李靈杰,童 晶,2,步文瑜,孫海舟,陳正鳴,2

(1.河海大學(xué)物聯(lián)網(wǎng)工程學(xué)院,江蘇 常州 213022; 2.常州市圖形圖像與骨科植入物數(shù)字化技術(shù)重點(diǎn)實(shí)驗(yàn)室,江蘇 常州 213022)

0 引 言

隨著社會(huì)經(jīng)濟(jì)發(fā)展，生活水平的提高，人們對(duì)定制產(chǎn)品和定制服務(wù)的需求越來(lái)越多，例如人體工學(xué)設(shè)計(jì)、服裝高級(jí)定制、健身計(jì)劃定制和定量跟蹤等。這些需求涉及了人體語(yǔ)義特征，人體語(yǔ)義特征是指人體的身高、胸圍、腰圍、腿長(zhǎng)等一系列維度信息。

為獲取人體語(yǔ)義特征，傳統(tǒng)的方法是手工測(cè)量。測(cè)量者借助皮尺、測(cè)高計(jì)等傳統(tǒng)工具對(duì)被測(cè)者各身體部位手工測(cè)量并記錄數(shù)據(jù)[1-2]。手工測(cè)量方法靈活方便，簡(jiǎn)單易行，幾乎可以獲得所有的人體特征數(shù)據(jù)，因此得到了長(zhǎng)期而又廣泛的應(yīng)用。但是測(cè)量結(jié)果的精確度與測(cè)量者的技術(shù)水平相關(guān)，測(cè)量時(shí)間與測(cè)量者的熟練程度相關(guān)。通常情況下，測(cè)量誤差較大，測(cè)量時(shí)間長(zhǎng)，而且極大地消耗測(cè)量者體力、精力，不適合大規(guī)模、快速獲取語(yǔ)義特征的情形[3-4]。

基于三維人體模型提取語(yǔ)義特征提供了一種快速、精確、可大規(guī)模使用的解決方案，也促進(jìn)了語(yǔ)義特征在各方面的應(yīng)用。例如，我國(guó)總后勤軍備研究所對(duì)全軍進(jìn)行了抽樣測(cè)量，建立了我國(guó)軍人服裝尺寸數(shù)據(jù)庫(kù)，并對(duì)我國(guó)軍人的體型特征進(jìn)行了深入研究，建立了比較完善的軍服號(hào)型系統(tǒng)[5]。Body Labs公司采用三維可視化技術(shù)，掃描人體獲取數(shù)字模型，提取人體參數(shù)，為消費(fèi)者和生產(chǎn)者提供服務(wù)。Body Labs公司已與美國(guó)陸軍Natick士兵研發(fā)和工程中心簽訂協(xié)議，掃描了一萬(wàn)多名士兵的全身數(shù)據(jù)來(lái)提取人體模型參數(shù)，制定統(tǒng)計(jì)模型，為防彈衣的設(shè)計(jì)提供參考依據(jù)[6]。

三維人體模型中的語(yǔ)義特征通常需要借助特征點(diǎn)或特征曲線表達(dá)。Wang等人[7-8]提出了從點(diǎn)云數(shù)據(jù)中提取特征點(diǎn)和特征曲線的算法，該方法從點(diǎn)云模型中提取尖點(diǎn)和拐點(diǎn)，結(jié)合相應(yīng)的人體測(cè)量標(biāo)準(zhǔn)提取特征點(diǎn)。首先對(duì)點(diǎn)云數(shù)據(jù)去噪、調(diào)整點(diǎn)云模型的方向；然后重建點(diǎn)云模型為網(wǎng)格模型；最后結(jié)合人體測(cè)量標(biāo)準(zhǔn)構(gòu)建特征曲線。Wang等人的方法只能測(cè)量特定姿勢(shì)的人體模型參數(shù)，另外該方法提取的特征曲線與模型不貼合，測(cè)得的結(jié)果誤差比較大。Azouz等人[9]提出了一種自動(dòng)標(biāo)記人體特征點(diǎn)(landmarks)的算法，該算法基于統(tǒng)計(jì)學(xué)習(xí)，分為學(xué)習(xí)階段和匹配階段。學(xué)習(xí)階段基于所構(gòu)建的三維特征描述子Spin Images統(tǒng)計(jì)特征點(diǎn)的分布和相對(duì)位置。匹配階段指定一個(gè)特征點(diǎn)開(kāi)始匹配。該算法需要統(tǒng)計(jì)大量的特征點(diǎn)數(shù)據(jù)。Leong等人[10]更進(jìn)一步提出了少標(biāo)記(mark-less)的特征點(diǎn)和特征曲線提取算法，從深度圖中提取特征點(diǎn)映射至三維模型。其核心思想是特征點(diǎn)主要分布在深度圖的階躍點(diǎn)，特征曲線由系列屬性相似的特征點(diǎn)確定。利用該方法，作者提取了21組特征點(diǎn)和35組特征曲線。該方法基于深度圖提取，對(duì)噪聲非常敏感。Probst等人[11]提出的基于隨機(jī)森林的方法，是一種將局部預(yù)測(cè)累積為全局的、圖像級(jí)的人體測(cè)量的方法，其目標(biāo)函數(shù)依賴于圖像預(yù)測(cè)和局部預(yù)測(cè)估計(jì)模型參數(shù)。Song等人[12]提出了一種有效的服裝尺寸自動(dòng)預(yù)測(cè)方法，以人的身高、前視圖和側(cè)視圖中的穿著人體輪廓作為輸入，采用數(shù)據(jù)驅(qū)動(dòng)的方法估計(jì)三維人體語(yǔ)義特征。Xu等人[13]提出了一種在人們穿著衣服的情況下，從一個(gè)運(yùn)動(dòng)傳感器上測(cè)量具有大規(guī)模運(yùn)動(dòng)的人體的精確參數(shù)，并采用時(shí)空分析方法來(lái)挖掘姿勢(shì)變化的信息。ShapeMate[14]方法是一種為在線商店提供人體形狀估計(jì)的方法，該方法利用單幅照片恢復(fù)人體模型并預(yù)測(cè)模型的特征信息。其中幾種方法的特征曲線圖和示意圖如圖1、圖2所示。

針對(duì)上述問(wèn)題，本文提出一種基于模板匹配的三維人體語(yǔ)義特征提取算法。首先將三維人體模型數(shù)據(jù)庫(kù)拓展為人體語(yǔ)義特征數(shù)據(jù)庫(kù)；然后將輸入模型和模板模型配準(zhǔn)，根據(jù)模板上標(biāo)注的語(yǔ)義特征采樣點(diǎn)擴(kuò)充出輸入模型的語(yǔ)義特征采樣點(diǎn)，使用貝塞爾曲線擬合特征采樣點(diǎn)，形成一系列特征曲線；最后計(jì)算特征曲線長(zhǎng)度，得到輸入模型的語(yǔ)義特征參數(shù)。實(shí)驗(yàn)表明本文算法提高了語(yǔ)義特征提取的準(zhǔn)確性，自動(dòng)化程度良好，并且具有優(yōu)秀的擴(kuò)展性。

(a) 文獻(xiàn)[7]結(jié)合人體測(cè)量標(biāo)準(zhǔn)提取特征曲線

(b) 文獻(xiàn)[9]基于統(tǒng)計(jì)學(xué)習(xí)提取特征點(diǎn)

(c) 文獻(xiàn)[10]基于深度圖提取特征曲線

(a) 文獻(xiàn)[12]數(shù)據(jù)驅(qū)動(dòng)的方法

(b) 文獻(xiàn)[13]基于時(shí)空分析的方法

(c) ShapeMate基于單幅照片的方法

1 算法描述

1.1 主要概念

1)語(yǔ)義特征。語(yǔ)義特征是指人體的各種維度，例如身高、胸圍、腰圍、腿圍等維度。

2)語(yǔ)義特征采樣點(diǎn)。語(yǔ)義特征采樣點(diǎn)是用來(lái)擬合語(yǔ)義特征曲線的采樣點(diǎn)，這些采樣點(diǎn)位于語(yǔ)義特征實(shí)際位置的附近，簡(jiǎn)稱特征采樣點(diǎn)。

3)語(yǔ)義特征曲線。語(yǔ)義特征曲線是用來(lái)定位語(yǔ)義特征的三次曲線，通過(guò)計(jì)算曲線的長(zhǎng)度，得到模型的語(yǔ)義特征，簡(jiǎn)稱特征曲線。

4)三維人體數(shù)據(jù)庫(kù)。含有多個(gè)三維人體模型的數(shù)據(jù)集，模型采用多邊形網(wǎng)格或點(diǎn)云表達(dá)，以下簡(jiǎn)稱人體數(shù)據(jù)庫(kù)。

5)三維人體分割數(shù)據(jù)庫(kù)。是對(duì)三維人體數(shù)據(jù)庫(kù)進(jìn)行對(duì)象分割，以下簡(jiǎn)稱分割數(shù)據(jù)庫(kù)。

6)三維人體骨骼數(shù)據(jù)庫(kù)。是對(duì)三維人體數(shù)據(jù)庫(kù)進(jìn)行骨骼抽取所得數(shù)據(jù)庫(kù)，以下簡(jiǎn)稱骨骼數(shù)據(jù)庫(kù)。

7)三維人體語(yǔ)義特征數(shù)據(jù)庫(kù)。是一種三維人體模型數(shù)據(jù)庫(kù)，模型標(biāo)記了語(yǔ)義特征采樣點(diǎn)，簡(jiǎn)稱特征數(shù)據(jù)庫(kù)。

8)模板模型。預(yù)處理過(guò)的人體模型，包含語(yǔ)義特征、分割信息和骨骼。

9)參數(shù)化人體模型。指已標(biāo)注特征曲線的人體模型，可通過(guò)計(jì)算特征曲線的長(zhǎng)度得到人體模型的語(yǔ)義參數(shù)。

1.2 總體流程

算法的總體過(guò)程分為人體數(shù)據(jù)庫(kù)擴(kuò)展和語(yǔ)義特征提取2個(gè)步驟。首先介紹核心部分——語(yǔ)義特征提取。

1.2.1 語(yǔ)義特征提取

本文提出的方法基于模板匹配算法，總體流程分3個(gè)步驟：模型預(yù)處理、模型配準(zhǔn)和擬合與計(jì)算。

1)模型預(yù)處理階段。模板模型來(lái)源于三維人體語(yǔ)義特征數(shù)據(jù)庫(kù)，數(shù)據(jù)庫(kù)中有多個(gè)不同姿態(tài)、不同體型的人體模型，選擇合適的人體模板模型是準(zhǔn)確匹配輸入模型和減少迭代次數(shù)的關(guān)鍵。為減少后續(xù)步驟的計(jì)算量，選取的模板模型應(yīng)盡可能與輸入模型相似。選取模型模板的主要依據(jù)是模型的姿勢(shì)，需借助骨節(jié)點(diǎn)坐標(biāo)衡量，因此需要對(duì)三維人體數(shù)據(jù)集中的模型進(jìn)行骨架提取[1]。

2)模型配準(zhǔn)階段。為減少非剛體配準(zhǔn)過(guò)程中迭代次數(shù)，先對(duì)模板模型和輸入模型進(jìn)行剛體配準(zhǔn)。配準(zhǔn)完成后，模板模型逼近輸入模型且保持了拓?fù)浣Y(jié)構(gòu)。

3)擬合與計(jì)算階段。使用NURBS曲線擬合配準(zhǔn)后模板模型的特征采樣點(diǎn)，形成特征曲線，計(jì)算特征曲線長(zhǎng)度，得到輸入模型的語(yǔ)義特征參數(shù)。整個(gè)提取過(guò)程的流程如圖3所示。

圖3 特征提取算法流程

1.2.2 人體數(shù)據(jù)庫(kù)擴(kuò)展

在1.2.1節(jié)中提到模板匹配階段需要預(yù)先選擇模板模型，而模板模型來(lái)自于特征數(shù)據(jù)庫(kù)。特征數(shù)據(jù)庫(kù)的構(gòu)建基于開(kāi)放數(shù)據(jù)集MPI[15]人體數(shù)據(jù)集。MPI數(shù)據(jù)集包含114個(gè)人體模型，使用時(shí)，從中剔除姿勢(shì)過(guò)于復(fù)雜扭曲的人體模型。每個(gè)人體包含35個(gè)姿態(tài)，每個(gè)模型有6449個(gè)頂點(diǎn)和12894個(gè)三角面片，所有模型拓?fù)湟恢?。樣本?shù)據(jù)如圖4所示。

圖4 MPI三維人體樣本數(shù)據(jù)

人體數(shù)據(jù)庫(kù)的擴(kuò)展過(guò)程依次構(gòu)建3個(gè)數(shù)據(jù)庫(kù)：模型分割數(shù)據(jù)庫(kù)、骨骼數(shù)據(jù)庫(kù)和特征數(shù)據(jù)庫(kù)。人體數(shù)據(jù)庫(kù)中的所有網(wǎng)格模型拓?fù)湟恢拢虼藢?duì)其中一個(gè)模型操作即可將結(jié)果應(yīng)用于整個(gè)數(shù)據(jù)庫(kù)，此過(guò)程是半自動(dòng)化的，流程如圖5所示。

圖5 人體數(shù)據(jù)庫(kù)擴(kuò)展過(guò)程總體流程

1)拓展分割信息和人體骨骼的過(guò)程。首先對(duì)人體模型進(jìn)行形狀分割；然后將相鄰2個(gè)分割塊的邊界中心作為一個(gè)骨骼節(jié)點(diǎn)，按照一定的順序連接這些節(jié)點(diǎn)，形成人體骨骼；最后，將這些分割擴(kuò)展到整個(gè)數(shù)據(jù)庫(kù)，并抽取骨骼，形成三維人體分割數(shù)據(jù)庫(kù)和三維人體骨骼數(shù)據(jù)庫(kù)。三維人體分割數(shù)據(jù)庫(kù)是中間數(shù)據(jù)，骨骼數(shù)據(jù)庫(kù)主要用于特征提取過(guò)程。

2)拓展語(yǔ)義特征的過(guò)程。首先，標(biāo)記一個(gè)模型的語(yǔ)義特征采樣點(diǎn)；然后將采樣點(diǎn)擴(kuò)展到整個(gè)數(shù)據(jù)庫(kù)；最后，對(duì)每個(gè)模型的采樣點(diǎn)使用非均勻有理B樣條(Non-Uniform Rational B-Spline, NURBS)擬合，得到特征曲線。語(yǔ)義特征在樣本上的示意圖如圖6所示。

(a) 特征采樣點(diǎn) (b) 特征曲線

1.3 核心算法

在數(shù)據(jù)庫(kù)擴(kuò)展階段和特征提取階段涉及形狀分割、骨骼抽取、模型配準(zhǔn)等算法。

1.3.1 形狀分割

形狀分割采用基于平面約束(Constrained Planar Cuts, CPC)[16]的算法,目標(biāo)是分割出有意義的對(duì)象，例如人的肢體。算法的優(yōu)點(diǎn)在于摒棄額外的訓(xùn)練過(guò)程，自底向上地將三維模型分割成有意義的部分。核心思想是生成附帶凹凸信息的點(diǎn)云，并且在“凹”的點(diǎn)云上擬合出切割平面。針對(duì)出現(xiàn)“過(guò)分割”的情況，作者提出2種“修補(bǔ)”方法：權(quán)重引導(dǎo)方法和局部約束方法。權(quán)重引導(dǎo)方法中，垂直于凹邊表面的點(diǎn)具有更高的權(quán)重；局部約束方法中先對(duì)凹點(diǎn)進(jìn)行歐氏分割限制切割面的增長(zhǎng)上限，再對(duì)子域進(jìn)行分割。圖7展示了分割算法的測(cè)試結(jié)果。圖8是CPC算法在本文數(shù)據(jù)集上的測(cè)試結(jié)果。

(a) 鄰接圖 (b) 從鄰接圖中提取歐幾里得邊緣點(diǎn)云以及點(diǎn)權(quán)重 (c) 用第1個(gè)平面切割結(jié)果

圖7 CPC算法測(cè)試結(jié)果

圖8 CPC算法在本文數(shù)據(jù)集上的測(cè)試結(jié)果

1.3.2 骨骼抽取

從分割過(guò)的模型中抽取骨骼信息步驟：每2個(gè)分割部件交界中點(diǎn)構(gòu)建一個(gè)骨節(jié)點(diǎn)，按照一定順序連接這些骨節(jié)點(diǎn)，形成模型的骨骼。骨骼抽取示意圖如圖9所示。

圖9 骨骼抽取示意圖

1.3.3 模型配準(zhǔn)

模型配準(zhǔn)是將模板模型向輸入模型變形的過(guò)程，讓三維人體模板模型拓?fù)浣Y(jié)構(gòu)不變而使姿態(tài)和體型向輸入模型逼近。在1.2.1節(jié)中提到，模板模型來(lái)源于語(yǔ)義特征數(shù)據(jù)庫(kù)，而數(shù)據(jù)庫(kù)中有多個(gè)人體模型，為提高算法的運(yùn)行效率，本文采取了以下加速方法：

1)選取合適的模板模型，模板模型的姿態(tài)和輸入模型盡可能相似，本文使用骨骼的相似性衡量模型的相似性，具體在1.3.3.1節(jié)詳述。

2)進(jìn)行剛體配準(zhǔn)，變形之前調(diào)整模板模型的朝向、位置，讓輸入模型和模板模型在世界坐標(biāo)空間中重疊。剛體配準(zhǔn)過(guò)程在1.3.3.2節(jié)詳述。

1.3.3.1 計(jì)算骨骼相似性

計(jì)算輸入模型與特征數(shù)據(jù)庫(kù)中的模型骨骼相似性，選取相似性誤差最小的模型作為模板模型，本文定義相似性誤差Se為：

(1)

1.3.3.2 剛體配準(zhǔn)

剛體配準(zhǔn)分為2個(gè)步驟：1)方向包圍盒對(duì)齊；2)采用迭代最近點(diǎn)算法[17]剛體配準(zhǔn)的迭代配準(zhǔn)。

1)方向包圍盒對(duì)齊。

(2)

(3)

(a) 仿射變換前 (b) 仿射變換后圖10 方向包圍盒對(duì)齊

2)迭代最近點(diǎn)算法剛體配準(zhǔn)。

(4)

(a) 配準(zhǔn)前 (b) 配準(zhǔn)后圖11 迭代最近點(diǎn)配準(zhǔn)

1.3.3.3 非剛體配準(zhǔn)

非剛體配準(zhǔn)的目標(biāo)是讓模板模型盡可能逼近輸入模型，采用構(gòu)造最小化能量函數(shù)的方法。采用Allen等人[18]的方法進(jìn)行人體網(wǎng)格變形實(shí)驗(yàn)，當(dāng)模板網(wǎng)格和目標(biāo)網(wǎng)格差異比較大時(shí)，該方法失效，如圖12所示。觀察圖12(c)可以發(fā)現(xiàn)，在手臂和小腿出現(xiàn)了破損的面。圖13為本文算法在數(shù)據(jù)集上的測(cè)試結(jié)果，測(cè)試多個(gè)模型后，發(fā)現(xiàn)本文算法在數(shù)據(jù)集上表現(xiàn)良好。

(a) 模板網(wǎng)格 (b) 目標(biāo)網(wǎng)格 (c) 采用文獻(xiàn)[18]算法變形后的網(wǎng)格圖12 文獻(xiàn)[18]算法測(cè)試結(jié)果

(a) 目標(biāo)三維模型

(b) 變形得到的三維模型圖13 本文算法在數(shù)據(jù)集上的測(cè)試結(jié)果

1)拉普拉斯網(wǎng)格變形。

本文提出用拉普拉斯(Laplacian)網(wǎng)格編輯算法替代Allen等人[18]的標(biāo)記點(diǎn)誤差項(xiàng)，分別在模板網(wǎng)格和目標(biāo)網(wǎng)格上選取56對(duì)一一對(duì)應(yīng)的標(biāo)記點(diǎn)，作為L(zhǎng)aplacian網(wǎng)格編輯中的標(biāo)記點(diǎn)。變形后，標(biāo)記點(diǎn)從模板網(wǎng)格中的坐標(biāo)位置變到目標(biāo)網(wǎng)格中的坐標(biāo)位置[19]。

本文使用Kwok等人[20]的選取特征點(diǎn)軟件Add_FP，使用該軟件可以手工選取頂點(diǎn)，并導(dǎo)出頂點(diǎn)的序號(hào)索引和坐標(biāo)位置。頂點(diǎn)(關(guān)鍵點(diǎn))示例如表1所示。

表1 關(guān)鍵點(diǎn)格式示例

在模板網(wǎng)格和目標(biāo)網(wǎng)格中分別手工標(biāo)記一一對(duì)應(yīng)的標(biāo)記點(diǎn)并盡量保持標(biāo)記點(diǎn)的位置對(duì)應(yīng)。例如在模板網(wǎng)格上，標(biāo)記點(diǎn)在外腹斜肌中間位置，那么在目標(biāo)網(wǎng)格上也應(yīng)該標(biāo)記在外腹斜肌的中間位置，如圖14所示。

圖14 關(guān)鍵點(diǎn)標(biāo)記示意圖

(5)

2)數(shù)據(jù)誤差和光滑度誤差。

在前面提到本文方法借鑒了Allen等人的方法，但是屏蔽了標(biāo)記點(diǎn)誤差，利用標(biāo)記點(diǎn)進(jìn)行了粗略的網(wǎng)格變形，變形后模板網(wǎng)格姿勢(shì)與目標(biāo)網(wǎng)格姿勢(shì)相同。為了使模板網(wǎng)格的體型與目標(biāo)網(wǎng)格也相同，本文引入數(shù)據(jù)誤差和光滑度誤差。

數(shù)據(jù)誤差項(xiàng)表示的是變形后網(wǎng)格的頂點(diǎn)與目標(biāo)網(wǎng)格頂點(diǎn)間的距離之和，當(dāng)距離之和越小時(shí)，說(shuō)明二者匹配得越好。數(shù)據(jù)誤差目標(biāo)函數(shù)Ed定義為變形后網(wǎng)格的頂點(diǎn)與目標(biāo)網(wǎng)格頂點(diǎn)間的距離平方和，計(jì)算公式如下：

(6)

僅使用數(shù)據(jù)誤差，會(huì)導(dǎo)致變形后的模型表面凹凸不平。為解決該問(wèn)題，本文引入了光滑度誤差。光滑度誤差Es定義為模板網(wǎng)格上相鄰頂點(diǎn)仿射變換之差的F范數(shù)，計(jì)算公式如下：

(7)

其中，‖·‖F(xiàn)為弗羅貝尼烏斯范數(shù)，弗羅貝尼烏斯范數(shù)定義為：

(8)

通過(guò)極小化鄰接頂點(diǎn)變換的差異，保留了鄰接頂點(diǎn)之間的光滑性。

3)合并誤差項(xiàng)。

最終目標(biāo)函數(shù)定義為：

E=αEd+βEs

(9)

其中，α、β是權(quán)重參數(shù)，求解該目標(biāo)函數(shù)的最小值，就可使變形后的模板網(wǎng)格和目標(biāo)網(wǎng)格貼近，并且使變形后的目標(biāo)網(wǎng)格保持光滑。

(10)

對(duì)上式Ti中的每一個(gè)元素求偏導(dǎo)數(shù)，令偏導(dǎo)數(shù)的值為0，求解偏導(dǎo)函數(shù)，即為使目標(biāo)函數(shù)極小的變換矩陣。然后對(duì)模板網(wǎng)格中的每個(gè)頂點(diǎn)施加對(duì)應(yīng)的變換，就可以得到最終的變形結(jié)果。

1.3.4 非均勻有理B樣條逼近

非均勻有理B樣條的光順和逼近技術(shù)是NURBS曲線曲面造型中應(yīng)用最為廣泛的技術(shù)，是根據(jù)一系列型值點(diǎn)通過(guò)一定算法得到滿足逼近精度和光順程度的NURBS曲線，如圖15所示。本文采用的是蘭浩等人[21]提出的算法，是基于能量?jī)?yōu)化的整體光順逼近算法，在給定若干型值點(diǎn)坐標(biāo)和逼近誤差限ε的條件下，擬合出滿足逼近誤差限且光順度較好的3次NURBS曲線[10]。

圖15 NURBS曲線逼近示意圖(胸圍曲線)

為擬合出符合要求的NURBS曲線，并且具有較高的逼近精度和光順度，蘭浩等人[21]定義了目標(biāo)構(gòu)造函數(shù)：

f=α·f1+β·f2+γ·f3

(11)

其中，f1為逼近項(xiàng)，用來(lái)使曲線盡量靠近型值點(diǎn)；f2為光順項(xiàng)，用于控制曲線的光順度，通過(guò)限制離散點(diǎn)的“曲率和”使整條曲線和趨于最小；f3也是光順項(xiàng)，但是其作用是使整條曲線的曲率變化均勻。α、β、γ是加權(quán)系數(shù)，合理的設(shè)置加權(quán)系數(shù)可以使得f1、f2、f3取得協(xié)調(diào)的組合，從而得到擬合精度、光順度都較好的曲線擬合效果。

2 實(shí)驗(yàn)研究

2.1 實(shí)驗(yàn)數(shù)據(jù)

本文的實(shí)驗(yàn)材料一部分來(lái)源于MPI數(shù)據(jù)集，另一部分來(lái)源于自行掃描所得人體模型。

自行掃描的實(shí)驗(yàn)數(shù)據(jù)采用精迪非接觸式三維人體掃描設(shè)備掃描，掃描精度>1 mm。掃描模型有165525個(gè)頂點(diǎn)和331054個(gè)三角面片。掃描模型比MPI數(shù)據(jù)庫(kù)模型頂點(diǎn)密度高、精度大，但是由于掃描角度問(wèn)題，掃描人體頭頂和腳底存在數(shù)據(jù)缺失，在網(wǎng)格模型上呈現(xiàn)破洞，在進(jìn)行特征提取前，需要將數(shù)據(jù)補(bǔ)齊。圖16展示了未經(jīng)數(shù)據(jù)補(bǔ)齊的模型和補(bǔ)齊后的模型，這些補(bǔ)齊后的模型將作為測(cè)試數(shù)據(jù)。

圖16 未經(jīng)數(shù)據(jù)補(bǔ)齊的模型和補(bǔ)齊后的模型展示

注：①自行掃描人體數(shù)據(jù) ②頭部數(shù)據(jù)缺失 ③頭部數(shù)據(jù)補(bǔ)齊 ④其他實(shí)驗(yàn)數(shù)據(jù)

在MPI數(shù)據(jù)集中選取7個(gè)人體模型作為測(cè)試數(shù)據(jù)，真實(shí)語(yǔ)義特征由MPI數(shù)據(jù)集提供。將3個(gè)自行掃描模型作為測(cè)試數(shù)據(jù)，真實(shí)語(yǔ)義特征由專業(yè)量體師提供，將10個(gè)模型編號(hào)，模型編號(hào)采用S+試驗(yàn)者號(hào)+P+姿態(tài)模型的格式表示，例如S1P1模型和S1P3模型分別表示1號(hào)試驗(yàn)者的1號(hào)姿勢(shì)模型和3號(hào)姿勢(shì)模型，S2P2和S3P2分別表示2號(hào)試驗(yàn)者和3號(hào)試驗(yàn)者的2號(hào)姿勢(shì)模型。實(shí)驗(yàn)?zāi)Ｐ陀杀?列出。

表2 實(shí)驗(yàn)?zāi)Ｐ蛿?shù)據(jù)

2.2 實(shí)驗(yàn)設(shè)計(jì)

(12)

(13)

使用標(biāo)準(zhǔn)差函數(shù)sl刻畫(huà)單個(gè)特征誤差的標(biāo)準(zhǔn)差：

(14)

其中，μl為算術(shù)平均值。

2.3 實(shí)驗(yàn)結(jié)果和分析

按照上述實(shí)驗(yàn)?zāi)Ｐ蛿?shù)據(jù)設(shè)計(jì)進(jìn)行實(shí)驗(yàn)，對(duì)10個(gè)實(shí)驗(yàn)?zāi)Ｐ吞崛≌Z(yǔ)義特征，S1P1模型的原始數(shù)據(jù)及誤差如表3所示，實(shí)驗(yàn)數(shù)據(jù)的測(cè)量值與真實(shí)值的誤差及時(shí)間如表4所示。從圖17的實(shí)驗(yàn)數(shù)據(jù)可知，本文算法提取的語(yǔ)義特征準(zhǔn)確度較高，誤差在[-2.1%,+2.1%]內(nèi),標(biāo)準(zhǔn)差在2%以內(nèi)。

表3 S1P1模型原始數(shù)據(jù)及誤差

表4 測(cè)量值與真實(shí)值的誤差及計(jì)算時(shí)間

圖17 誤差分析

根據(jù)近年來(lái)國(guó)內(nèi)外對(duì)特征提取的相關(guān)研究，對(duì)各個(gè)特征的平均誤差和整體計(jì)算時(shí)間進(jìn)行了對(duì)比，如圖18所示。文獻(xiàn)[11]給出的基于圖像和局部的隨機(jī)森林預(yù)測(cè)方法的準(zhǔn)確性小于本文方法，但在時(shí)間上更快；文獻(xiàn)[12]給出的是一種基于二維圖像的方法，這種方法計(jì)算速度快，計(jì)算時(shí)間在0.1 s內(nèi)，效果與本文方法相當(dāng),文獻(xiàn)[13-14]所提出的方法誤差較大。經(jīng)比較可見(jiàn)，本文方法在效率上較好，誤差較小，綜合水平好。另外，本文提出的基于模板匹配的方法能夠提取多種姿態(tài)下的語(yǔ)義特征信息，相對(duì)其他方法應(yīng)用更加廣泛，具有更高的靈活性并能為人體動(dòng)畫(huà)、服裝定制等提供更多參考數(shù)據(jù)。

3 結(jié)束語(yǔ)

本文提出了一種新穎的基于模板匹配的語(yǔ)義特征提取算法，首先構(gòu)建了模板數(shù)據(jù)庫(kù)，然后選取合適的模板和輸入模型配準(zhǔn)，利用模板的拓?fù)湟恢滦?，拓展語(yǔ)義特征采樣點(diǎn)，最后使用NURBS曲線擬合采樣點(diǎn)，計(jì)算曲線長(zhǎng)度，得到特征信息。經(jīng)過(guò)實(shí)驗(yàn)驗(yàn)證，本文算法提取的特征誤差在2%以內(nèi)，準(zhǔn)確度高，效率較高，滿足了大多數(shù)情況下對(duì)語(yǔ)義特征的需求。后續(xù)工作將在實(shí)時(shí)性方面做進(jìn)一步完善，在目前的數(shù)據(jù)積累基礎(chǔ)上對(duì)人體語(yǔ)義特征的統(tǒng)計(jì)特性做進(jìn)一步分析。

圖18 多種方法在各特征平均誤差及計(jì)算時(shí)間的比較