基于图像的人体特征提取和测量

发布时间：2020-08-08 10:50

【摘要】：科技发展带动着电商行业的发展,在线购物促成了虚拟试衣的产生。但人体特征点提取和尺寸测量的不准确一直是虚拟试衣的问题所在,由于提取结果不准确,导致虚拟试衣效果大打折扣。本文针对上述问题,分别考虑目标图像单背景和复杂背景的情况,对人体特征点提取和尺寸测量进行相关研究,主要研究内容包括:(1)单背景图像下传统人体特征点提取方法的改进和尺寸测量。首先,对单背景图片进行预处理。然后,基于改进的HOG特征缩小范围,提取出人体包围盒。最后,针对图像中人体轮廓缺失导致异常问题,使用人体比例方法进行补全,再进行测量。(2)提出simple-FCN模型对复杂背景下人体图像分割。深度学习已经被用于复杂背景下图像的分割并且效果显著,根据实验目的需要,简化已有的FCN模型,提出包含7个卷积层、5个池化层、3个反卷积层的simple-FCN模型,使之能够从复杂背景中分割出人体。(3)基于改进ASM算法的人体特征点提取和测量。改变传统ASM算法使用单一模板匹配模式。首先,根据图像中人脸和身体中心点的欧式距离大小分成5类,对每类训练出其平均模板。初次匹配时,利用两点的欧氏距离与对应模板相匹配,提高初次匹配准确率和效率。接着,以特征点为中心选择3个矩形范围内的10个邻域点并在其灰度模型中进行目标搜索,解决传统ASM算法匹配时间长、易失败的问题。另外,利用改进的马氏距离选择3个矩阵邻域点的灰度与灰度模型比较,结合人体对称性进行处理,解决人体胯部以下单侧拟合效果较好问题。实验结果表明:a)改进的传统单背景特征点提取方法定位效果好;b)simple-FCN模型能够很好的分割出复杂图像中的人体;c)改进的ASM算法能适应复杂背景下人体图像的特征点提取与尺寸测量,提高精度和速度。最后,本文分析了人体特征点提取和尺寸测量存在的不足并提出了进一步的研究方向。
【学位授予单位】：浙江理工大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP391.41
【图文】：

过程图,人体检测

过程如图 2.2 所示 13 59 1821 72412112取 3x3 窗口中值代替中间位置像素值图 2.2 中值滤波过程图2.3.2 基于小波域的小波阈值去噪小波萎缩法是小波阈值去噪法中应用最为广泛的一种方法[21-23]，小波萎缩法分为阈值萎缩和比例萎缩两类方法阈值萎缩法主要基于以下事实，比较大的小波系数一般都是以实际信号为主，比较小的系数很大程度上是噪声因此可以通过设定合适的阈值，

效果图,包围盒,人体,效果图

图 2.3 基于 OpenCV 的 HOG 特征人体检测图我们发现利用 OpenCV 函数库中自带的人体定位效果并不是非常好，存在人体部分特征位置出现在包围盒外，而这样对我们人体特征点提取势必会造成一定的误差利用HOG 特征原理，对其进行改进，将整个图像分割成一个个 8×8 像素的 Cell 单元格，结合 Canny 算子轮廓检测算法，找出最高点和最低点作为参照范围，将人体轮廓与边缘检测的结果结合起来形成人体包围盒改进后的 HOG 特征结合人体轮廓边缘检测后的人体包围盒效果如图 2.4 所示：

检测效果,灰度级,硕士学位论文,理工大学

浙江理工大学硕士学位论文基于图像的人体特征提取和测量Otsu 方法，实质上是遍历图片的灰度级，直到找到某一个灰度级 n 使得的值最大，则阈值取 n 时，分割效果最好，分割效果展示图如图 2.5 所示同检测最高点最低点方法一致，分别从至左而右至右而左搜索出第一个白色点即返回其坐标

【相似文献】