一種PCL 與改進(jìn)積分法人體體型的測量

張洪偉，李捍東

（貴州大學(xué) 電氣工程學(xué)院，貴陽 550025）

0 引言

三維人體測量，是通過對人體各部位的尺寸和人體體型進(jìn)行測量，進(jìn)而研究人體形態(tài)特征技術(shù)的方法。近年來國內(nèi)外相關(guān)研究機(jī)構(gòu)已經(jīng)推出多種不同類別和型號(hào)的三維人體測量系統(tǒng)。

突出的前沿研究有：云從科技公司提出的基于單幀圖像3D 人體重建技術(shù)，在Human3.6M、Surreal和UP-3D 三個(gè)數(shù)據(jù)集上，將原有最低誤差降低30%，提高了后期三維測量的精確性。德國的VITUS SmartXXL 掃描儀，基于激光光學(xué)三角測量，是目前較為精確的無接觸人體測量方式。R.Nakamura［1］開發(fā)了一種新的VFR，利用兩種Kinects進(jìn)行身體測量和尺寸估計(jì)，可以獲得更準(zhǔn)確的測量結(jié)果。萬燕［2］提出一種利用Kinect 實(shí)現(xiàn)掃描，三維重建技術(shù)建立一個(gè)新的人體成分分析系統(tǒng)。但此種方法存在環(huán)境的干擾，影響重建信息提取的問題，進(jìn)而會(huì)影響人體成分分析的精確性。Tomi B、Sunar MS［3］提出基于角度算法和橢圓周長方程處理及VFR 技術(shù)，實(shí)現(xiàn)動(dòng)態(tài)測量各種人體尺寸。但此方法存在計(jì)算量大，測量速度慢的特點(diǎn)。Dan song［4］提出了語義參數(shù)化模型實(shí)現(xiàn)重構(gòu)，通過比較PCA 權(quán)重反映和三角形變形映射的x／y／z 三個(gè)方向上的誤差，得出了參數(shù)化的重構(gòu)有更高的精度。但提出學(xué)習(xí)的機(jī)制不夠完善，對身體參數(shù)重構(gòu)有一定影響。Grant M.Tinsley［5］對比分析了四個(gè)商用三維光學(xué)掃描儀（FIT3D、NakedLabs、SizeStream 和Styku）來確定人體成分估計(jì)的精度，并參考4 分量（雙能X 射線吸收儀、空氣體積、體積描記法、生物阻抗譜）模型，相比評(píng)估其有效性。得出結(jié)論是：所有掃描儀均存在不同幅度比例的偏差。Tan Xiaohui［6］通過深度相機(jī)來獲取3D 人體模型，然后通過測地距離的隨機(jī)森林回歸分析，自動(dòng)提取3D 人體焦點(diǎn)特征的方法，用于提取預(yù)定義的特征點(diǎn)和線，最后根據(jù)這些特征點(diǎn)和線計(jì)算出人體個(gè)體的大小。但此種方法在計(jì)算圍度上精確度不夠高。

目前，對人體尺寸測量的系統(tǒng)和方法可分為以下幾個(gè)方面：

（1）根據(jù)用戶輸入的數(shù)據(jù)，建議所選服裝的最佳合身尺寸或生成人體的3 維模型，部分電商平臺(tái)已經(jīng)在使用這種方法［7］。

（2）通過深度運(yùn)動(dòng)傳感器［8-9］（例如Kinect），該傳感器允許系統(tǒng)檢測用戶的身體。在虛擬環(huán)境中生成的3D 模型，跟隨用戶運(yùn)動(dòng)，從而獲得身臨其境的體驗(yàn)。

（3）使用網(wǎng)絡(luò)攝像頭技術(shù)捕獲用戶的圖像。用戶選擇衣服的圖像將被覆蓋在捕獲用戶圖像的頂部，當(dāng)覆蓋衣服圖像的尺寸和用戶的圖像相同時(shí)，可以確定最佳適合尺寸。

（4）通過激光雷達(dá)進(jìn)行人體掃描，獲取點(diǎn)云數(shù)據(jù)［10-12］。用深度學(xué)習(xí)對原始獲取的點(diǎn)云進(jìn)行處理，利用多層感知網(wǎng)絡(luò)（MLPS）和最大池化操作獲取點(diǎn)云的特征，根據(jù)點(diǎn)云進(jìn)行尺寸計(jì)算。

本文基于以上研究，提出一種基于Python 下，對完善的點(diǎn)云模型用PCL 庫拾取大量三維點(diǎn)坐標(biāo)，采用改進(jìn)的積分法計(jì)算尺寸。結(jié)果表明，所提方法測量三維尺寸的精確性較高。

1 測量技術(shù)路線及模型建立

測量方法具體結(jié)構(gòu)如圖1 所示。對輸入的圖像進(jìn)行仿射度量校正，校準(zhǔn)若有偏差，需重新進(jìn)行仿射校正，然后通過透視幾何反推，實(shí)現(xiàn)點(diǎn)云重建［13］。重建模型輸入到Geomagic Studio 軟件中進(jìn)行降噪處理，處理后的模型基于PCL 拾取三維點(diǎn)云坐標(biāo)，對點(diǎn)云坐標(biāo)進(jìn)行轉(zhuǎn)換和計(jì)算，求解出各部分的尺寸。

1.1 圖像獲取及校準(zhǔn)

獲取圖像的硬件設(shè)備為手機(jī)自帶的6 400萬超感光攝像頭。相比于一些專業(yè)的深度相機(jī)結(jié)構(gòu)光（Structured-light）具有成本低、適用性更強(qiáng)的優(yōu)點(diǎn)。獲取的圖像如圖2 所示。

獲取的圖像手持棋盤格，棋盤格處于垂直地面的狀態(tài)，肩部放松自由向下，這有利于測量校準(zhǔn)相機(jī)圖像世界坐標(biāo)系，以及后期肩部長度距離的測量。

1.2 模型創(chuàng)建及特征點(diǎn)選擇

對獲取的圖像經(jīng)過處理后，得到完善的點(diǎn)云模型，如圖3 所示。該研究對特征點(diǎn)的選擇采用基于代數(shù)的特征提取方法，將人體主要分割為3 個(gè)部分：手臂、主要軀干、雙腿，如圖4 所示。由得到的點(diǎn)云數(shù)據(jù)映射特征部位的最高點(diǎn)和最低點(diǎn)或投影點(diǎn)，直接利用代數(shù)的關(guān)系來確定部位的長度，此種方法更適合于對長度的測量。如人體身高的測量就可以按照建立的三維坐標(biāo)系，以z 坐標(biāo)軸將點(diǎn)云數(shù)據(jù)從大到小進(jìn)行排序，最大值即為頭部PH（xH，yH，zmax），最小值為足底PF（xF，yF，zmin），則身高為：

圖1 Python 下三維尺寸測量的系統(tǒng)框架Fig.1 System framework of 3D size measurement under Python

圖2 圖像與棋盤格校準(zhǔn)Fig.2 Image and checkerboard calibration

圖3 三維點(diǎn)云模型Fig.3 3D point cloud model

圖4 特征部位分割Fig.4 Feature segmentation

2 三維尺寸測量方法實(shí)現(xiàn)

將上述完善好的點(diǎn)云模型輸入到基于PCL 實(shí)驗(yàn)平臺(tái)上，得到大量的空間點(diǎn)云坐標(biāo)。以z軸為參考軸，同一等高面上的點(diǎn)，按照平行于xoy面篩選排序的方法，把面上的所有點(diǎn)插入到一個(gè)鏈表中。當(dāng)選取的特征點(diǎn)在某一高度上時(shí)，從鏈表中提取出所有z坐標(biāo)值相同的點(diǎn)，組成一個(gè)點(diǎn)集，以平行于xoy面圓形模板法包裹點(diǎn)云面，最終可以確定圍度的截面圖，運(yùn)用改進(jìn)的積分法和特征頂點(diǎn)式，分別計(jì)算尺寸。

2.1 點(diǎn)云數(shù)據(jù)的轉(zhuǎn)換

點(diǎn)云數(shù)據(jù)的量化方法［2］如下所述：

（1）獲取視角值。相機(jī)的水平視角α和垂直視角β分別為57°和43°，如圖5、圖6 所示。

圖5 水平視角Fig.5 Horizontal perspective

（2）求取實(shí)際值x和y：

其中，xi和yi分別為實(shí)際物理空間里點(diǎn)在x軸方向和y方向上的坐標(biāo)值；xi0和yi0分別為深度圖像空間里的坐標(biāo)值；nx和ny分別為攝像頭的分辨率系數(shù)。

2.2 人體尺寸測量

轉(zhuǎn)換后的點(diǎn)云基于PCL 進(jìn)行處理，獲得點(diǎn)云數(shù)據(jù)點(diǎn)的坐標(biāo)值。研究調(diào)查中，如果只獲取關(guān)節(jié)處的三維坐標(biāo)值用來實(shí)現(xiàn)人體尺寸的精確測量是遠(yuǎn)遠(yuǎn)不夠的。該研究結(jié)合關(guān)節(jié)點(diǎn)和選取的特征點(diǎn)進(jìn)行數(shù)據(jù)的融合和篩選，分別計(jì)算圍度和長度。

長度的計(jì)算相對較為簡單。獲取關(guān)節(jié)處的空間點(diǎn)云信息后，表示出關(guān)節(jié)點(diǎn)的空間位置，兩關(guān)節(jié)點(diǎn)之間的距離為長度。同時(shí)據(jù)上述特征點(diǎn)的選擇方法，兩特征點(diǎn)之間的距離計(jì)算長度，結(jié)合兩方法多次計(jì)算的值求解協(xié)方差，最穩(wěn)定的值為確定的尺寸。

對尺寸的測量采用了GB／T 5703-2010 人體測量的基礎(chǔ)項(xiàng)目測量術(shù)語作參考［14］。如本文重點(diǎn)測量的項(xiàng)目有肩寬：兩肘部外側(cè)面間的最大水平距離；胸圍：在乳頭水平位置測量的胸部圍長；腰圍：在最下肋骨和上髂嵴中間處的軀干水平圍長。根據(jù)建立的坐標(biāo)軸，左右手肘突出兩點(diǎn)關(guān)節(jié)處坐標(biāo)為p1（x1，y1，z1），p2（x2，y2，z2）故肩最大寬：

對人體周長的測量，依據(jù)［15-17］提到的算法進(jìn)行改進(jìn)。特征點(diǎn)所在的水平面與人體的交點(diǎn)集合為P＝｛pi＝（xi，yi，zi），i＝1，2，…，n｝，由幾何特征點(diǎn)確定水平截面，故特征面上的交點(diǎn)集z 的坐標(biāo)視為相等，其特征點(diǎn)集面如圖7 所示。特征截面與空間坐標(biāo)系中xoy 面平行，以腰圍截面的幾何中心為坐標(biāo)原點(diǎn)建立坐標(biāo)系，在坐標(biāo)系中確定各個(gè)點(diǎn)的坐標(biāo)為M＝｛mi（xi，yi），i＝1，2，…，n｝，那么點(diǎn)1 與點(diǎn)2 之間的長度計(jì)算可以采用改進(jìn)的積分法。用類似的方法計(jì)算3 與4 之間長度，依此方法把每一次計(jì)算的結(jié)果實(shí)現(xiàn)累加。

圖7 腰圍截面點(diǎn)集Fig.7 Waist section point set

改進(jìn)算法如下：

（1）從鏈表中篩選出位于腰圍所在特征截面上的坐標(biāo)點(diǎn)，以外圍最遠(yuǎn)的點(diǎn)用圓面模板包裹，構(gòu)成腰圍點(diǎn)集面，確定相鄰兩點(diǎn)之間的坐標(biāo)值。如獲取點(diǎn)1 與點(diǎn)2 的坐標(biāo)，在x軸上分別對應(yīng)a、b；若當(dāng)選擇的1、2 點(diǎn)處存在密集的點(diǎn)云時(shí)，采用線性回歸方程計(jì)算，選擇最貼近直線的點(diǎn)計(jì)算。

（2）通過1、2 之間無數(shù)的點(diǎn)擬合，確定曲線的函數(shù)f（x）。

（3）將區(qū)間［a，b］分割成n個(gè)子區(qū)間，每個(gè)子區(qū)間的弧長可以用公式（5）計(jì)算：

其中，xi為第i個(gè)區(qū)間內(nèi)的任意一點(diǎn)，i＝1，2，…，n。

（4）總長度等于各個(gè)子區(qū)間的和：

（5）當(dāng)分割的區(qū)間n為很大時(shí)，點(diǎn)1 與點(diǎn)2 之間的距離為：

（6）依次計(jì)算點(diǎn)3，4…距離，得出測量結(jié)果。

3 實(shí)驗(yàn)結(jié)果分析

3.1 實(shí)驗(yàn)環(huán)境

此次實(shí)驗(yàn)在Ubuntu 16.04 上進(jìn)行，開發(fā)語言為Python2，OpenCV 的版本為2.4.13.6，集成開發(fā)環(huán)境為PyCharm ；硬件環(huán)境為CPU intel Core i5 四核，主頻2.40 GHz。

3.2 實(shí)驗(yàn)與分析

用XYB-1 88 號(hào)人臺(tái)，驗(yàn)證提出算法的有效性。分別測量胸圍、腰圍、總肩寬，操作過程如下：

（1）將實(shí)驗(yàn)的人臺(tái)固定在操作臺(tái)上，人臺(tái)處于垂直于地面的水平面上，便于距離的校準(zhǔn)。

（2）用相機(jī)獲取人臺(tái)的圖像。對圖片處理后輸入到Geomagic Studio 進(jìn)行降噪處理，結(jié)果如圖8 所示。

圖8 去噪處理后模型Fig.8 Model after denoising

（3）國標(biāo)88 號(hào)人臺(tái)尺寸數(shù)據(jù)見表1。

表1 88 號(hào)人臺(tái)上半身立載標(biāo)準(zhǔn)尺碼表Tab.1 The standard size chart for the upper body of the 88th person cm

（4）所提方法對人臺(tái)進(jìn)行測量后，得到數(shù)據(jù)見表2。

對88 號(hào)人臺(tái)模型進(jìn)行多次試驗(yàn)測量，測出的數(shù)據(jù)和標(biāo)準(zhǔn)人臺(tái)的尺碼表進(jìn)行對比，得出誤差最大的是腰圍1.28，誤差最小的是肩寬0.16。顯然所提方法精確性比較高，測量速度較快，可以適用于實(shí)際的測量。

表2 本文方法測量的數(shù)據(jù)Tab.2 Data measured by this method cm

基于人臺(tái)模型測量的適用性，對15 名男女進(jìn)行了尺寸的實(shí)際測量。在Ubuntu 系統(tǒng)下基于Python實(shí)現(xiàn)了上述算法，根據(jù)計(jì)算速度和人體尺寸精度考慮，每兩點(diǎn)云坐標(biāo)之間分割為20 個(gè)子區(qū)間去計(jì)算。選取總共15 名男女進(jìn)行了三維尺寸的反復(fù)試驗(yàn)測量。同時(shí)利用基于Kinect 測量技術(shù)，對15 名男女進(jìn)行三維尺寸的掃描測量，結(jié)果對比分析，兩方法的測量值見表3～5。

表3 本文算法測量結(jié)果Tab.3 The measurement results of the algorithm in this paper cm

表4 Kinect 掃描測量結(jié)果Tab.4 Kinect scan measurement results cm

表5 測量誤差對比Tab.5 Measurement deviation comparison cm

經(jīng)對比結(jié)果可以看出，最大偏差是腰圍2.16 cm，最小偏差為臂長0.04 cm，平均的偏差為0.70 cm。綜合來看，本文提出的方法測量三維尺寸效果較好。出現(xiàn)腰圍誤差比較大的原因是，根據(jù)特征點(diǎn)選擇確定的腰圍特征截面不準(zhǔn)確、對兩點(diǎn)云坐標(biāo)之間的分割太少，以及人體表面結(jié)構(gòu)的不規(guī)則，均會(huì)對測量的結(jié)果帶來一定影響。

4 結(jié)束語

本文提出了一種基于Python 下，對相機(jī)獲取的圖像經(jīng)過一系列處理后，結(jié)合PCL 和改進(jìn)的積分法、特征頂點(diǎn)式，對人體三維尺寸的圍度和長度測量計(jì)算。最后通過實(shí)驗(yàn)與Kinect 掃描測量結(jié)果進(jìn)行對比分析。結(jié)果表明，本文的方法有更好的適用性。進(jìn)一步的研究將在尺寸測量算法的改進(jìn)和選取合適特征點(diǎn)確定特征截面的方法進(jìn)行。