0 概述

随着电子信息技术的迅速发展, 虚拟试衣平台逐渐受到人们的关注^[1]。人体尺寸测量技术是虚拟试衣的关键技术之一, 其在服装定制领域有着不可替代的作用。目前, 主要通过接触式和非接触式^[2-4]方式对人体进行尺寸测量。对于前者而言, 人体手工量体的优点是测量时具有交互性, 在测量过程中可根据客户的穿着习惯对尺寸数据进行动态调整, 但在大规模测量时手工测量的效率低下, 出错率较高。后者相对于前者, 在保证尺寸信息有效性的同时具有实时性高、鲁棒性强等特点。

非接触式测量通常使用的技术包括三维扫描法、模型重建法和图像检测法。文献[5]使用三维扫描仪获取人体部位的尺寸信息, 然而三维扫描仪价格昂贵、测量地点不灵活等问题导致了该方法无法在市场上普遍适用。文献[6-7]提出使用深度相机获取人体深度信息, 再通过SMPL模型^[8]重建人体获取尺寸信息, 但由于东西方人体体型的差异性, 以致于实际拟合的效果无法满足人体着装尺寸的误差要求, 并且在测试过程中, 重塑人体模型耗时超过3 min, 使得该方法无法应用于在线批量人体测量系统中。文献[9-10]使用图像检测法^[11-13], 基于正交人体图像获取尺寸信息, 但是他们都参考欧美CAESAR人体数据集提供的结构部位与身高的比例系数直接提取人体关键特征点, 并没有考虑东西方人体体型的差异性和自身体型的异构性问题, 导致算法在实际测量过程中鲁棒性不强, 并且在测量极端体型用户时提取的特征点通常会产生偏离, 测量误差较大。

针对上述问题, 本文提出基于自适应人体结构分割(Adaptive Body Structure Segmentation, ABSS)的人体多特征点提取与尺寸测量算法Human pesm-abss, 解决因体型异构产生的特征点定位不准的问题。对所提取正交图像中的人体轮廓、人体结构关键区域自适应分割, 针对不同部位区域采用特定算法快速、准确地提取特征点, 最终通过身高比例法获取各个部位的尺寸信息。

1 系统描述 1.1 系统流程

人体尺寸测量主要分为图像预处理、人体结构关键区域自适应分割、特征点提取、尺寸获取等步骤, 系统流程如图 1所示。

人体尺寸测量系统流程如下:

1) 在图像预处理过程中, 首先将源图像进行规范化操作, 然后将图像从RGB空间转换为HSV空间并分离S通道, 然后在S通道基于多方向的Sobel算子和形态学操作提取完整的人体轮廓。

2) 基于ABSS算法针对不同体型的用户能够自适应分割出人体结构关键部位的区域范围。

3) 在人体关键特征点提取过程中, 分别用最小矩形包围盒算法、最大距离法、局部最大曲率法、断层扫描法在基于分割后的各个关键区域提取特征点。

4) 运用身高比例法获取人体各个部位的尺寸信息。

1.2 照片采集

首先对相机的畸变进行矫正^[14-15], 并规定相机的摆放位置(本文经过多次测试, 证实相机距离被测者4 m远, 距离地面高1.2 m时效果最好)。为获取完整的人体尺寸信息, 要求用户提供特定姿势下的正交图像, 双手打开至30°~45°, 姿势测量示意图如图 2所示。

1.3 图像预处理

颜色空间是图像中最基本的特性之一。目前, 计算机显示的彩色图像一般都是用RGB空间来表示和存储像素点的颜色信息。由于RGB颜色空间中每个分量不仅代表像素的颜色还代表像素的明暗程度, 因此各个分量的颜色值易受环境光强影响^[16-17]。相比于RGB颜色空间, HSV颜色空间由H分量专门负责表示像素的色调, S和V分量表示像素的饱和度和亮度, 由于常见的拍摄背景多为红色、蓝色, 并且饱和度较高, 因此将图像从RGB颜色空间转换为HSV颜色空间, 然后在饱和度S通道图像中利用多方向Sobel算子提取完整的人体轮廓, 避免了引入环境光线的影响。

由于传统多方向Sobel算子^[18]提取轮廓采用均值融合, 从而导致该算法在实际运用中提取人体轮廓的效果不佳, 因此本文提出基于线性加权融合的算法对多方向梯度图进行处理, 算法步骤如下:

步骤1  输入源图像。

步骤2  将输入的RGB图像转化为HSV色彩空间图像。

步骤3  提取HSV色彩空间中的饱和度S通道。

步骤4  运用多方向Sobel算子获取饱和度S通道4个方向的梯度图像, 如式(1)所示:

$G_{x}=\left[\begin{array}{rr}-1 & 0 & +1 \\ -2 & 0 & +2 \\ -1 & 0 & +1\end{array}\right] \times S, G_{y}=\left[\begin{array}{ccc}-1 & -2 & -1 \\ 0 & 0 & 0 \\ +1 & +2 & +1\end{array}\right] \times S\\ G_{45^{\circ}}=\left[\begin{array}{ccc}-2 & -1 & 0 \\ -1 & 0 & +1 \\ 0 & +1 & +2\end{array}\right] \times S, G_{135^{\circ}}=\left[\begin{array}{ccc}0 & -1 & -2 \\ +1 & 0 & -1 \\ +2 & +1 & 0\end{array}\right] \times S $

(1)

步骤5  通过线性加权融合获取图像的绝对梯度, 如式(2)所示:

$\begin{aligned} G=&\left|G_{x}\right| \cdot \alpha+\left|G_{y}\right| \cdot \beta+\left|G_{45^{\circ}}\right| \cdot \chi+\\ &\left|G_{135^{\circ}}\right| \cdot \lambda+\delta, \delta>0 \end{aligned} $

(2)

步骤6  将图像二值化后输出最大轮廓:

$D=\left\{\begin{array}{l}1, G>\mathrm{Th}+\delta \\ 0, \text { 其他 }\end{array}\right. $

(3)

其中, G_x、G_y、G_45°、G_135°分别为水平、竖直方向、45°和135°的梯度, S为HSV图像中的S通道, G为轮廓提取结果, α、β、χ、λ分别为水平、竖直方向、45°和135°梯度矩阵图的权重, δ为增强参数, Th为阈值, 本文取0.5, D为二值化图形, 式(3)中的1代表人体部位, 0代表背景。

1.4 轮廓提取结果

轮廓提取结果如图 3所示, 其中, 图 3(a)为源图像, 饱和度S通道如图 3(b)所示, 通过提取边缘轮廓, 并经多次实验验证, 当权值α、β、χ、λ和δ分别为0.25、0.33、0.22、0.2和120时效果最好, 如图 3(c)所示, 筛选最大轮廓如图 3(d)所示。

2 人体结构关键区域自适应分割 2.1 传统算法特征点提取

目前, 传统图像检测算法依据欧美CAESAR人体数据集^[19]提供的人体结构关键部位与身高的比例关系, 直接通过断层扫描法提取特征点, 并没有考虑东西方人体的差异性。本文参考国际GB/T 10000—88《中国成年人人体尺寸》, 以及2009年中国标准化研究院完成的中国成年人人体尺寸抽样试点调查^[20]工作中获取的亚洲人体数据信息, 并与国外数据进行对比, 如表 1所示, 其中, 表 1中加粗字体为参数相差较大值。

从表 1可以看出, 东方人体结构关键部位在胸部和臀部的参数值相差较大。

如图 4所示, 针对身材比例、体型不标准的用户, 通过传统图像检测法结合亚洲人体参数提取的特征点仍然容易发生误定位, 其中图 4标出的点为准确特征点, 横线为表 1中亚洲人(东方)体参数表示的比例线。

2.2 人体体型阈值区间的分析

由图 4可见, 将问题扩展到一般性, 对于偏胖、正常、偏瘦体型的测量用户, 人体结构关键区域划分无法达到一致。由于用户的体型与轮廓的面积有着直接的关系, 将人体正面、侧面轮廓面积之和进行归一化处理, 原理如式(4)所示:

$H=\left[\begin{array}{l}S_{1} \cdots \\ S_{160}\end{array}\right] \stackrel{T}{\longrightarrow}\left[\begin{array}{l}S_{1} \cdots \\ S_{160}^{1}\end{array}\right]\\ T=\frac{\left(S_{n}-S_{\min }\right)}{\left(S_{\max }-S_{\min }\right)} \cdot(\max -\min )+\min $

(4)

为了寻找不同体型分布规律, 通过对实地测量的210组样本中随机选取150组样本进行分析, 依据BMI值将人体体型粗粒度分成3类, 分类结果如图 5所示。为验证体型分类阈值的有效性和准确性, 使用另外60组样本进行测试, 测试结果如图 6所示(其中圆点为误分类样本)。

由图 5可知, S_偏胖∈(0.64, 1], S_偏瘦∈[0, 0.40)。通过图 6实验结果证实了该方法对人体体型粗粒度分类的准确性。

2.3 人体结构关键区域自适应分割算法

通过对人体体型分类的研究, 依据ISO 85559-1《Size Designation of Clothes》作为人体尺寸特征选择的标准, 并结合表 1中标准人体参数信息, 提出了一种人体结构关键区域自适应分割算法, 算法流程如图 7所示, 其中迭代参数Δt=0.01。

3 人体着装特征点提取

人体特征点提取是获取尺寸信息中最关键的步骤之一, 目前现有特征点提取的算法都是基于图像自身属性, 没有考虑实际测量规范, 从而导致算法提取尺寸误差较大。

3.1 颈部特征点提取

传统算法在提取颈部特征点时, 针对正面颈部提取颈部距离最小的响应点, 从而造成了较大的误差。为此, 本文提出基于最大距离法提取正面颈部特征点, 如图 8(a)所示(粗线条为颈部区域轮廓线)。

$f_{\text {正面neck }}(x, y)^{\text {left }}=\max \left(\overline{p_{1} l_{1}}\right)\\ f_{\text {正面neck }}(x, y)^{\text {right }}=\max \left(\overline{p_{2} l_{2}}\right) $

(5)

其中, l₁、l₂为左右手与头顶连接后的两条颈部特征直线, 颈部轮廓线记为c₁、c₂, p₁∈c₁, p₂∈c₂。

针对侧面颈部特征点, 目前传统算法是提取l_{A-第七椎点}, 但依据ISO 8599-1测量标准侧面颈部尺寸应为l_{B-第七椎点}, 以至于通常会造成测量值偏小, 本文依据实际测量规范, 加入30°的偏移量以减小误差, 如图 8(b)所示。

3.2 肩部特征点提取

形状曲线估计法^[21]分别用30°和45°的直线作为肩膀手臂的形状估计。由于每个用户张开双臂角度不同, 且肩形不同, 很难单用某个度数的直线进行形状匹配。

肩部特征点提取步骤如下:

步骤1  肩部轮廓线为l, 建立点p_i(p_i∈l)的邻域集合, 即与p_i点的欧式距离最近的k个点构成的集合P_i, 大量实验证实在k取8~10时效果最好, 本文k取8^[25]。

步骤2  计算所有点p_i的平均曲率C_i。

步骤3  对中点p_i及其领域集合内任意一点p_r∈P_i, 即根据公式C_i=$\frac{1}{k} \sum\limits_{1 \leqslant r \leqslant k} C_{r}$, 求集合P_i的平均曲率C_i, 其中C_r是点p_r的平均曲率。

步骤4  根据公式$\sigma_{i}=\sum\limits_{1 \leqslant r \leqslant k} \sqrt{\frac{\left(C_{r}-\bar{C}\right)^{2}}{k-1}}$计算局部曲率误差σ_i, 设置局部阈值σ, 本文σ取0.3。

步骤5  当σ_i≥σ时, 保留点p_i∈M, 否则删除。

步骤6  遍历集合M选取曲率值最大的点p_max, 如果此集合内的任意两点p_x, p_y∈P_max都满足公式$f\left(\frac{p_{x 1}+p_{x 2}}{2}\right)>\frac{f\left(p_{x 1}\right)+f\left(p_{x 2}\right)}{2}$, 即p_max为肩部特征点。

实验结果如图 9所示, 其中图 9(b)点线为全局拟合曲线, 对比图 9(a)可以明显看出, 其提取的曲率最大的点并不是真实的肩部特征点, 根据局部最大曲率法提取的待选特征点如图 9(c)所示, 图 9(d)中星型点为全局拟合曲线的最大曲率点, 圆点为局部最大曲率法最终提取到的肩部特征点, 结果表明, 局部最大曲率法相对于传统角点检测方法提取特征点的精准度更高。

3.3 人体尺寸测量

本文采用身高比例法测量人体尺寸, 在测量时, 被测量者提供自己的身高H, 然后根据头顶部f_head(x, y)和脚底f_正面foot(x, y)特征点的欧式距离获取比例系数ω_s。

基于已提取的人体特征点信息, 可以在图片中获取各个部位所占据像素点的个数p, 在获取到像素点个数之后结合比例系数ω_s, 即得到各个部位的尺寸信息:

$\omega_{s}=\frac{H}{d\left(f_{\text {head }}(x, y), f_{\text {foot }}(x, y)\right)} $

(6)

$p_{X}=d\left(f_{X}(x, y)^{\text {left }}, f_{X}(x, y)^{\text {right }}\right) $

(7)

$L_{X}=p_{X} \cdot \omega_{s} $

(8)

其中, X表示人体不同的身体部位, L表示测量的尺寸信息。

4 实验与结果分析

本文实验拍摄了210组实验样本, 为了检验Human pesm-adss算法在检测人体体型异构型时的鲁棒性和精确性, 对标准差较大的210组样本(学生、警察、法院工作人员)进行测试特征点提取实验, 部分样本特征点提取结果如图 10所示, 人体各个部位测量数据分析如图 11所示。

为检验算法的性能优势, 本文将传统比例法^[10]、Simple-FCN-ASM模型^[12]、非闭合Snake模型^[22]和Human pesm-adss算法进行比较分析, 特征点提取结果如图 12所示, 性能分析如表 2所示。

实验环境为Window 10操作系统, E5-1620v4 3.50 GHz处理器, 6 GB内存, NVIDIA 1080显卡。

4.1 Human pesm-abss算法结果分析

通过对210组标准差较大的样本(学生、警察、法院人员)进行测量实验, 由图 10验证了Human pesm-adss算法针对各种体型用户时的鲁棒性, 并且由图 11证实了该算法测量的精准性, 具体表现为实验测量的尺寸信息与真实值的平均误差为±1.3 cm, 其中最大误差为+1.98 cm。依据ISO 8559-1《Size Designation of Clothes》中规定人体着装最大误差为2 cm以内, 所以Human pesm-adss算法误差的大小完全满足人体着装尺寸误差要求, 并且单个样本测量耗时为298 ms, 显著提升了在线批量测量系统的实时性。

从实验结果可以看出, 实际值与测量值之间仍然存在着一定的误差, 误差的来源主要有以下3个部分:

1) 人体站姿不标准, 如测量时驼背会造成身高占据的像素偏小, 使得比例系数ω_s偏大, 最后直接导致所有测量数据偏大。

2) 由于客观因素的影响, 无法要求每位测量者穿着较为紧身的衣服, 这是误差的主要来源之一。

3) 实际测量的尺寸都包含了一定的放松量, 并且放松量一般根据测量师傅的经验判定, 没有量化的标准, 所以也在一定程上产生了误差。未来会根据经验总结各款式、材质衣服的放松量, 加入机器视觉识别衣物类型并自适应修改尺寸数据, 从而进一步减少测量误差。

4.2 算法对比分析

传统比例算法提取结果如图 12(a)所示, 由于仅通过单一特征根据人体比例关系提取关键特征点, 在测量极端体型用户时, 测量结果的精确性较低, 算法的鲁棒性不强。非闭合Snake算法虽然无需手动设置初始轮廓, 但仍需根据经验手动调节关键参数。对于Simple-FCN-ASM模型而言, 需要建立人体模板对测量用户进行匹配并拟合。在针对标准差较大的样本时, 模板收敛的速度慢, 并且由于下半身基于对称原则提取特征点, 通常模板容易发生单侧偏移从而产生较大的误差。

然而, 这些算法都只涉及了人体正面尺寸信息的提取, 并且是依据图像本身的特性提取关键特征点, 以至于实验测量结果与实际值的误差较大, 无法满足人体着装尺寸的需求。

Human pesm-abss算法通过改进的多方向Sobel算子在HSV空间中提取人体轮廓, 避免了非闭合Snake算法的手工调参。同时基于ABSS算法快速提取人体正面、侧面关键结构区域, 解决了Simple-FCN-ASM模型需要长时间迭代收敛的问题。针对人体关键的结构区域, 提出符合ISO 85559-1《Size Designation of Clothes》规范的算法提取特征点, 整个过程中无需手工操作, 大幅提升了算法的适用性。

由表 2可知, Human pesm-abss算法与传统算法相比, 虽然在时耗上增加了0.174 s, 但在尺寸获取的精确性上有着显著的提升, 使得误差处于人体着衣尺寸误差允许的范围内。相对于非闭合Snake模型和Simple-FCN-ASM模型在平均误差方面减少了2.2 cm和0.26 cm, 并且在时耗方面, 分别缩短了1.098 s和3.552 s, 大幅提升了在线人体尺寸测量系统的实时性。

5 结束语

本文提出一种基于自适应人体结构分割的着装人体多特征点提取与尺寸测量算法。该算法运用图像预处理、人体结构关键区域自适应分割、人体关键特征点提取、身高比例法相结合的技术, 解决传统图像检测模型检测时间长和极端体型特征点定位不准的问题, 并选取210组标准差较大的样本(包括学生、警察、法院工作人员)对此算法进行了论证。实验结果表明, 该算法测量的平均误差为±1.3 cm, 最大误差为+1.98 cm, 单个样本测量耗时不超过0.3 s, 相比目前传统图像检测模型, 无论在尺寸信息提取的精确度上, 还是在时耗方面都有显著的提升。虽然本文方法在具体应用中取得了一些成果, 但在实际生活中, 领围、胸围和臀围这类具有三维属性的围度信息能够更直观地表示出人体体型状态, 因此, 下一步将对人体二维尺寸信息转化为三维尺寸信息的方法进行研究。