基于散亂點云的三維人體自動測量

鮑 陳， 繆永偉， 孫瑜亮， 張旭東

(1. 浙江工業大學 計算機科學與技術學院， 浙江 杭州 310023； 2. 浙江理工大學 信息學院， 浙江 杭州 310018)

人體測量學是人機工程一個非常重要的研究領域，通過測量人體各部位的尺寸差異來研究人體的體態特征，為服裝CAD設計、服裝工效學和虛擬試衣等提供人體測量數據[1]，保證服裝合身，并使著裝既舒適又美觀。目前可以通過三維非接觸人體掃描技術，獲得完整的人體表面三維點云數據，進而快速準確地提取人體特征點與特征線，并計算出人體特征尺寸。

從三維人體掃描點云數據提取人體尺寸的關鍵在于如何魯棒、準確地提取特征點。國內外研究者相繼提出了許多可行方法，主要方法有模板法、函數法和幾何形狀法3種。模板法是通過將一個預定義的模板映射到人體點云上來提取特征點。Allen等[2]提出模板映射方法，該算法為每個預定義點建立1個仿射變換最優化函數來提取特征點。Nurre等[3]提出將人體點云模型近似為棍模板，按照此模板對人體進行自動分段，通過對不同截面全局形狀和相對位置的分析，提取特征點。模板法與其他2種方法相比，對特征點的定位精度略高，但是其缺點迭代求解計算量較大，速度慢。函數法通過為每個特征點建立1個具體的函數來識別特征點。Dekker等[4]提出在網格數據并建立判別函數，來自動提取特征點。Leong等[5]提出用邏輯數學描述人體特征，再利用深度圖與語義約束來識別特征點。函數法對曲線和曲面擬合的過程十分復雜且運行時間較長。幾何形狀分析法是根據人體比例和人體幾何形狀分析來提取人體特征點。Markiewicz等[6]將人體點云分割，采用人體輪廓表面屬性分析法，來定位特征點。陳國安等[7]在進行人體幾何形狀分析基礎上，提出一種基于模糊邏輯規則自動提取人體特征點。上述幾何形狀分析方法都沒有考慮利用廉價的深度相機，構建從原始三維人體點云模型到人體尺寸自動測量，以及測量結果的評價完整方案。

本文針對服裝設計的三維人體測量學的需求，提出一種基于散亂點云的三維人體自動測量方案，無需在測量前進行人體體型分類，也無需測量掃描前人為標注模型基準點與基準線，通過分析人體輪廓幾何特征，識別人體特征點，采用陳國安等[7]提出的人體截面輪廓變化極限點和分叉點2類人體特征點進行人體尺寸測量。本文方案不易受人體體型因素的影響，可以有效地實現人體尺寸信息自動提取，獲得人體尺寸數據能夠滿足GB/T 23698—2009《三維掃描人體測量方法的一般要求》精度要求。

1 三維人體自動測量方案

使用消費級Kinect深度相機獲取三維人體點云數據，受文獻[8]啟發，設計出一種基于2臺Microsoft Kinect v2深度相機和1個電動轉盤來構建三維人體尺寸測量系統，如圖1所示。在掃描過程中，被測者直立站在轉盤固定位置，雙臂張開與身體角度15°～45°，雙腿自然分開兩腳與肩平齊。對多臺Kinect相機進行位姿標定[9]，得到三維掃描點云數據，經過迭代最近點匹配(ICP)算法將8個(每45°取1塊點云)單塊三維人體點云進行配準拼接，獲得原始三維人體點云模型。

圖1 人體尺寸測量系統裝置Fig.1 Measurement system device of human body sizes

本文主要論述三維人體點云數據獲取后，利用人體幾何形狀分析法，自動提取人體特征點并進行尺寸計算。本文的三維人體尺寸提取方案流程如圖2所示。

圖2 人體尺寸測量流程圖Fig.2 Flow chart of human body size measurement

1)數據預處理。包括點云降采樣與去噪和表面重建，以及點云坐標轉換。點云降采樣、去噪和表面重建，通過Kinect深度相機獲取的三維點云數據，通常會產生密度不均勻的大量點云數據，且由于測量中誤差會產生稀疏的離群點，對經過ICP配準拼接后的點云數據進行降采樣、離群點濾波和表面重建，得到數據量減少、保形、準確法線和曲率方差較小的點云模型。點云坐標轉換，由于掃描數據初始讀入時以相機中心為坐標原點，這將不利于后續特征尺寸提取，因此，需要對三維人體點云模型進行坐標調整。根據人體測量學定義人體測量基準面，將點云坐標系轉換到正中矢狀面上，從而識別出人體正背面。

2)人體點云分割。根據腋窩點和會陰點作為人體分割的特征點，識別出不同肢體的點云數據，并使用沿上臂根部縱向劃分的肢體分割方法提高對不同體型人體點云模型的適應性，將人體點云分割為手臂(左臂和右臂)、雙腿(左腿和右腿)、軀干和頭部3個部分。人體點云分割使得對后續特征點識別更加快速和魯棒。

3)特征點提取。測量人體尺寸前，首先根據人體特征點位置與身高之間的比例關系，近似計算出特征點(身高、頸側點、肩峰點、胸高點、腰側點、臀凸點、外踝點)，所采用的三維人體點云模型為右手定則坐標系，并根據人體幾何特征分析法精確自動定位特征點及其所在的特征截面。若此時用戶對提取特征點結果不滿意，則可進行交互式選取特征點。

4)尺寸計算。利用提取出的人體特征截面點云，計算人體尺寸。首先需要提取出邊界點集，構建特征截面點云的kd-tree數據結構，實現基于FLANN快速最近鄰檢索，利用點云中點與其K鄰域點分布均勻性的檢測出特征邊界點集，邊界有序拾取算法收集到有序特征線；接著通過改進的凸包法得到特征截面輪廓有序特征邊界線點集；最后采用3次B樣條曲線擬合計算特征尺寸，并將測量項目的值輸出。

2 三維人體點云數據預處理

2.1 點云降采樣與去噪和表面重建

采用Kinect深度相機獲取的原始點云數據，如圖3(a)所示，通常數據量較大且不可避免地存在一些噪聲點。首先對原始人體點云數據獲取后，進行點云數據預處理，采用 VoxelGrid濾波器對點云進行降采樣[10]，通過對輸入點云數據創建1個三維體素柵格，在每個體素內用所有點的重心來近似顯示體素中其他點；接著使用StatisticalOutlier 濾波器移除離群點，設置在進行統計時考慮查詢點近鄰點數，計算該點到所有臨近點的距離，并設置判斷是否為離群點的閾值標準差，平均距離在標準范圍之外的點，被從數據點集中去除掉；最后由于采用2臺Kinect深度相機采集數據，掃描數據經ICP配準后得到，如果直接使用容易造成“雙墻”等人造偽數據(重疊的2個曲面)，采用基于移動最小二乘(MLS)的法線估計、點云平滑和數據重采樣。通過上述3個步驟，得到了數據量減少、保形、準確法線和曲率方差較小的點云模型。點云降采樣、去噪和表面重建得到密度適中的掃描線點云，設定層間距為掃描線掃描間距的2倍，如圖3(b)所示。這將有利于后續更好地進行特征點提取與特征邊界線收集等操作。

圖3 人體點云數據預處理Fig.3 Cloud data preprocessing of human body points. (a)Original point cloud; (b)Point cloud desampling, denoising, and surface reconstruction; (c)Point cloud coordinate transformation

2.2 點云坐標轉換

3 三維人體特征提取

3.1 點云的分層處理

在獲得坐標轉換點云模型后，首先計算身高H，Y軸方向為人體身高方向，人體點云模型Y軸方向最大值ymax和最小值ymin計算身高H=ymax-ymin；參考GB/T 16160—2008《服裝用人體測量的部位與方法》和美國Clemson大學對人體特征點位置與身高之間的比例關系[7]，將人的身高值歸一化，則各特征點的高度值百分比如表1所示。特征點估計高度坐標值為hx，特征點位置的坐標高與身高的比例為λscale，則從表1中可得到人體各特征點的近似高度坐標值為hx=λscaleH+ymin。為提取特征點，采用分層來構建人體掃描線點云，點云數據使用PCD(point cloud data)格式存儲，首先將PCD格式的三維人體點云模型轉換為CSV格式數據，保存每個點序號和三維坐標信息，通過用特征點的平面與三維人體點云相交的交平面生成特征截面掃描線點云數據。

表1 人體特征點位置與身高之間比例Tab.1 Proportion of position of human body characteristic points and body height

3.2 人體點云分割

為減少識別出人體特征點搜索區域，需要對人體點云進行分割，根據輪廓分析法來定位腋窩點和會陰點，作為人體分割的基準點，將人體分為手臂、腿、軀干和頭部。腋窩點和會陰點，作為分叉點，通過空隙查找法和曲率來定位提取。

腋窩點的提取準則。本文改進了Wang等[11]提出模糊邏輯規則的腋窩點提取方法，其步驟如下：1)以肩峰點ybegin=0.82H為起始位置，垂直向下等步長搜索截面掃描線點云，步長取值為2 mm。2)在特征截面點云上，經過點云邊界識別、降采樣等操作得到截面環線Sc，利用空隙查找法，找到第1個開始出現間隙的截面環，判斷是否出現間隙的方法為：按照X軸坐標軸從小到大進行排序，計算截面環上相鄰2個點在X軸方向的差值，如果差值大于某個閾值，則為1個間隙，也就是出現不同環，當環數首次由1變到3時，則找到腋窩點截面環Sarmpit。在截面環Sarmpit上找取曲率最大的6個點，計算離散點的曲率首先計算離散點集P的協方差矩陣C，如下：

圖4 人體點云分割結果示意圖Fig.4 Segmentation results of human body point cloud.(a)Human body segmentation key points; (b) Human body segmentation result

會陰點的提取準則。根據會陰點的定義，會陰點位于左、右坐骨結節最下點的連線的中點。本文改進Zhong等[13]提出的會陰點提取方法，其步驟如下：以臀凸點ybegin=0.53H為起始位置，垂直向下搜索截面掃描線點云，判斷是否出現間隙的截面環；當環數首次由1變到3時，則找到會陰點截面環Scrotch。接下來，在截面環Scrotch上，用x=0的平面垂直截切點云中y坐標最小點為會陰點Pcrotch。提取腋窩點和會陰點后，通過直通濾波對點云進行濾波處理，分割出左右手臂、左右下肢、軀干和頭部。根據腋窩點和會陰點，分割人體點云模型，圖4(a)為分割的分界點示意圖，圖4(b)為分割結果示意圖，再此基礎使得特征點的識別更加快速和魯棒。

3.3 特征點的提取

以胸高點和頸椎點為例，予以說明輪廓變化極值點的提取過程。1)由胸高點的定義可知，胸高點位于腋窩點之下腰點之上比例值區間，通過胸部最高點的截面環上，其截面是水平截面。首先根據輸入的三維人體掃描線點云，確定胸高點的搜索區間[0.75H～0.61H]搜索域上截面點集；然后在該搜索域內從0.75H為起始位置，沿著Y方向垂直向下采用變步長搜索，通過對特征截面點云邊界識別、降采樣等得到輪廓線，并對獲取的輪廓線邊界點集進行均值濾波平滑；最后通過比較3個近鄰的搜索截面環輪廓線，如果中間截面環輪廓線上Z坐標值點最大，則該點為所要提取的胸高點，根據對稱性，另一個胸高點亦可求得。2)由頸根圍線的定義可知，其經過頸窩點、頸側點和頸椎點的曲線，其截面是斜截面，通過空間旋轉局部區域內人體點云模型的方法，將斜截面轉換為水平截面來求取頸椎點，其頸椎點提取示意圖如圖5所示。首先根據輸入的三維人體掃描線點云，提取頸側點，頸側點位于人體正投影的側輪廓上，為曲率變化最大處，是頭和軀干相連接部分中最凹點，確定頸側點的搜索區間，獲得頸側點集，對頸側點集進行XOZ面投影，獲得投影面點集；然后遍歷該投影面點集，找取X坐標值最小的點，繼續沿著Y方向遍歷搜索區域內其他投影面點集，從而獲得右頸側點，依據對稱性，可求得X坐標值最大的點，為左頸側點；最后由于頸根圍線是斜截面如圖5(a)所示，通過空間旋轉變換將人體頭部點云模型繞X軸旋轉20°如圖5(b)所示，利用頸側點水平截面截切的方法得到頸椎點截面點云，求得頸椎點截面點云中Z坐標最小值點為頸椎點。其他特征斜截面如上臂圍、腕圍，由于篇幅原因，不再贅述。

圖5 頸根圍線提取Fig.5 Neck base line extraction. (a)Oblique cross section neck base line; (b) Neck base line rotaled by 20°

通過自動提取輪廓極限點，有時因一些非正常體型如：挺胸體、駝背體、凸肚體、凸臀體等，無法很好地采用幾何形狀分析法進行人體特征點自動定位，提取出的特征點用戶可能不滿意。為此，本文實現一種基于用戶交互方式的拾取空間三維點坐標功能，方便用戶交互方式選擇人體特征點，以使本文系統更加魯棒。通過鼠標在計算機屏幕上點選三維點，從屏幕上拾取特征點的三維點坐標，并將其坐標保存在配置文件中，方便后續特征尺寸計算。在交互測量界面類中調用靜態回調方法函數，獲取三維點坐標；依據Qt信號槽機制，實現交互測量界面類與特征點編輯對話框類建立連接，進行特征點編輯。

4 三維人體尺寸自動測量

4.1 特征邊界點提取

4.1.1判別邊界特征點

散亂點云呈無序分布，必須建立數據點之間的空間拓撲關系，以方便K近鄰搜索。本文采用kd-tree對特征截面散亂點云數據進行組織，實現基于FLANN快速最近鄰檢索。點云數據點的邊界特征點有其自身特點，如圖6所示。圖6(a)中P點K鄰域點分布偏向某一側，即為邊界特征點，圖6(b)中P點K鄰域點均勻分布，即為內部點。利用點云中點與其K鄰域點分布均勻性判斷邊界點[14-15]，而這種分布的均勻程度可以根據2個相鄰方向線段間的夾角差來判斷，當夾角差超過設定閾值為邊界點，否則為內部點。

圖6 判別邊界特征點Fig.6 Judging boundary feature points.(a)P is boundary point;(b)P is interior point

算法1：邊界點檢測。

輸入：特征截面點云數據SF。

輸出：邊界點集合SB。

4.1.2邊界點有序拾取

4.2 三維人體尺寸計算

4.2.1三維人體尺寸提取

根據人體測量學的原理，利用自動提取的人體特征點和特征截面點云，通過特征邊界點提取，得到特征邊界線，從而計算人體特征尺寸。根據三維服裝設計測量項目的需求，將測量人體尺寸參數分為長度尺寸、圍度尺寸和弧長尺寸。

2)圍度尺寸，計算方法如下：定位圍度所在點云分段區域(軀干、手臂、雙腿等)；利用測量特征點的水平截面與三維人體分段模型求交，得到特征截面點云數據，如腰圍、胸圍在軀干上圍度截面；再對特征截面點云提取特征邊界點，設定K鄰域搜索范圍和角度閾值ω，并進行降采樣濾波，通過邊界點有序拾取算法，實現對散亂點云提取特征邊界輪廓線；采用改進的凸包法計算圍度尺寸。

3)弧長尺寸，計算方法如下：利用測量特征點的水平截面與三維人體分段點云模型求交，得到特征截面點云SF，利用多個相關測量特征點，剔除點云SF中與弧長無關的部分，經特征邊界點檢測，得到特征邊界點集。由于弧長特征邊界線是不閉合的，如背寬為例，過左、右后腋窩點的水平弧長，對背寬截面特征點集，按照X坐標值進行快速排序，并確定左、右后腋窩點為有序拾取點集的起點和終點，通過邊界有序拾取算法，得到肩寬特征線；采用改進的凸包法計算弧長尺寸。

4.2.2基于凸殼的輪廓線計算方法

算法2： 二維平面凸殼

輸入：平面上一組點MU(P1,P2,…,Pn)。

輸出：凸殼點鏈表LV。

步驟1：在序列MU中取P1點作為起始點，令Pc=P1，將P1點保存在凸殼點鏈表LV中。

步驟3-2：如果val==0，Pc、Pt和Pik是共線的，選擇離Pc點，更接近的一個共線點。若distance(Pc,Pt,Pik)<0，則點Pt添加到LC中，令Pt=Pik。否則，將點Pik添加到LC中。

步驟4：i=i+1，如果i≤n，則返回步3-1，否則轉向步5。

步驟5：將共線點鏈表LC中所有點添加到凸殼點鏈表LV中。

步驟6：當Pt=Pn時，凸殼點算法結束。

步驟7：將點Pt添加到LV鏈表中，令Pc=Pt，并轉步3。

凸殼點鏈表ML計算方法與鏈表MU凸殼計算方法相同，不再贅述。

4.3 B樣條曲線擬合

以胸圍特征邊界線和腰圍特征線為例，展示某男模特圍長特征邊界線中胸圍、腰圍尺寸B樣條擬合。胸圍腰圍及背寬特征邊界線B樣條曲線擬合如圖7～9所示。B樣條擬合曲線后，計算特征尺寸的長度。

圖7 胸圍凸包B樣條擬合Fig.7 B-spline fitting of chest circumference convex-hull.(a)Chest circumference characteristic boundary line;(b)Chest circumference convex-hull fitting curve

圖8 腰圍凸包B樣條擬合Fig.8 B-spline fitting of waist circumference convex-hull.(a)Waist circumference characteristic boundary line;(b)Waist circumference convex-hull fitting curve

圖9 背寬凸包B樣條擬合Fig.9 B-spline fitting of back breadth convex-hull.(a)Back breadth characteristic boundary line;(b) Back breadth convex-hull fitting curve

5 系統實現與測量結果的評價

5.1 系統實現效果

本文提出的方法已在Intel Corei5 2.30 GHz CPU、8 GB RAM計算機，利用Microsoft Visual Studio 2013 + Qt5集成開發環境，使用C++實現。基于三維人體點云數據的人體尺寸自動測量系統，其交互測量界面如圖10所示。界面左上方為人體基于Qt-VTK點云可視化三維點云顯示窗口，顯示三維人體點云模型；界面左下方為畫布PaintArea類，繼承于QWidget類，繪制擬合B樣條曲線；界面右側為特征尺寸的測量結果。本文系統使用基于人體幾何特征及人體測量學中定義特征點所在位置解決人體特征點自動定位問題；對定位的測量特征點的平面通過對細分肢體點云文件操作，截切三維人體點云解決特征截面點云數據生成問題；使用散亂點云特征邊界有序拾取算法解決收集有序特征線點集問題，最后通過三次B樣條曲線擬合，采用改進的凸包法來計算三維人體點云模型的特征尺寸。

圖10 交互測量界面Fig.10 Interactive measurement interface

5.2 測量結果的評價

為進一步驗證提出的人體尺寸自動測量方案精密度，根據服裝CAD設計具體需要，測量14個特征尺寸。根據GB/T 23698—2009《三維掃描人體測量方法的一般要求》中規定測量精度可重復性和可再現性的要求，對同一個真實人體進行了多次測量，表2示出同一真人(男)模特在相同測量環境不同測量時間下，得到的5次人體尺寸測量結果。圖11示出人體尺寸測量項目。利用IQR、標準差和變異系數(CV)來表征測量觀測值之間離散程度，從計算結果來看測量項目CV值均達文獻[16]提到的5%以內；同時為衡量和評價觀察者間信度和復測信度，引入組內相關系數(ICC)[17]，以驗證測量結果的一致性和可靠性，在人體特征尺寸測量中，采用兩因素混合效應模型(two-way mixed effects model)。應用方差分析，選擇ICC(A,1)用于計算測試評分者的信度，選擇ICC(C,1)用于一致性估計。

表2 測量結果精密度分析Tab.2 Precision analysis of measurement results cm

圖11 人體尺寸測量項目Fig.11 Measurement items of human body dimessions

式中：MSR為組間均方差；MSE為均方誤差；MSC為組內均方差；k為處理組數；n為被觀察對象的個數。對表2中的數據進行統計分析，計算ICC(A,1)信度系數為0.99，計算ICC(C,1)為0.99。一般認為ICC信度系數對定量資料或分類資料，大于0.75表示信度良好。

為進一步驗證該方案的準確度，考慮年齡在22～34歲群體體態特征，對8位在該年齡范圍的真人(男)模特，取6個特征尺寸自動測量值和手動測量(ground-truth)進行對照，測量誤差分析結果如表3所示。本次測量平均誤差最大值為0.78 cm，長度尺寸的最大誤差為0.38 cm，圍度和弧長尺寸的最大誤差為0.85 cm。測量誤差在GB/T 23698—2009《三維掃描人體測量方法的一般要求》允許范圍之內(長度尺寸的允許誤差為0.4 cm，圍度和弧長尺寸允許誤差為0.9 cm)且準確度高于文獻[4]和文獻[18]中的尺寸測量結果。

為更加直觀地驗證其誤差準確度，構建如圖12所示測量誤差箱線圖。其箱線圖最小、最大邊界為1.5IQR范圍內，超出值為離群值。結果顯示，本文方案可以有效地實現對人體尺寸信息自動提取，根據人體尺寸測量結果，獲得的人體尺寸數據可滿足三維服裝CAD設計領域對測量精度的需求。

表3 測量的誤差分析Tab.3 Error analysis of measurement cm

圖12 測量誤差箱線圖Fig.12 Measurement error boxplot

6 結束語

本文提出了一種基于散亂點云的三維人體自動測量方案，有效地實現了從三維人體點云模型自動提取人體尺寸信息。本文方案在一定程度上克服了商業三維人體掃描系統價格高、操作復雜的不足，利用消費級的Kinect深度相機，構建出方便、廉價和高效的非接觸式三維人體尺寸測量系統。結果表明，從原始三維人體點云模型到人體尺寸自動測量，以及測量結果的評價完整方案均是可行的，獲得人體尺寸數據滿足GB/T 23698—2009的精度要求。

在采集三維人體點云數據時，由于TOF深度相機測量原理以及人為因素，測量獲得物體表面點云可能存在“空洞”。在后續研究工作中，將針對點云數據補洞、散亂點云精簡等進行研究，提升獲取點云數據質量；并進一步改進方案的魯棒性和準確性，擴充人體模型樣本數據集，完善人體尺寸自動測量系統軟件，并增加人體更多部位的測量尺寸信息。

FZXB