基于不同體型的三維模型自動分割方法研究

叢曉丹，吳 岡，高鳳嬌

(1.黑龍江省科學院自動化研究所，哈爾濱 150090； 2.黑龍江省科學院高技術研究院，哈爾濱 150020)

?

基于不同體型的三維模型自動分割方法研究

叢曉丹1，2，吳 岡1，2，高鳳嬌1，2

(1.黑龍江省科學院自動化研究所，哈爾濱 150090； 2.黑龍江省科學院高技術研究院，哈爾濱 150020)

對不同體型的人體點云數據進行三維模型分割是三維人體測量的難點問題，提出了一種基于不同體型的人體三維模型自動分割方法。針對人體不同連接部位的形態特點差異，將近似凸包邊最大距離分割法、輪廓部位曲線迭代擬合分割法和軀干切面特征點分割法相結合，實現人體表面曲率結構特征和截面輪廓特征融合的分割方法。分割結果表明，本方法具有自動、快速和易操作等特點，既保證了分割位置的準確性，也實現了人體模型分割的普適性要求。

人體測量學；不同體型；特征融合；模型自動分割

人體測量學是人類學的一門重要分支，是采用測量方法來研究人體結構和人體外部特征的科學[1]。其內容不僅有對人體各部位直線、弧線和角度的測量，還有對人體面積、體積、肌力、體重和日常生理常數等的測量，并通過對人體的整體測量與局部測量來探討人體的特征、類型、變異和發展規律。人體測量在醫學、人類學、考古學研究中占有很重要的地位，同時也為工業生產、服裝、建筑、軍事等行業的設計工作提供了基本參考數據[2]。我國人體測量學的應用近年來發展較快，其重要性逐漸受到人們的重視。

三維人體測量主要包括6個步驟[3]，即：三維人體掃描、點云數據預處理及三維人體模型重建、人體模型部位分割、人體體型判斷、特征點提取和特征尺寸計算。其中，人體模型部位分割和特征尺寸計算是實現三維人體精確測量的重點，而人體模型部位分割的正確與否是實現特征點提取和特征尺寸計算的重要前提。此外，針對不同體型三維人體模型分割方法也不同。因此，研究一種適合于不同體型的三維人體模型自動分割方法在人體測量中顯得尤為重要。

三維人體模型重建之后，需要將整個人體模型分割成多個局部便于提取人體表面關鍵尺寸。一般將人體分割成頭部、左上肢、右上肢、軀干、左下肢和右下肢6個部分。設S為整個人體表面三維數據點的集合，用Shead、Slefthand、Srighthand、Storso、Sleftleg和Srightleg6個子集分別表示這6個部分的三維數據點子集，如圖1所示。把S精確劃分給上述6個子集，則提取各部位尺寸時只需針對每個子集數據點去計算和測量，避免了從整個人體模型的三維數據點集中重復查找。這樣，能極大地減少尺寸特征點的搜索范圍，大大提高尺寸測量速度。

圖1 人體部位分割圖Fig.1 Body segmentation diagram

文獻[4]提出了一種將人體分割分為6部分的算法，將整體點云模型上的測點識別問題轉換為局部測點識別問題，實現左/右腋窩分叉點、頸部分割點和會陰點這些局部分割點的識別。但這種方法只能針對正常體型的人體實現精確識別，無法實現肥胖體型對這些局部分割點的正確識別。故本文提出了一種適合不同體型的人體三維模型自動分割方法，針對人體不同連接部位的形態特點差異，將近似凸包邊最大距離分割法、輪廓部位曲線迭代圓形擬合分割法和軀干切片特征點分割法相結合，實現人體表面曲率結構特征和截面輪廓特征融合的自動分割。

2 三維人體模型分割算法

2.1 頭部與軀干分割

傳統頭部與軀干分割采用最小圍度法[5]，將脖根處人體上半身水平圍度最小地方定為分割切面，該切面之上的三維數據點歸屬于頭部Shead。本文分割頭部采取近似凸包邊最大距離分割法定位脖根處特征點，頭頸輪廓到近似凸包邊距離最遠點即為定位分割切面的特征點。定位脖根處兩個特征點的關鍵是確定頭頂側邊點A和點B以及肩端點C和點D，如圖2所示。具體方法如下：

第一，頭頂側邊點A和點B定位：將人體模型三維數據投影到xoy平面上，得到正面頭部輪廓數據。在y軸上頭頂點下做身高2%的切片，切片內的輪廓數據中x值最小的數據點為A點，最大的為B點，故確定頭頂側邊點A和點B。

第二，肩端點C和點D定位：分別將肩部x值和y值相差較小的輪廓數據點利用最小二乘擬合出直線L1和L2，相交于H，H離掃描數據點最近的點C即為肩端點。同理可得另外一個肩端點D。

圖2 頭部與軀干的分割圖Fig.2 Segmentation diagram of head and trunk

2.2 下肢與軀干分割

下肢與軀干的分割通常以腿間分叉點做切片，將大腿和臀部分開[6]，但這種方法對體型肥胖人體模型分割時會造成下肢與軀干的分割偏差。本研究采用大腿根部水平切片和腿間分叉點兩個關鍵特征進行分割。具體方法如下：

第一，將人體模型三維數據點投影到yoz平面，對臀部側面凸輪廓采用曲線最小二乘法擬合成圓的方法經多次迭代求得擬合橢圓[5]，如圖3所示。在獲取臀部最高點E和圓心O后，延長EO交圓于F，計算E點以下每個輪廓點到F點的距離，將距離F點最近的胯底點G點作為下肢與軀干的分割特征點。過G點做平行于xoz平面的水平切面作為軀干和下肢的分割平面。

第二，為避免左右腿連接的情況，以腿間分叉點分割左右腿。過腿間分叉點做平行于yoz平面的垂直切面，分割平面輪廓點x坐標大于切面坐標的為Sleftleg，x坐標小于切面坐標的為Srightleg。

圖3 下肢與軀干的分割圖Fig.3 Segmentation diagram of lower limb and trunk

2.3 上肢與軀干分割

上肢與軀干的分割是通過肩端點與腋窩點間連線將手臂與軀干分開。腋窩點屬于體內點無法根據掃描數據進行定位，故以很多文獻以手臂和軀干的分叉點代替腋窩點，做縱向切片分割上肢與軀干[7]。但此種方法針對肥胖體型分割效果不盡如人意。本研究采用逐層切面代替固定的分界線，智能區分上肢與軀干。以右臂為例，具體方法如下：

第一，以右臂和軀干的分叉點開始以y軸步長s逐個向y軸正方向上做平行于xoz平面的切面。第一個切平片是過右手臂與軀干分叉點K的切面，如圖4(a)所示。其后的切面如圖4(b)所示。找到每個切面在z軸前后方向上的最凹點P、Q，PQ的連線作為右臂與軀干在該切面的分割線。

第二，將人體模型三維數據點投影到xoz平面，得到正面右肩輪廓數據，如圖4(c)所示。采用本文2.1中頭部與軀干的分割方法，切線擬合x坐標最小點為右肩端點J。

第三，沿y軸逐層切面接近肩端點J時將無法找到切面凹點，可將最后兩個凹點與肩端點J組成的平面作為手臂與軀干的分割面，如圖4(d)所示。

圖4 手臂與軀干的分割圖Fig.4 Segmentation diagram of arm and trunk

3 三維人體模型自動分割流程

為了實現人體三維模型的6個部位自動分割，具體的三維人體模型自動分割流程圖如圖5所示。

圖5中，首先對被掃描對象的點云數據進行預處理。然后分別在頭部與軀干、下肢與軀干及上肢與軀干這些關鍵點處進行分割并對分割有效性進行評價。若某個部位分割結果與實際不符，則會對其進行再次優化分割，若分割結果與實際相符，則將分割結果用于特征點提取和特征點尺寸計算。

圖5 三維人體模型自動分割流程圖Fig.5 3D model automatic segmentation flow diagram

4 分割實驗結果及分析

4.1 三維人體數據掃描實驗

以白光相位測量原理，搭建人體三維模型掃描系統[8]，如圖6所示。依據GB/T 23698-2009采取立姿A[9]。進行掃描時，保持被掃描者靜止不動，雙臂分開且與軀干保持20°～30°夾角，雙腳分開與肩同寬。既保證了大腿根部分叉處和雙臂腋下的數據不丟失，也保證了掃描數據的穩定性。

圖6 人體三維掃描系統Fig.6 3D body scanning system

本研究以Matlab平臺實現人體分割算法。為驗證本研究的普遍適應性，在實驗前對三維掃描對象進行了選取。分別對50個正常體型和10個肥胖體型掃描對象進行三維掃描，并保存了其三維模型數據。研究首先擬從不同體型被掃描對象的6部分分割來驗證所采用的自動分割方法的普適性。然后，采用多組被掃描對象自動分割數據和手動測量數據對比來驗證分割位置的準確性。

4.2 實驗結果及分析

4.2.1 頭部與軀干分割結果

分別采用最小維度頭頸分割法和本文提出的算法對兩種體型的三維模型樣本進行分割，如圖7所示。結果顯示，兩種方法都可正確分割頭頸。由于人體前脖頸邊緣要低于后脖頸邊緣，從脖根特征點引入分割切面傾斜角度，可使頭部與軀干的分割更符合人體表面幾何特征，使分割更加準確。

表1顯示了兩種分割算法得到的樣本模型頭部與軀干分割特征點位置z坐標(單位mm)與實際分割位置對比。通過誤差對比可以看出，對于前50例正常體型和后10例肥胖體型總體誤差均值，特征點算法精度優于最小圍度法的分割方法，廣泛適用于多種體型分割。

圖7 頭部和軀干分割結果Fig.7 Segmentation results of head and trunk

表1 頭部與軀干分割特征點位置對比

4.2.2 下肢與軀干分割結果

分別采用腿間分叉點定位切面和胯底點定位切面對兩種體型的三維模型樣本進行下肢分割，分割結果如圖8所示。結果顯示，正常體型樣本的腿間分叉點切面與胯底點切面非常接近如圖8(a)，皆可正確分割。肥胖體型樣本僅憑腿間分叉點分割下肢，會造成下肢分割錯誤，采用本文的分割方法可以避免這一錯誤，得到正確的分割結果，如圖8(b)所示。

表2顯示了兩種分割算法得到的樣本模型下肢與軀干分割特征點位置z坐標(單位mm)與實際分割位置對比。通過誤差比較可以看出，對于前50例正常體型，兩種方法總體誤差均值近似，都可以達到準確分割的效果。對于后10例肥胖體型，本文算法解決了腿間分叉點定位偏低的問題，大大提高了分割精確度，可以廣泛適用于多種體型人群。

圖8 下肢和軀干分割結果Fig.8 Segmentation results of lower limb and trunk

表2 下肢與軀干分割特征點位置對比

4.2.3 上肢與軀干分割結果

分別采用手臂和軀干的分叉點定位分界線和逐層切面分界線對兩種體型的三維模型樣本進行上分割，分割結果如圖9所示。結果顯示，正常體型樣本分叉點定位分界線(圖9(a)右側虛線)與逐層切面分界線(圖9(a)左側實線)皆可正確分割上肢和軀干。肥胖體型樣本僅憑手臂和軀干的分叉點定位分割上肢，會導致上肢和胸部分界不明，部分屬于上肢的數據點丟失，部分軀干的數 據點被歸為上肢，如圖9(b)右側虛線所示。本文的分割方法采用逐層切面的方式，不受體型影響，分割線(9(b)左側實線)接近實際情況，達到理想分割效果。

圖9 上肢和軀干分割結果Fig.9 Segmentation results of upper limb and trunk

5 結論

本文提出了一種針對不同體型的人體三維模型自動分割方法，實現了頭部、四肢與軀干的自動分離。實驗采集了包括不同體型的共60組三維人體點云模型。通過分割算法將模型自動分割成6個部分。實驗結果表明：本算法可以實現人體模型尤其是對肥胖體型模型的正確分割，經過與實際測量位置對比，誤差均在5%以內，可以達到正常人體測量需求，增強了人體模型的普適性，拓寬了人體尺寸自動獲取的適應人群，為后續研究奠定基礎。

[1] 陳偉偉，陳雁.非接觸式三維人體測量技術的進展及應用[J]. 紡織科技進展，2010，(06)：88-90.

[2] Q. Wang, T. Zhou, A New Figure Analysis System Based on the Data of 3D Body Scanner[M]. Third International Conference on Information and Computing. World Academic Press，2010：155-158.

[3] 賴軍，王博，付全，等.基于點模型的人體尺寸自動提取方法[J].中南大學學報(自然科學版)，2014，45(8)：2676-2683.

[4] 呂方梅，習俊通，馬登哲.人體表面點云數據的拓撲特征檢測與自動分割[J].計算機工程與應用，2008，44(6)：196-198.

[5] 晏義，文志強，李世鋒.基于輪廓曲線擬 合的人體下肢分割及其測量技術[J].湖南工業大學學報，2011，25(2)：85-89.

[6] 閆蓓，王斌，李媛.基于最小二乘法的橢擬合改進算法[J]. 北京航空航天大學學報，2008，34(3)：295-298.

[7] A. J. Chambers，A. L. Sukits，J. L. Mcrory，et al. The effect of obesity and gender on body segment parameters in older adults[J]. Clinical Biomechanics, 2010，25(2)：131-136.

[8] 宋昌江，吳岡，姜洋.基于雙目立體視覺技術的人體掃描系統的設計[J]. 黑龍江科學，2014，5(6)：28-30.

[9] GB/T 23698-2009，三維掃描人體測量方法的一般要求[S].中國：中華人民共和國國家標準.

The study of 3D model automatic segmentation method based on different body dimensions

CONG Xiao-dan1,2, WU Gang1,2, GAO Feng-jiao1,2

(1.Institute of Automation, Heilongjiang Academy of Sciences, Harbin 150090, China; 2.Institute of Advanced Technology, Heilongjiang Academy of Sciences, Harbin 150020, China)

3D model segmentation according to the point cloud data of different body dimensions is a difficult problem in 3D body measurement, a 3D model automatic segmentation method based on different body dimensions is presented in this study. A segmentation method is implemented by fusing the body surface curvature structural characteristic and cross section profile characteristic, which is based on the morphological characteristics difference of the different parts of human body. The segmentation method is combined with approximate convex-edge-maximum separation method, contour partial curve iteration fitting segmentation method, trunk segmentation feature point segmentation method. The segmentation result demonstrates that this method presents the characteristics of automatic, quickly and easy-operation, which can not only ensure the accuracy of the segmentation location but also achieve the universal requirements of human body model segmentation.

Anthropometry; Different body dimensions; Characteristic fusion; Model automatic segmentation

2016-10-25

黑龍江省科學院青年創新基金項目“三維人體測量中關鍵尺寸自動提取技術的研究”

叢曉丹(1988-)，女，碩士，助理研究員。

TP391.4

A

1674-8646(2017)02-0002-05