复杂背景图像中人体轮廓的自动提取

为准确提取人体轮廓,提出基于MINet模型的复杂背景人体轮廓提取方法。拍摄正、侧面人体全身照并标注掩膜图,匹配不同的复杂背景,融合形成2860张多场景下的人像数据集。利用迁移学习机制,优化MINet显著目标检测模型,提取人体轮廓。分别对比了基于迁移学习的策略与原模型、U2Net显著目标检测模型、Mediapipe人体轮廓提取算法和传统阈值分割算法的人体轮廓提取效果。结果表明:基于迁移学习的MINet模型具有最优的人体轮廓提取性能,其准确率、精度、召回率和综合指标分别达到了0.998、0.987、0.992和0.990,人体轮廓提取效果与标注的掩模图最为近似。该方法能低成本、批量化、快速提取图像中的人体轮廓,为远程服装定制中的照片测量提供有效的技术方法。

复杂背景下人体轮廓及其参数提取

针对基于人体照片的尺寸提取技术对照片拍摄场景限制的问题,提出利用整体嵌套边缘检测深度学习模型实现复杂背景下人体轮廓的提取并进行参数提取分析。以450张不同背景人体照片为原始图像数据集,通过人体轮廓标签图制作与数据增强手段建立了43200张图片训练集,利用深度学习网络模型进行训练学习并构建最优边缘检测模型;最后选取40名样本作为验证对象,以13个人体比例、角度等参数作为验证参数,对人体轮廓提取值与三维点云测量值进行误差分析。结果表明,本文研究成果能够快速实现复杂背景下人体轮廓的自动提取,且人体轮廓提取值与三维点云测量值的角度参数误差小于2°,比例参数误差小于0.09,为非接触式二维测量技术的进一步研究提供理论依据和技术支撑。

基于HSV颜色空间的人体轮廓提取方法研究

目前已有人体轮廓提取系统大多先将彩色图像转换为灰度图像,然后经过人工修图,从灰度图像中提取人体轮廓.在此过程中,大量图像信息丢失,且这些系统普遍存在对背景、着装、像素和光线要求严格等问题.为了解决这些问题,本工作采用符合人类视觉习惯的HSV颜色空间,利用MATLAB软件编写程序,通过分析和转换图像的H、S、V值从彩色图像上直接提取人体轮廓,从而实现人体轮廓提取的准确化和自动化.试验结果表明,利用HSV颜色空间可降低对背景、着装、像素和光线等因素的要求,实现复杂情况下人体轮廓的准确提取.

基于人体轮廓面积特征的步态识别

为有效抑制观察视角及鞋帽服饰等外界因素的干扰,克服目前常用整体模型步态识别算法的不足,提出将人体轮廓面积特征与支持向量机分类器相结合的识别方法。该方法在步态序列图像的人体轮廓进行提取和规格化,将轮廓图叠加后进行网格式划分,提取轮廓单元模块面积作为步态特征识别参量。使用南佛罗里达大学的步态数据库,分别采用线性、多项式和径向基内核函数对5种不同外界因素条件下的数据进行实验,该方法的正确识别率为82%～100%,且对视角及鞋帽服饰的干扰不敏感,具有更强的鲁棒性。实验表明人体轮廓面积更能反映步态特征,将该面积特征与SVM分类相结合可以获得更好的识别性能。

基于Gabor特征与卷积神经网络的人体轮廓提取

为解决传统方法无法精确分割单幅图像中人体轮廓的问题,提出一种将Gabor小波特征与卷积神经网络结合的人体轮廓提取方法。首先计算人体图像8个方向的Gabor特征,并将计算结果传入改进的卷积神经网络进行人物模型训练;再将待测图像计算Gabor特征后传入人物模型进行检测,从而输出人物掩膜;对掩膜进行形态学处理并同原图像进行相与操作,最终得到人体轮廓。经VOC2012数据集上测试,该人体轮廓提取方法的准确度高达96%。实验结果表明,通过将传统特征提取方法与深度学习的特征学习方法相结合,不但提高了特征学习的速度还提高了检测的准确度。

基于全局分组策略的对抗训练在人体轮廓点回归中的应用模型

基于深度学习对人体姿态或人体骨骼的关键点进行预测是近期计算机视觉方向上的一个热门领域,取得了大量的研究成果。然而,在部分应用场景中(如人体特定部位瘦身、衣装更换等),传统的人体姿态或骨骼关键点的预测并不能完全满足需求,其他技术(如语义分割)在自遮挡情况下也无法准确描述物体轮廓线。针对人体轮廓点的预测能力进行研究,分析了现有技术应用在轮廓点回归上的问题与不足,提出全局和分组的策略对轮廓点进行预测,并引入对抗训练机制以提升系统整体性能。基于提出的方法在自建数据集上进行了一系列实验,实验结果证明,该方法相较于传统的骨骼回归模型在精准度和计算量上都有较大的优势。

人体轮廓机器视觉检测算法的研究进展

为了更好地将轮廓视觉检测方法应用于非接触式二维人体围度测量,总结了近年来轮廓视觉检测的方法,包括基于边缘算子的检测、基于数学形态学的检测、基于水平集的主动轮廓模型的检测算法。通过实验效果图对比,重点评述了轮廓视觉检测方法的边缘清晰度、抗噪能力以及目标边缘定位能力,其中特别探讨了Canny边缘算子在优化与改进方面的研究进展。相关研究为实现背景和穿着复杂情况下的人体轮廓视觉检测提供了理论参考。最后阐述了人体轮廓视觉检测存在的挑战及机遇,指出人体轮廓视觉检测在非接触式二维人体围度尺寸测量方面具有很好的发展前景。

基于深度图与改进Canny算法的人体轮廓提取

在二维图像学人体尺寸测量中,人体轮廓提取是后续特征点划分和尺寸测量的基础,传统的二维图像人体轮廓提取都是通过彩色图像转灰、二值化然后结合边缘检测算子获取人体轮廓,这样的方法大多会出现边缘缺失、断点,无法克服复杂背景等缺陷。针对这些问题,通过将RealSense测距传感特点获取到的深度图像与边缘检测算法Canny相结合,提出一种新的人体轮廓提取方法。深度图像的像素值反映场景中物体到相机的距离可以有效区分目标物与背景以此克服复杂背景因素的影响并保证轮廓的完整性。实验通过与传统的彩色图结合边缘检测算子的轮廓提取方法相比,验证了由该方法得出的人体轮廓图不仅可以克服复杂的背景,而且能够在保证边缘更完整、更清晰、细腻的同时对图片噪声起到了很好的抑制效果。

基于支持向量机的人体轮廓特征的识别

首先,应用背景差方法分割出运动人体轮廓,对外轮廓沿人体中线投影可以得到前后两个向量,合成1D向量作为步态特征。为有效抑制观察视角及鞋帽服饰等外界因素的干扰,克服目前常用整体模型步态识别算法的不足,提出将人体轮廓面积特征与支持向量机分类器相结合的识别方法。该方法在步态序列图像的人体轮廓进行提取和规格化,将轮廓图叠加后进行网格式划分,提取轮廓单元模块面积作为步态特征识别参量。使用南佛罗里达大学的步态数据库,分别采用线性、多项式和径向基内核函数对不同外界因素条件下的数据进行实验,该方法的正确识别率为82%～100%,且对视角及鞋帽服饰的干扰不敏感,具有更强的鲁棒性。实验表明人体轮廓面积更能反映步态特征,将该面积特征与SVM分类相结合可以获得更好的识别性能。

基于骨架约束的人体轮廓图像变形算法

经典的基于控制点的移动最小二乘变形方法,没有考虑到图像变形过程中图像的拓扑结构,导致变形效果脱离现实人体轮廓结构,变得夸张且不符合常理。而骨架刚好能完整地保留图像轮廓的拓扑结构。提出一种在变形过程中加入骨架约束的变形算法,通过推导计算得到一个约束系数,使每一个像素点的移动相对于骨架存在一个约束,从而达到真实有效的变形。实验结果表明,文中方法可以使人体轮廓图像由瘦变胖的变形过程更加符合现实中人体曲线的变化情况。

一种基于人体轮廓特征的教室人数统计算法

针对教室人数自动统计的应用场景,研究了基于人体轮廓特征和运动检测的图像处理算法。通过对教室视频图像进行差分、阈值处理、边缘提取、形态学运算、敏感区域标识、人体轮廓特征提取等处理步骤,可得到教室人数计数结果;同时,结合不同教室的布局给出了摄像机的布局计算办法,便于取得更有效的算法。实验结果表明,基于人体轮廓特征的教室人数统计算法在40人规模的教室里通过合理布局摄像机位置,统计出正确人数的精确度达到了95.4%,可以有效地辅助自习室资源调配。

基于人体轮廓检测算法的自习室照明控制系统

针对自习室自然光利用率低、电能浪费严重等情况,设计了一种基于人体轮廓检测算法的自习室照明分区控制系统。本地控制器通过Socket通信技术将传感器及摄像头采集到的数据发送到系统服务器,系统服务器通过人体轮廓检测技术及照明分区控制策略处理数据,将处理结果返回本地控制器,控制灯组开闭及恒照度调光。远程手机端通过微信公众平台实时查询自习室人数及光照强度。测试结果表明,本系统运行稳定,具有一定的实用价值。

基于深度学习的人体轮廓识别

为了解决人体轮廓识别精度不高,鲁棒性不好的问题,在保证实时性的要求下,提出了一种基于深度学习的人体轮廓识别方法,该方法采用U-Net神经网络框架,建立特定视角的数据集,利用高斯滤波进行图像预处理操作,设计使用Dice和交叉熵函数相结合的损失函数进行训练。实验表明,该方法的重合度为91.85%,单次识别耗时为50.56 ms,在保证精度和实时性的前提下,也保证了对不同环境的适应性,在实际应用中有良好的价值。

基于全卷积的编解码网络的人体轮廓提取方法研究

为了解决图像中轮廓不完整或未闭合时轮廓难以提取的问题,笔者提出了一种基于全卷积的编解码网络的轮廓检测算法。首先,通过编译网络提取图片特征,然后通过解码网络对提取的特征进行过滤,最后再通过形态学处理得到最终的人体轮廓。该算法侧重于检测更高水平的物体轮廓,在PASCAL数据集测试下,在平均吻合度上相比较于FCN-8s算法提升了14.85%,并且拥有很耗好泛化能力。

运动状态下人体轮廓提取及身高估算

自然拍摄的视频信息通常包含前景和背景,采取传统轮廓提取或边缘提取等图像处理方法难以准确识别到视频信息中的人体轮廓信息。通过对比分析基于高斯混合模型法的OpenCV计算机视觉库中的BackgroundSubtractorKNN和BackgroundSubtractorMOG2背景减除算法,基于KNN算法提出了一种改进的背景减除算法,对所得图像经过中值滤波去除噪声影响后再进行阈值处理消除阴影部分从而提取出清晰的人体轮廓。并在此基础上基于像素比例系数关系提出了一种身高估算方法。实验表明,该方法能准确有效提取行走状态下的人体轮廓,身高估算与实际测量相对误差率在5%以内,能够较为准确的估算身高。

服装效果图技法课程中人体轮廓表现误区解析——以女性人体为例

服装人体轮廓表达一直是服装效果图技法课程教学中的重要内容,然而目前市面上服装效果图教学的相关资料,多是以绘画教学者主观的绘画方式和表现流程为主导,鲜有客观地将学习者的通病加以整理和归纳,做出提示和引导,故本文将从服装效果图的线条、局部表达入手将教学过程中常见性问题和误区加以分析整理,旨在完整我国效果图教学研究,为后续研究奠定基础,通过分析揭示服装效果图课程应该摒弃盲目练习,而应该用眼观察用脑思考之后再动手表达,力求帮助学习者从根本上理解和掌握人体表现的原理,此原理应该能够适应传统手绘和电脑绘图等不同的表达方法。

基于STGCN算法的视频图像人体动作轮廓动态识别

人体动作轮廓在视频中的呈现具有多样性和连续性。人体动作不仅涉及到时间上的变化,还包括空间上的位置关系,受其姿势、速度、方向等影响。人体动作时空信息之间的关联难以充分捕捉,导致动作轮廓识别精度较低。为此,引入时空图卷积网络(STGCN)算法,提出一种视频图像人体动作轮廓动态识别方法。文中采用OpenPose模型从视频图像中提取描述关节点位置的置信图和描述人体关节间连接情况的二维矢量场,构建人体动作骨架图。结合视频帧时间序列组建人体动作骨架时空图,将其作为STGCN模型的输入,通过时空图卷积操作充分捕捉人体动作的时空特征后,采用Softmax层获取动态识别到的视频图像人体动作轮廓;并在STGCN模型中引入两种注意力模块,强化网络特征提取能力,提高动作轮廓识别精度。实验结果表明,所提方法可以有效实现视频图像人体动作轮廓的动态识别,引入的两种注意力模块对STGCN模型进行改进,可提升其动作轮廓识别效果。

青年男性颈肩部轮廓量化分析与形态匹配

以190名青年男大学生为研究对象,通过照片测量法、三维人体扫描法获取人体正侧面照片及三维点云数据。基于三维点云数据,提取颈肩部轮廓曲线进行椭圆傅立叶拟合得到椭圆系数,经主成分分析和聚类分析,将青年男性颈肩部正侧面形态各分为3类。采用角度半径和欧几里得距离实现二维照片与三维点云数据之间的匹配,并验证匹配准确率。结果显示:颈肩部正面轮廓匹配验证准确率达92.5%,侧面轮廓匹配验证准确率达95.0%。该研究为基于人体照片的人体形态研究提供了理论依据。

基于图像的人体肩部特征点检测方法

针对现有检测算法对肩部特征点的误检、漏检和检测误差大等问题,提出了一种改进的基于人体轮廓编码的肩部特征点的检测方法。该方法以人体所占图像的大小来确定特征链码串的长度,并且通过特征区域分割、特征区域遍历,具有几何特征的链码串动态筛选的搜索方式,筛选出符合条件的肩部特征点。在获取肩部特征点以后,计算出肩宽值,并且与实际人工测量的肩宽值进行比对与分析。本文实验共选取了100名不同身型的青年测试者(50男/50女)在同一拍摄环境下对该方法的可行性进行测试。结果表明,采用该方法能够快速识别人体的肩部特征点,与人工测量值对比得出的平均误差仅在3%左右,较好地提升了二维人体肩宽尺寸检测的效率,并且为后续服装匹配等相关工作提供了更加精确的数据支持。

面向人体参数测量的非闭合Snake模型局部轮廓提取

针对传统Snake模型不适用于局部轮廓提取,且在提取人体轮廓时易受背景和人体着装影响的问题,提出一种带形状约束的非闭合Snake模型.首先对Snake模型求解过程进行分析,重新设置每个点的可导性,实现了非闭合Snake模型;然后针对人体参数测量,根据先验知识为非闭合Snake模型添加形状约束力项,使得Snake曲线在迭代过程中能够保持指定轮廓形状;最后采用一种基于梯度的初始轮廓自动设置方法避免人工设置的烦琐.实验结果表明,该模型能有效地提取人体局部轮廓,降低复杂背景和人体着装带来的干扰,基本满足人体参数测量的要求.