判定。根據(jù)分類器的種類，處理方式也有區(qū)別，一般地首先對人臉的彩色圖像進行主成分分析(pca)，可以提升識別效率。

在其他具體實施方式中，可以在人為輔助情形下進行人為的設(shè)定。

s2:根據(jù)模型數(shù)據(jù)庫建立參數(shù)化模型

有了信息全面的人體3d模型數(shù)據(jù)庫之后，可以通過機器學習算法建立參數(shù)化模型。本具體實施方式中參數(shù)化模型中所包含的參數(shù)需要能反映人體姿勢、整體體型以及局部體型的特征。換句話說，若有了某一人體的姿勢、大體的體型以及局部的體型參數(shù)，就可以根據(jù)該參數(shù)化模型的創(chuàng)建方法創(chuàng)建出與該人體近乎一致的人體3d模型。

本具體實施方式中根據(jù)模型數(shù)據(jù)庫建立參數(shù)化模型的方法，如圖2所示，主要有以下步驟：s21:選擇標準模型；s22:確定姿勢及體型參數(shù)，建立標準模型與各參數(shù)之間的變形關(guān)系；s23:求解變形關(guān)系中的未知參數(shù)項。其中，步驟s22中確定姿勢及體型參數(shù)，具體是指確定姿勢參數(shù)，包括骨架位置以及不同骨架部位之間的夾角，和確定整體體型和局部體型參數(shù)；步驟s23:求解變形關(guān)系中的未知參數(shù)項，具體包括計算標準模型與姿勢變形關(guān)系中的未知參數(shù)項、計算標準模型與整體體型變形關(guān)系中的未知參數(shù)項以及計算標準模型與局部體型變形關(guān)系中的未知參數(shù)項。下面將對上述步驟進行一一詳細說明。

s21:選擇標準模型

選擇模型數(shù)據(jù)庫中的一個作為標準模型。由于模型數(shù)據(jù)庫中的模型種類較多，且數(shù)據(jù)質(zhì)量也會參差不齊。原則上可以選取任何模型作為標準模型，但應該盡可能選取正常姿勢、體型勻稱且模型數(shù)據(jù)完好的人體3d模型作為標準模型。

標準模型選取的目的是作為變形模型的標準模板，通過后續(xù)建立相關(guān)的變形參數(shù)，從而可以利用該標準模型以及變形參數(shù)得到其他姿勢、體型下的人體3d模型，無論該人體3d模型是否處在模型數(shù)據(jù)庫中。

s22:確定姿勢及體型參數(shù)，建立標準模型與各參數(shù)之間的變形關(guān)系

確定姿勢、整體體型以及局部體型參數(shù)，建立起標準模型與各參數(shù)之間的變形關(guān)系。體型參數(shù)用來反映具體體型的特征。體型參數(shù)的種類也可以有多種。在本具體實施方式中，姿勢的體型參數(shù)為骨架信息：包括骨架位置以及不同骨架部位之間的夾角；整體體型參數(shù)是利用主成分分析(pca)對整體的人體3d模型進行降維后得到的低維矩陣參數(shù)；局部體型參數(shù)同樣利用主成分分析對各個人體部位進行降維后得到的低維矩陣參數(shù)。

在其他具體實施方式中，各體型參數(shù)也可以有其他的表達形式。

接下來需要建立標準模型與各參數(shù)之間的變形關(guān)系。對模型的變形實質(zhì)上是對模型各頂點或網(wǎng)格進行變形，本發(fā)明中以三角形網(wǎng)格為基本變形單元。

三角形網(wǎng)格的變形主要包括平移、旋轉(zhuǎn)、縮放，這些變形矩陣也是由姿勢、整體體型以及局部體型參數(shù)確定的。比如姿勢參數(shù)可以由骨架兩端節(jié)點的位置及角度確定出該節(jié)骨架的平移、旋轉(zhuǎn)以及縮放矩陣，將這些矩陣施加到該節(jié)骨架對應的人體3d模型上的所有網(wǎng)格，即可以完成對該部分模型的姿勢變形操作。

s23:求解變形關(guān)系中的未知參數(shù)項

利用模型數(shù)據(jù)庫中的其他樣本模型求解變形關(guān)系中的未知參數(shù)項。姿勢、整體體型以及局部體型參數(shù)往往并不能直接決定標準模型上各個網(wǎng)格的變形，仍存在一些未知的參數(shù)項。這些未知參數(shù)項是的作用是決定標準模型如何根據(jù)各體型參數(shù)進行變形。未知參數(shù)項的計算往往通過機器學習算法，即利用人體3d模型數(shù)據(jù)庫中的其他人體3d模型作為樣本庫，利用回歸學習算法確定這些未知參數(shù)項。

通俗地說，這一步驟即由已知自變量(標準模型)以及因變量(樣本庫)求解因變量與自變量之間系數(shù)(未知參數(shù)項)的過程。

在計算不同的未知參數(shù)項時，樣本庫的選取也會有不同。具體地：

當計算標準模型與姿勢變形關(guān)系中的未知參數(shù)項時，是以不同姿勢下的相同人體的模型組成樣本數(shù)據(jù)庫。

當計算標準模型與整體體型變形關(guān)系中的未知參數(shù)項時，是以多個姿勢相近的不同人體3d模型組成樣本數(shù)據(jù)庫。

當計算標準模型與局部體型變形關(guān)系中的未知參數(shù)項時，是以身高、體重相近及性別相同的多個不同人體3d模型組成樣本數(shù)據(jù)庫。

2、創(chuàng)建人體凈模型的系統(tǒng)

在本具體實施方式中，創(chuàng)建人體參數(shù)化模型的系統(tǒng)，包括存儲器，用于存放程序；處理器，運行所述程序，以用于控制所述創(chuàng)建人體參數(shù)化模型的系統(tǒng)執(zhí)行上述創(chuàng)建人體參數(shù)化模型的方法。

在其他具體實施方式中，創(chuàng)建人體參數(shù)化模型的系統(tǒng)，還可以為一種包含計算機程序的計算機可讀存儲介質(zhì)，所述計算機程序可操作來使計算機執(zhí)行上述創(chuàng)建人體參數(shù)化模型的方法。

本具體實施方式提供了一種創(chuàng)建人體參數(shù)化模型的方法及系統(tǒng)，首先建立包含身高、體重以及性別的人體3d模型數(shù)據(jù)庫，然后確定姿勢、整體體型以及局部體型參數(shù)，根據(jù)所述模型數(shù)據(jù)庫建立參數(shù)化模型。該參數(shù)化模型同時考慮了姿勢、整體以及局部人體特征對人體3d模型的影響，因此，利用本具體實施方式的人體參數(shù)化模型創(chuàng)建方法及系統(tǒng)可以重建出更加準確的人體3d模型。

進一步地，根據(jù)所述模型數(shù)據(jù)庫建立參數(shù)化模型時，先選取一個標準模型，通過確定姿勢、整體體型以及局部體型參數(shù)，建立起標準模型與各參數(shù)之間的變形關(guān)系，并通過機器學習算法，利用模型數(shù)據(jù)庫中的其他樣本模型求解變形關(guān)系中的未知參數(shù)項，建立參數(shù)化模型，該參數(shù)化模型同時考慮了姿勢、整體以及局部人體特征對人體3d模型的影響，因此，利用本具體實施方式的人體參數(shù)化模型創(chuàng)建方法及系統(tǒng)可以重建出更加準確的人體3d模型。

以上內(nèi)容是結(jié)合具體的優(yōu)選實施方式對本發(fā)明所作的進一步詳細說明，不能認定本發(fā)明的具體實施只局限于這些說明。對于本發(fā)明所屬技術(shù)領(lǐng)域的技術(shù)人員來說，在不脫離本發(fā)明構(gòu)思的前提下，還可以做出若干等同替代或明顯變型，而且性能或用途相同，都應當視為屬于本發(fā)明的保護范圍。