【摘要】：科技發(fā)展帶動著電商行業(yè)的發(fā)展,在線購物促成了虛擬試衣的產(chǎn)生。但人體特征點提取和尺寸測量的不準確一直是虛擬試衣的問題所在,由于提取結(jié)果不準確,導(dǎo)致虛擬試衣效果大打折扣。本文針對上述問題,分別考慮目標圖像單背景和復(fù)雜背景的情況,對人體特征點提取和尺寸測量進行相關(guān)研究,主要研究內(nèi)容包括:(1)單背景圖像下傳統(tǒng)人體特征點提取方法的改進和尺寸測量。首先,對單背景圖片進行預(yù)處理。然后,基于改進的HOG特征縮小范圍,提取出人體包圍盒。最后,針對圖像中人體輪廓缺失導(dǎo)致異常問題,使用人體比例方法進行補全,再進行測量。(2)提出simple-FCN模型對復(fù)雜背景下人體圖像分割。深度學(xué)習(xí)已經(jīng)被用于復(fù)雜背景下圖像的分割并且效果顯著,根據(jù)實驗?zāi)康男枰?簡化已有的FCN模型,提出包含7個卷積層、5個池化層、3個反卷積層的simple-FCN模型,使之能夠從復(fù)雜背景中分割出人體。(3)基于改進ASM算法的人體特征點提取和測量。改變傳統(tǒng)ASM算法使用單一模板匹配模式。首先,根據(jù)圖像中人臉和身體中心點的歐式距離大小分成5類,對每類訓(xùn)練出其平均模板。初次匹配時,利用兩點的歐氏距離與對應(yīng)模板相匹配,提高初次匹配準確率和效率。接著,以特征點為中心選擇3個矩形范圍內(nèi)的10個鄰域點并在其灰度模型中進行目標搜索,解決傳統(tǒng)ASM算法匹配時間長、易失敗的問題。另外,利用改進的馬氏距離選擇3個矩陣鄰域點的灰度與灰度模型比較,結(jié)合人體對稱性進行處理,解決人體胯部以下單側(cè)擬合效果較好問題。實驗結(jié)果表明:a)改進的傳統(tǒng)單背景特征點提取方法定位效果好;b)simple-FCN模型能夠很好的分割出復(fù)雜圖像中的人體;c)改進的ASM算法能適應(yīng)復(fù)雜背景下人體圖像的特征點提取與尺寸測量,提高精度和速度。最后,本文分析了人體特征點提取和尺寸測量存在的不足并提出了進一步的研究方向。
【學(xué)位授予單位】：浙江理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：TP391.41
【圖文】：

過程如圖 2.2 所示 13 59 1821 72412112取 3x3 窗口 中值代替中間位置像素值圖 2.2 中值濾波過程圖2.3.2 基于小波域的小波閾值去噪小波萎縮法是小波閾值去噪法中應(yīng)用最為廣泛的一種方法[21-23]，小波萎縮法分為閾值萎縮和比例萎縮兩類方法 閾值萎縮法主要基于以下事實，比較大的小波系數(shù)一般都是以實際信號為主，比較小的系數(shù)很大程度上是噪聲 因此可以通過設(shè)定合適的閾值，

圖 2.3 基于 OpenCV 的 HOG 特征人體檢測圖我們發(fā)現(xiàn)利用 OpenCV 函數(shù)庫中自帶的人體定位效果并不是非常好，存在人體部分特征位置出現(xiàn)在包圍盒外，而這樣對我們?nèi)梭w特征點提取勢必會造成一定的誤差 利用HOG 特征原理，對其進行改進，將整個圖像分割成一個個 8×8 像素的 Cell 單元格，結(jié)合 Canny 算子輪廓檢測算法，找出最高點和最低點作為參照范圍，將人體輪廓與邊緣檢測的結(jié)果結(jié)合起來形成人體包圍盒 改進后的 HOG 特征結(jié)合人體輪廓邊緣檢測后的人體包圍盒效果如圖 2.4 所示：

浙江理工大學(xué)碩士學(xué)位論文 基于圖像的人體特征提取和測量Otsu 方法，實質(zhì)上是遍歷圖片的灰度級，直到找到某一個灰度級 n 使得 的值最大，則閾值取 n 時，分割效果最好，分割效果展示圖如圖 2.5 所示 同檢測最高點 最低點方法一致，分別從至左而右 至右而左搜索出第一個白色點即返回其坐標

【相似文獻】

相關(guān)期刊論文 前10條

1 科卞;信號細微特征提取分析技術(shù)[J];電子科技大學(xué)學(xué)報;2000年02期

2 馬少華,高峰,李敏,吳成東;神經(jīng)網(wǎng)絡(luò)分類器的特征提取和優(yōu)選[J];基礎(chǔ)自動化;2000年06期

3 管聰慧,宣國榮;多類問題中的特征提取[J];計算機工程;2002年01期

4 胡威;李建華;陳波;;入侵檢測建模過程中特征提取最優(yōu)化評估[J];計算機工程;2006年12期

5 朱玉蓮;陳松燦;趙國安;;推廣的矩陣模式特征提取方法及其在人臉識別中的應(yīng)用[J];小型微型計算機系統(tǒng);2007年04期

6 趙振勇;王保華;王力;崔磊;;人臉圖像的特征提取[J];計算機技術(shù)與發(fā)展;2007年05期

7 馮海亮;王麗;李見為;;一種新的用于人臉識別的特征提取方法[J];計算機科學(xué);2009年06期

8 朱笑榮;楊德運;;基于入侵檢測的特征提取方法[J];計算機應(yīng)用與軟件;2010年06期

9 王菲;白潔;;一種基于非線性特征提取的被動聲納目標識別方法研究[J];軟件導(dǎo)刊;2010年05期

10 陳偉;瞿曉;葛丁飛;;主觀引導(dǎo)特征提取法在光譜識別中的應(yīng)用[J];科技通報;2011年04期

相關(guān)會議論文 前10條

1 尚修剛;蔣慰孫;;模糊特征提取新算法[A];1997中國控制與決策學(xué)術(shù)年會論文集[C];1997年

2 潘榮江;孟祥旭;楊承磊;王銳;;旋轉(zhuǎn)體的幾何特征提取方法[A];第一屆建立和諧人機環(huán)境聯(lián)合學(xué)術(shù)會議（HHME2005）論文集[C];2005年

3 薛燕;李建良;朱學(xué)芳;;人臉識別中特征提取的一種改進方法[A];第十三屆全國圖象圖形學(xué)學(xué)術(shù)會議論文集[C];2006年

4 杜栓平;曹正良;;時間—頻率域特征提取及其應(yīng)用[A];2005年全國水聲學(xué)學(xué)術(shù)會議論文集[C];2005年

5 黃先鋒;韓傳久;陳旭;周劍軍;;運動目標的分割與特征提取[A];全國第二屆信號處理與應(yīng)用學(xué)術(shù)會議�？痆C];2008年

6 魏明果;;方言比較的特征提取與矩陣分析[A];2009系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)會議論文集[C];2009年

7 林土勝;賴聲禮;;視網(wǎng)膜血管特征提取的拆支跟蹤法[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號處理學(xué)術(shù)會議論文集[C];1999年

8 秦建玲;李軍;;基于核的主成分分析的特征提取方法與樣本篩選[A];2005年中國機械工程學(xué)會年會論文集[C];2005年

9 劉紅;陳光

本文編號：2785466