登录

  • 登录
  • 忘记密码?点击找回

注册

  • 获取手机验证码 60
  • 注册

找回密码

  • 获取手机验证码60
  • 找回
毕业论文网 > 开题报告 > 计算机类 > 软件工程 > 正文

着衣状态下的非接触式人体尺寸测量开题报告

 2020-04-12 08:46:15  

1. 研究目的与意义(文献综述)

我国服装行业正处于强国建设的关键时期,雄厚的产业基础、完善的产业体系和巨大的衣着消费市场,为中国服装制造转型升级发展提供了良好的机遇。然而,根据海关统计, 2015年1-11月,我国累计完成服装及衣着附件出口1586.29亿美元,出口数量为275.81亿件,同比分别下降7.64%和7.89%,服装出口平均单价4.62美元/件,同比下降0.22%。统计数据表明,把人体的基础研究和“大数据”并行运用,从源头上改善产品质量,已成为刻不容缓的任务和课题[1]。伴随着mtm(madeto measure,定制化)的飞速发展,服装工业化大规模定制[2]已经成为发展趋势。“工业化”和“定制”原本为不兼容的两个语义,随着信息化技术、通讯技术、人工智能等科学领域的发展,以用户为中心的大规模定制系统应运而生[3]

在服装行业中,传统的接触式测量软尺效率低下、测量部位单一、稳定性不高,且直接和客户身体接触产生诸多不便。非接触测量技术可以有效地解决上述问题[4],同时具备安全、迅速、测量多项人体部位、高效连接服装生产环节等优点。国外对非接触性人体测量的研究起步较早,美国的cyberware系统、基于全身激光扫描来获取人体点云数据;英国拉夫堡大学的lass扫描仪通过立体摄影原理,以三角测量学为基础进行人体扫描和测量[5];美国tc2公司基于白光相位研制出了一系列人体扫描仪[6]。国内对非接触式人体测量的研究也取得了大量研究成果,程志全等人[7]通过自制广角编码结构光三维扫描仪采集用户的三维数据,通过三维人体参数化建模 ai 技术实现用户的三维人体建模;cheng z q[8]等提出了一种基于一台深度相机kinect的实时动态人体三维重建方案;谢琴[9]指导被测者的站姿和位置,并捕捉正、侧、背面的人体图像,提取人体轮廓,输入图像转换装置生成三维人体模型并校正,提取所需的人体尺寸。

目前,非接触式人体测量不能够大规模地应用于服装市场上受到以下几个方面技术的制约:

剩余内容已隐藏,您需要先支付后才能查看该篇文章全部内容!

2. 研究的基本内容与方案

基本内容:

本课题研究分为三个部分:在获取数据阶段,融合深度相机数据进行点云配准,通过人体热场确定人体关键部位,从而为人体关键部位位置提供数据支撑;在尺寸测量阶段,通过计算服装材料的热阻和基于轮廓的特征识别来确定着衣形态,通过人体分段技术勾勒骨骼形态,从而构建综合判断的数学模型来计算人体尺寸;在数据补充阶段,通过间隔扫描,建立人工神经网络进行数据补充与修正,从而提高人体尺寸测量值的准确性,完成一定人体数据的采集。

目标:

1) 搭建基于深度图像和热成像的三维人体测量平台,为非接触式人体测量提供软硬件支持。

2) 研究着衣和自由活动状态下的人体关键部位特征点识别机制,为精准捕获和测量对象净体尺寸提供理论基础。

3) 研究测量数据可信度、补偿和修正机制,细分化着装类别状态下的人体测量数据维度,为完善测量系统的精确度和测量人体的完整度提供理论基础和实践基础。

拟采用的技术方案及措施:

(a)搭建Kinect 2.0深度相机 FLIR ETS320红外热像仪的自动化方式快速采集人体数据测量系统,利用Kinect获取人体关键点的骨骼数据、基于图像深度信息的点云数据,此外还有利用FLIR ETS320获取红外图像数据,数据预处理手段如下:

1.融合多台深度相机数据

从不同角度搭建多台扫描仪捕获测量对象的深度图,是采集对象尺寸的基础环节,相比于传统基于光程差技术(激光雷达、TOF相机等)的深度测量方案具有建模速度快和精度高的优点。实现不同角度获取的深度图像准确拼接,滤除非测量对象的干扰,并快速准确地获取测量数据。主要通过以下步骤:

2.深度图像降噪

深度图的“噪声”主要包含三种类型:扫描对象表面出现的毛刺现象和常见的高斯噪声,椒盐噪声等;结构噪声,边缘中出现的不规则及孤立部分;不完整噪声,比如出现的孔洞缺失部分。拟通过提高图像分辨率为基础建立深度图像素与RGB像素之间的对应关系,例如使对象较光滑的位置对应RGB图像中色彩统一的位置。在此基础上借鉴现有图像降噪方法,如中值滤波降噪,双边滤波降噪等。

3. 点云局部配准

为使两帧点云数据之间相同部分得以重叠,通常采用迭代最近点(Iterate Closest Point, ICP)、Ransac、4PCS等方法,本项目中拟采用高斯混合模型(Gaussian MixtureModel)的方法配准。将点云配准过程转化为高斯混合模型概率密度函数的最大似然估计问题。通过期望最大化(ExceptionMaximize EM)算法迭代计算估计参数,最终得到变换矩阵。

图1 Kinect骨骼节点示意图

(b)寻找人体热场关键部位

红外热成像的过程就是获取景象的红外辐射、把红外辐射转变为电信号,再用处理后的电信号驱动显示器,产生可供人观察的图像。以人体为对象的热成像数据能够记录人体热场影像,显示着装后服装和人体表面的温度分布。

图2 人体各部位热成像图(医学用)

着装后的人体热像图仍然能够反应出未被遮挡(或低阻热着装下)的人体热场,对测温读数进行主成分分析能够提取关键人体部位的温度区间,结合k-means快速聚类方法能够迅速找到热场图像的温度中心分布点,作为人体关键部位位置的支撑数据。

(c)深度学习是机器学习研究中的一个新的领域,其动机在于建立、模拟人脑进行分析学习的神经网络,它模仿人脑的机制来解释数据,例如图像,声音和文本。

基于VGG16深度卷积神经网络的人体参数预测。模型主要包括训练与识别两个部分组成。在训练阶段,主要考虑将传感器测得的深度图像 点云数据 红外热成像数据作为VGG16的输入,输出为人体模型关键参数(如身高、肩宽、胸围等),训练标签采用量体师人工测量的人体关键参数;在识别阶段,将传感器图像输入到训练好的网络模型中,得到深度学习神经网络预测的人体参数。

图3 基于VGG16的的人体参数预测模型

网络采用keras作为实现,使用TensorFlow(或者theano)作后端,模型共包括16层,其中conv为卷积层,maxpool为最大值池化,FC为全连接层,使用soft-max作为输出。网络的输出为14个关键的人体参数,包括身高、肩宽、背宽、胸宽、左肩高、右肩高、腰高、臀高、胸围、腰围、臀围、袖长、裤长、腿围。采取有监督的方式进行迭代训练。

深度学习的模型能够在数据不断扩充的条件下不断学习和调整,每一次数据的扩充都会对模型的参数进行调整,模型的预测和训练以及数据的存储完全在云端服务器实现。

图5-1 云端存储人体参数表格

图5-2 人体参数详情展示

3. 研究计划与安排

第一阶段(第1周—第2周):查阅有关的参考资料并完成开题报告;翻译英文资料(不少于5000汉字),并交予指导教师检查。

第二阶段(第3周—第6周):熟悉所选用的开发平台,运用所学的软件设计理论,完成整个硬件平台的前期设计工作。(2018.4.10)

第三阶段(第7周—第13周):进行软件平台的编码、调试、集成、测试工作。(2015.5.29)其中第10周左右(2018.5.4-5.8)进行毕业设计中期检查,需要提交论文前三章和毕业设计框架。

剩余内容已隐藏,您需要先支付后才能查看该篇文章全部内容!

4. 参考文献(12篇以上)

[1] liu z, huang j, bu s, et al. templatedeformation-based 3-d reconstruction of full human body scans from low-costdepth cameras[j]. ieee transactions on cybernetics, 2016, pp(99):1-14.

[2] cheng z q, cheng z q, chao l, et al. realtimereconstruction of an animating human body from a single depth camera[j]. ieeetransactions on visualization amp; computer graphics, 2016, 22(8):2000-2011.

剩余内容已隐藏,您需要先支付 5元 才能查看该篇文章全部内容!立即支付

微信号:bysjorg

Copyright © 2010-2022 毕业论文网 站点地图