CN118211132A - 一种基于点云的三维人体表面数据生成方法及装置 - Google Patents

Abstract

本说明书公开了一种基于点云的三维人体表面数据生成方法及装置，终端设备先获取人体的初始点云，而后确定出初始点云对应的初始特征分布，在提取初始点云对应的初始特征分布之后，通过特征向量提取模型更准确的提取初始特征分布所对应的初始特征向量，而后通过将初始特征向量输入预测模型，得到预测特征向量，将预测特征向量转化为预测特征信息，而后通过初始点云与预测特征分布得到初始点云中每个点云点对应的重构特征信息，并根据重构特征信息生成人体表面数据。通过特征向量提取模型更准确的提取初始特征分布所对应的初始特征向量，并通过预测模型对初始特征向量进行优化，提高了生成出的人体表面数据的精细度与真实度。

Description

一种基于点云的三维人体表面数据生成方法及装置

技术领域

本说明书涉及计算机图形学领域，尤其涉及一种基于点云的三维人体表面数据生成方法及装置。

背景技术

随着计算机图形学领域的迅速发展，基于计算机的图像生成已经在众多实际场景之中被应用，例如，通过图像识别技术实现应急通道的监控，从而避免应急通道被占用，又例如，通过训练出的分类模型对图像中包含的事物进行分类，从而实现对图像分类的自动化。而随着计算机图形学的进一步发展，三维数据的生成技术应运而生，如，人体表面数据生成技术。

然而，由于人体表面的复杂程度较高，在通过图像数据生成人体表面数据时，其计算量极大，难以应用到实际场景中。而现今的图像数据往往在人体表面数据精细度上做出了妥协，通过降低生成出的人体表面数据的精细度，大幅降低了生成人体表面数据的计算量，但精细度不足也就意味着生成出的人体表面数据的真实性较低，并且实际应用场景受限制，例如，通过虚拟现实设备进行线上试衣时，人体表面数据的精细度较低会导致试衣效果大幅降低。

因此，如何有效的提高生成出的三维人体表面数据的精细度，是一个亟待解决的问题。

发明内容

本说明书提供一种基于点云的三维人体表面数据生成方法及装置，以部分的解决现有技术存在的上述问题。

本说明书采用下述技术方案：

本说明书提供了一种基于点云的三维人体表面数据生成方法，包括：

获取初始点云；

根据所述初始点云确定出所述初始点云对应的特征分布，作为初始特征分布，其中，所述特征分布用于表示点云的形态信息与结构信息，以及点云中每个点云点的特征信息；

将所述初始特征分布输入到预先训练出的特征向量提取模型，得到所述初始特征分布对应的特征向量，作为初始特征向量；

将所述初始特征向量输入到预先训练的预测模型，得到所述初始特征向量对应的预测特征向量，根据所述初始特征向量对应的预测特征向量得到所述初始点云对应的预测特征分布，其中，所述预测模型用于优化特征向量；

针对所述初始点云中的每个点云点，确定出该点云点对应的坐标特征信息，并根据所述预测特征分布中的该点云点对应的特征信息，以及该点云点对应的坐标特征信息，得到该点云点对应的重构特征信息；

将该点云点对应的重构特征信息输入到预先训练的生成模型中，得到各点云点距离人体表面的距离值，根据各点云点距离人体表面的距离值，确定出所述初始点云对应的人体表面数据。

可选地，预先训练所述特征向量提取模型，具体包括：

获取原始点云；

根据所述原始点云确定出所述原始点云对应的特征分布；

将所述原始点云对应的特征分布输入到待训练的特征向量提取模型，得到所述原始点云对应的特征向量，作为原始特征向量；

根据所述原始点云、所述原始点云对应的特征分布、以及所述原始特征向量，确定出所述原始特征向量与所述原始点云对应的预期特征向量之间的相似度，其中，所述原始点云对应的预期特征向量用于表示原始点云对应的理想特征向量；

以最大化所述原始特征向量与预期特征向量之间的相似度，对所述特征向量提取模型进行训练。

可选地，预先训练所述预测模型，具体包括：

获取样本点云；

根据所述样本点云确定出所述样本点云对应的特征分布，作为样本特征分布；

将所述样本特征分布输入到预先训练出的特征向量提取模型，得到所述样本特征分布对应的样本特征向量；

将所述样本特征向量输入到待训练的预测模型，得到所述样本特征向量对应的预测特征向量；

根据所述样本点云、所述样本特征分布、所述样本特征向量、以及所述样本特征向量对应的预测特征向量，确定出所述样本特征向量对应的预测特征向量与所述样本特征向量对应的预期特征向量之间的相似度，其中，所述样本特征分布对应的预期特征向量用于表示所述样本特征分布对应的理想特征向量；

以最大化所述样本特征向量对应的预测特征向量与所述样本特征向量对应的预期特征向量之间的相似度，对所述预测模型进行训练。

可选地，针对所述初始点云中的每个点云点，确定出该点云点对应的坐标特征信息，并根据所述预测特征分布中的该点云点对应的特征信息，以及该点云点对应的坐标特征信息，得到该点云点对应的重构特征信息，具体包括：

针对所述初始点云中的每个点云点，根据初始点云确定出该点云点的点坐标，通过该点云点的点坐标确定出该点云点的坐标特征信息；

提取预测特征分布中该点云点对应的特征信息，作为预测特征信息；

将该点云点的坐标特征信息以及该点云点对应的预测特征信息进行拼接，得到该点云点对应的重构特征信息。

本说明书提供了一种基于点云的三维人体表面数据生成装置，包括：

获取模块，用于获取初始点云；

确定模块，用于根据所述初始点云确定出所述初始点云对应的特征分布，作为初始特征分布，其中，所述特征分布用于表示点云的形态信息与结构信息，以及点云中每个点云点的特征信息；

第一输入模块，用于将所述初始特征分布输入到预先训练出的特征向量提取模型，得到所述初始特征分布对应的特征向量，作为初始特征向量；

第二输入模块，用于将所述初始特征向量输入到预先训练的预测模型，得到所述初始特征向量对应的预测特征向量，根据所述初始特征向量对应的预测特征向量得到所述初始点云对应的预测特征分布，其中，所述预测模型用于优化特征向量；

重构模块，用于针对所述初始点云中的每个点云点，确定出该点云点对应的坐标特征信息，并根据所述预测特征分布中的该点云点对应的特征信息，以及该点云点对应的坐标特征信息，得到该点云点对应的重构特征信息；

生成模块，用于将该点云点对应的重构特征信息输入到预先训练的生成模型中，得到各点云点距离人体表面的距离值，根据各点云点距离人体表面的距离值，确定出所述初始点云对应的人体表面数据。

可选地，所述第一输入模块具体用于，

获取原始点云；根据所述原始点云确定出所述原始点云对应的特征分布；将所述原始点云对应的特征分布输入到待训练的特征向量提取模型，得到所述原始点云对应的特征向量，作为原始特征向量；根据所述原始点云、所述原始点云对应的特征分布、以及所述原始特征向量，确定出所述原始特征向量与所述原始点云对应的预期特征向量之间的相似度，其中，所述原始点云对应的预期特征向量用于表示原始点云对应的理想特征向量；以最大化所述原始特征向量与预期特征向量之间的相似度，对所述特征向量提取模型进行训练。

可选地，所述第二输入模块具体用于，

获取样本点云；根据所述样本点云确定出所述样本点云对应的特征分布，作为样本特征分布；将所述样本特征分布输入到预先训练出的特征向量提取模型，得到所述样本特征分布对应的样本特征向量；将所述样本特征向量输入到待训练的预测模型，得到所述样本特征向量对应的预测特征向量；根据所述样本点云、所述样本特征分布、所述样本特征向量、以及所述样本特征向量对应的预测特征向量，确定出所述样本特征向量对应的预测特征向量与所述样本特征向量对应的预期特征向量之间的相似度，其中，所述样本特征分布对应的预期特征向量用于表示所述样本特征分布对应的理想特征向量；以最大化所述样本特征向量对应的预测特征向量与所述样本特征向量对应的预期特征向量之间的相似度，对所述预测模型进行训练。

可选地，所述重构模块具体用于，

针对所述初始点云中的每个点云点，根据初始点云确定出该点云点的点坐标，通过该点云点的点坐标确定出该点云点的坐标特征信息；提取预测特征分布中该点云点对应的特征信息，作为预测特征信息；将该点云点的坐标特征信息以及该点云点对应的预测特征信息进行拼接，得到该点云点对应的重构特征信息。

本说明书提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述基于点云的三维人体表面数据生成方法。

本说明书提供了一种电子设备，包括处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述基于点云的三维人体表面数据生成方法。

本说明书采用的上述至少一个技术方案能够达到以下有益效果：

在本说明书提供的基于点云的三维人体表面数据生成方法中，终端设备先获取人体的初始点云，而后确定出初始点云对应的初始特征分布，进而将初始特征分布输入到预先训练的特征向量提取模型，得到初始特征分布对应的初始特征向量，而后将初始特征向量输入到预先训练的预测模型，得到初始特征向量对应的预测特征向量，进而根据初始特征向量对应的预测特征向量确定出初始点云对应的预测特征分布，而后通过预测特征分布以及初始点云，确定出初始点云中各点云点对应的预测特征信息以及初始点云中各点云点对应的坐标特征信息，进而得到各点云点对应的重构特征信息，将各点云点对应的重构特征信息输入到预先训练的生成模型之中，即可得到各点云点距离人体表面的距离值，从而根据各点云点距离人体表面的距离值，确定出初始点云对应的人体表面数据。

从上述方法可以看出，在提取初始点云对应的初始特征分布之后，通过特征向量提取模型更准确的提取初始特征分布所对应的初始特征向量，而后通过预测模型对初始特征向量进行优化，得到预测特征向量，而后通过初始点云与还原为特征信息的预测特征向量得到重构特征信息，并根据重构特征信息生成人体表面数据，提高了生成出的人体表面数据的精细度。

附图说明

此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：

图1为本说明书提供的一种基于点云的三维人体表面数据生成方法流程示意图；

图2为本说明书提供的一种点云点与人体表面距离值的示意图；

图3为本说明书提供的一种基于点云的三维人体表面数据生成装置的结构示意图；

图4为本说明书中提供的一种对应于图1的电子设备的结构示意图。

具体实施方式

为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本说明书保护的范围。

以下结合附图，详细说明本说明书各实施例提供的技术方案。

图1为本说明书提供的一种基于点云的三维人体表面数据生成方法的流程示意图，包括：

S101：获取初始点云。

本说明书提供的一种基于点云的三维人体表面数据生成方法的执行主体可以是诸如笔记本电脑、台式电脑等终端设备，也可以是安装在终端设备中的客户端，也可以是服务器，而为了便于描述，下面仅以执行主体是终端设备为例，对本说明书提供的一种基于点云的三维人体表面数据生成方法进行说明。

对于现有的人体表面数据生成技术，特别是三维人体表面数据的生成，为了减少生成人体表面数据的计算量，出现了通过深度学习技术训练人体表面数据生成模型，而后通过将采集得到的人体表面点云数据输入到训练出的人体表面数据生成模型，但由于人体表面数据的复杂性，若需要精细的生成人体表面数据，则人体表面数据生成模型的训练成本过高，而另一方面，人体数据又具有相当大的不确定性，采集得到的人体表面点云数据也可能存在较大的误差。这也导致生成出的人体表面数据的精准度较低。

如上所述，由于人体表面数据的复杂性，现有的人体表面数据生成技术难以生成精细的人体表面数据。而对于人体表面数据的应用来说中，部分相关领域需要使用的人体表面数据具备较高的精准度。

基于此，本说明书提供了一种基于点云的三维人体表面数据生成方法，终端设备需要先获取人体对应的点云数据，而后确定点云数据对应的特征分布，而后通过特征向量提取模型以及预测模型得到对点云数据对应的特征分布进行优化，从而通过优化后的特征分布确定点云数据对应的三维人体表面数据。

其中，对于点云数据的采集，可以采用多种设备，例如，激光雷达、扫描仪、抑或深度相机。在采集设备采集到人体对应的三维点云后，终端设备获取采集设备采集到的点云，作为初始点云，其中，初始点云中共有n个点云点。初始点云可表述如下：

其中，用于表示初始点云/>为三维点云。

S102：根据所述初始点云确定出所述初始点云对应的特征分布，作为初始特征分布。

S103：将所述初始特征分布输入到预先训练出的特征向量提取模型，得到所述初始特征分布对应的特征向量，作为初始特征向量。

终端设备在获取初始点云P后，需要将初始点云中的特征进行提取，以将初始点云转化为更易处理的数据，即，初始点云的特征分布，特征分布用于表示点云的形态信息和结构信息，以及点云中每个点云点的特征信息。

在提取初始点云中的特征的过程中终端设备可以采用多种方法进行提取，例如，通过预设的点云以及该预设点云对应的标准特征信息进行有监督训练的点云特征提取模型，又或者是通过专用于提取点云特征的通过深度学习训练出的点云特征提取网络，至于更多的方法在此就不做赘述了。

而需要说明的是，初始点云的特征分布也可以视作是一种向量，而在提取初始点云对应的初始特征向量的过程中，先提取初始点云的特征分布，进而根据初始点云的特征分布得到初始特征向量可以使得到的特征向量更准确的表征初始点云的特征信息。

以通过点云特征提取网络进行特征提取为例，将初始点云P输入到点云特征提取网络后，即可得到初始点云对应的特征分布，作为初始特征分布，其中，初始点云对应的特征分布可表示为/>：

终端设备在获取初始点云对应的初始特征分布之后，即可将初始特征分布输入到预先训练的特征向量提取模型，得到初始特征分布对应的特征向量，作为初始特征向量。初始特征向量可表示如下：

其中，即表示特征向量提取模型对初始特征分布的处理。

需要说明的是，对特征向量提取模型进行训练可以使得训练后的特征向量提取模型更能表征出初始点云对应的特征，下面将说明一种特征向量提取模型的训练过程，具体如下：

需要说明的是，对于特征向量提取模型的训练，训练特征向量提取模型的执行主体可以是诸如笔记本电脑、台式电脑等终端设备，也可以是安装在终端设备中的客户端，也可以是服务器，抑或是用于训练模型的专用设备，而为了便于描述，下面仅以训练特征向量提取模型的执行主体是专用设备为例，对特征向量提取模型的训练过程进行说明。

专用设备在训练特征向量提取模型时，需要先获取原始点云，而后提取出原始点云对应的特征分布，将原始点云对应的特征分布输入到待训练的特征向量提取模型，得到原始点云对应的特征向量，作为原始特征向量。原始点云存在一个预先设置的预期特征向量，此预期特征向量用于表征原始点云对应的理想特征向量。专用设备可通过确定出原始特征向量与理想特征向量之间的相似度，计算相似度的方法可以使用如计算两个向量之间的欧式距离或两个向量之间的余弦相似度等方法，本说明书不作具体限制。而后以最大化此相似度为目标对特征向量提取模型进行训练。当然，为了保证特征向量提取模型提取出的特征向量可以更准确的表征出原始点云的点云特征，专用设备还可以将原始特征向量进行还原，以得到原始特征向量对应的还原特征分布，而后通过还原特征分布确定出还原点云。进一步的，专用设备还可以分别计算还原点云与原始点云之间的相似度、还原特征分布与原始特征分布之间的相似度、以及原始特征向量与理想特征向量之间的相似度，进而根据确定出三种相似度确定出综合相似度，作为原始特征向量与预期特征向量之间的相似度，具体的，可以通过加和平均或取最小值等方式进行确定，本说明书不做具体限制。而后以最大化综合相似度，即可对特征向量提取模型进行训练。其中，还原原始特征分布可以使用如解码器、逆映射等方式，还原点云对应的原始特征分布则可以使用如自编码器、特征增强与再投影等方法进行还原，本说明书不做具体限制。

专用设备还可以确定出原始特征向量对应的熵值，此熵值越低，原始特征向量所表征出的原始点云对应的特征越精确，因此，可通过最小化原始特征向量对应的熵值对特征向量提取模型进行训练。原始特征向量对应的熵值的确定过程如下：

首先，预设一个后验概率分布

其中，N代表高斯分布，为特征向量提取模型生成的均值向量，为特征向量提取模型生成的各维度的标准差平方向量，I为单位矩阵。

进一步的，可以得到原始特征向量对应的熵值：

其中，d为原始特征向量的维度数，为原始特征向量协方差矩阵的行列式，其中，/>是原始特征向量在第i个分量上的标准差。

通过最小化原始特征向量对应的熵值，即可对特征向量提取模型进行优化 。需要说明的是，专用设备除了通过熵值训练特征向量提取模型之外，还可以通过计算出原始特征向量对应的可微蒙特卡罗估计值，即原始特征向量满足原始点云的特征向量期望的程度，通过最大化此可微蒙特卡罗估计值对特征向量提取模型进行训练。当然，完全可以采用其他优化方法，例如，通过最大化原始特征向量对应的对数似然值、最大化原始点云经过处理得到预期期望的概率值等方法，本说明书不做具体限制。

并且，多种训练方法之间完全可以相互结合，例如，专用设备完全可以根据原始特征向量在原始点云上的熵值、原始特征向量对应的可微蒙特卡罗估计值、以及原始点云经过处理得到预期期望的概率值，确定出特征向量提取模型对应的变分下界，即，特征向量提取模型输出的原始特征向量对原始点云对应的理想特征向量的最低满足程度，通过提高变分下界，即可进一步提高特征向量提取模型对应的变分上界，从而提高特征向量提取模型提取点云对应的特征向量的综合能力。

S104：将所述初始特征向量输入到预先训练的预测模型，得到所述初始特征向量对应的预测特征向量，根据所述初始特征向量对应的预测特征向量得到所述初始点云对应的预测特征分布。

终端设备在确定出初始点云对应的初始特征向量之后，即可将初始特征向量输入到预先训练的预测模型，从而获取经由预测模型优化后的初始特征向量，即，预测特征向量，进而将预测特征向量转化为初始点云对应的预测特征分布。

其中，对预测模型的训练过程具体如下：

需要说明的是，对于预测模型的训练，训练预测模型的执行主体可以是诸如笔记本电脑、台式电脑等终端设备，也可以是安装在终端设备中的客户端，也可以是服务器，抑或是用于训练模型的专用设备，而为了便于描述，下面仅以训练预测模型的执行主体是专用设备为例，对预测模型的训练过程进行说明。

专用设备需要先获取样本特征向量，而对于样本特征向量的获取，专用设备可以通过先获取一个样本点云，而后确定出样本点云对应的特征分布，作为样本特征分布，进而根据样本特征分布提取出样本点云对应的样本特征向量的方式，在上述关于初始特征向量的提取过程中，已经说明了多种提取特征向量的方法，在此就不做赘述了。以通过特征向量提取模型确定出样本特征向量为例，将样本特征向量输入特征向量提取模型，得到样本特征向量，进而将样本特征向量输入待训练的预测模型，得到样本特征向量对应的预测特征向量。专用设备可以先获取用于表示样本特征分布对应的理想特征分布的理想特征向量，而后确定出理想特征向量与预测特征向量之间的相似度，相似度的确定方法本说明书不作赘述了，而后即可以最大化预测特征向量与样本特征向量对应的预期特征向量之间的相似度，对预测模型进行训练。当然，专用设备完全可以分别将预测特征向量进行还原，得到还原特征分布，并根据还原特征分布确定出还原样本点云，进而确定出样本点云与还原样本点云之间的相似度，以及样本特征分布与还原特征分布之间的相似度，根据预测特征向量与样本特征向量对应的预期特征向量之间的相似度、样本点云与还原样本点云之间的相似度、以及样本特征分布与还原特征分布之间的相似度确定出综合相似度，作为预测特征向量与预期特征向量之间的相似度，最大化此综合相似度，可以使预测模型专注于数据中表征的点云特征。需要说明的是，此还原特征分布、综合性相似度、以及还原样本点云与训练特征向量提取模型时所需的数据名称相同，但其并不是相同数据。

并且，专用设备还可以通过将初始特征向量进行重构的方式确定出样本特征向量。下面，本说明书将以重构初始特征向量作为获取样本特征向量的方法，对预测模型的训练过程进行说明。

专用设备可设置一个用于对初始特征向量进行重构的函数，其中，/>为一个服从标准正态分布的随机噪声变量。具体的，对初始特征向量进行重构的计算过程如下：

其中，即为初始特征向量/>经由f重构后得到的特征向量，并且，重构过程中预设初始特征向量/>符合标准正态分布/>，/>为/>的均值，/>为/>的方差，在本方法中，随机噪声变量/>为服从标准正态分布的，当然，也可以使用其他随机取噪声变量的方法，但对于本方法而言，选取服从标准正态分布的随机噪声变量可更好的对预测模型进行训练。

对于样本特征向量，专用设备预设一个先验分布，并以输入至预测模型的变换条件为/>的变换条件对先验分布/>进行正向变换,得到特征向量/>，即，将/>中的每个点/>经由/>作为变换条件进行变换，得到特征向量/>中的一个点x,此变换过程即为预测模型对/>的正向预测过程，具体的：

其中，即为预测模型对/>的正向预测，/>用于表示时间方向为/>时刻~/>时刻的正向过程，/>为/>时刻~/>时刻的时间步，此时间步为预先设定的。

专用设备可以通过确定特征向量与样本特征向量之间的相似度，并通过最大化特征向量/>与样本特征向量之间的相似度对预测模型进行训练，以增强预测模型的正向预测能力，而本说明书还提供一种基于最大化特征向量/>的对数似然值对预测模型进行训练的方法，具体的，确定特征向量/>与样本特征向量之间的对数似然值需要先确定出样本特征向量中的每个点经由/>作为变换条件变换后得到特征向量/>中的一个点的可能性，即，该点对应的对数似然值/>，将样本特征向量中各点对应的对数似然值进行求和，所得的结果即为作为特征向量/>与样本特征向量之间的对数似然值/>：

其中，为参数，/>为特征向量/>中所有点对应的点集，x则是点集/>中的各点。

在通过最大化对数似然值对预测模型进行训练后，预测模型便具备了将原本难以表现出点云特征的向量变换为可表现出点云特征的特征向量的能力，将特征向量输入预测模型，即可对输入的特征向量进行正向预测，以提高向量表征点云的点云特征的能力。

具体的，将样本特征向量，即重构后的初始特征向量作为先验分布输入到预测模型，进行正向变换得到的正向预测结果，即可作为优化后的初始特征向量y，其表达式为：

而为了进一步的提高预测模型正向预测对特征向量的优化能力，专用设备在通过确定出的特征向量对预测模型的正向预测能力进行训练后，还可以通过对预测模型的反向预测的能力进行训练，以使预测模型更好的学习到特征向量表征的点云特征。

对于，特征向量，专用设备可以将/>输入到预测模型，输入的时间步为/>时刻~时刻，输入的条件为/>，对特征向量/>进行反向预测，而基于正向预测的计算公式可以得到反向预测的计算公式为：

用于表示x为/>时刻的/>变换得到的。将对/>进行反向预测得到的特征向量作为/>，而后确定出/>与样本特征向量之间的对数似然值，进而最大化此对数似然值，即可对预测模型在预测过程中对特征向量所表征的点云特征的识别能力，以保证在正向预测时，预测模型都可以在保留/>时刻的特征向量所表征的点云特征的前提下，使/>时刻的特征向量表征出的点云特征更加精准。对于/>与样本特征向量之间的对数似然值，本说明书就不做赘述了。而需要说明的是，完全可以通过先对样本特征向量进行正向预测，而后对正向预测结果进行反向预测，进而确定出反向预测得到的特征向量与样本特征向量之间的对数似然值，最大化此对数似然值，即可同时对预测模型的正向预测能力以及反向预测能力进行训练。

终端设备在通过训练后的预测模型确定出正向预测后的初始特征向量y后，由于特征向量y所表征的初始点云的特征相对于初始特征向量更为精准，所以，通过特征向量y生成的人体表面的精准度也更高。而若要通过特征向量y生成人体表面，还需要先对特征向量y进行去噪，以得到可更平滑且真实的表征出初始点云中各点云点的特征信息，作为预测特征分布。

S105：针对所述初始点云中的每个点云点，确定出该点云点对应的坐标特征信息，并根据所述预测特征分布中的该点云点对应的预测特征信息，以及该点云点对应的坐标特征信息，得到该点云点对应的重构特征信息。

S106：将该点云点对应的重构特征信息输入到预先训练的生成模型中，得到各点云点距离人体表面的距离值，根据各点云点距离人体表面的距离值，确定出所述初始点云对应的人体表面数据。

终端设备在得到初始点云对应的预测特征分布后，即可通过初始点云对应的预测特征分布对初始点云进行处理，从而确定初始点云中各点云点对应的重构特征信息。

具体的，终端设备针对初始点云中的每个点云点，在初始点云中确定出该点云点对应的点坐标，而后根据该点云点的点坐标确定出该点云点的坐标特征信息。而后终端设备提取预测特征分布中该点云点对应的特征信息，其中，匹配各点云点的方法可以有多种，为了方便计算，在本方法中可通过编号对各点云点进行记录，从而实现点云点的匹配。

在获取初始点云中各点云点对应的坐标特征信息以及预测特征分布中各点云点对应的特征信息后，将这两种信息进行拼接，已得到各点云点对应的重构特征信息，其中，重构特征信息相对于初始特征信息可以更准确的表达出点云的点云特征。

终端设备在获取各点云点对应的重构特征信息之后，即可通过各点云点的对应的重构特征信息，确定出重构特征信息对应的人体表面数据。可以选用针对人体表面数据的生成模型进行计算，具体的，生成模型可根据各点云点对应的重构特征信息确定出各点云点距离人体表面的距离值。

图2为本说明书提供的一种点云点与人体表面距离值的示意图：

其中对于一个人体表面而言，点云点A在人体外部，则点云点A对应的根据重构特征信息确定出的距离值大于0，代表此点云在人体外部，而对于在人体表面的点云点B，其根据重构特征信息确定出的距离值等于0，代表此点云在人体表面，至于在人体表面之内的点云点C，其根据重构特征信息确定出的距离值小于0，代表此点云在人体表面内部。

在通过生成模型生成出各点云点距离人体的距离值后，即可根据各点云点对应的距离值，生成人体表面数据。而对于生成模型的训练，其训练过程如下：

对于一个标准点云，将该标准点云中的各点云点对应的特征信息输入到待训练的生成模型之后，得到标准点云中各点云点对应的预测距离值，而后针对标准点云中的每个点云点，以最小化该点云点对应的预测距离值与标准距离值之间的偏差，对生成模型进行训练。另外，通过各点云点的距离值偏差进行训练能尽可能的训练生成模型针对点云点的距离值生成准确度，而人体表面数据需要考虑到数据整体，因此，可以以最大化标准点云对应的概率分布与标准点云中各点云点对应的概率分布之间的相似度，对生成模型进行训练。总的来说，即是，以最大化标准点云对应的概率分布与标准点云中各点云点对应的概率分布之间的相似度，以及最小化标准点云中每个点云点对应的预测距离值与标准距离值之间的偏差为训练目标，对生成模型进行训练。

以上为本说明书的一个或多个基于点云的三维人体表面数据生成方法基于同样的思路，本说明书还提供了相应的装置、存储介质和电子设备。

图3为本说明书实施例提供的一种基于点云的三维人体表面数据生成装置的结构示意图，所述装置包括：

获取模块301，用于获取初始点云；

确定模块302，用于根据所述初始点云确定出所述初始点云对应的特征分布，作为初始特征分布，其中，所述特征分布用于表示点云的形态信息与结构信息，以及点云中每个点云点的特征信息；

第一输入模块303，用于将所述初始特征分布输入到预先训练出的特征向量提取模型，得到所述初始特征分布对应的特征向量，作为初始特征向量；

第二输入模块304，用于将所述初始特征向量输入到预先训练的预测模型，得到所述初始特征向量对应的预测特征向量，根据所述初始特征向量对应的预测特征向量得到所述初始点云对应的预测特征分布，其中，所述预测模型用于优化特征向量；

重构模块305，用于针对所述初始点云中的每个点云点，确定出该点云点对应的坐标特征信息，并根据所述预测特征分布中的该点云点对应的特征信息，以及该点云点对应的坐标特征信息，得到该点云点对应的重构特征信息；

生成模块306，用于将该点云点对应的重构特征信息输入到预先训练的生成模型中，得到各点云点距离人体表面的距离值，根据各点云点距离人体表面的距离值，确定出所述初始点云对应的人体表面数据。

可选地，所述第一输入模块303具体用于，

获取原始点云；根据所述原始点云确定出所述原始点云对应的特征分布；将所述原始点云对应的特征分布输入到待训练的特征向量提取模型，得到所述原始点云对应的特征向量，作为原始特征向量；根据所述原始点云、所述原始点云对应的特征分布、以及所述原始特征向量，确定出所述原始特征向量与所述原始点云对应的预期特征向量之间的相似度，其中，所述原始点云对应的预期特征向量用于表示原始点云对应的理想特征向量；以最大化所述原始特征向量与预期特征向量之间的相似度，对所述特征向量提取模型进行训练。

可选地，所述第二输入模块304具体用于，

获取样本点云；根据所述样本点云确定出所述样本点云对应的特征分布，作为样本特征分布；将所述样本特征分布输入到预先训练出的特征向量提取模型，得到所述样本特征分布对应的样本特征向量；将所述样本特征向量输入到待训练的预测模型，得到所述样本特征向量对应的预测特征向量；根据所述样本点云、所述样本特征分布、所述样本特征向量、以及所述样本特征向量对应的预测特征向量，确定出所述样本特征向量对应的预测特征向量与所述样本特征向量对应的预期特征向量之间的相似度，其中，所述样本特征分布对应的预期特征向量用于表示所述样本特征分布对应的理想特征向量；以最大化所述样本特征向量对应的预测特征向量与所述样本特征向量对应的预期特征向量之间的相似度，对所述预测模型进行训练。

可选地，所述重构模块305具体用于，

针对所述初始点云中的每个点云点，根据初始点云确定出该点云点的点坐标，通过该点云点的点坐标确定出该点云点的坐标特征信息；提取预测特征分布中该点云点对应的特征信息，作为预测特征信息；将该点云点的坐标特征信息以及该点云点对应的预测特征信息进行拼接，得到该点云点对应的重构特征信息。

本说明书还提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时可用于执行上述图1提供的基于点云的三维人体表面数据生成方法。

基于图1所示的一种基于点云的三维人体表面数据生成方法，本说明书实施例还提供了图4所示的电子设备的结构示意图。如图4，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图1所述的一种基于点云的三维人体表面数据生成方法。

当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进（例如，对二极管、晶体管、开关等电路结构的改进）还是软件上的改进（对于方法流程的改进）。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件（Programmable Logic Device, PLD）（例如现场可编程门阵列（Field Programmable GateArray，FPGA））就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字***“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器（logic compiler）”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言（Hardware Description Language，HDL），而HDL也并非仅有一种，而是有许多种，如ABEL（Advanced Boolean Expression Language）、AHDL（Altera Hardware DescriptionLanguage）、Confluence、CUPL（Cornell University Programming Language）、HDCal、JHDL（Java Hardware Description Language）、Lava、Lola、MyHDL、PALASM、RHDL（RubyHardware Description Language）等，目前最普遍使用的是VHDL（Very-High-SpeedIntegrated Circuit Hardware Description Language）与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该（微）处理器执行的计算机可读程序代码（例如软件或固件）的计算机可读介质、逻辑门、开关、专用集成电路（Application Specific Integrated Circuit，ASIC）、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的***、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本说明书的实施例可提供为方法、***、或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。

本说明书是参照根据本说明书实施例的方法、设备（***）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本说明书的实施例可提供为方法、***或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。

本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于***实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (10)

1.一种基于点云的三维人体表面数据生成方法，其特征在于，包括：

获取初始点云；

根据所述初始点云确定出所述初始点云对应的特征分布，作为初始特征分布，其中，所述特征分布用于表示点云的形态信息与结构信息，以及点云中每个点云点的特征信息；

将所述初始特征分布输入到预先训练出的特征向量提取模型，得到所述初始特征分布对应的特征向量，作为初始特征向量；

将所述初始特征向量输入到预先训练的预测模型，得到所述初始特征向量对应的预测特征向量，根据所述初始特征向量对应的预测特征向量得到所述初始点云对应的预测特征分布，其中，所述预测模型用于优化特征向量；

针对所述初始点云中的每个点云点，确定出该点云点对应的坐标特征信息，并根据所述预测特征分布中的该点云点对应的预测特征信息，以及该点云点对应的坐标特征信息，得到该点云点对应的重构特征信息；

将该点云点对应的重构特征信息输入到预先训练的生成模型中，得到各点云点距离人体表面的距离值，根据各点云点距离人体表面的距离值，确定出所述初始点云对应的人体表面数据。

2.如权利要求1所述的方法，其特征在于，预先训练所述特征向量提取模型，具体包括：

获取原始点云；

根据所述原始点云确定出所述原始点云对应的特征分布；

将所述原始点云对应的特征分布输入到待训练的特征向量提取模型，得到所述原始点云对应的特征向量，作为原始特征向量；

根据所述原始点云、所述原始点云对应的特征分布、以及所述原始特征向量，确定出所述原始特征向量与所述原始点云对应的预期特征向量之间的相似度，其中，所述原始点云对应的预期特征向量用于表示原始点云对应的理想特征向量；

以最大化所述原始特征向量与预期特征向量之间的相似度，对所述特征向量提取模型进行训练。

3.如权利要求1所述的方法，其特征在于，预先训练所述预测模型，具体包括：

获取样本点云；

根据所述样本点云确定出所述样本点云对应的特征分布，作为样本特征分布；

将所述样本特征分布输入到预先训练出的特征向量提取模型，得到所述样本特征分布对应的样本特征向量；

将所述样本特征向量输入到待训练的预测模型，得到所述样本特征向量对应的预测特征向量；

根据所述样本点云、所述样本特征分布、所述样本特征向量、以及所述样本特征向量对应的预测特征向量，确定出所述样本特征向量对应的预测特征向量与所述样本特征向量对应的预期特征向量之间的相似度，其中，所述样本特征分布对应的预期特征向量用于表示所述样本特征分布对应的理想特征向量；

以最大化所述样本特征向量对应的预测特征向量与所述样本特征向量对应的预期特征向量之间的相似度，对所述预测模型进行训练。

4.如权利要求1所述的方法，其特征在于，针对所述初始点云中的每个点云点，确定出该点云点对应的坐标特征信息，并根据所述预测特征分布中的该点云点对应的特征信息，以及该点云点对应的坐标特征信息，得到该点云点对应的重构特征信息，具体包括：

针对所述初始点云中的每个点云点，根据初始点云确定出该点云点的点坐标，通过该点云点的点坐标确定出该点云点的坐标特征信息；

提取预测特征分布中该点云点对应的特征信息，作为预测特征信息；

将该点云点的坐标特征信息以及该点云点对应的预测特征信息进行拼接，得到该点云点对应的重构特征信息。

5.一种基于点云的三维人体表面数据生成装置，其特征在于，包括：

获取模块：用于获取初始点云；

确定模块：用于根据所述初始点云确定出所述初始点云对应的特征分布，作为初始特征分布，其中，所述特征分布用于表示点云的形态信息与结构信息，以及点云中每个点云点的特征信息；

第一输入模块：用于将所述初始特征分布输入到预先训练出的特征向量提取模型，得到所述初始特征分布对应的特征向量，作为初始特征向量；

第二输入模块：用于将所述初始特征向量输入到预先训练的预测模型，得到所述初始特征向量对应的预测特征向量，根据所述初始特征向量对应的预测特征向量得到所述初始点云对应的预测特征分布，其中，所述预测模型用于优化特征向量；

重构模块：用于针对所述初始点云中的每个点云点，确定出该点云点对应的坐标特征信息，并根据所述预测特征分布中的该点云点对应的特征信息，以及该点云点对应的坐标特征信息，得到该点云点对应的重构特征信息；

生成模块：用于将该点云点对应的重构特征信息输入到预先训练的生成模型中，得到各点云点距离人体表面的距离值，根据各点云点距离人体表面的距离值，确定出所述初始点云对应的人体表面数据。

6.如权利要求5所述的装置，其特征在于，所述第一输入模块具体用于，

获取原始点云；根据所述原始点云确定出所述原始点云对应的特征分布；将所述原始点云对应的特征分布输入到待训练的特征向量提取模型，得到所述原始点云对应的特征向量，作为原始特征向量；根据所述原始点云、所述原始点云对应的特征分布、以及所述原始特征向量，确定出所述原始特征向量与所述原始点云对应的预期特征向量之间的相似度，其中，所述原始点云对应的预期特征向量用于表示原始点云对应的理想特征向量；以最大化所述原始特征向量与预期特征向量之间的相似度，对所述特征向量提取模型进行训练。

7.如权利要求5所述的装置，其特征在于，所述第二输入模块具体用于，

获取样本点云；根据所述样本点云确定出所述样本点云对应的特征分布，作为样本特征分布；将所述样本特征分布输入到预先训练出的特征向量提取模型，得到所述样本特征分布对应的样本特征向量；将所述样本特征向量输入到待训练的预测模型，得到所述样本特征向量对应的预测特征向量；根据所述样本点云、所述样本特征分布、所述样本特征向量、以及所述样本特征向量对应的预测特征向量，确定出所述样本特征向量对应的预测特征向量与所述样本特征向量对应的预期特征向量之间的相似度，其中，所述样本特征分布对应的预期特征向量用于表示所述样本特征分布对应的理想特征向量；以最大化所述样本特征向量对应的预测特征向量与所述样本特征向量对应的预期特征向量之间的相似度，对所述预测模型进行训练。

8.如权利要求5所述的装置，其特征在于，所述重构模块具体用于，

针对所述初始点云中的每个点云点，根据初始点云确定出该点云点的点坐标，通过该点云点的点坐标确定出该点云点的坐标特征信息；提取预测特征分布中该点云点对应的特征信息，作为预测特征信息；将该点云点的坐标特征信息以及该点云点对应的预测特征信息进行拼接，得到该点云点对应的重构特征信息。

9.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1~4任一项所述的方法。

10.一种电子设备，包括处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述权利要求1~4任一项所述的方法。