基于真实三维人体点云的特征参数提取

李静，尹伟石，孟品超

（长春理工大学 数学与统计学院，长春 130022）

在当前互联网发展越来越快的今天，从三维人体点云数据中提取人体特征参数，是计算机视觉领域中较为重要的内容。从点云数据中提取人体特征参数的关键在于如何快速、准确地提取特征点。国内外研究者相继对特征参数提取提供了较多的研究思路。Li 等人［1］提出一种多传感器信息采集系统获得人体的主要特征参数。马燕等人［2］构建卷积神经网络模型结合曲线拟合法计算人体尺寸。黄小源等人［3］利用三维扫描点云数据建立合适的胸围预测回归模型获得胸围数据。Yan 等人［4］利用扫描仪来捕获点云拟合到标准模板上来测量多圆周路径长度。Liu 等人［5］来通过熵权法和主成分分析对胸部形状分类来获得最佳测量值。Huang 等人［6］提出一种基于正面人体图像通过神经网络预测模型提取相应特征点计算特征参数的方法。鲍陈等人［7］将获得的人体三维点云数据进行预处理，并结合人体几何形状法提取特征点、特征边界点云，通过三次B 样条拟合计算围度求得人体尺寸。Liu 等人［8］利用人体姿态估计和图像边缘检测的非接触式围长测量方法。据了解，目前相关研究均是基于仿真数据或含有少量真实数据提取人体特征参数，本文将全部采用真实三维人体点云数据进行人体特征参数研究。

1 三维人体点云数据预处理

真实三维人体原始点云数据［9］通常会存在一些噪声点，因此需要对真实三维人体点云数据进行预处理，具体包含有坐标调整和点云分割等。

1.1 三维点云坐标调整

由于原始点云数据集中存在部分噪声点，利用滤波处理法得到人体点云轮廓模型。原始点云数据通过扫描系统获得时是以相机中心为坐标原点，考虑对点云数据进行坐标转换，使人体位于基准面上。首先，计算人体点云的几何中心坐标：

其中，N是点云数据个数；P= (px，py，pz)；Pi=(xi，yi，zi) ∈R3表示原始点云坐标。根据中心点坐标以及相机摆放角度β（相机摆放位置与X轴的角度）可得到绕Z轴旋转的仿射变换矩阵M，表示如下：

转换后点云坐标(x′i，y′i，z′i)计算公式如下：

其中，M′表示M的转置。将人体三维点云模型调整到以人体中心点为坐标原点的坐标轴上，用Ω表示整个人体调整后点云数据集，如图1 所示，进而可以识别人体正背面，其中Z轴方向为人体纵向方向。

图1 真实三维人体点云示意图

1.2 三维人体点云分割

通过有效的人体分割［10］可以减少计算量以及提取特征点的难度，下面将人体分割成不同部分提取相应的特征点。人体特征点估计位置［11］如图2 所示。

图2 各特征点所在水平面对应位置示意图

考虑将腋窝点和会阴点作为分割点来分割人体形状，如图3 所示，人体点云数据集可以分成双臂、双腿和躯干与头部，则下式成立：

图3 人体分割示意图

其中，ΩLA、ΩRA分别为左、右臂的数据集；ΩLL、ΩRL分别为左、右腿的数据集；ΩMB为躯干与头部数据集。

在获得调整后的三维人体点云数据后，首先计算人体身高H，其表达式为：

其中，Zmax为点云数据中人体Z轴方向上最大值；Zmin为点云数据中人体Z轴方向上最小值。人的身高值H进行归一化后就可以利用各个人体特征点位置百分比为提取特征参数提供先验信息。人体特征点的估计值用hi表示，则：

其中，λchara为人体特征点在归一化的身高值的占比率；hi为提取人体估计特征点的纵坐标值。

下面以腋窝点为例说明分割点提取方法。根据人体特征点与身高H的比例关系，取肩峰点所在截面hhegin= 0.82H，以肩峰点所在平面为起始搜索位置，垂直向下等步长依次搜索截面扫描点云，步长取值为2 mm。在搜索区域上，针对截取的特征截面点云上，经过特征截面点云边界识别等操作，得到满足条件的特征截面边界环Ra，将得到的各个特征截面边界环Rai中点云坐标(xi，yi)投影到X轴上，利用空隙查找法，将投影到X轴的坐标点(xi，0)从小到大进行排序，得到序列(xi，1，xi，2，…，xi，n)，计算相邻2 个点(xi，j，0)、(xi，j+1，0)的横坐标的差值：

当Ci，j大于某个阈值时，判断出此处存在1个空隙，即出现不连通的环。当空隙个数从1 变为2 时，找到腋窝点截面环Rarmpit，则腋窝点为(xi，j+1，yi，j+1，zi)、(xi，t，yi，t，zi)。类似的方法也可以得到会阴点。

2 人体特征点提取以及特征参数计算

针对人体特征点的提取，本文考虑利用分层探索来寻找特征点，获得人体特征截面点云，构建搜索区域内人体扫描线点云集合。真实三维人体点云坐标排布方式并不是稠密的，直接截取特征截面上收集的点云分布较稀疏。考虑截取一定厚度的空间点云投影到XOY平面上，提高了计算数据的数据量和准确性，也有利于后续更好地进行目标特征参数的提取。

依据人体特征点与身高的对应关系，考虑在合适的搜索区域范围内，利用分层探索法获取人体特征点和特征截面点云，通过特征点云边界提取，得到特征边界线，从而计算出三维人体特征参数。

2.1 腰围的计算过程

真实人体体型各不相同，但大致可分为两大类：正常体型与肥胖体型。针对腰围的计算过程，主要体现在肥胖人群肚子凸出。腰围长的计算步骤如下：

（1）由人体特征点与身高的关系，取胸高点hchest= 0.72H，臀凸点hbuttocks= 0.53H，确定搜索区域为[0.72H，0.53H]。

（2）在搜索区域内，从h= 0.72H为起始向下搜索平面，获取一系列特征截面点云集合{S1，S2，…，Sn}。

（3）对于每个特征截面Si上利用边缘识别法得到边界轮廓点，得到特征边界线集合{R1，R2，…，Rn}。

（4）针对每个特征轮廓边界线Ri上点云构成集合{(xi，j，yi，j)j∈Mi}，其中Mi为Si中点云的个数。计算集合{(xi，j，yi，j)j∈Mi}中相邻两点之间的距离得到特征轮廓边界线的围长并用li表示，则有序拾取点云坐标可以计算围长：

其中，(xi，j，yi，j)、(xi，j+1，yi，j+1) 表示相邻两点的坐标，i∈{1，2，…，n}。

（5）针对每个人体计算出其搜索区域内全部的特征轮廓边界线的围长，构成集合tm∈{t1，t2，…，tm，…，tn}，若存在tm，使得下式成立：

则该人体体型为正常型，且腰围值为tm。

若存在ta∈{t1，t2，…，ta，…，tb}，使得下式成立：

则该人体体型为肥胖型，且腰围值为ta。如图4 所示，展示的是正常和肥胖体型示意图。

图4 不同体型示意图

2.2 其他特征参数的计算过程

对于其他人体特征参数提取，以大腿围和胸围为例进行介绍。

（1）针对大腿围的提取，由1.2 中类比腋窝点得到会阴点的提取过程可知，会阴点所在平面为大腿围特征截面，且大腿根部搜索区域上、下方截取的截面情况如图5 所示，右侧居中图表示大腿围所在特征截面图。

图5 人体大腿围搜索域和截面轮廓

（2）针对胸围的情况，搜索区域从腋窝点harmpit= 0.75H到腰侧点hwaist= 0.63H，沿Z轴垂直向下等步长截取点云面{S′1，S′2，…，S′t}。考虑实际测量情况，如图6 所示，实心点表示的是指胸围所在特征截面点云，黑色实线表示的是实际计算胸围的轮廓。计算胸围时，利用边缘识别法对所得的特征截面点云进行平滑化，避免胸部凹槽的变化对计算值带来影响，拟合得到特征轮廓边界线l′i。

图6 胸部特征截面计算示意图

有序拾取点云坐标计算特征截面Si的围长，比较多个围长li的值，若存在l′c∈{l′1，l′2，…，l′t}，使得下式成立：

取最大值l′c= max{l′1，l′2，…，l′t}为该人体的胸围长。

3 数值结果

针对文献［9］得到的真实三维人体点云数据计算其相应的特征参数，以一位女性和一位男性为例，如图7 所示，来验证该方法的有效性。首先，对原始点云数据进行预处理，再利用人体几何形状分析法确定为正常或肥胖体型，再根据特征参数的定义，利用分层探索法来得到定位特征点和特征截面点云，然后利用边缘识别法提取特征轮廓边界线，最后有序拾取点云坐标计算总围长。测试真实人体特征参数的相应结果如表1 所示。

表1 人体特征参数计算结果比较（长度/cm）

图7 测试人体示意图

考虑采用相对误差来估计研究方法的有效性，相对误差表达式：

其中，E为相对误差；R、I分别为人体特征参数的真实值与数值结果。

本文提出的算法针对男性、女性的特征参数的提取总时长如表2 所示。

表2 人体特征参数计算总时长

通过表2 可以发现，所提出的方法针对真实三维人体点云数据的特征参数提取的效果较好，各个特征参数的相对误差都在3%以内。由表2 可知，误差主要体现在胸围、臀围、颈围和肩宽的计算中，对于上述结果，手动测量与算法计算得到的结果会存在一定的误差，针对围长类计算，测量的位置偏差、测量时操作卷尺是否规范等都会引起计算结果的差距。对于肩宽的计算，本文的方法是采用双臂打开测量肩宽的长度，这可能存在打开角度大小、肌肉收缩程度引起的误差。

4 结论

本文提出了一种基于真实三维人体特征参数提取的研究方案，有效地实现从真实三维人体点云数据中提取不同的人体特征参数。在后续的研究工作中，针对点云数据空缺补充、散乱点云精简、不同人体体型特征点的精准提取等相关内容继续研究，提高人体特征参数获取的准确性。并进一步改进方案的快速性和准确性，扩充人体模型样本数据集，完善人体尺寸自动测量方案，并增加人体更多部位的测量尺寸信息。