基于圖像的人體特征點提取與尺寸測量①

許明星,李 重

1(浙江理工大學(xué) 信息學(xué)院,杭州 310018)

2(浙江理工大學(xué) 理學(xué)院,杭州 310018)

隨著虛擬技術(shù)和電子商務(wù)市場的迅速發(fā)展,促使了虛擬試衣技術(shù)的形成,人們對虛擬試衣技術(shù)的真實性、準(zhǔn)確性、個性化要求越來越高.虛擬試衣技術(shù)是將使用者的人體形態(tài)信息、物理信息以及服裝信息等結(jié)合在一起,通過計算機(jī)處理仿真,實現(xiàn)真實的穿衣效果,而人體特征點提取以及尺寸測量則成了最為關(guān)鍵的一步[1].

人體特征點提取,目前已有多種方法,例如snake方法、主動形狀模型(ASM)、主動表觀模型(AAM)等[2],其中ASM和AAM是最為常用基于點分布模型(PDM)的特征點定位算法.ASM是為每個特征點建立對應(yīng)的灰度模型,直接對形狀做優(yōu)化,具有較高的特征點提取精度.AAM則是將形狀與紋理相結(jié)合的表觀模型,其優(yōu)點是具有較高的紋理精度.較ASM來說,AAM算法收斂范圍較小、搜索速度相對較慢,并且單個特征點定位精度不一定比ASM高[3].對于人體尺寸測量方法,主要分為接觸式和非接觸式兩類.接觸式測量主要是人工手動測量,其準(zhǔn)確率較高,但測量過程慢、需要記錄大量數(shù)據(jù),易出錯.而非接觸式測量包括照片法、三維人體掃描等,非接觸式測量優(yōu)點在于測量速度快、測量數(shù)據(jù)多、易于保存等[4].對于三維人體掃描法與照片法進(jìn)行比較,前者需要手動標(biāo)記基準(zhǔn)點才能掃描,而且對于測試者的穿著、要求具有較為嚴(yán)苛的要求,而照片法能夠較為巧妙的避開這些問題,只需要用戶拍攝人體照,而且現(xiàn)在拍攝的照片清晰度都比較高.

本文就是基于圖片信息實現(xiàn)人體特征點的自動提取以及尺寸測量,在圖片測量基礎(chǔ)上,對單背景(白色背景)圖片進(jìn)行處理、方法改進(jìn)達(dá)到自動化測量.對單背景圖片改進(jìn)的方法提取精度較高,速度較快.后改進(jìn)傳統(tǒng)ASM算法單一模板局部模板匹配模式,以人臉中心點與人體中心點的歐氏距離進(jìn)行分類并訓(xùn)練出平均模板,根據(jù)待測圖片兩個中心特征點距離分類與訓(xùn)練好的多模板進(jìn)行快匹配;以特征點為中心,選取特定大小范圍內(nèi)10鄰域點進(jìn)行搜索[5];胯部以下擬合易出現(xiàn)單側(cè)擬合效果較好,結(jié)合馬氏距離利用人體對稱性特征進(jìn)行處理.減少迭代次數(shù),提高搜索精度,縮短提取時間.

1 概述

本文圖像處理的流程是：首先對圖片做一個預(yù)處理.通過預(yù)處理來剔除圖片噪點,對于處理好的圖片,采用Hog特征[6]對圖片大致檢測出人體的范圍,并且以包圍盒的方式將其顯示出來.之后根據(jù)包圍盒對所需要的特征點進(jìn)行提取,并獲得對應(yīng)的尺寸.其操作過程如圖1所示.

圖1 系統(tǒng)模塊圖

2 圖片預(yù)處理以及特征點提取

灰度化處理是使RGB 模型中的R=G=B,把含有亮度和色彩的彩色圖像變換成灰度圖像的過程.對圖像的平滑預(yù)處理為了消除圖像噪聲,我們一般令Sxy表示中心在(x,y)的點,m×n濾波器模板的大小,f(x,y)為濾波器得到的結(jié)果,并賦值給(x,y)處的像素.在常見濾波器經(jīng)過試驗效果對比,我們采用中值濾波器,能夠較好地過濾掉一定的噪聲,有利于加強(qiáng)我們的圖片信息.

(1) 在多次閾值選擇過程中閾值選擇128,圖片效果較好,其效果如圖2所示.利用Hog特征原理,將整個圖像分割成一個個8×8像素的Cell單元格,結(jié)合Canny算子輪廓檢測算法,我們將人體輪廓與邊緣檢測的結(jié)果結(jié)合起來形成人體包圍盒.改進(jìn)后效果如圖3所示：

(2) 針對處理后圖像,我們進(jìn)行邊緣檢測,其主要方法是根據(jù)我們所拍攝圖片人體姿態(tài)特點,利用Canny算子二值化的圖像,在尋找到的包圍盒范圍內(nèi)進(jìn)行搜索,找出人體特征點.搜索過程如下：

① 至上而下和至下而上確定身高

檢索范圍為包圍盒最上方往下至包圍盒縱坐標(biāo)一半的范圍.當(dāng)遇到第一個白點,停止并返回當(dāng)前點的坐標(biāo);同理下方最低點搜索方式與其類似,遇到第一個白點,我們認(rèn)為它為人體最低點.

② 至左而右和至右而左確定臂長

我們利用Ycrcb中的cr分量以及otsu閾值化的膚色檢測算法,在包圍盒的范圍內(nèi)檢測出測試者拳頭的大致范圍.同檢測最高點、最低點方法一致,分別從至左而右、至右而左搜索出第一個白色點即返回其坐標(biāo).

圖2 閾值128效果圖

圖3 改進(jìn)后的人體包圍盒效果圖

3 基于特征點坐標(biāo)轉(zhuǎn)化以及尺寸測量

由于坐標(biāo)都是基于圖片,輸出的坐標(biāo)點都是以像素為單位,為獲得實際尺寸,實驗中利用多個標(biāo)準(zhǔn)人體模型在圖片中的像素數(shù)與身高形成一個參照比例系數(shù)取他們的平均值α和圖片中特征點對應(yīng)的像素數(shù)h相乘,即可將像素單位轉(zhuǎn)為實際尺寸,轉(zhuǎn)換公式為實際尺寸等于

4 初步算法實驗結(jié)果分析與算法改進(jìn)

最初的方法是通過對圖片的預(yù)處理,剔除不必要的信息以及增強(qiáng)所需的關(guān)鍵信息,通過改進(jìn)的Hog特征檢測形成人體包圍盒,再通過Canny邊緣檢測以及搜索特征點的方法進(jìn)行人體特征點自動提取和尺寸測量.本方法一直是基于白色背景的,人體與背景對比度較大,所以對于檢測這類圖片的識別率較高,效果較好.如果圖片背景有門窗、電燈開關(guān)、有建筑物、綠化植被或者拍攝光線較暗、服裝與背景相似等,利用上述方法都會影響人體特征點的提取以及尺寸的測量.

本文ASM算法是基于二維圖像進(jìn)行特征點的定位,在對傳統(tǒng)的ASM算法進(jìn)行了改進(jìn).對于訓(xùn)練好的樣本,按照人臉中心點和人體中心點歐式距離進(jìn)行分類.我們找到待測圖片中人臉中心點[7]和人體中心點的歐式距離找到對應(yīng)的分類,并加載平均模板,經(jīng)過一次平移、旋轉(zhuǎn)以及縮放進(jìn)行快速匹配;特征點匹配時,以特征點為中心選取一定的區(qū)域灰度分布訓(xùn)練模型,在該區(qū)域內(nèi)進(jìn)行搜索;對于胯部以下區(qū)域易出現(xiàn)僅單側(cè)擬合效果較好,改變馬氏距離原先搜索方式結(jié)合人體體型分布以及對稱性特點進(jìn)行擬合處理,來解決這個問題.

(1) 樣本建立

我們選取100幅男女正面照作為本文實驗的樣本集,采集的圖像要求測試者站直雙手握拳兩臂呈水平狀態(tài).對于采集后的圖像,我們使用標(biāo)點程序按照臉部中心點、頭頂點、脖子處、手臂處、腋下、胸圍、腰圍、臀圍、胯部點、腳底點等關(guān)鍵特征點進(jìn)行標(biāo)記,對于每幅圖像我們共標(biāo)記70個特征點,并按照一定的順序進(jìn)行標(biāo)記.標(biāo)記的70個點按照一定的順序放在一個形狀向量里,其表達(dá)式為：

其中,(xn,yn),n=1,2,…,70是按照一定順序排列的第n個特征點的坐標(biāo)值.我們將100幅用于訓(xùn)練的樣本構(gòu)成訓(xùn)練集M,則M：

(2) 樣本分類和對齊

根據(jù)事先計算好兩中心點歐式距離以及樣本集人體的身高,將我們的訓(xùn)練集M分成5大類,即M1,M2,M3,M4,M5,其中身高分類標(biāo)準(zhǔn)為140 cm～150 cm,151 cm～160 cm,161 cm～170 cm,171 cm～180 cm,181 cm～190 cm.將五類分別定義為Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ,每個類別有20個樣本集,計算出其人臉和人體中心點的歐氏距離,統(tǒng)計出距離范圍區(qū)間.我們需要將以向量形式存在的訓(xùn)練形狀進(jìn)行相對對齊,通常使用Procrustes[8]的方法來對每類訓(xùn)練集Mi(i=1,2,3,4,5)進(jìn)行對齊,以合適的權(quán)重進(jìn)行平移、縮放和旋轉(zhuǎn)等相關(guān)幾何變換,使得對齊后的形狀模型與平均形狀模型之間的差距盡量最小.對于每個特征點,需要計算其與其余所有特征點的距離,根據(jù)距離的標(biāo)準(zhǔn)偏差獲取權(quán)重,標(biāo)準(zhǔn)偏差公式如下所示：

其中,N是樣本的數(shù)量,對于樣本中每一個點對其求標(biāo)準(zhǔn)偏差平方和再取倒數(shù),即可作為該點的權(quán)重.

由于樣本集中的樣本特征點的絕對位置有差異,為了克服上述問題,我們需要對我們的樣本集中的形狀進(jìn)行對齊.對于每類訓(xùn)練樣本,我們選擇其中一個M1為基礎(chǔ),對于其他的形狀進(jìn)行旋轉(zhuǎn)、縮放、對齊使得它們與M1盡可能接近.之后計算經(jīng)過形狀變換后的訓(xùn)練集的平均形狀將平均形狀以樣本M1為模板進(jìn)行旋轉(zhuǎn)、對齊和縮放.不斷重復(fù)這一過程,直到相鄰兩次的平均形狀向量差別小于某一特定值.上述配準(zhǔn)過程效果圖如圖4所示,4(a)為歐式距離在分類Ⅰ中的20個人體輪廓圖,4(b)為通過旋轉(zhuǎn)、縮放、對齊得到后的平均模板輪廓圖.

圖4 配準(zhǔn)效果圖

(3) 主成分分析(PCA)

把訓(xùn)練集中的形狀向量進(jìn)行歸一化后,需利用主成分分析的方法找出形狀變化的規(guī)律和特點,其過程如下：

① 求對齊后的平均形狀

② 對齊后各個樣本形狀向量的偏差

③ 計算樣本形狀向量的協(xié)方差

④ 對于S進(jìn)行特征分解,求得其特征值 λ和特征向量Pk,并對特征值排序.求解好的特征值 λk的大小其實是反映了樣本在相對性方向變化所占比重的大小.經(jīng)過主成分分析,我們?nèi)∏皌個特征值對應(yīng)的特征向量,其選取的依據(jù)是我們將選定的 相對應(yīng)的特征向量p組成一個矩陣P,這樣任意一個人體形狀x新的變化子空間可以描述為：λ

其中,表示為人體的平均形狀;P為特征向量p構(gòu)成的一個矩陣;b是一個t×l的向量,我們可以通過改變b就可以生成新的形狀.為了使得配準(zhǔn)后的形狀是所需要的人體形狀,我們最常做的是將b的取值限制在通過對b的值限定,我們可生成新的人體形狀模型.

(4) 灰度模型建立

初始形狀會和真實形狀不相一致,需要不斷地去調(diào)整,使其與真實形狀相吻合,通過建立局部灰度模型,對訓(xùn)練圖像特征點附近的灰度信息進(jìn)行分析.傳統(tǒng)方法為對每一幅特征點標(biāo)記的特征點為中心,沿著其法線方向,分別在特征點兩邊取k個像素的灰度值,將每個像素點的k鄰域范圍內(nèi)的平均灰度作為當(dāng)前像素點的灰度值.每一個點對應(yīng)的灰度模板就是關(guān)于這個2k+1個灰度值的均值和方差,這種方法缺點是需要花費很長時間來處理.本文方法是在特征點的位置為中心選取3個矩形區(qū)域內(nèi)的像素值進(jìn)行處理[5].

局部紋理模型的作用主要是方便我們找到每個特征點最佳的匹配位置,本文以特征點為中心,選取其周圍的10鄰域點作為候選點,使用候選點與樣本點的歐式距離的大小來衡量是否為最為匹配的特征點.

(5) ASM搜索過程人體特征點以及尺寸測量

對于訓(xùn)練好的人體形狀模型以及局部紋理模型,對于人體照片進(jìn)行目標(biāo)搜索,找出人體特征點的位置以及計算尺寸信息.其操作流程如圖5所示.

圖5 改進(jìn)ASM搜索過程

我們選取兩個關(guān)鍵特征點的位置(人臉中心點以及人體中心點),并計算出其對應(yīng)的歐式距離,根據(jù)距離分類加載對應(yīng)平均模板,進(jìn)行縮放等操作進(jìn)行匹配.

獲取到人臉中心點和人體中心點的坐標(biāo),我們能夠計算出兩點之間的歐式距離w,再計算出我們所使用的平均模板兩個中心點的歐式距離w',計算出縮放因子s=w/w'.以人臉中心點為參考點,計算出待測圖片中的人臉中心點位置與訓(xùn)練模板人臉中心點的位置的距離得到平移向量d=(dx,dy)T,將待測圖片中人臉中心點與人體中心點之間的連線與平均模板人臉中心點和人體中心點之間的連線的夾角作為標(biāo)準(zhǔn)形狀模型的旋轉(zhuǎn)因子[10],通過如下式子的變換可以初步確定出初始形狀：

歐氏距離分類快速搜索匹配后的初始形狀效果如圖6所示.

圖6 歐氏距離分類快速匹配效果

獲得初始形狀后,我們需要計算出當(dāng)前特征點與其周圍的10個鄰域點的候選點與模型點進(jìn)行歐氏距離計算,選擇歐式距離最小的點作為最佳特征點,并且生成新的形狀;計算姿態(tài)參數(shù)和形狀參數(shù)改變量,更新參數(shù)使得新形狀與模型相匹配,直至最后收斂,則判斷ASM搜索結(jié)束并根據(jù)標(biāo)記點的序號計算出對應(yīng)的特征點尺寸.

我們通過計算相鄰兩次新形狀之間的歐式距離來不斷更新我們所需要的參數(shù),當(dāng)我們得到的歐式距離大于我們設(shè)定的閾值,則需要繼續(xù)更新參數(shù)繼續(xù)搜索.因為我們事先做了模板分類快速擬合的操作,所有對于身高點、臂長點等位置的擬合匹配較快,迭代次數(shù)較少.

胯部以下區(qū)域在迭代過程中會出現(xiàn)僅單側(cè)輪廓點擬合效果較好,我們采用了灰度向量馬氏距離最小的匹配原則[11]以及結(jié)合人體體型分布以及對稱性特點來解決這個問題.馬氏距離表示數(shù)據(jù)的協(xié)方差距離,能考慮到各種特性之間的聯(lián)系,其公式為：

其中表示為均值,協(xié)方差矩陣的多變量

根據(jù)之前灰度模型構(gòu)建的方法,我們可以得到一個向量集的均值記為對于待測圖像中的特征點t,沿著法線方向得到其灰度向量grayt,我們可定義如下匹配函數(shù)[12]：

根據(jù)上述公式,對于部分區(qū)域擬合易出現(xiàn)問題的地方,我們采用上述方法,也就是解決f(grayt)最小值問題.在輪廓搜索過程中,對于當(dāng)前候選點為中心取3個矩陣區(qū)域的鄰域點,再沿著其法線方向取3個矩陣區(qū)域的鄰域點,沿著每條法線獲取其灰度向量grayt,利用馬氏距離方法計算出f(grayt)的最小值,尋找出最佳匹配位置.這樣一來不斷地計算,不斷更新參數(shù),使得部分區(qū)域擬合失敗問題得到解決.

由于人體體型存在對稱特征[13],通過上述方法,找出人體輪廓圖.標(biāo)記對應(yīng)特征點,我們發(fā)現(xiàn)人體特征點存在對稱性特征.但由于我們算法在胯部以下易出現(xiàn)單側(cè)擬合效果較好,故只對胯部以下部分作對稱性研究,效果如圖7所示.

在ASM特征點搜索過程中,我們根據(jù)人體特征點分布特征以及人體對稱性特點進(jìn)行處理.依據(jù)擬合好的位置點標(biāo)號,記錄下其坐標(biāo)點的位置.搜索過程中,單側(cè)擬合效果好,選擇左外側(cè)所有特征點位置與人體中心的位置距離d,再選取人體右外側(cè)特征的與人體中心點的位置距離d1.將d和d1進(jìn)行比較,設(shè)定誤差小于1 cm.兩者誤差在這范圍內(nèi),就判定兩側(cè)特征點擬合基本正確,當(dāng)兩者誤差大于設(shè)定的范圍,判定某側(cè)特征點擬合有誤.

圖7 胯部以下人體特征點對稱性分析圖

對于有誤的兩側(cè)特征點,我們利用人體骨架線來進(jìn)行判斷,人體骨架體提取效果如圖8所示.分別計算左外側(cè)特征點和內(nèi)側(cè)特征點中點,與骨架線上同一高度點的坐標(biāo)進(jìn)行比較,當(dāng)兩點的距離小于1 cm,我們可以判斷出當(dāng)側(cè)特征點擬合效果較好,當(dāng)距離大于1 cm說明擬合有誤,對于擬合效果不好的那側(cè)特征點,利用人體對稱性特點,進(jìn)行擬合.

圖8 特征點擬合結(jié)果分析圖

使用改進(jìn)的灰度向量馬氏距離最小的匹配原則和人體體型對稱性特征,較好地解決了ASM搜索過程中單側(cè)效果較好的問題.參照朱欣娟等方法對最大迭代次數(shù)的限定,我們設(shè)定了最大迭代次數(shù)為26[5].通過多次反復(fù)試驗,我們所使用的待測圖像數(shù)據(jù)迭代次數(shù)一共進(jìn)行5次,即可完成最終的匹配,其部分迭代過程如圖9所示.

完成ASM搜索后,我們可以根據(jù)擬合好的點找出對應(yīng)的編號,找出對應(yīng)的坐標(biāo)點位置,做差值運算,可以做出對待測圖像的人體尺寸測量.再根據(jù)之前像素點轉(zhuǎn)為實際尺寸的計算方法,可以直接計算出待測人體真實尺寸.對于胸圍、腰圍、臀圍特征尺寸,我們的方法只計算這些特征點位置的距離,所有特征點測量結(jié)果如表1所示.

圖9 改進(jìn)ASM方法搜索效

表1 改進(jìn)的ASM算法尺寸測量數(shù)據(jù)(單位：cm)

5 實驗結(jié)果及其結(jié)果討論

本文先是提出一種基于單背景的人體尺寸測量提取,主要是基于Canny算子人體輪廓的提取方法以及尺寸測量.同國外的系統(tǒng)Loughborough人體掃描儀、TC2分層輪廓測量方法等比較起來,本文適用性更強(qiáng),檢測速度快,準(zhǔn)確度高.同時我們也發(fā)現(xiàn)當(dāng)輪廓中出現(xiàn)斷點時,會使測量出現(xiàn)異常的問題.針對上述問題,我們采用人體特征點比例分析法、圖像特征增強(qiáng)來解決輪廓點缺失出現(xiàn)斷點導(dǎo)致檢測異常.改進(jìn)效果圖如圖10所示,其中圖10(a)是輪廓出現(xiàn)斷點造成檢測異常效果圖,圖10(b)則是本文改進(jìn)方法檢測效果圖.

后在主動形狀模型(ASM)算法的基礎(chǔ)上,結(jié)合之前的算法,并且對傳統(tǒng)的ASM算法進(jìn)行修改,選取特征點特定大小矩形范圍內(nèi)鄰域點,結(jié)合馬氏距離公式,選擇特定矩陣大小鄰域范圍內(nèi)點的灰度與灰度模型比較,并且結(jié)合人體體型分布及對稱性特點進(jìn)行擬合處理選擇特定矩陣大小鄰域范圍內(nèi)的點進(jìn)行處理.本實驗室選擇100幅特定照片作為訓(xùn)練集,服務(wù)器端圖像處理算法電腦CPU為Intel酷睿4核4.20 GHz,內(nèi)存為16 GB,在MyEclipse運行環(huán)境中,通過Java程序?qū)Υ郎y圖片中的人體特征點進(jìn)行標(biāo)定,獲取坐標(biāo)點連線、訓(xùn)練、測試,并且記錄完成人體輪廓搜索所需要的時間、迭代次數(shù)以及與真實人體測量尺寸進(jìn)行比對,記錄誤差值.本文改進(jìn)的ASM算法與最初的Canny算子輪廓提取算法、傳統(tǒng)ASM算法、朱欣娟等方法做了比較及分析,如表2所示.

圖10 改進(jìn)后的輪廓缺失提取圖

表2 傳統(tǒng)以及改進(jìn)的ASM算法準(zhǔn)確率和搜索效率數(shù)據(jù)對比

實驗結(jié)果對比分析表明,本文方法在對之前傳統(tǒng)方法改進(jìn)的基礎(chǔ)上,較好的適應(yīng)了復(fù)雜背景的人體輪廓檢測,并且提高了特征點提取的準(zhǔn)確率.與傳統(tǒng)ASM方法進(jìn)行比較,搜索過程中減少了迭代次數(shù),縮短特征點提取時間,一定程度上提高了我們的特征點提取準(zhǔn)確率.與朱欣娟等方法進(jìn)行比較,由于我們檢測的特征點位置較多,準(zhǔn)確率比其方法較低一點,但在搜索過程中我們的迭代次數(shù)較少,提取時間較短.

為了驗證我們的算法對于不同光照下、復(fù)雜背景下的有效性,我們選取了不同背景下的人體圖片進(jìn)行提取.選擇拍攝背景為建筑物并且拍攝光線較暗的圖片進(jìn)行測試,效果圖11所示;選擇拍攝背景為建筑物并且拍攝光線正常的圖片進(jìn)行測試,效果圖12所示;選擇拍攝背景為門框并且拍攝光線較亮的圖片進(jìn)行測試,效果如圖13所示.

圖11 暗光線復(fù)雜背景測試圖

圖12 正常光線復(fù)雜背景測試圖

圖13 光線較亮門框背景測試圖

為了驗證我們的算法能夠適用較為復(fù)雜的背景,我們用了同一組人體在正常背景下、亮度較暗背景下、復(fù)雜背景下分別用了傳統(tǒng)方法、改進(jìn)的ASM算法進(jìn)行對比,我們發(fā)現(xiàn)對于亮度正常背景單一的環(huán)境下,傳統(tǒng)方法檢測效果較好準(zhǔn)確率較高效果如圖14(a)所示;對于光線較差,人體出現(xiàn)陰影的情況下,傳統(tǒng)方法檢測胸圍、腰圍、臀圍等關(guān)鍵位置出現(xiàn)較為明顯的偏差,其檢測結(jié)果如圖14(b)所示;對于復(fù)雜背景下,傳統(tǒng)方法對于關(guān)鍵特征點檢測幾乎全部失效,背景建筑物的輪廓會被識別為特征點,其檢測結(jié)果如圖14(c)所示.針對上述圖片,我們采用了改進(jìn)的ASM算法進(jìn)行處理發(fā)現(xiàn),其準(zhǔn)確率大大提高,幾乎不會出現(xiàn)傳統(tǒng)方法誤檢測的問題,其檢測效果如圖15(a)(b)(c)所示.

6 總結(jié)與展望

本文通過對人體圖片預(yù)處理和增強(qiáng),并且使用針對人體輪廓缺失使用人體比例關(guān)系方法對人體與背景對比度較大的圖片進(jìn)行人體特征點提取和尺寸測量.由于人體與背景對比度較大的圖片檢測范圍較狹隘,對于復(fù)雜背景下的特征點提取與尺寸測量,上述方法完全失效.為此,本文在ASM算法基礎(chǔ)上,改變傳統(tǒng)ASM算法單模板匹配模式,選擇較少有效鄰域點在其灰度模型中搜索,改變胯部以下搜索方式,利用改進(jìn)的馬氏距離搜索方式以及利用人體體型對稱性特點解決.改進(jìn)后的ASM方法,能夠很好的解決復(fù)雜背景下人體輪廓提取的問題,對于復(fù)雜背景提取準(zhǔn)確率較高,并且提取速度快;較其他方法,提取精度高,速度快.

圖14 傳統(tǒng)方法測試圖

圖15 本文改進(jìn)方法測試圖

由于人體胸圍、腰圍、臀圍等特征尺寸存在一定的弧度,用本文的方法進(jìn)行測量時,對于胸圍、腰圍存在一定的誤差.本文改進(jìn)的ASM方法也可適用于人體側(cè)面的輪廓提取.下一步的研究內(nèi)容是使用本文方法結(jié)合人體正面和側(cè)面圖,研究如何提高人體腰圍、胸圍等特征尺寸的測量.同樣,虛擬試衣技術(shù)也越來越廣泛,將我們的算法推廣到實際應(yīng)用中也是我們今后的工作.

1 羅仕鑒,朱上上,孫守遷.人體測量技術(shù)的現(xiàn)狀與發(fā)展趨勢.人類工效學(xué),2002,8(2)：31-34.

2 B?lan AO,Black MJ.The naked truth：Estimating body shape under clothing.Proceedings of the 10th European Conference on Computer Vision.Marseille,France.2008.15-29.

3 Dang L,Kong FR.Facial feature point extraction using a new improved active shape model.Proceedings of the 3rd International Congress on Image and Signal Processing.Yantai,China.2010.944-948.

4 駱順華,王建萍.基于二維圖像非接觸式人體測量方法探析.紡織學(xué)報,2013,34(8)：151-155.

5 朱欣娟,熊小亞.基于改進(jìn)ASM模型的人體特征點定位和建模方法.系統(tǒng)仿真學(xué)報,2015,27(2)：286-294.

6 田仙仙,鮑泓,王波波,等.一種局部多特征融合的行人檢測算法.北京聯(lián)合大學(xué)學(xué)報,2013,27(3)：21-25.

7 周筠.監(jiān)控系統(tǒng)中人臉識別的研究[碩士學(xué)位論文].北京：清華大學(xué),2008.

8 馮振華,吳小俊.改進(jìn)的用于ASM的歸一化方法.計算機(jī)工程與應(yīng)用,2009,45(2)：187-190.

9 孫硯銘.基于ASM自動人臉特征點定位及應(yīng)用的研究[碩士學(xué)位論文].北京：北京交通大學(xué),2010.

10 Tao L,Zhuang ZQ.Locating human eyes in complex background.Journal of Computer-Aided Design &Computer Graphics,2003,15(1)：38-42.

11 George RC,Mishra SK,Dwivedi M.Mahalanobis distance among the phase portraits as damage feature.Structural Health Monitoring,2017.[doi：10.1177/1475921717722743.]

12 Li CM,Huang R,Ding ZH,et al.A level set method for image segmentation in the presence of intensity inhomogeneities with application to MRI.IEEE Transactions on Image Processing,2011,20(7)：2007-2016.[doi：10.1109/TIP.2011.2146190]

13 夏鳳勤,毋戈,謝昊洋,等.基于人體縱截面特征曲線的體型分類.紡織學(xué)報,2017,38(6)：86-91.