鄧中民, 王健愷, 靳曉凝, 魏宛彤, 于東洋, 柯 薇

(1. 武漢紡織大學(xué) 省部共建紡織新材料與先進(jìn)加工技術(shù)國家重點(diǎn)實(shí)驗(yàn)室, 湖北 武漢 430200;2. 武漢紡織大學(xué) 服裝學(xué)院, 湖北 武漢 430200)

傳統(tǒng)的手工測量人體尺寸的方法費(fèi)時(shí)費(fèi)力[1],三維的物理測量方法如掃描法,光、機(jī)、電法又成本過高[2],測量繁瑣。隨著計(jì)算機(jī)技術(shù)的不斷發(fā)展,出現(xiàn)了許多基于二維圖像的非接觸式人體尺寸檢測方法。在二維圖像測量人體尺寸的方法中,人體特征點(diǎn)的選取影響著最終的檢測結(jié)果,因而特征點(diǎn)選取的準(zhǔn)確性是十分重要的。

肩部特征點(diǎn)是人體特征點(diǎn)的重要組成部分之一,對于服裝的廓形選取具有較大影響。人體肩部存在肩高點(diǎn)和肩峰點(diǎn)2個(gè)生理特征點(diǎn),肩高點(diǎn)為肩部與頸部連接處的點(diǎn),肩峰點(diǎn)為肩胛骨的肩峰外側(cè)上最突出的點(diǎn)。本文主要研究肩峰點(diǎn)(下文以肩部特征點(diǎn)代指)的檢測以及肩寬的測量方法。目前對于肩部特征點(diǎn)的檢測方法主要有基于人體比例的特征點(diǎn)檢測方法[3]、基于腋下特征點(diǎn)平移近似替代方法[4-5]、基于肩部形狀估計(jì)的檢測方法[6-7]、基于人體輪廓編碼的特征點(diǎn)檢測方法[8]。前面3種檢測方法通過劃分人體的各個(gè)區(qū)域,在肩部區(qū)域中粗略檢測肩部關(guān)鍵點(diǎn),這些方法速度快,但適應(yīng)性差,容易受體型影響導(dǎo)致肩部特征點(diǎn)偏移,從而產(chǎn)生較大的誤差?；谌梭w輪廓編碼的特征點(diǎn)檢測方法則是將肩部輪廓轉(zhuǎn)化為一串鏈碼,并按指定的鏈碼規(guī)則提取特征點(diǎn),該方法提取的肩部特征點(diǎn)具有良好的獨(dú)立性,但特征點(diǎn)過多,容易造成誤檢或漏檢[9]。

本文基于人體輪廓編碼的思想提出了一種改進(jìn)的肩部特征點(diǎn)檢測算法,通過人物在圖像中的大小確定特征鏈碼串長度,在以人體比例劃分出的肩部區(qū)域中,由上至下動(dòng)態(tài)搜索鏈碼規(guī)則的特征鏈碼串,并在符合鏈碼規(guī)則的特征鏈碼串中根據(jù)特征碼值規(guī)則進(jìn)行篩選,得到最終的肩部特征點(diǎn)。本文方法在快速和具有良好獨(dú)立性的基礎(chǔ)上,極大地減少了誤檢和漏檢的情況,提高了特征點(diǎn)檢測的準(zhǔn)確性。

1 改進(jìn)的肩部特征點(diǎn)檢測方法

本文提出的肩部特征點(diǎn)檢測方法流程如下:

圖像采集→弱化陰影→分離背景→閾值分割→肩寬計(jì)算→特征點(diǎn)檢測→輪廓提取→形態(tài)學(xué)運(yùn)算。

1.1 圖像采集

圖像的選取決定了后續(xù)的檢測結(jié)果,為獲得完整的人體輪廓,圖像的采集需要在一定的環(huán)境條件下進(jìn)行,具體選擇條件如下:

1)白色墻面為背景,被拍者身穿與背景色差較明顯的衣服,且被拍攝者距離背景墻一定距離以減弱陰影對圖像的影響;

2)拍照時(shí),被拍者兩腳與肩同寬,雙手張開,與身體形成一定的夾角。

1.2 預(yù)處理

1.2.1 圖像陰影的弱化

獲取圖像后,為減小陰影對圖像處理造成的影響[10],將圖像轉(zhuǎn)化到hsv空間,通過高斯濾波對圖像明度進(jìn)行平滑調(diào)整,進(jìn)一步減弱光照不勻帶來的影響,效果如圖1所示。

圖1 高斯濾波平滑處理前后效果對比圖Fig. 1 Comparison diagram of effects before (a) and after (b) Gaussian filter smoothing

1.2.2 人物背景分離

在去除光照不勻帶來的影響后,將圖像進(jìn)行R、G、B單通道提取。三通道圖像中某種顏色在某個(gè)通道上顯示越亮,代表該顏色在該通道顏色分量越重。由于背景為白色,因而選取B通道提取圖像為目標(biāo)圖像,在該通道下,淺色衣服和皮膚由于顏色分量較小而呈深色,雖然深色衣服會(huì)變得更亮,但人物整體與背景的色差仍比較明顯(見圖2)。實(shí)驗(yàn)結(jié)果表明,圖像提取能夠?qū)θ说钠つw和背景進(jìn)行有效分離,從而達(dá)到后續(xù)操作圖像分割的最佳分割效果。

圖2 單通道提取效果圖Fig. 2 Single channel extraction rendering. (a) Treatment of uneven illumination; (b) R channel extraction; (c) G channel extraction; (d) B channel extraction

圖3為閾值分割效果圖?？煽闯?沒有進(jìn)行單通道提取時(shí),皮膚因光線照射使得與背景墻的色差不明顯,導(dǎo)致分割得到的結(jié)果存在較大誤差,而B通道提取后的圖片,人物與背景的色差明顯,得到的分割效果較好。

圖3 閾值分割效果圖Fig. 3 Threshold segmentation rendering. (a) Original drawing; (b) Direct segmentation; (c) Segmentation by B channel extraction

1.2.3 輪廓提取

分割后的圖像經(jīng)過形態(tài)學(xué)運(yùn)算、圖像填充、最大面積圖像提取和邊緣提取操作后,得到最終的人體輪廓圖(見圖4)。

圖4 人體輪廓圖Fig. 4 Outline of human body

1.3 肩部特征點(diǎn)提取及肩寬測量

在得到人體輪廓圖中,仍會(huì)存在一定數(shù)量的像素角(某個(gè)白色像素的橫向和縱向都存在與之相鄰的白色像素點(diǎn),且3個(gè)像素點(diǎn)組成了1個(gè)白色像素角),如圖5所示。而像素角的存在會(huì)影響鏈碼遍歷操作,使得遍歷的特征鏈碼串中增加冗余的碼值,從而使特征不明顯。為解決這個(gè)問題,對圖像進(jìn)行細(xì)化操作,并對八鏈碼的方向進(jìn)行了優(yōu)先級(jí)設(shè)置(見圖6)。

圖5 像素角Fig. 5 Pixel angle

圖6 遍歷優(yōu)先級(jí)設(shè)置Fig. 6 Traversal priority setting

對得到的人體輪廓圖進(jìn)行八鏈碼編碼,對原有的人體輪廓編碼的人體關(guān)鍵點(diǎn)檢測方法進(jìn)行改進(jìn),使用改進(jìn)的鏈碼檢測算法,對肩部特征點(diǎn)進(jìn)行搜索。改進(jìn)的鏈碼檢測算法如下:

首先采取人體頭身比例定位的方法粗略定位頭身分界點(diǎn)A(x,y),并從該點(diǎn)逐步向下遍歷,創(chuàng)建特征鏈碼串M用于存儲(chǔ)遍歷得到的鏈碼。通過測試得知,所取得的特征鏈碼串長度i與人像大小有關(guān)。

i=Iwαx+Ihαy

式中:Iw、Ih為人物外接矩形的長和寬;αx、αy為橫向和縱向的比例因子。

初始的特征鏈碼串為

M(m1,m2,…,mi)=0

在遍歷像素點(diǎn)時(shí),引入偏移量Δxn和Δyn來記錄當(dāng)前像素點(diǎn)(從初始點(diǎn)遍歷n次得到,且n

設(shè)符合特征的碼值集合為Q1,不符合特征的碼值集合為Q2,當(dāng)前(從初始點(diǎn)遍歷n次得到,且n

當(dāng)搜索到的特征鏈碼串中每個(gè)鏈碼都屬于Q1時(shí),停止搜索,并對特征鏈碼串進(jìn)行遍歷,找到鏈碼串中有快速下降趨勢特征的第1個(gè)特征鏈碼,且將初始點(diǎn)移至具有該特征鏈碼的第1個(gè)點(diǎn)。設(shè)該鏈碼為特征鏈碼串中的第n個(gè),則有:

執(zhí)行完該算法后,得到選取點(diǎn)(x,y),則點(diǎn)(x,y)為所找到的單邊肩部特征點(diǎn),同理可得另一邊肩部特征點(diǎn)(x′,y′)。

確定肩部特征點(diǎn)后,肩寬的定義有2種:線段長度的計(jì)算和兩點(diǎn)之間的距離計(jì)算,本文采用兩點(diǎn)之間的距離計(jì)算肩寬為

2 結(jié)果與分析

由上述算法檢測到的肩部特征點(diǎn)效果圖如圖7所示。且在實(shí)驗(yàn)過程中,還可通過人物的側(cè)面照得到人物身高數(shù)據(jù),以輔助驗(yàn)證人物肩寬數(shù)據(jù)的可靠性。在拍攝正面人體圖像的同時(shí),對同一位置進(jìn)行側(cè)面人體圖像的拍攝(腳后跟點(diǎn)在同一位置),進(jìn)而檢測出被拍攝者的身高。本文對100名測試者(50男/50女)拍攝樣本圖片并進(jìn)行肩部關(guān)鍵點(diǎn)提取和肩寬計(jì)算,并隨機(jī)抽取10條實(shí)驗(yàn)結(jié)果(見表1)。

表1 肩部特征點(diǎn)檢測Tab. 1 Shoulder feature point detection

圖7 肩部特征點(diǎn)檢測效果圖Fig. 7 Shoulder feature point detection rendering

從圖7和表1可看出,本文改進(jìn)的肩部特征點(diǎn)檢測算法最大誤差在3%左右,考慮到被測者穿著服裝等影響,該誤差在合理范圍內(nèi),即表明本文改進(jìn)算法能夠很好地檢測到人體的肩部特征點(diǎn),且在檢測速度快的基礎(chǔ)上,又能很好保證檢測結(jié)果的準(zhǔn)確性,做到不誤檢、不漏檢。

3 結(jié) 論

本文通過對被拍攝者的拍攝姿勢進(jìn)行調(diào)整、高斯濾波平滑去除光照不勻影響、單通道提取、形態(tài)學(xué)運(yùn)算和輪廓提取等一系列操作提取出完整的人體輪廓,并提出了一種基于八鏈碼改進(jìn)的肩部特征點(diǎn)檢測算法,通過判斷部位特征結(jié)合下降趨勢的判斷方法,提取了人體肩部特征點(diǎn),對人體肩寬進(jìn)行了計(jì)算。在實(shí)驗(yàn)中,對100人進(jìn)行測試,在誤差允許的范圍內(nèi)準(zhǔn)確檢測到了人體肩部特征點(diǎn),表明本文方法具有良好的魯棒性且檢測數(shù)據(jù)準(zhǔn)確度高,能適用于人體圍度的計(jì)算。隨著信息技術(shù)的發(fā)展,線上購物的形式越來越受到人們的歡迎,但是對于服裝尺碼沒有推薦的標(biāo)準(zhǔn),本文提出的肩部測量方法,可通過照片測量人體肩部關(guān)鍵數(shù)據(jù),為上衣的個(gè)性化定制提供準(zhǔn)確參考,提高消費(fèi)者的網(wǎng)上購物信心,為服裝銷售提供技術(shù)支持。