CN106952333A - 一种创建人体参数化模型的方法及*** - Google Patents

Abstract

本发明提出一种创建人体参数化模型的方法及***，包括以下步骤：S1:建立含身高、体重、性别信息的人体3D模型数据库；S2:确定姿势、整体体型以及局部体型参数，根据所述模型数据库建立参数化模型。通过选取一个标准模型，确定姿势、整体体型以及局部体型参数，建立起标准模型与各参数之间的变形关系，并通过机器学习算法，利用模型数据库中的其他样本模型求解变形关系中的未知参数项，建立了参数化模型。该参数化模型同时考虑了姿势、整体以及局部人体特征对人体3D模型的影响，因此，利用本发明的人体参数化模型创建方法及***可以重建出更加准确的人体3D模型。

Description

一种创建人体参数化模型的方法及***

技术领域

本发明涉及计算机技术及图像处理技术领域，具体涉及一种创建人体参数化模型的方法及***。

背景技术

人体三维(以后简称3D)模型在3D打印、服装定制、3D试衣、动画制作等方面都起着重要的作用。获取人体3D模型目前主要有两种途径，一种是通过计算机建模，这种方式获取的模型光滑逼真，但对建模人员的技术水平有着较高的要求，建模的效率也较低；另一种方式是通过3D扫描仪或深度相机等设备直接对人体进行测量，一般通过这种方式得到的是点云数据，后续可以经过去噪、网格化等处理得到较为满意的人体3D模型。后一种方式尽管精度不高，但获取人体3D模型的速度快，逐渐成为动画制作、3D试衣领域常用的方式。

为了提高3D测量模型的精度，目前常采用的一种方式是通过建立参数化模型，然后利用参数化模型在能量函数的约束下通过变形迭代等方法逼近测量模型，变形后的参数化模型与测量模型有很大程度上的相似，但平滑度、精度都要远远优于测量模型。逼真的参数化模型是通过对人体3D模型数据库进行学习后得到的，比如SCAPE参数化模型。

目前已有技术中，参数化模型的建立往往仅能针对某些具体的情形，比如仅与姿势有关的参数模型，通过改变姿势参数来修改人体3D模型；或者仅与体型有关的参数模型。好的参数化模型能够反映不同人体特征的变化，SCAPE模型能从姿势、体型两个方面描述不同人体的特征。然而事实上，影响人体特征的还有性别、体重等局部特征，特别是体重参数特征，现有技术中还没有考虑到其对参数模型的影响，比如性别相同、身高相同但体重不同的两个人会拥有不同的体型特征，目前仍然缺乏一种能够反映这些信息的参数化模型。

发明内容

本发明要解决的技术问题在于：现有人体参数化模型不能准确反映人体性别、身高、体重等局部特征的问题，提出一种创建人体参数化模型的方法及***。

本发明的创建人体参数化模型的方法，包括以下步骤：

S1:建立含身高、体重、性别信息的人体3D模型数据库；

S2:根据所述模型数据库建立参数化模型。

优选地，所述人体3D模型是通过基于激光扫描仪或者深度相机的方法测量得到的。

优选地，所述人体3D模型包含身高、体重、性别以及3D点云模型或3D网格模型中的一种。

优选地，所述人体3D模型数据库中身高、体重相近，性别相同的人体3D模型至少有两个。

优选地，所述根据模型数据库建立参数化模型包括以下步骤：

S21:选择模型数据库中的一个作为标准模型；

S22:确定姿势、整体体型以及局部体型参数，建立起标准模型与各参数之间的变形关系；

S23:利用模型数据库中的其他样本模型求解变形关系中的未知参数项。

优选地，所述步骤S23中利用模型数据库中的其他模型求解变形关系中的未知参数项，具体指的是通过机器学习算法，计算得到未知参数项。

优选地，所述机器学习算法指的是以不同姿势下的同一人体3D模型组成的样本模型数据库，通过回归学习算法计算得到标准模型与姿势变形关系中的未知参数项。

优选地，所述机器学习算法指的是以多个姿势相近的不同人体3D模型组成的样本模型数据库，通过回归学习算法计算得到标准模型与整体体型变形关系中的未知参数项。

优选地，所述机器学习算法指的是以身高、体重相近及性别相同的多个不同人体3D模型组成的样本模型数据库，通过回归学习算法计算得到标准模型与局部体型变形关系中的未知参数项。

基于创建人体参数化模型的方法，本发明还提出一种创建人体参数化模型的***，包括存储器，用于存放程序；处理器，运行所述程序，以用于控制所述创建人体参数化模型的***执行上述创建人体参数化模型的方法。

另外，本发明还提出一种包含计算机程序的计算机可读存储介质，所述计算机程序可操作来使计算机执行上述创建人体参数化模型的方法。

与现有技术相比，本发明的有益效果为：

本发明提供了一种创建人体参数化模型的方法及***，首先建立包含身高、体重以及性别的人体3D模型数据库，然后确定姿势、整体体型以及局部体型参数，根据所述模型数据库建立参数化模型。该参数化模型同时考虑了姿势、整体以及局部人体特征对人体3D模型的影响，因此，利用本发明的人体参数化模型创建方法及***可以重建出更加准确的人体3D模型。

进一步地，根据所述模型数据库建立参数化模型时，先选取一个标准模型，通过确定姿势、整体体型以及局部体型参数，建立起标准模型与各参数之间的变形关系，并通过机器学习算法，利用模型数据库中的其他样本模型求解变形关系中的未知参数项，建立参数化模型，该参数化模型同时考虑了姿势、整体以及局部人体特征对人体3D模型的影响，因此，利用本发明的人体参数化模型创建方法及***可以重建出更加准确的人体3D模型。

附图说明

图1是本发明具体实施方式中人体参数化模型创建方法的流程示意图。

图2是本发明具体实施方式中根据模型数据库建立参数化模型方法的流程示意图。

具体实施方式

下面结合具体实施方式并对照附图对本发明做进一步详细说明。本发明具体实施方式中创建人体参数化模型的方法，如图1所示，包括以下步骤：S1:建立人体3D模型数据库；S2:根据模型数据库建立参数化模型。其中，步骤S1中建立人体3D模型数据库，又包括获取人体3D点云或网格模型、身高测量、体重测量以及性别获取等步骤，下面将对上述步骤进行一一详细说明。

1、创建人体净模型的方法

S1:建立人体3D模型数据库

建立人体3D模型数据库是获取人体参数化模型的前提，数据库内模型的种类也会影响到最终参数化模型的好坏。

模型数据库中3D模型的数量要尽可能多，数据要尽可能全面，不仅包含人体身高、体重、性别信息，还包含同一人体在不同姿势下的人体3D模型数据，多个不同人体在相近姿势下的人体3D模型数据，多个身高、体重相近及性别相同的不同人体3D模型数据，分别用来反应人体在不同姿势下的差异，不同人体在体型上的差异以及不同人体在局部细节特征上的差异。

在本具体实施方式中，数据库内的3D模型除了本身的3D点云或网格模型之外，还包括身高、体重及性别信息。因而，建立模型数据库主要包括人体3D模型测量、身高测量、体重测量以及性别确认几个方面。

人体3D模型测量方法

目前用于3D测量的方法大致分为基于激光扫描仪以及基于深度相机的方法。激光扫描仪的精度高，但造价昂贵，扫描的速度也较慢，主要用于对一些小型刚性物体的3D测量；基于深度相机的方法是目前常用的人体测量方法，本具体实施方式中选取基于深度相机的方法，更进一步地选取基于结构光三角法的深度相机，用于人体3D模型的测量。

在其他具体实施方式中可以采用基于激光扫描仪，或者使用基于时间飞行法或者双目视觉原理的深度相机来用于人体3D模型的测量。

基于结构光三角法的深度相机利用激光投影仪向空间中投射经编码的标准结构光图案，空间中目标深度的不同将标准结构光图案进行了调制，通过图像相关等算法获取调制后的结构光图像与标准结构光图案的差别，根据结构光三角法建立该差别与目标深度之间的关系就可求解出整个目标空间的深度图像。

一般地，难以通过一幅图像来得到全部的人体信息，需要获取人体各个部位的深度图像，再通过注册算法进行融合后得到整体的人体3D点云数据。由深度相机获取的3D点云数据一般不能够直接作为人体3D模型数据，还需要通过一些预处理的步骤。一般地，包括图像分割、去噪、网格化、建立对应关系等步骤。

图像分割。因而深度相机获取的深度图像中一般除了人体部分之外还包括其他背景成分，利用图像分割算法去除背景成为必要的步骤。由于深度图像数据的独特性，即其各像素值代表的物体的深度距离，一种简单的图像分割算法——阈值法就能够有效地去除背景。具体地，即通过设定合理的可以区别开人体与背景的阈值，将属于背景部分的像素值归零(或取最大值)，保留属于人体部位的像素值。

图像去噪。由于获取的3D点云数据不可避免地会有噪声(即离群点)存在，同时由于人体部位之间的遮挡会出现孔洞，另外点云数据的平滑性也较差。因此，图像去噪的目的一方面要去除离群点，另一方面要对点云数据进行平滑及孔洞填充处理。

网格化。在具体的应用中，比如模型的变形转移、动画制作等，仅针对点云的处理较为复杂，因而点与点之间的相互关系在3D点云中没有得到反映。而3D网络模型则在保留点云的同时又增加了点云之间的拓扑关系，特别是变形处理中，3D网格模型具有较大的优势。因此，有必要将3D点云模型网格化成3D网格模型。网格的形式可以是三角形、多边形等，常用的是三角网格模型。

建立对应关系。不同人的体型和姿势都有所区别，因此由深度相机得到的3D点云数据数量上也有区别，在后面的处理中会有较大的困难。有必要在建立数据库时就对所有的人体3D模型建立对应关系。具体地，先选取一幅质量较高的3D点云数据作为参考。对于当前人体3D模型，利用刚性注册或非刚性注册算法，建立二者之间的点与点之间的对应关系，并将该对应关系也作为当前人体3D模型的一部分。

人体体重测量

利用体重称对各个人体的体重进行测量，获取人体体重。

身高测量

本具体实施方式中将采用较为准确的做法。首先对3D人体点云数据进行骨架提取，或者将3D人体分割成多个语义部分(头、上身、腿)，然后将各个部分的长度相加后得到人体的身高。

在其他具体实施方式中，可以利用传统的尺寸测量方式进行身高测量，也可以直接利用3D人体点云或网格数据来测量身高。需要注意的是，当人体处在不同姿势时，不能一概而论的利用点云或网格数据中的最高点与最低点的差值进行身高估算。

性别获取

本具体实施方式中采用一种自动识别的方法。即利用人体3D模型的彩色图像，提取人脸部的彩色图像，将其输入经训练的性别分类器中进行判定。根据分类器的种类，处理方式也有区别，一般地首先对人脸的彩色图像进行主成分分析(PCA)，可以提升识别效率。

在其他具体实施方式中，可以在人为辅助情形下进行人为的设定。

S2:根据模型数据库建立参数化模型

有了信息全面的人体3D模型数据库之后，可以通过机器学习算法建立参数化模型。本具体实施方式中参数化模型中所包含的参数需要能反映人体姿势、整体体型以及局部体型的特征。换句话说，若有了某一人体的姿势、大体的体型以及局部的体型参数，就可以根据该参数化模型的创建方法创建出与该人体近乎一致的人体3D模型。

本具体实施方式中根据模型数据库建立参数化模型的方法，如图2所示，主要有以下步骤：S21:选择标准模型；S22:确定姿势及体型参数，建立标准模型与各参数之间的变形关系；S23:求解变形关系中的未知参数项。其中，步骤S22中确定姿势及体型参数，具体是指确定姿势参数，包括骨架位置以及不同骨架部位之间的夹角，和确定整体体型和局部体型参数；步骤S23:求解变形关系中的未知参数项，具体包括计算标准模型与姿势变形关系中的未知参数项、计算标准模型与整体体型变形关系中的未知参数项以及计算标准模型与局部体型变形关系中的未知参数项。下面将对上述步骤进行一一详细说明。

S21:选择标准模型

选择模型数据库中的一个作为标准模型。由于模型数据库中的模型种类较多，且数据质量也会参差不齐。原则上可以选取任何模型作为标准模型，但应该尽可能选取正常姿势、体型匀称且模型数据完好的人体3D模型作为标准模型。

标准模型选取的目的是作为变形模型的标准模板，通过后续建立相关的变形参数，从而可以利用该标准模型以及变形参数得到其他姿势、体型下的人体3D模型，无论该人体3D模型是否处在模型数据库中。

S22:确定姿势及体型参数，建立标准模型与各参数之间的变形关系

确定姿势、整体体型以及局部体型参数，建立起标准模型与各参数之间的变形关系。体型参数用来反映具体体型的特征。体型参数的种类也可以有多种。在本具体实施方式中，姿势的体型参数为骨架信息：包括骨架位置以及不同骨架部位之间的夹角；整体体型参数是利用主成分分析(PCA)对整体的人体3D模型进行降维后得到的低维矩阵参数；局部体型参数同样利用主成分分析对各个人体部位进行降维后得到的低维矩阵参数。

在其他具体实施方式中，各体型参数也可以有其他的表达形式。

接下来需要建立标准模型与各参数之间的变形关系。对模型的变形实质上是对模型各顶点或网格进行变形，本发明中以三角形网格为基本变形单元。

三角形网格的变形主要包括平移、旋转、缩放，这些变形矩阵也是由姿势、整体体型以及局部体型参数确定的。比如姿势参数可以由骨架两端节点的位置及角度确定出该节骨架的平移、旋转以及缩放矩阵，将这些矩阵施加到该节骨架对应的人体3D模型上的所有网格，即可以完成对该部分模型的姿势变形操作。

S23:求解变形关系中的未知参数项

利用模型数据库中的其他样本模型求解变形关系中的未知参数项。姿势、整体体型以及局部体型参数往往并不能直接决定标准模型上各个网格的变形，仍存在一些未知的参数项。这些未知参数项是的作用是决定标准模型如何根据各体型参数进行变形。未知参数项的计算往往通过机器学习算法，即利用人体3D模型数据库中的其他人体3D模型作为样本库，利用回归学习算法确定这些未知参数项。

通俗地说，这一步骤即由已知自变量(标准模型)以及因变量(样本库)求解因变量与自变量之间系数(未知参数项)的过程。

在计算不同的未知参数项时，样本库的选取也会有不同。具体地：

当计算标准模型与姿势变形关系中的未知参数项时，是以不同姿势下的相同人体的模型组成样本数据库。

当计算标准模型与整体体型变形关系中的未知参数项时，是以多个姿势相近的不同人体3D模型组成样本数据库。

当计算标准模型与局部体型变形关系中的未知参数项时，是以身高、体重相近及性别相同的多个不同人体3D模型组成样本数据库。

2、创建人体净模型的***

在本具体实施方式中，创建人体参数化模型的***，包括存储器，用于存放程序；处理器，运行所述程序，以用于控制所述创建人体参数化模型的***执行上述创建人体参数化模型的方法。

在其他具体实施方式中，创建人体参数化模型的***，还可以为一种包含计算机程序的计算机可读存储介质，所述计算机程序可操作来使计算机执行上述创建人体参数化模型的方法。

本具体实施方式提供了一种创建人体参数化模型的方法及***，首先建立包含身高、体重以及性别的人体3D模型数据库，然后确定姿势、整体体型以及局部体型参数，根据所述模型数据库建立参数化模型。该参数化模型同时考虑了姿势、整体以及局部人体特征对人体3D模型的影响，因此，利用本具体实施方式的人体参数化模型创建方法及***可以重建出更加准确的人体3D模型。

进一步地，根据所述模型数据库建立参数化模型时，先选取一个标准模型，通过确定姿势、整体体型以及局部体型参数，建立起标准模型与各参数之间的变形关系，并通过机器学习算法，利用模型数据库中的其他样本模型求解变形关系中的未知参数项，建立参数化模型，该参数化模型同时考虑了姿势、整体以及局部人体特征对人体3D模型的影响，因此，利用本具体实施方式的人体参数化模型创建方法及***可以重建出更加准确的人体3D模型。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干等同替代或明显变型，而且性能或用途相同，都应当视为属于本发明的保护范围。

Claims (10)

1.一种创建人体参数化模型的方法，其特征在于，包括以下步骤：

S1:建立含身高、体重、性别信息的人体3D模型数据库；

S2:确定姿势、整体体型以及局部体型参数，根据所述模型数据库建立参数化模型。

2.根据权利要求1所述的创建人体参数化模型的方法，其特征在于，所述步骤S1中建立含身高、体重、性别信息的人体3D模型数据库指的是将不同身高、体重以及性别的人体3D模型保存在一个数据库中。

3.根据权利要求1所述的创建人体参数化模型的方法,其特征在于，所述步骤S1中人体3D模型数据库中身高、体重相近，性别相同的人体3D模型至少有两个。

4.根据权利要求1所述的创建人体参数化模型的方法，其特征在于，所述步骤S2中根据模型数据库建立参数化模型，具体包括以下步骤：

S21:选择模型数据库中的一个作为标准模型；

S22:确定姿势、整体体型以及局部体型参数，建立起标准模型与各参数之间的变形关系；

S23:利用模型数据库中的其他样本模型求解变形关系中的未知参数项。

5.根据权利要求4所述的创建人体参数化模型的方法，其特征在于，所述步骤S23中利用模型数据库中的其他样本模型求解变形关系中的未知参数项，具体指的是通过机器学习算法，计算得到未知参数项。

6.根据权利要求5所述的创建人体参数化模型的方法，其特征在于，所述机器学习算法指的是以不同姿势下的同一人体3D模型组成的样本模型数据库，通过回归学习算法计算得到标准模型与姿势变形关系中的未知参数项。

7.根据权利要求5所述的创建人体参数化模型的方法，其特征在于，所述机器学习算法指的是以多个姿势相近的不同人体3D模型组成的样本模型数据库，通过回归学习算法计算得到标准模型与整体体型变形关系中的未知参数项。

8.根据权利要求5所述的创建人体参数化模型的方法，其特征在于，所述机器学习算法指的是以身高、体重相近及性别相同的多个不同人体3D模型组成的样本模型数据库，通过回归学习算法计算得到标准模型与局部体型变形关系中的未知参数项。

9.一种创建人体参数化模型的***，其特征在于，包括存储器，用于存放程序；处理器，运行所述程序，以用于控制所述创建人体参数化模型的***执行如权利要求1-8任一所述的方法。

10.一种包含计算机程序的计算机可读存储介质，所述计算机程序可操作来使计算机执行如权利要求1-8任一所述的方法。