基于散亂點云的三維人體自動測量

鮑 陳， 繆永偉， 孫瑜亮， 張旭東

(1. 浙江工業(yè)大學(xué) 計算機科學(xué)與技術(shù)學(xué)院， 浙江 杭州 310023； 2. 浙江理工大學(xué) 信息學(xué)院， 浙江 杭州 310018)

人體測量學(xué)是人機工程一個非常重要的研究領(lǐng)域，通過測量人體各部位的尺寸差異來研究人體的體態(tài)特征，為服裝CAD設(shè)計、服裝工效學(xué)和虛擬試衣等提供人體測量數(shù)據(jù)[1]，保證服裝合身，并使著裝既舒適又美觀。目前可以通過三維非接觸人體掃描技術(shù)，獲得完整的人體表面三維點云數(shù)據(jù)，進而快速準(zhǔn)確地提取人體特征點與特征線，并計算出人體特征尺寸。

從三維人體掃描點云數(shù)據(jù)提取人體尺寸的關(guān)鍵在于如何魯棒、準(zhǔn)確地提取特征點。國內(nèi)外研究者相繼提出了許多可行方法，主要方法有模板法、函數(shù)法和幾何形狀法3種。模板法是通過將一個預(yù)定義的模板映射到人體點云上來提取特征點。Allen等[2]提出模板映射方法，該算法為每個預(yù)定義點建立1個仿射變換最優(yōu)化函數(shù)來提取特征點。Nurre等[3]提出將人體點云模型近似為棍模板，按照此模板對人體進行自動分段，通過對不同截面全局形狀和相對位置的分析，提取特征點。模板法與其他2種方法相比，對特征點的定位精度略高，但是其缺點迭代求解計算量較大，速度慢。函數(shù)法通過為每個特征點建立1個具體的函數(shù)來識別特征點。Dekker等[4]提出在網(wǎng)格數(shù)據(jù)并建立判別函數(shù)，來自動提取特征點。Leong等[5]提出用邏輯數(shù)學(xué)描述人體特征，再利用深度圖與語義約束來識別特征點。函數(shù)法對曲線和曲面擬合的過程十分復(fù)雜且運行時間較長。幾何形狀分析法是根據(jù)人體比例和人體幾何形狀分析來提取人體特征點。Markiewicz等[6]將人體點云分割，采用人體輪廓表面屬性分析法，來定位特征點。陳國安等[7]在進行人體幾何形狀分析基礎(chǔ)上，提出一種基于模糊邏輯規(guī)則自動提取人體特征點。上述幾何形狀分析方法都沒有考慮利用廉價的深度相機，構(gòu)建從原始三維人體點云模型到人體尺寸自動測量，以及測量結(jié)果的評價完整方案。

本文針對服裝設(shè)計的三維人體測量學(xué)的需求，提出一種基于散亂點云的三維人體自動測量方案，無需在測量前進行人體體型分類，也無需測量掃描前人為標(biāo)注模型基準(zhǔn)點與基準(zhǔn)線，通過分析人體輪廓幾何特征，識別人體特征點，采用陳國安等[7]提出的人體截面輪廓變化極限點和分叉點2類人體特征點進行人體尺寸測量。本文方案不易受人體體型因素的影響，可以有效地實現(xiàn)人體尺寸信息自動提取，獲得人體尺寸數(shù)據(jù)能夠滿足GB/T 23698—2009《三維掃描人體測量方法的一般要求》精度要求。

1 三維人體自動測量方案

使用消費級Kinect深度相機獲取三維人體點云數(shù)據(jù)，受文獻[8]啟發(fā)，設(shè)計出一種基于2臺Microsoft Kinect v2深度相機和1個電動轉(zhuǎn)盤來構(gòu)建三維人體尺寸測量系統(tǒng)，如圖1所示。在掃描過程中，被測者直立站在轉(zhuǎn)盤固定位置，雙臂張開與身體角度15°～45°，雙腿自然分開兩腳與肩平齊。對多臺Kinect相機進行位姿標(biāo)定[9]，得到三維掃描點云數(shù)據(jù)，經(jīng)過迭代最近點匹配(ICP)算法將8個(每45°取1塊點云)單塊三維人體點云進行配準(zhǔn)拼接，獲得原始三維人體點云模型。

圖1 人體尺寸測量系統(tǒng)裝置Fig.1 Measurement system device of human body sizes

本文主要論述三維人體點云數(shù)據(jù)獲取后，利用人體幾何形狀分析法，自動提取人體特征點并進行尺寸計算。本文的三維人體尺寸提取方案流程如圖2所示。

圖2 人體尺寸測量流程圖Fig.2 Flow chart of human body size measurement

1)數(shù)據(jù)預(yù)處理。包括點云降采樣與去噪和表面重建，以及點云坐標(biāo)轉(zhuǎn)換。點云降采樣、去噪和表面重建，通過Kinect深度相機獲取的三維點云數(shù)據(jù)，通常會產(chǎn)生密度不均勻的大量點云數(shù)據(jù)，且由于測量中誤差會產(chǎn)生稀疏的離群點，對經(jīng)過ICP配準(zhǔn)拼接后的點云數(shù)據(jù)進行降采樣、離群點濾波和表面重建，得到數(shù)據(jù)量減少、保形、準(zhǔn)確法線和曲率方差較小的點云模型。點云坐標(biāo)轉(zhuǎn)換，由于掃描數(shù)據(jù)初始讀入時以相機中心為坐標(biāo)原點，這將不利于后續(xù)特征尺寸提取，因此，需要對三維人體點云模型進行坐標(biāo)調(diào)整。根據(jù)人體測量學(xué)定義人體測量基準(zhǔn)面，將點云坐標(biāo)系轉(zhuǎn)換到正中矢狀面上，從而識別出人體正背面。

2)人體點云分割。根據(jù)腋窩點和會陰點作為人體分割的特征點，識別出不同肢體的點云數(shù)據(jù)，并使用沿上臂根部縱向劃分的肢體分割方法提高對不同體型人體點云模型的適應(yīng)性，將人體點云分割為手臂(左臂和右臂)、雙腿(左腿和右腿)、軀干和頭部3個部分。人體點云分割使得對后續(xù)特征點識別更加快速和魯棒。

3)特征點提取。測量人體尺寸前，首先根據(jù)人體特征點位置與身高之間的比例關(guān)系，近似計算出特征點(身高、頸側(cè)點、肩峰點、胸高點、腰側(cè)點、臀凸點、外踝點)，所采用的三維人體點云模型為右手定則坐標(biāo)系，并根據(jù)人體幾何特征分析法精確自動定位特征點及其所在的特征截面。若此時用戶對提取特征點結(jié)果不滿意，則可進行交互式選取特征點。

4)尺寸計算。利用提取出的人體特征截面點云，計算人體尺寸。首先需要提取出邊界點集，構(gòu)建特征截面點云的kd-tree數(shù)據(jù)結(jié)構(gòu)，實現(xiàn)基于FLANN快速最近鄰檢索，利用點云中點與其K鄰域點分布均勻性的檢測出特征邊界點集，邊界有序拾取算法收集到有序特征線；接著通過改進的凸包法得到特征截面輪廓有序特征邊界線點集；最后采用3次B樣條曲線擬合計算特征尺寸，并將測量項目的值輸出。

2 三維人體點云數(shù)據(jù)預(yù)處理

2.1 點云降采樣與去噪和表面重建

采用Kinect深度相機獲取的原始點云數(shù)據(jù)，如圖3(a)所示，通常數(shù)據(jù)量較大且不可避免地存在一些噪聲點。首先對原始人體點云數(shù)據(jù)獲取后，進行點云數(shù)據(jù)預(yù)處理，采用 VoxelGrid濾波器對點云進行降采樣[10]，通過對輸入點云數(shù)據(jù)創(chuàng)建1個三維體素柵格，在每個體素內(nèi)用所有點的重心來近似顯示體素中其他點；接著使用StatisticalOutlier 濾波器移除離群點，設(shè)置在進行統(tǒng)計時考慮查詢點近鄰點數(shù)，計算該點到所有臨近點的距離，并設(shè)置判斷是否為離群點的閾值標(biāo)準(zhǔn)差，平均距離在標(biāo)準(zhǔn)范圍之外的點，被從數(shù)據(jù)點集中去除掉；最后由于采用2臺Kinect深度相機采集數(shù)據(jù)，掃描數(shù)據(jù)經(jīng)ICP配準(zhǔn)后得到，如果直接使用容易造成“雙墻”等人造偽數(shù)據(jù)(重疊的2個曲面)，采用基于移動最小二乘(MLS)的法線估計、點云平滑和數(shù)據(jù)重采樣。通過上述3個步驟，得到了數(shù)據(jù)量減少、保形、準(zhǔn)確法線和曲率方差較小的點云模型。點云降采樣、去噪和表面重建得到密度適中的掃描線點云，設(shè)定層間距為掃描線掃描間距的2倍，如圖3(b)所示。這將有利于后續(xù)更好地進行特征點提取與特征邊界線收集等操作。

圖3 人體點云數(shù)據(jù)預(yù)處理Fig.3 Cloud data preprocessing of human body points. (a)Original point cloud; (b)Point cloud desampling, denoising, and surface reconstruction; (c)Point cloud coordinate transformation

2.2 點云坐標(biāo)轉(zhuǎn)換

3 三維人體特征提取

3.1 點云的分層處理

在獲得坐標(biāo)轉(zhuǎn)換點云模型后，首先計算身高H，Y軸方向為人體身高方向，人體點云模型Y軸方向最大值ymax和最小值ymin計算身高H=ymax-ymin；參考GB/T 16160—2008《服裝用人體測量的部位與方法》和美國Clemson大學(xué)對人體特征點位置與身高之間的比例關(guān)系[7]，將人的身高值歸一化，則各特征點的高度值百分比如表1所示。特征點估計高度坐標(biāo)值為hx，特征點位置的坐標(biāo)高與身高的比例為λscale，則從表1中可得到人體各特征點的近似高度坐標(biāo)值為hx=λscaleH+ymin。為提取特征點，采用分層來構(gòu)建人體掃描線點云，點云數(shù)據(jù)使用PCD(point cloud data)格式存儲，首先將PCD格式的三維人體點云模型轉(zhuǎn)換為CSV格式數(shù)據(jù)，保存每個點序號和三維坐標(biāo)信息，通過用特征點的平面與三維人體點云相交的交平面生成特征截面掃描線點云數(shù)據(jù)。

表1 人體特征點位置與身高之間比例Tab.1 Proportion of position of human body characteristic points and body height

3.2 人體點云分割

為減少識別出人體特征點搜索區(qū)域，需要對人體點云進行分割，根據(jù)輪廓分析法來定位腋窩點和會陰點，作為人體分割的基準(zhǔn)點，將人體分為手臂、腿、軀干和頭部。腋窩點和會陰點，作為分叉點，通過空隙查找法和曲率來定位提取。

腋窩點的提取準(zhǔn)則。本文改進了Wang等[11]提出模糊邏輯規(guī)則的腋窩點提取方法，其步驟如下：1)以肩峰點ybegin=0.82H為起始位置，垂直向下等步長搜索截面掃描線點云，步長取值為2 mm。2)在特征截面點云上，經(jīng)過點云邊界識別、降采樣等操作得到截面環(huán)線Sc，利用空隙查找法，找到第1個開始出現(xiàn)間隙的截面環(huán)，判斷是否出現(xiàn)間隙的方法為：按照X軸坐標(biāo)軸從小到大進行排序，計算截面環(huán)上相鄰2個點在X軸方向的差值，如果差值大于某個閾值，則為1個間隙，也就是出現(xiàn)不同環(huán)，當(dāng)環(huán)數(shù)首次由1變到3時，則找到腋窩點截面環(huán)Sarmpit。在截面環(huán)Sarmpit上找取曲率最大的6個點，計算離散點的曲率首先計算離散點集P的協(xié)方差矩陣C，如下：

圖4 人體點云分割結(jié)果示意圖Fig.4 Segmentation results of human body point cloud.(a)Human body segmentation key points; (b) Human body segmentation result

會陰點的提取準(zhǔn)則。根據(jù)會陰點的定義，會陰點位于左、右坐骨結(jié)節(jié)最下點的連線的中點。本文改進Zhong等[13]提出的會陰點提取方法，其步驟如下：以臀凸點ybegin=0.53H為起始位置，垂直向下搜索截面掃描線點云，判斷是否出現(xiàn)間隙的截面環(huán)；當(dāng)環(huán)數(shù)首次由1變到3時，則找到會陰點截面環(huán)Scrotch。接下來，在截面環(huán)Scrotch上，用x=0的平面垂直截切點云中y坐標(biāo)最小點為會陰點Pcrotch。提取腋窩點和會陰點后，通過直通濾波對點云進行濾波處理，分割出左右手臂、左右下肢、軀干和頭部。根據(jù)腋窩點和會陰點，分割人體點云模型，圖4(a)為分割的分界點示意圖，圖4(b)為分割結(jié)果示意圖，再此基礎(chǔ)使得特征點的識別更加快速和魯棒。

3.3 特征點的提取

以胸高點和頸椎點為例，予以說明輪廓變化極值點的提取過程。1)由胸高點的定義可知，胸高點位于腋窩點之下腰點之上比例值區(qū)間，通過胸部最高點的截面環(huán)上，其截面是水平截面。首先根據(jù)輸入的三維人體掃描線點云，確定胸高點的搜索區(qū)間[0.75H～0.61H]搜索域上截面點集；然后在該搜索域內(nèi)從0.75H為起始位置，沿著Y方向垂直向下采用變步長搜索，通過對特征截面點云邊界識別、降采樣等得到輪廓線，并對獲取的輪廓線邊界點集進行均值濾波平滑；最后通過比較3個近鄰的搜索截面環(huán)輪廓線，如果中間截面環(huán)輪廓線上Z坐標(biāo)值點最大，則該點為所要提取的胸高點，根據(jù)對稱性，另一個胸高點亦可求得。2)由頸根圍線的定義可知，其經(jīng)過頸窩點、頸側(cè)點和頸椎點的曲線，其截面是斜截面，通過空間旋轉(zhuǎn)局部區(qū)域內(nèi)人體點云模型的方法，將斜截面轉(zhuǎn)換為水平截面來求取頸椎點，其頸椎點提取示意圖如圖5所示。首先根據(jù)輸入的三維人體掃描線點云，提取頸側(cè)點，頸側(cè)點位于人體正投影的側(cè)輪廓上，為曲率變化最大處，是頭和軀干相連接部分中最凹點，確定頸側(cè)點的搜索區(qū)間，獲得頸側(cè)點集，對頸側(cè)點集進行XOZ面投影，獲得投影面點集；然后遍歷該投影面點集，找取X坐標(biāo)值最小的點，繼續(xù)沿著Y方向遍歷搜索區(qū)域內(nèi)其他投影面點集，從而獲得右頸側(cè)點，依據(jù)對稱性，可求得X坐標(biāo)值最大的點，為左頸側(cè)點；最后由于頸根圍線是斜截面如圖5(a)所示，通過空間旋轉(zhuǎn)變換將人體頭部點云模型繞X軸旋轉(zhuǎn)20°如圖5(b)所示，利用頸側(cè)點水平截面截切的方法得到頸椎點截面點云，求得頸椎點截面點云中Z坐標(biāo)最小值點為頸椎點。其他特征斜截面如上臂圍、腕圍，由于篇幅原因，不再贅述。

圖5 頸根圍線提取Fig.5 Neck base line extraction. (a)Oblique cross section neck base line; (b) Neck base line rotaled by 20°

通過自動提取輪廓極限點，有時因一些非正常體型如：挺胸體、駝背體、凸肚體、凸臀體等，無法很好地采用幾何形狀分析法進行人體特征點自動定位，提取出的特征點用戶可能不滿意。為此，本文實現(xiàn)一種基于用戶交互方式的拾取空間三維點坐標(biāo)功能，方便用戶交互方式選擇人體特征點，以使本文系統(tǒng)更加魯棒。通過鼠標(biāo)在計算機屏幕上點選三維點，從屏幕上拾取特征點的三維點坐標(biāo)，并將其坐標(biāo)保存在配置文件中，方便后續(xù)特征尺寸計算。在交互測量界面類中調(diào)用靜態(tài)回調(diào)方法函數(shù)，獲取三維點坐標(biāo)；依據(jù)Qt信號槽機制，實現(xiàn)交互測量界面類與特征點編輯對話框類建立連接，進行特征點編輯。

4 三維人體尺寸自動測量

4.1 特征邊界點提取

4.1.1判別邊界特征點

散亂點云呈無序分布，必須建立數(shù)據(jù)點之間的空間拓?fù)潢P(guān)系，以方便K近鄰搜索。本文采用kd-tree對特征截面散亂點云數(shù)據(jù)進行組織，實現(xiàn)基于FLANN快速最近鄰檢索。點云數(shù)據(jù)點的邊界特征點有其自身特點，如圖6所示。圖6(a)中P點K鄰域點分布偏向某一側(cè)，即為邊界特征點，圖6(b)中P點K鄰域點均勻分布，即為內(nèi)部點。利用點云中點與其K鄰域點分布均勻性判斷邊界點[14-15]，而這種分布的均勻程度可以根據(jù)2個相鄰方向線段間的夾角差來判斷，當(dāng)夾角差超過設(shè)定閾值為邊界點，否則為內(nèi)部點。

圖6 判別邊界特征點Fig.6 Judging boundary feature points.(a)P is boundary point;(b)P is interior point

算法1：邊界點檢測。

輸入：特征截面點云數(shù)據(jù)SF。

輸出：邊界點集合SB。

4.1.2邊界點有序拾取

4.2 三維人體尺寸計算

4.2.1三維人體尺寸提取

根據(jù)人體測量學(xué)的原理，利用自動提取的人體特征點和特征截面點云，通過特征邊界點提取，得到特征邊界線，從而計算人體特征尺寸。根據(jù)三維服裝設(shè)計測量項目的需求，將測量人體尺寸參數(shù)分為長度尺寸、圍度尺寸和弧長尺寸。

2)圍度尺寸，計算方法如下：定位圍度所在點云分段區(qū)域(軀干、手臂、雙腿等)；利用測量特征點的水平截面與三維人體分段模型求交，得到特征截面點云數(shù)據(jù)，如腰圍、胸圍在軀干上圍度截面；再對特征截面點云提取特征邊界點，設(shè)定K鄰域搜索范圍和角度閾值ω，并進行降采樣濾波，通過邊界點有序拾取算法，實現(xiàn)對散亂點云提取特征邊界輪廓線；采用改進的凸包法計算圍度尺寸。

3)弧長尺寸，計算方法如下：利用測量特征點的水平截面與三維人體分段點云模型求交，得到特征截面點云SF，利用多個相關(guān)測量特征點，剔除點云SF中與弧長無關(guān)的部分，經(jīng)特征邊界點檢測，得到特征邊界點集。由于弧長特征邊界線是不閉合的，如背寬為例，過左、右后腋窩點的水平弧長，對背寬截面特征點集，按照X坐標(biāo)值進行快速排序，并確定左、右后腋窩點為有序拾取點集的起點和終點，通過邊界有序拾取算法，得到肩寬特征線；采用改進的凸包法計算弧長尺寸。

4.2.2基于凸殼的輪廓線計算方法

算法2： 二維平面凸殼

輸入：平面上一組點MU(P1,P2,…,Pn)。

輸出：凸殼點鏈表LV。

步驟1：在序列MU中取P1點作為起始點，令Pc=P1，將P1點保存在凸殼點鏈表LV中。

步驟3-2：如果val==0，Pc、Pt和Pik是共線的，選擇離Pc點，更接近的一個共線點。若distance(Pc,Pt,Pik)<0，則點Pt添加到LC中，令Pt=Pik。否則，將點Pik添加到LC中。

步驟4：i=i+1，如果i≤n，則返回步3-1，否則轉(zhuǎn)向步5。

步驟5：將共線點鏈表LC中所有點添加到凸殼點鏈表LV中。

步驟6：當(dāng)Pt=Pn時，凸殼點算法結(jié)束。

步驟7：將點Pt添加到LV鏈表中，令Pc=Pt，并轉(zhuǎn)步3。

凸殼點鏈表ML計算方法與鏈表MU凸殼計算方法相同，不再贅述。

4.3 B樣條曲線擬合

以胸圍特征邊界線和腰圍特征線為例，展示某男模特圍長特征邊界線中胸圍、腰圍尺寸B樣條擬合。胸圍腰圍及背寬特征邊界線B樣條曲線擬合如圖7～9所示。B樣條擬合曲線后，計算特征尺寸的長度。

圖7 胸圍凸包B樣條擬合Fig.7 B-spline fitting of chest circumference convex-hull.(a)Chest circumference characteristic boundary line;(b)Chest circumference convex-hull fitting curve

圖8 腰圍凸包B樣條擬合Fig.8 B-spline fitting of waist circumference convex-hull.(a)Waist circumference characteristic boundary line;(b)Waist circumference convex-hull fitting curve

圖9 背寬凸包B樣條擬合Fig.9 B-spline fitting of back breadth convex-hull.(a)Back breadth characteristic boundary line;(b) Back breadth convex-hull fitting curve

5 系統(tǒng)實現(xiàn)與測量結(jié)果的評價

5.1 系統(tǒng)實現(xiàn)效果

本文提出的方法已在Intel Corei5 2.30 GHz CPU、8 GB RAM計算機，利用Microsoft Visual Studio 2013 + Qt5集成開發(fā)環(huán)境，使用C++實現(xiàn)?；谌S人體點云數(shù)據(jù)的人體尺寸自動測量系統(tǒng)，其交互測量界面如圖10所示。界面左上方為人體基于Qt-VTK點云可視化三維點云顯示窗口，顯示三維人體點云模型；界面左下方為畫布PaintArea類，繼承于QWidget類，繪制擬合B樣條曲線；界面右側(cè)為特征尺寸的測量結(jié)果。本文系統(tǒng)使用基于人體幾何特征及人體測量學(xué)中定義特征點所在位置解決人體特征點自動定位問題；對定位的測量特征點的平面通過對細(xì)分肢體點云文件操作，截切三維人體點云解決特征截面點云數(shù)據(jù)生成問題；使用散亂點云特征邊界有序拾取算法解決收集有序特征線點集問題，最后通過三次B樣條曲線擬合，采用改進的凸包法來計算三維人體點云模型的特征尺寸。

圖10 交互測量界面Fig.10 Interactive measurement interface

5.2 測量結(jié)果的評價

為進一步驗證提出的人體尺寸自動測量方案精密度，根據(jù)服裝CAD設(shè)計具體需要，測量14個特征尺寸。根據(jù)GB/T 23698—2009《三維掃描人體測量方法的一般要求》中規(guī)定測量精度可重復(fù)性和可再現(xiàn)性的要求，對同一個真實人體進行了多次測量，表2示出同一真人(男)模特在相同測量環(huán)境不同測量時間下，得到的5次人體尺寸測量結(jié)果。圖11示出人體尺寸測量項目。利用IQR、標(biāo)準(zhǔn)差和變異系數(shù)(CV)來表征測量觀測值之間離散程度，從計算結(jié)果來看測量項目CV值均達文獻[16]提到的5%以內(nèi)；同時為衡量和評價觀察者間信度和復(fù)測信度，引入組內(nèi)相關(guān)系數(shù)(ICC)[17]，以驗證測量結(jié)果的一致性和可靠性，在人體特征尺寸測量中，采用兩因素混合效應(yīng)模型(two-way mixed effects model)。應(yīng)用方差分析，選擇ICC(A,1)用于計算測試評分者的信度，選擇ICC(C,1)用于一致性估計。

表2 測量結(jié)果精密度分析Tab.2 Precision analysis of measurement results cm

圖11 人體尺寸測量項目Fig.11 Measurement items of human body dimessions

式中：MSR為組間均方差；MSE為均方誤差；MSC為組內(nèi)均方差；k為處理組數(shù)；n為被觀察對象的個數(shù)。對表2中的數(shù)據(jù)進行統(tǒng)計分析，計算ICC(A,1)信度系數(shù)為0.99，計算ICC(C,1)為0.99。一般認(rèn)為ICC信度系數(shù)對定量資料或分類資料，大于0.75表示信度良好。

為進一步驗證該方案的準(zhǔn)確度，考慮年齡在22～34歲群體體態(tài)特征，對8位在該年齡范圍的真人(男)模特，取6個特征尺寸自動測量值和手動測量(ground-truth)進行對照，測量誤差分析結(jié)果如表3所示。本次測量平均誤差最大值為0.78 cm，長度尺寸的最大誤差為0.38 cm，圍度和弧長尺寸的最大誤差為0.85 cm。測量誤差在GB/T 23698—2009《三維掃描人體測量方法的一般要求》允許范圍之內(nèi)(長度尺寸的允許誤差為0.4 cm，圍度和弧長尺寸允許誤差為0.9 cm)且準(zhǔn)確度高于文獻[4]和文獻[18]中的尺寸測量結(jié)果。

為更加直觀地驗證其誤差準(zhǔn)確度，構(gòu)建如圖12所示測量誤差箱線圖。其箱線圖最小、最大邊界為1.5IQR范圍內(nèi)，超出值為離群值。結(jié)果顯示，本文方案可以有效地實現(xiàn)對人體尺寸信息自動提取，根據(jù)人體尺寸測量結(jié)果，獲得的人體尺寸數(shù)據(jù)可滿足三維服裝CAD設(shè)計領(lǐng)域?qū)y量精度的需求。

表3 測量的誤差分析Tab.3 Error analysis of measurement cm

圖12 測量誤差箱線圖Fig.12 Measurement error boxplot

6 結(jié)束語

本文提出了一種基于散亂點云的三維人體自動測量方案，有效地實現(xiàn)了從三維人體點云模型自動提取人體尺寸信息。本文方案在一定程度上克服了商業(yè)三維人體掃描系統(tǒng)價格高、操作復(fù)雜的不足，利用消費級的Kinect深度相機，構(gòu)建出方便、廉價和高效的非接觸式三維人體尺寸測量系統(tǒng)。結(jié)果表明，從原始三維人體點云模型到人體尺寸自動測量，以及測量結(jié)果的評價完整方案均是可行的，獲得人體尺寸數(shù)據(jù)滿足GB/T 23698—2009的精度要求。

在采集三維人體點云數(shù)據(jù)時，由于TOF深度相機測量原理以及人為因素，測量獲得物體表面點云可能存在“空洞”。在后續(xù)研究工作中，將針對點云數(shù)據(jù)補洞、散亂點云精簡等進行研究，提升獲取點云數(shù)據(jù)質(zhì)量；并進一步改進方案的魯棒性和準(zhǔn)確性，擴充人體模型樣本數(shù)據(jù)集，完善人體尺寸自動測量系統(tǒng)軟件，并增加人體更多部位的測量尺寸信息。

FZXB