三维人体点云模型多约束肢体分割.docx
- 文档编号:28131319
- 上传时间:2023-07-08
- 格式:DOCX
- 页数:11
- 大小:22.49KB
三维人体点云模型多约束肢体分割.docx
《三维人体点云模型多约束肢体分割.docx》由会员分享,可在线阅读,更多相关《三维人体点云模型多约束肢体分割.docx(11页珍藏版)》请在冰豆网上搜索。
三维人体点云模型多约束肢体分割
三维人体点云模型多约束肢体分割
摘要针对人体点云模型的肢体分割这一动作识别和虚拟重建领域的重要问题,提出了一种基于分类骨架线、测地距离、特征点和姿态分析的多约束肢体分割算法,通过生成点云模型的分类骨架线,配合测地距离获得人体各部位粗分割点云集,利用测地路径方法实现关键特征点的定位,并利用曲线拟合方式进行定位优化,针对头颈、上肢、下肢和躯干之间关联部位的解剖学特征,构造多种约束条件,对各部位粗分割点云集进行了优化再分割。
实验结果表明,所提算法对站姿条件下的不同动作、不同体型、不同精度人体点云模型均能取得与视觉理解相吻合的分割效果。
通过该算法得到的肢体各部分点云数据可用于姿态分析等后续研究。
关键词人体点云模型;点云分割;测地距离;姿态分析;多约束
中图分类号0
引言
三维人体点云模型是利用光学三维扫描设备获取的人体表面形态原始数据,由大量离散点的三维坐标信息构成。
点云分割是指按照从点云中所抽取的几何特征和拓扑特征等,将点云集合分解为一组数目有限的、具有一定形状意义的、“连通”的自然点组的过程[1]。
目前人体点云分割的方法主要有:
基于Levelset的方法[2],通过构建两点间的最短路径来生成边界曲线,但需要手动选点来实现点云“区域”分解;聚类的方法[3-5],将点云模型的分割看作具有一定特征参数的数据点的分类过程,不同的分类方法可能只对某些特定的点云模型适用;随机游走的方法[6-7],由图像分割算法拓展而来,能够对三角网格模型和点云模型进行高效的分割,具有较好的抗噪性和纹理适应性;基于学习的方法[8],通过对普林斯顿分割标准库中的不同类目进行训练,通过大量的几何与上下文标记特征将目标函数转化为一个条件随机场模型,可针对不同任务学习不同类型的分割;区域增长的方法[9-10],通过选定一个或多个种子点,遍历种子点周围邻域点,将符合算法要求的邻域点放入种子点集中并继续向外扩展,直至邻域点没有满足要求的点为止;基于拓扑结构的方法[11-13],根据离散Reeb图等拓扑结构来进行点云分割,能够避免过分割问题,但分割边界往往不够准确[1]。
本文参考拓扑结构分割方法对点云模型进行粗分割;基于特征点的方法[14-15]依据腋窝点等关键特征点来定位分割位置,能够实现点云模型的快速分割,对于本文构造精分割边界具有重要的借鉴意义。
进一步寻找过程简单、分解结果与人对形状分析与理解相一致的点云分解的方法,基于多特征结合的分割算法[1]是重要的研究方向。
为此,本文针对三维人体点云模型的肢体分割问题提出了一种基于分类骨架线、测地距离、特征点和姿态分析的多约束肢体分割算法,分割过程分为粗分割和精分割两个步骤,通过粗分割划定目标点集大致范围,避免不同部位点云之间的干扰,再构造多种精分割约束条件,对粗分割点云集进行优化再分割,从而使分割结果与视觉分析理解相一致。
实验结果表明,本文算法能够对不同体型、不同精度、不同动作的站姿三维人体点云模型进行有效分割,分割结果具有较好的视觉意义。
第3期
张翔宇等:
三维人体点云模型多约束肢体分割
计算机应用第35卷
1人体点云模型的多约束肢体分割
将人体点云模型的肢体分割看作一个最优化问题,设模型点云集合为N,要从中提取出N1、N2两个符合人类视觉感知的目标点集,而分割算法所获得的点集为N1′、N2′,则点云分割最优化问题可以表述为:
minf(N=(N1′\N1∪(N2′\N2;N∈R3(1
s.t.g1(N=N1′≥0,g2(N=N2′≥0
其中
N1′\N1表示两个集合的差集,g1(N、g2(N为分割算法所构造的约束函数。
由于上肢、下肢等部位的定义属于模糊概念,N1、N2实际上是一种模糊集合,此集合的范围认知依赖于视觉感知,因此为了使目标函数f(N取得最优解,约束函数g1(N、g2(N同样要根据视觉感知来构造。
如图1所示,首先以分类骨架线和测地距离值作为约束条件进行点云粗分割,获得人体点云模型各部位的粗分割点云集,然后利用测地路径方法进行特征点的定位和优化,最后针对头颈、上肢和下肢部位构造不同的精分割约束条件,对各部位的粗分割点云集进行优化再分割,从而完成整个多约束肢体分割流程。
图片
图1多约束分割算法流程
1.1点云粗分割
以分类骨架线和测地距离为约束条件进行点云粗分割,首先利用离散Reeb图和Snake模型生成点云模型初始骨架线[16],该骨架线由一组离散的骨架节点和节点间连接关系来描述。
根据骨架线拓扑结构和节点间连接关系将其分为头颈骨架线、左右上肢骨架线、左右下肢骨架线和躯干骨架线6部分,如图2(a所示,相应骨架节点被分别标记为HeadNeck、LArm、RArm、LLeg,RLeg和BackBone属性。
计算同一属性相邻骨架节点之间欧氏距离,该距离累加为此属性骨架线的长度li(i=1,2,3,4,5;在人体点云模型的头颈部顶端、左右上肢末端和左右下肢末端定位5个测地距离源点Pi(i=1,2,3,4,5,如图2(b所示。
由于粗分割只是划定一个包含有目标点集的大致范围,Pi(i=1,2,3,4,5的定位不需要非常精确,在相应属性骨架线端点一定范围内寻找一点即可。
点云模型粗分割流程如图3所示,在完成骨架线分类和测地距离源点定位后,利用Dijkstra算法[17]计算不同测地距离源点Pi的测地距离值Geodis(n,n为点云中点的序号;以测地距离值Geodis(n和相应位置骨架线长度li构造约束条件进行点云模型粗分割,构造对应部分的粗分割点云集Ui(i=1,2,3,4,5,以左上肢为例,比较P2点对应的测地距离值Geodis(n和属性为LArm的骨架线长度l2,当Geodis(n小于l2时,序号为n的点被放入左上肢粗分割点云集U2中。
图4中a、b、c三幅图像分别展示了左上肢、头颈部和右下肢的粗分割点云集。
1.2关键特征点定位与优化
腋窝点和会阴点是肢体分割中应用最为广泛的特征点之一,基于测地路径的方法[18]能够利用腋窝点和会阴点近似于“鞍点”的位置特征对其进行定位,本文在此基础上针对点云模型的数据特点进行了定位优化。
基于测地路径的特征点定位方法对腋窝点和会阴点位置有如下描述:
1腋窝点是同侧上肢和下肢测地距离源点之间测地路径上距离头颈部测地距离源点最近的点,如图5(a所示;
2会阴点是两个下肢测地距离源点之间测地路径上距离头颈部测地距离源点最近的点,如图5(b所示。
由于点云数据的离散性,腋窝点和会阴点附近的点云会出现稀疏甚至空洞的现象,造成腋窝点定位位置与视觉位置之间具有较大的偏移,如图6(a所示。
为解决定位偏移问题,在腋窝点附近利用曲线拟合[19]去模拟连续的测地距离线,如图6(b所示,将腋窝点及其前后各三个路径点投影至YOZ平面,在二维平面上利用多项式方法进行曲线拟合,获得二维曲线表达式为:
y=a(0+a(1?
(z-Zaver+a(2?
(z-Zaver2+a(3?
(z-Zaver3(2
其中:
a(i(i∈(0,3是多项式系数,Zaver是参与拟合点的Z轴坐标均值。
对拟合曲线求取一阶导数y′和二阶导数y″,代入曲率公式k=y″/(1+y′232中,计算曲率k最大点的坐标(y,z,作为优化后的腋窝点Y轴、Z轴坐标,计算所有参与拟合点的X轴坐标均值,作为优化后的腋窝点X轴坐标,至此腋窝点定位优化完成,会阴点采用相同的定位优化过程。
1.3上肢点云精分割
以特征点和测地路径为约束条件进行上肢点云的精分割,如图7(a所示,寻找上肢测地距离源点到头部测地距离源点之间的最短路径,记录该路径上距离同侧腋窝点欧氏距离最近的点Q,Q与两个腋窝点共同构成平面,过Q与同侧腋窝点作垂直于该平面的分割面M,遍历上肢粗分割点云集Ui(i=2,3,将位于分割面M躯干一侧的点剔除,从而获得上肢点云精分割结果,如图7(b所示。
1.4下肢点云精分割
以特征点和姿态分析为约束条件进行下肢点云精分割,参考人体姿态分析[20-21]相关内容,利用左右腋窝点和会阴点构造T型结构,该T型能够在一定程度上反映人体躯干部位的俯仰和倾斜程度,在T型结构竖直部分选取一点P,过该点作垂直于竖直部分的切平面T,如图8(a所示;由于点云数据离散性,将T拓展为具有一定厚度的切割层以获取足够的点云数据,此数据勾勒出了躯干截面轮廓,在切割层中寻找间距最大的两个点P1和P2,其间距D1作为截面位置躯干宽度,另计算点P到会阴点的欧氏距离D2,定义高宽比t=D2/D1,根据人体解剖学比例,髋部高宽比约为5/7,移动P点位置调整t值,使之接近5/7,如图8(b所示;会阴点与P1、P2三个点构成平面,过P1和会阴点作垂直于该平面的分割面S1,过P2和会阴点作垂直于该平面的分割面S2,如图8(c所示;遍历下肢粗分割点云集Ui(i=4,5,将位于分割面躯干一侧的点剔除,从而获得下肢点云精分割结果,如图8(d所示。
1.5头颈部点云精分割
以等测地线几何特征为约束条件进行头颈部点云精分割,由于点云数据的离散性,很难找到大量测地距离严格相等的点构造等测地线,因此点云模型的等测地线实际上是位于某个测地距离范围内的点云集,该点集勾勒出了相应位置的表面轮廓,图9中的(a、(b、(c三幅图像分别展示了同一模型头颈部不同位置的等测地线点云集和等测地线点云集质心。
在头颈部粗分割点云集U1中考察不同位置等测地线的轮廓似圆率q=4π?
S/D2,其中轮廓面积S和轮廓周长D均可以通过采样、海伦公式和累加的方法近似求取。
通过大量实验观察,最接近头颈部人体视觉分割位置的等测地线,其轮廓似圆率总是在0.8左右,因此选择似圆率最接近0.8的等测地线作为头颈部点云分割的参考位置。
从图9(c可以看出,由于头颈部测地距离源点定位偏差和人体姿态的不对称性,等测地线轮廓偶尔会出现偏斜的现象,影响分割质量。
为避免这一问题,利用等测地线点云质心和粗分割点云集质心构造新的分割面,如图10所示,连接分割位置的等测地线点云质心和粗分割点云集质心为直线L,过等测地线点云质心作垂直于L的分割面H,遍历头颈部粗分割点云集U1,将位于分割面H躯干一侧的点剔除,从而获得头颈部点云精分割结果。
2实验结果
为验证本文算法对站姿条件下不同动作、不同体型、不同精度模型的分割效果,设计了相关实验,所有实验均在一台CPU2.9GHz、内存2GB的台式电脑上进行,编程环境为VisualC++6.0,点云模型由实验室搭建的高精度三维人体激光扫描仪[22]获取,要求目标对象保持站姿且四肢较为舒展,模型原始点云数在50万~100万。
图11所示点云模型由一名身高155cm、标准体型的女性模特站姿下摆出不同动作扫描获得,图中不同动作人体模型的分割结果都与视觉分析理解相一致,证明了本文算法能够满足站姿条件下不同动作人体点云模型的肢体分割要求。
图12所示点云模型由三位男性模特、三位女性模特和一个石膏模特扫描获得,男性模特身高为170cm、173cm和177cm,体型为肥胖型、肌肉型和瘦长型;女性模特身高为155cm、161cm和170cm,体型为瘦弱型、标准型和瘦长型,石膏模特身高180cm,体型为瘦长型。
从图12中可以看出,不同体型的模型都取得了良好的肢体分割效果,证明了本文算法能够满足不同体型人体点云模型的肢体分割要求。
图13所示为一位男性模特和一位女性模特的不同精度点云模型分割结果,其中:
图13(a男性模特原始点云数据77万点,图13(b稀疏点云数据7万点;图13(c女性模特原始点云数据53万点,图13(d稀疏点云数据5万点。
从图13中可以看出,不同精度人体点云模型的分割结果较为一致,证明了本算法能够满足不同精度的人体点云模型的肢体分割要求。
3结语
本文提出的人体点云模型多约束分割算法,利用分类骨架线、测地距离、特征点和姿态分析等多特征相结合的方法构造多种约束条件,能够对站姿条件下的不同动作、不同体型、不同精度人体点云模型进行肢体分割,分割结果与视觉分析理解一致性较好。
本算法的优势在于直接针对人体点云模型进行分割,避免了转化为网格模型进行肢体分割方法中的计算成本和局部细节丢失问题,在处理大规模、高精度的点云数据时具有一定优势;利用了已知的人体拓扑结构和解剖学信息,提高了分割效率,分割结果更加符合人体测量学、服装工业等专业的需求。
但受限于分割过程中离散Reeb图的使用,需要保证点云模型不同动作下的拓扑结构不发生改变,而且目前只针对头颈、躯干和上下肢进行了肢体分割,若要进一步分割上肢等部位,需要研究构造新的约束条件。
参考文献
[1]
ZHANGY,ZHANGX,ZHAH,etal.Asurveyoftopologicallystructuralrepresentationandcomputationof3Dpointclouddata[J].JournalofImageandGraphics,2008,13(8
1576-1587.(张义宽,张晓鹏,查红彬,等.3维点云的拓扑结构表征与计算技术[J].中国图象图形学报,2008,13(8
1576-1587.
[2]
XIAOC,FENGJ,MIAOY,etal.Geodesicpathcomputationandregiondecompositionofpointbasedsurfacebasedonlevelsetmethod[J].ChineseJournalofComputers,2005,28(2
250-258.(肖春霞,冯结青,缪永伟,等.基于LevelSet方法的点采样曲面测地线计算及区域分解[J].计算机学报,2005,28(2
250-258.
[3]
MAT,LONGX,FENGL,etal.Pointcloudsegmentationbasedonspectralclustering[J].JournalofComputerAidedDesignandComputerGraphics,2012,24(12
1549-1558.(马腾,龙翔,冯路,等.点云模型的谱聚类分割[J].计算机辅助设计与图形学学报,2012,24(12
1549-1558.
[4]
SUNH,SUNX,LIH.3DpointcloudmodelsegmentationbasedonKmeansclusteranalysis[J].ComputerEngineeringandApplications,2006,42(10
42-45.(孙红岩,孙晓鹏,李华.基于Kmeans聚类方法的三维点云模型分割[J].计算机工程与应用,2006,42(10
42-45.
[5]
JIAN.Pointclouddatasegmentationbasedonquadricsurfaceapproach[D].Jinan
ShandongUniversity,2008.(贾宁.基于二次曲面逼近的点云模型分割[D].济南
山东大学,2008.
[6]
LAIYK,HUSM,MartinRR,etal.Rapidandeffectivesegmentationof3Dmodelsusingrandomwalks[J].ComputerAidedGeometricDesign,2009,26(6
665-679.
[7]
DUCJ,FERGUSONJG,HAWKINSPT,etal.Fastrandomwalkerforneutrophilcellsegmentationin3D[C]//Proceedingsofthe20129thIEEEInternationalSymposiumonBiomedicalImaging.Piscataway
IEEE,2012
190-193.
[8]
KALOGERAKISE,HERTZMANNA,SINGHK.Learning3Dmeshsegmentationandlabeling[J].ACMTransactionsonGraphics,2010,29(4
102.
[9]
SUNJ,ZHOUL,ANL.Researchonpointcloudsegmentationusingaminimumspanningtree[J].JournalofImageandGraphics,2012,17(7
858-865.(孙金虎,周来水,安鲁陵.应用最小生成树实现点云分割[J].中国图象图形学报,2012,17(7
858-865.
[10]
WANY,TANL,LONGW,etal.Anewsegmentationalgorithmfor3Dcoloredpointcloudbasedongrid[J].JournalofDonghuaUniversity NaturalScience,2014,4
481-485.(万燕,谭亮,龙文铮,等.基于网格的三维彩色点云分割算法[J].东华大学学报
自然科学版,2014,4
481-485.
[11]
YAMAZAKII,NATARAJANV,BAIZ,etal.Segmentingpointsets[C]//Proceedingsofthe2006IEEEInternationalConferenceonShapeModelingandApplications.Piscataway
IEEE,2006
6.
[12]
XIAOY,SIEBERTP,WERGHIN.AdiscreteReebgraphapproachforthesegmentationofhumanbodyscans[C]//Proceedingsofthe20034thInternationalConferenceon3DDigitalImagingandModeling.Piscataway
IEEE,2003
378-385.
[13]
GUANH,GUOL,LIW.A3DhumanbodysegmentationalgorithmbasedonReebgraph[J].CommunicationsTechnology,2012,44(11
63-65.(关华,郭立,李文.一种基于Reeb图的3维肢体分割算法[J].通信技术,2012,44(11
63-65.
[14]
WANGC,CHANGT,YUENM.Fromlaserscanneddatatofeaturehumanmodel
asystembasedonfuzzylogicconcept[J].ComputerAidedDesign,2003,35(3
241-253.
[15]
YANY.Researchonreconstruction,segmentationanddimensionextractionof3Dhumanmodel[D].Zhuzhou
HunanUniversityofTechnology,2012.(晏义.三维人体模型重建,分割及尺寸提取技术研究[D].株洲
湖南工业大学,2012.
[16]
HOUP,TIANQ,GEB.Researchonmethodofextractingskeletalcurvesof3DhumanscanningdatabasedonoptimizingDRG[J].ComputerEngineeringandApplications,2014,50(18
182-187.(侯培,田庆国,葛宝臻.基于优化DRG的三维人体点云骨架提取方法[J].计算机工程与应用,2014,50(18
182-187.
[17]
DUP,TUC,WANGW.Computinggeodesicsonpointclouds[J].JournalofComputerAidedDesignandComputerGraphics,2006,18(3
438-442.(杜培林,屠长河,王文平.点云模型上测地线的计算[J].计算机辅助设计与图形学学报,2006,18(3
438-442.
[18]
CHENQ,PANX,ZHANGS.3Dhumanlandmarkdetectionandsegmentationwithsemanticknowledge[J].JournalofComputerAidedDesignandComputerGraphics,2011,23(6
1061-1068.(陈启华,潘翔,张三元.语义知识约束的三维人体特征点检测和分割[J].计算机辅助设计与图形学学报,2011,23(6
1061-1068.
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 三维 人体 模型 约束 肢体 分割