基于不同体型的三维模型自动分割方法研究

丛晓丹，吴 冈，高凤娇

(1.黑龙江省科学院自动化研究所，哈尔滨 150090； 2.黑龙江省科学院高技术研究院，哈尔滨 150020)



基于不同体型的三维模型自动分割方法研究

丛晓丹1，2，吴 冈1，2，高凤娇1，2

(1.黑龙江省科学院自动化研究所，哈尔滨 150090； 2.黑龙江省科学院高技术研究院，哈尔滨 150020)

对不同体型的人体点云数据进行三维模型分割是三维人体测量的难点问题，提出了一种基于不同体型的人体三维模型自动分割方法。针对人体不同连接部位的形态特点差异，将近似凸包边最大距离分割法、轮廓部位曲线迭代拟合分割法和躯干切面特征点分割法相结合，实现人体表面曲率结构特征和截面轮廓特征融合的分割方法。分割结果表明，本方法具有自动、快速和易操作等特点，既保证了分割位置的准确性，也实现了人体模型分割的普适性要求。

人体测量学；不同体型；特征融合；模型自动分割

人体测量学是人类学的一门重要分支，是采用测量方法来研究人体结构和人体外部特征的科学[1]。其内容不仅有对人体各部位直线、弧线和角度的测量，还有对人体面积、体积、肌力、体重和日常生理常数等的测量，并通过对人体的整体测量与局部测量来探讨人体的特征、类型、变异和发展规律。人体测量在医学、人类学、考古学研究中占有很重要的地位，同时也为工业生产、服装、建筑、军事等行业的设计工作提供了基本参考数据[2]。我国人体测量学的应用近年来发展较快，其重要性逐渐受到人们的重视。

三维人体测量主要包括6个步骤[3]，即：三维人体扫描、点云数据预处理及三维人体模型重建、人体模型部位分割、人体体型判断、特征点提取和特征尺寸计算。其中，人体模型部位分割和特征尺寸计算是实现三维人体精确测量的重点，而人体模型部位分割的正确与否是实现特征点提取和特征尺寸计算的重要前提。此外，针对不同体型三维人体模型分割方法也不同。因此，研究一种适合于不同体型的三维人体模型自动分割方法在人体测量中显得尤为重要。

三维人体模型重建之后，需要将整个人体模型分割成多个局部便于提取人体表面关键尺寸。一般将人体分割成头部、左上肢、右上肢、躯干、左下肢和右下肢6个部分。设S为整个人体表面三维数据点的集合，用Shead、Slefthand、Srighthand、Storso、Sleftleg和Srightleg6个子集分别表示这6个部分的三维数据点子集，如图1所示。把S精确划分给上述6个子集，则提取各部位尺寸时只需针对每个子集数据点去计算和测量，避免了从整个人体模型的三维数据点集中重复查找。这样，能极大地减少尺寸特征点的搜索范围，大大提高尺寸测量速度。

图1 人体部位分割图Fig.1 Body segmentation diagram

文献[4]提出了一种将人体分割分为6部分的算法，将整体点云模型上的测点识别问题转换为局部测点识别问题，实现左/右腋窝分叉点、颈部分割点和会阴点这些局部分割点的识别。但这种方法只能针对正常体型的人体实现精确识别，无法实现肥胖体型对这些局部分割点的正确识别。故本文提出了一种适合不同体型的人体三维模型自动分割方法，针对人体不同连接部位的形态特点差异，将近似凸包边最大距离分割法、轮廓部位曲线迭代圆形拟合分割法和躯干切片特征点分割法相结合，实现人体表面曲率结构特征和截面轮廓特征融合的自动分割。

2 三维人体模型分割算法

2.1 头部与躯干分割

传统头部与躯干分割采用最小围度法[5]，将脖根处人体上半身水平围度最小地方定为分割切面，该切面之上的三维数据点归属于头部Shead。本文分割头部采取近似凸包边最大距离分割法定位脖根处特征点，头颈轮廓到近似凸包边距离最远点即为定位分割切面的特征点。定位脖根处两个特征点的关键是确定头顶侧边点A和点B以及肩端点C和点D，如图2所示。具体方法如下：

第一，头顶侧边点A和点B定位：将人体模型三维数据投影到xoy平面上，得到正面头部轮廓数据。在y轴上头顶点下做身高2%的切片，切片内的轮廓数据中x值最小的数据点为A点，最大的为B点，故确定头顶侧边点A和点B。

第二，肩端点C和点D定位：分别将肩部x值和y值相差较小的轮廓数据点利用最小二乘拟合出直线L1和L2，相交于H，H离扫描数据点最近的点C即为肩端点。同理可得另外一个肩端点D。

图2 头部与躯干的分割图Fig.2 Segmentation diagram of head and trunk

2.2 下肢与躯干分割

下肢与躯干的分割通常以腿间分叉点做切片，将大腿和臀部分开[6]，但这种方法对体型肥胖人体模型分割时会造成下肢与躯干的分割偏差。本研究采用大腿根部水平切片和腿间分叉点两个关键特征进行分割。具体方法如下：

第一，将人体模型三维数据点投影到yoz平面，对臀部侧面凸轮廓采用曲线最小二乘法拟合成圆的方法经多次迭代求得拟合椭圆[5]，如图3所示。在获取臀部最高点E和圆心O后，延长EO交圆于F，计算E点以下每个轮廓点到F点的距离，将距离F点最近的胯底点G点作为下肢与躯干的分割特征点。过G点做平行于xoz平面的水平切面作为躯干和下肢的分割平面。

第二，为避免左右腿连接的情况，以腿间分叉点分割左右腿。过腿间分叉点做平行于yoz平面的垂直切面，分割平面轮廓点x坐标大于切面坐标的为Sleftleg，x坐标小于切面坐标的为Srightleg。

图3 下肢与躯干的分割图Fig.3 Segmentation diagram of lower limb and trunk

2.3 上肢与躯干分割

上肢与躯干的分割是通过肩端点与腋窝点间连线将手臂与躯干分开。腋窝点属于体内点无法根据扫描数据进行定位，故以很多文献以手臂和躯干的分叉点代替腋窝点，做纵向切片分割上肢与躯干[7]。但此种方法针对肥胖体型分割效果不尽如人意。本研究采用逐层切面代替固定的分界线，智能区分上肢与躯干。以右臂为例，具体方法如下：

第一，以右臂和躯干的分叉点开始以y轴步长s逐个向y轴正方向上做平行于xoz平面的切面。第一个切平片是过右手臂与躯干分叉点K的切面，如图4(a)所示。其后的切面如图4(b)所示。找到每个切面在z轴前后方向上的最凹点P、Q，PQ的连线作为右臂与躯干在该切面的分割线。

第二，将人体模型三维数据点投影到xoz平面，得到正面右肩轮廓数据，如图4(c)所示。采用本文2.1中头部与躯干的分割方法，切线拟合x坐标最小点为右肩端点J。

第三，沿y轴逐层切面接近肩端点J时将无法找到切面凹点，可将最后两个凹点与肩端点J组成的平面作为手臂与躯干的分割面，如图4(d)所示。

图4 手臂与躯干的分割图Fig.4 Segmentation diagram of arm and trunk

3 三维人体模型自动分割流程

为了实现人体三维模型的6个部位自动分割，具体的三维人体模型自动分割流程图如图5所示。

图5中，首先对被扫描对象的点云数据进行预处理。然后分别在头部与躯干、下肢与躯干及上肢与躯干这些关键点处进行分割并对分割有效性进行评价。若某个部位分割结果与实际不符，则会对其进行再次优化分割，若分割结果与实际相符，则将分割结果用于特征点提取和特征点尺寸计算。

图5 三维人体模型自动分割流程图Fig.5 3D model automatic segmentation flow diagram

4 分割实验结果及分析

4.1 三维人体数据扫描实验

以白光相位测量原理，搭建人体三维模型扫描系统[8]，如图6所示。依据GB/T 23698-2009采取立姿A[9]。进行扫描时，保持被扫描者静止不动，双臂分开且与躯干保持20°～30°夹角，双脚分开与肩同宽。既保证了大腿根部分叉处和双臂腋下的数据不丢失，也保证了扫描数据的稳定性。

图6 人体三维扫描系统Fig.6 3D body scanning system

本研究以Matlab平台实现人体分割算法。为验证本研究的普遍适应性，在实验前对三维扫描对象进行了选取。分别对50个正常体型和10个肥胖体型扫描对象进行三维扫描，并保存了其三维模型数据。研究首先拟从不同体型被扫描对象的6部分分割来验证所采用的自动分割方法的普适性。然后，采用多组被扫描对象自动分割数据和手动测量数据对比来验证分割位置的准确性。

4.2 实验结果及分析

4.2.1 头部与躯干分割结果

分别采用最小维度头颈分割法和本文提出的算法对两种体型的三维模型样本进行分割，如图7所示。结果显示，两种方法都可正确分割头颈。由于人体前脖颈边缘要低于后脖颈边缘，从脖根特征点引入分割切面倾斜角度，可使头部与躯干的分割更符合人体表面几何特征，使分割更加准确。

表1显示了两种分割算法得到的样本模型头部与躯干分割特征点位置z坐标(单位mm)与实际分割位置对比。通过误差对比可以看出，对于前50例正常体型和后10例肥胖体型总体误差均值，特征点算法精度优于最小围度法的分割方法，广泛适用于多种体型分割。

图7 头部和躯干分割结果Fig.7 Segmentation results of head and trunk

表1 头部与躯干分割特征点位置对比

4.2.2 下肢与躯干分割结果

分别采用腿间分叉点定位切面和胯底点定位切面对两种体型的三维模型样本进行下肢分割，分割结果如图8所示。结果显示，正常体型样本的腿间分叉点切面与胯底点切面非常接近如图8(a)，皆可正确分割。肥胖体型样本仅凭腿间分叉点分割下肢，会造成下肢分割错误，采用本文的分割方法可以避免这一错误，得到正确的分割结果，如图8(b)所示。

表2显示了两种分割算法得到的样本模型下肢与躯干分割特征点位置z坐标(单位mm)与实际分割位置对比。通过误差比较可以看出，对于前50例正常体型，两种方法总体误差均值近似，都可以达到准确分割的效果。对于后10例肥胖体型，本文算法解决了腿间分叉点定位偏低的问题，大大提高了分割精确度，可以广泛适用于多种体型人群。

图8 下肢和躯干分割结果Fig.8 Segmentation results of lower limb and trunk

表2 下肢与躯干分割特征点位置对比

4.2.3 上肢与躯干分割结果

分别采用手臂和躯干的分叉点定位分界线和逐层切面分界线对两种体型的三维模型样本进行上分割，分割结果如图9所示。结果显示，正常体型样本分叉点定位分界线(图9(a)右侧虚线)与逐层切面分界线(图9(a)左侧实线)皆可正确分割上肢和躯干。肥胖体型样本仅凭手臂和躯干的分叉点定位分割上肢，会导致上肢和胸部分界不明，部分属于上肢的数据点丢失，部分躯干的数 据点被归为上肢，如图9(b)右侧虚线所示。本文的分割方法采用逐层切面的方式，不受体型影响，分割线(9(b)左侧实线)接近实际情况，达到理想分割效果。

图9 上肢和躯干分割结果Fig.9 Segmentation results of upper limb and trunk

5 结论

本文提出了一种针对不同体型的人体三维模型自动分割方法，实现了头部、四肢与躯干的自动分离。实验采集了包括不同体型的共60组三维人体点云模型。通过分割算法将模型自动分割成6个部分。实验结果表明：本算法可以实现人体模型尤其是对肥胖体型模型的正确分割，经过与实际测量位置对比，误差均在5%以内，可以达到正常人体测量需求，增强了人体模型的普适性，拓宽了人体尺寸自动获取的适应人群，为后续研究奠定基础。

[1] 陈伟伟，陈雁.非接触式三维人体测量技术的进展及应用[J]. 纺织科技进展，2010，(06)：88-90.

[2] Q. Wang, T. Zhou, A New Figure Analysis System Based on the Data of 3D Body Scanner[M]. Third International Conference on Information and Computing. World Academic Press，2010：155-158.

[3] 赖军，王博，付全，等.基于点模型的人体尺寸自动提取方法[J].中南大学学报(自然科学版)，2014，45(8)：2676-2683.

[4] 吕方梅，习俊通，马登哲.人体表面点云数据的拓扑特征检测与自动分割[J].计算机工程与应用，2008，44(6)：196-198.

[5] 晏义，文志强，李世锋.基于轮廓曲线拟 合的人体下肢分割及其测量技术[J].湖南工业大学学报，2011，25(2)：85-89.

[6] 闫蓓，王斌，李媛.基于最小二乘法的椭拟合改进算法[J]. 北京航空航天大学学报，2008，34(3)：295-298.

[7] A. J. Chambers，A. L. Sukits，J. L. Mcrory，et al. The effect of obesity and gender on body segment parameters in older adults[J]. Clinical Biomechanics, 2010，25(2)：131-136.

[8] 宋昌江，吴冈，姜洋.基于双目立体视觉技术的人体扫描系统的设计[J]. 黑龙江科学，2014，5(6)：28-30.

[9] GB/T 23698-2009，三维扫描人体测量方法的一般要求[S].中国：中华人民共和国国家标准.

The study of 3D model automatic segmentation method based on different body dimensions

CONG Xiao-dan1,2, WU Gang1,2, GAO Feng-jiao1,2

(1.Institute of Automation, Heilongjiang Academy of Sciences, Harbin 150090, China; 2.Institute of Advanced Technology, Heilongjiang Academy of Sciences, Harbin 150020, China)

3D model segmentation according to the point cloud data of different body dimensions is a difficult problem in 3D body measurement, a 3D model automatic segmentation method based on different body dimensions is presented in this study. A segmentation method is implemented by fusing the body surface curvature structural characteristic and cross section profile characteristic, which is based on the morphological characteristics difference of the different parts of human body. The segmentation method is combined with approximate convex-edge-maximum separation method, contour partial curve iteration fitting segmentation method, trunk segmentation feature point segmentation method. The segmentation result demonstrates that this method presents the characteristics of automatic, quickly and easy-operation, which can not only ensure the accuracy of the segmentation location but also achieve the universal requirements of human body model segmentation.

Anthropometry; Different body dimensions; Characteristic fusion; Model automatic segmentation

2016-10-25

黑龙江省科学院青年创新基金项目“三维人体测量中关键尺寸自动提取技术的研究”

丛晓丹(1988-)，女，硕士，助理研究员。

TP391.4

A

1674-8646(2017)02-0002-05