CN108596888A - 一种基于单目图像的人体身高实时生成方法 - Google Patents
一种基于单目图像的人体身高实时生成方法 Download PDFInfo
- Publication number
- CN108596888A CN108596888A CN201810356143.4A CN201810356143A CN108596888A CN 108596888 A CN108596888 A CN 108596888A CN 201810356143 A CN201810356143 A CN 201810356143A CN 108596888 A CN108596888 A CN 108596888A
- Authority
- CN
- China
- Prior art keywords
- plane
- formula
- image
- monocular image
- error
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000009795 derivation Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000009897 systematic effect Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/147—Discrete orthonormal transforms, e.g. discrete cosine transform, discrete sine transform, and variations therefrom, e.g. modified discrete cosine transform, integer transforms approximating the discrete cosine transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/10—Selection of transformation methods according to the characteristics of the input images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Discrete Mathematics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于单目图像的人体身高实时生成方法,包括依据单目图像构建计算模型,计算模型的离散化处理,模型的线性化处理,设置约束条件并进行迭代计算。该方法直接对各类摄像头采集到的单目图像进行处理和计算从而得到人体身高值,无需在现场增加辅助检测设备,部署灵活,可极大地节省成本。特别地,本方法具有批量计算身高的能力,在海量信息比对中,具有独特的效率和精准度优势。
Description
技术领域
本发明属于计算机通信、图像处理和数据处理领域,具体涉及一种基于单目图像的人体身高实时生成方法。
背景技术
目前,基于图像或视频的人体身高测量都需要以标定模板为基础,标定所用模板或参考尺寸已知,然后根据光学原理展开身高测量,因此该技术的应用场合十分局限。在某些特殊场合或要求下,比如技术侦查场合或依托于普通监控视频图像展开身高实时测量,现有技术难以解决该问题。
发明内容
为解决上述问题,本发明提供了一种基于单目图像的人体身高实时生成方法,可以不需事先标定,就能实时生成单目图像中人体身高值,并且能够以群体为单位,批量计算图像中的身高值。
本发明的技术方案为:
一种基于单目图像的人体身高实时生成方法,其特征在于:所述方法包括以下步骤:
A.依据单目图像,构建计算模型;
B.对计算模型进行离散化处理;
C.对***计算模型进行线性化处理;
D.设置约束条件并进行迭代计算,直接生成身高结果。
优选的,所述步骤A的具体实现方式为:
在Lambert理想成像条件下,由Lambert反射方程可知,单目图像的图像灰度与人像平面高度呈二元非线性关系,以此为基础提出本发明所述方法的计算模型,过程如下:
假设原始单目图像的平面方向记为(Dx,Dy),点光源入射方向记为(DLx,DLy),图像的灰度记为g(x,y),
则依据Lambert反射方程有如下算式:
为降低在多种理想条件下构建上述模型所带来的计算结果的不确定性,引入以下补偿方法:
其中,En表示高斯白噪声误差,用于补偿噪声所引起的误差;Er表示粗糙度误差,用于补偿平面方向误差;Eg表示梯度相似性误差,用于补偿方程在离散化处理过程中所产生的误差;(Zx,Zy)表示离散图像的平面方向;
因此,***误差Err可定义为:
优选的,所述步骤B的具体实现方式为:
离散化处理的过程为:
①求解***误差和梯度相似性误差的最小值条件:
对算式(3)求导,并求解导数方程可得:
②对算式(4)离散化处理可得:
③得到最终的离散化计算算式:
引入拉式近似离散化变换因子,其中表示平面方向L的平均方向,δ表示单目图像的像素点距,运用该变换因子对算式(5)进行变换,可得到人体身高及梯度的离散化计算算式,如下:
综上,便得到了高度及梯度相似度的离散化计算算式。
优选的,所述步骤C的具体实现方式为:
为提高计算效率和解决算法特殊情况下无法收敛的问题,对***计算模型进行线性化处理:
利用Talor公式,以上一状态的计算结果为参考基准,可得到离散化算式(6)的线性化近似算式如下:
将上式带入(6)可得:
其中,σ表示各变量相对于t状态参考基准的变化量;
基于以上,便可以将平面方向计算的非线性转化为求解平面方向的变化的线性方程,然后通过下面算式即可计算出平面方向(Dx,Dy)的值:
优选的,所述步骤D的具体实现方式为:
①为获得较快的计算速度和较少的内存占用,采用交错网格方法:
构建交错网格:单目图的像素点尺寸为w×s,平面方向(Dx,Dy)和图像灰度g(x,y)的阵列维度也为w×s;人体轮廓的像素点与平面方向像素点错开0.5个像素,人体轮廓像素矩阵维度为(w+1)×(s+1);平面方向对两个方向的偏导维度也是(w+1)×(s+1);
综上,所求解的离散线性方程在其平面方向的一阶偏导数如下:
②引入两类约束,一是参考点约束,二是边界条件约束,方法如下:
a.参考点约束是在镜头视角中加入已知平面方向和高度的点,并且保证该点能够在单目图像上显示;
b.边界条件约束,即加入边界像素点的平面方向,采用插值法以中心像素点向外插值,则四个方向的插值算式为:
其中,中心像素点指满足图像区域为w×s像素,
在以上基础之上,利用算式(8)进行迭代,则人体身高H=max(z1,z2…zn),其中n为单目图像中人像轮廓像素集的维度。
本发明的有益效果为:
本发明所述方法直接对单目图像进行处理而得到人体身高,无需在现场增加辅助检测设备,部署灵活,可极大地节省成本。特别地,本方法具有批量计算身高的能力,在海量信息比对中,具有独特的效率和精确度优势。
附图说明
图1为一种基于单目图像的人体身高实时生成方法的整体流程图;
图2为离散线性方程的交错网格。
具体实施方式
本发明所述的基于单目图像的人体身高实时生成方法的整体流程如图1所示,解决其问题所采用的方法包括以下步骤:
A.依据单目图像,构建计算模型:
在单目图像中,人体可视为一定容限范围内的均匀漫反射体。同时,在Lambert理想成像条件下,由Lambert反射方程可知,单目图像的图像灰度与人像平面高度呈二元非线性关系,以此为基础提出本发明所述方法的计算模型,过程如下:
假设原始单目图像的平面方向记为(Dx,Dy),点光源入射方向记为(DLx,DLy),图像的灰度记为g(x,y)。
则依据Lambert反射方程有如下算式:
由于上述模型是建立在多种理想条件下,在利用图像灰度来计算身高的过程是一个病态特性的求解过程,将极大地增加计算结果的不确定性,为解决这一问题,本方法引入以下补偿方法:
其中,En表示高斯白噪声误差,用于补偿噪声所引起的误差;Er表示粗糙度误差,用于补偿平面方向误差;Eg表示梯度相似性误差,用于补偿方程在离散化处理过程中所产生的误差。(Zx,Zy)表示离散图像的平面方向。
因此,***误差Err可定义为:
B.***计算模型的离散化处理:
本发明解决其问题所采用的方法是以图像的像素点为计算元,因此在建立步骤A所述***的计算模型后,还需要进行离散化处理,过程如下:
①求解***误差和梯度相似性误差的最小值条件:
对算式(3)求导,并求解导数方程可得:
②对算式(4)离散化处理可得:
③得到最终的离散化计算算式:
引入拉式近似离散化变换因子,其中表示平面方向L的平均方向,δ表示单目图像的像素点距,运用该变换因子对算式(5)进行变换,可得到人体身高及梯度的离散化计算算式,如下:
综上,便得到了高度及梯度相似度的离散化计算算式。
C.为提高计算效率和解决算法特殊情况下无法收敛的问题,对***计算模型进行线性化处理:
本方法利用Talor公式,以上一状态的计算结果为参考基准,可得到离散化算式(6)的线性化近似算式如下:
将上式带入(6)可得:
其中,σ表示各变量相对于t状态参考基准的变化量。
基于以上,便可以将平面方向计算的非线性转化为求解平面方向的变化的线性方程,然后通过下面算式即可计算出平面方向(Dx,Dy)的值:
D.设置约束条件并进行迭代计算:
①经过步骤A,B,C后,本方法所采用的计算转变为求解离散化的平面方向的线性方程,为获得较快的计算速度和较少的内存占用,因此采用交错网格方法。
交错网格的构建如图2所示,实线点表示单目图的像素点,尺寸为w×s,平面方向(Dx,Dy)和图像灰度g(x,y)的阵列维度都是w×s;虚线点表示人体轮廓相对值,轮廓的像素点与平面方向像素点错开0.5个像素,人体轮廓像素矩阵维度为(w+1)×(s+1);平面方向对两个方向的偏导维度也是(w+1)×(s+1)。
综上,所求解的离散线性方程在其平面方向的一阶偏导数如下:
②为保证在各类输入前提下迭代算法都能够预期收敛,引入约束条件。另外,为了使得算法直接输出人体身高值,而不是交错网格计算得到的相对值,引入两类约束,一是参考点约束,二是边界条件约束,方法如下:
a.参考点约束是在镜头视角中加入已知平面方向和高度的点,并且保证该点能够在单目图像上显示。
b.边界条件约束,即加入边界像素点的平面方向,采用插值法以中心像素点向外插值,则四个方向的插值算式为:
其中,中心像素点指满足图像区域为w×s像素。
在以上基础之上,利用算式(8)进行迭代,则人体身高H=max(z1,z2…zn),其中n为单目图像中人像轮廓像素集的维度。
综上所述即完成了本发明所述的一种基于单目图像的人体身高实时生成方法,该方法直接对单目图像进行处理而得到人体身高,无需在现场增加辅助检测设备,部署灵活,可极大地节省成本。特别地,本方法具有批量计算身高的能力,在海量信息比对中,具有独特的效率和精确度优势。
Claims (5)
1.一种基于单目图像的人体身高实时生成方法,其特征在于:所述方法包括以下步骤:
A.依据单目图像,构建计算模型;
B.对计算模型进行离散化处理;
C.对***计算模型进行线性化处理;
D.设置约束条件并进行迭代计算,直接生成身高结果。
2.如权利要求1所述的基于单目图像的人体身高实时生成方法,其特征在于:所述步骤A的具体实现方式为:
在Lambert理想成像条件下,由Lambert反射方程可知,单目图像的图像灰度与人像平面高度呈二元非线性关系,以此为基础提出本发明所述方法的计算模型,过程如下:
假设原始单目图像的平面方向记为(Dx,Dy),点光源入射方向记为(DLx,DLy),图像的灰度记为g(x,y),
则依据Lambert反射方程有如下算式:
为降低在多种理想条件下构建上述模型所带来的计算结果的不确定性,引入以下补偿方法:
其中,En表示高斯白噪声误差,用于补偿噪声所引起的误差;Er表示粗糙度误差,用于补偿平面方向误差;Eg表示梯度相似性误差,用于补偿方程在离散化处理过程中所产生的误差;(Zx,Zy)表示离散图像的平面方向;
因此,***误差Err可定义为:
Err=En+μ·Er+θ·Eg
=∫∫[(g(x,y)-F(Dx,Dy))2+μ·(Dx 2+Dy 2+DLx 2+DLy 2)+θ·((Zx-Dx)2+(Zy-Dy)2)]dxdy; (3)
3.如权利要求2所述的基于单目图像的人体身高实时生成方法,其特征在于:所述步骤B的具体实现方式为:
离散化处理的过程为:
①求解***误差和梯度相似性误差的最小值条件:
对算式(3)求导,并求解导数方程可得:
②对算式(4)离散化处理可得:
③得到最终的离散化计算算式:
引入拉式近似离散化变换因子,其中表示平面方向L的平均方向,δ表示单目图像的像素点距,运用该变换因子对算式(5)进行变换,可得到人体身高及梯度的离散化计算算式,如下:
综上,便得到了高度及梯度相似度的离散化计算算式。
4.如权利要求3所述的基于单目图像的人体身高实时生成方法,其特征在于:所述步骤C的具体实现方式为:
为提高计算效率和解决算法特殊情况下无法收敛的问题,对***计算模型进行线性化处理:
利用Talor公式,以上一状态的计算结果为参考基准,可得到离散化算式(6)的线性化近似算式如下:
将上式带入(6)可得:
其中,σ表示各变量相对于t状态参考基准的变化量;
基于以上,便可以将平面方向计算的非线性转化为求解平面方向的变化的线性方程,然后通过下面算式即可计算出平面方向(Dx,Dy)的值:
5.如权利要求4所述的基于单目图像的人体身高实时生成方法,其特征在于:所述步骤D的具体实现方式为:
①为获得较快的计算速度和较少的内存占用,采用交错网格方法:
构建交错网格:单目图的像素点尺寸为w×s,平面方向(Dx,Dy)和图像灰度g(x,y)的阵列维度也为w×s;人体轮廓的像素点与平面方向像素点错开0.5个像素,人体轮廓像素矩阵维度为(w+1)×(s+1);平面方向对两个方向的偏导维度也是(w+1)×(s+1);
综上,所求解的离散线性方程在其平面方向的一阶偏导数如下:
②引入两类约束,一是参考点约束,二是边界条件约束,方法如下:
a.参考点约束是在镜头视角中加入已知平面方向和高度的点,并且保证该点能够在单目图像上显示;
b.边界条件约束,即加入边界像素点的平面方向,采用插值法以中心像素点向外插值,则四个方向的插值算式为:
其中,中心像素点指满足图像区域为w×s像素,
在以上基础之上,利用算式(8)进行迭代,则人体身高H=max(z1,z2…zn),其中n为单目图像中人像轮廓像素集的维度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810356143.4A CN108596888A (zh) | 2018-04-19 | 2018-04-19 | 一种基于单目图像的人体身高实时生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810356143.4A CN108596888A (zh) | 2018-04-19 | 2018-04-19 | 一种基于单目图像的人体身高实时生成方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108596888A true CN108596888A (zh) | 2018-09-28 |
Family
ID=63613254
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810356143.4A Withdrawn CN108596888A (zh) | 2018-04-19 | 2018-04-19 | 一种基于单目图像的人体身高实时生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108596888A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111611928A (zh) * | 2020-05-22 | 2020-09-01 | 杭州智珺智能科技有限公司 | 一种基于单目视觉与关键点识别的身高及身体尺寸测量方法 |
-
2018
- 2018-04-19 CN CN201810356143.4A patent/CN108596888A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111611928A (zh) * | 2020-05-22 | 2020-09-01 | 杭州智珺智能科技有限公司 | 一种基于单目视觉与关键点识别的身高及身体尺寸测量方法 |
CN111611928B (zh) * | 2020-05-22 | 2023-07-28 | 郑泽宇 | 一种基于单目视觉与关键点识别的身高及身体尺寸测量方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Abdelhamed et al. | A high-quality denoising dataset for smartphone cameras | |
CN111243033B (zh) | 一种优化双目相机外参数的方法 | |
CN105096329B (zh) | 一种精确校正超广角摄像头图像畸变的方法 | |
CN109474814A (zh) | 投影仪的二维校准方法、投影仪以及校准*** | |
CN111986106B (zh) | 一种基于神经网络的高动态图像重建方法 | |
CN103226819A (zh) | 一种基于分段统计的相对辐射校正方法 | |
WO2012122788A1 (zh) | 图像校正系数的获取方法、非均匀图像校正方法及*** | |
CN110956661A (zh) | 基于双向单应矩阵的可见光与红外相机动态位姿计算方法 | |
CN110910456B (zh) | 基于Harris角点互信息匹配的立体相机动态标定方法 | |
CN105869129B (zh) | 针对非均匀校正后的热红外图像剩余非均匀噪声去除方法 | |
CN102170526A (zh) | 散焦模糊核计算及其散焦模糊图像清晰化处理方法 | |
CN114359405A (zh) | 一种离轴沙姆3d线激光相机的标定方法 | |
CN115266779B (zh) | 一种ct扫描用平板探测器像元响应非线性校正方法 | |
CN108596888A (zh) | 一种基于单目图像的人体身高实时生成方法 | |
CN113409399B (zh) | 一种双相机联合标定方法、***及装置 | |
CN112465918B (zh) | 一种基于Tsai标定的显微视觉标定方法 | |
JP2014112362A (ja) | 画像処理方法および装置 | |
CN114184284B (zh) | 一种用于纵向扫描红外热像仪的实时场景校正方法及*** | |
WO2022252697A1 (zh) | 相机图像融合方法及相机图像融合*** | |
CN109799731B (zh) | 多波段光学辐射式半实物仿真方法及*** | |
CN113295701A (zh) | 基于数字图像对剪力墙损伤的测量方法、设备和介质 | |
CN111076820B (zh) | 一种红外实时非均匀性校正方法 | |
TW200931000A (en) | Neural network-based two-dimensional luminance measurement method | |
Wen et al. | Image sensor correction algorithm for photon transfer curve based on neural network | |
CN108647620B (zh) | 一种基于伽马变换的韦伯人脸的光照归一化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20180928 |