高效且稳健的人体图像与三维人体模型匹配技术.pdf

《高效且稳健的人体图像与三维人体模型匹配技术.pdf》由会员分享，可在线阅读，更多相关《高效且稳健的人体图像与三维人体模型匹配技术.pdf（15页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201911014657.2 (22)申请日 2019.10.23 (71)申请人 湖南大学 地址 410082 湖南省长沙市岳麓区麓山南 路1号湖南大学 (72)发明人 周世哲蔡伟 (51)Int.Cl. G06T 7/30(2017.01) G06T 17/00(2006.01) (54)发明名称 一种高效且稳健的人体图像与三维人体模 型匹配技术 (57)摘要 人体图像与三维人体模型之间的匹配可以 转化为对应的人体形状在二维空间的对应关系， 本发明发明了一种运行高效且稳健的形。

2、状匹配 技术， 解决了人体这种复杂形状之间精准匹配的 难题。 我们认为， 形状匹配要充分考虑全局信息， 也要建立局部的稀疏对应， 为此提出了用于描述 人体形状的低维形状描述符， 我们的算法中利用 该描述子捕获形状点集之间的位置关系， 通过比 较不同形状描述子之间的相似性， 并结合边缘点 的几何信息， 能够大致地找到两个形状间点与点 的对应关系。 因此我们会对匹配结果集中的异常 值将进行稳健处理， 我们提出了一个基于测地距 离的失真函数， 该函数能有效的评估单独的点集 双射对整个匹配结果的贡献， 最终得到形状之间 有意义的匹配。 我们所提出的算法能快速得到匹 配信息， 并且具有良好的抗噪性与鲁棒。

3、性。 权利要求书2页 说明书6页 附图6页 CN 110751679 A 2020.02.04 CN 110751679 A 1.一种高效且稳健的人体图像与三维人体模型匹配技术的步骤包括： 获取人体形状数据。 我们从单个消费级RGB-D设备上实时获取人体图像， 并根据图像中 人体骨骼驱动三维人体模型变形。 人体形状的描述， 我们的技术利用一个低维形状描述符来描述形状中每个点的位置关 系。 利用改进后的匈牙利算法快速得到两个人体轮廓点集的对应关系。 对匹配结果中的异常值的稳健处理， 得到人体形状的最佳对应关系。 2.根据权利要求1中所述的人体形状匹配技术， 其特征在于， 从人体图像和模型中分别 。

4、获取对应的人体轮廓， 并从轮廓中采集一定的样本点作为我们待匹配点集。 我们的方法并 不从特定数据集中获取人体数据， 这使得我们的人体形状几乎能够以任意的姿势出现， 而 不限定于特定的数据库。 通常从单个消费级RGB-D设备中提取的图像信息非常嘈杂， 我们将 利用高斯滤波等常用的图像处理算法对数据进行预处理， 然后我们必须从人体图像得到相 应的人体轮廓， 而从图像中提取人体轮廓不是问题-例如， 可以使用边缘检测器。 我们从人 体轮廓采样一组点表以近似表示人体形状， 我们的技术对于点的采集并没有特别的要求， 并不要求是特征点或拐点等可以代表形状的关键点位。 更具体地说， 在表示物体形状时， 因 不。

5、同物体形状复杂度不同， 越复杂的图像需要的特征点就越多。 实际中要用尽可能少的点 表达物体的形状， 才能够有效减少计算量及算法复杂度。 本文在提取边界轮廓点时， 预先设 定固定的边缘轮廓点数n， 根据不同物体外轮廓点的个数设置提取轮廓点时的距离。 我们更 喜欢以大致均匀的间距从人体轮廓上采样一组点pp1,p2,pn,虽然这不是很重要， 但 这样可以获得更好表示基础连续形状的近似值。 3.根据权利要求3所述的人体形状的匹配技术， 其中， 还包括： 利用形状描述符描述特 定的人体形状， 对于给定的点集Pp1， p2， p3， .， pn， piIR2,利用pi点与其余的n-1个采 样点的相对位置关。

6、系构建特征向量， 这n-1个向量可以反映出该点在该物体形状中的位置 信息(距离和方向)。 依次选取每个采样点pi作为参考点,以该参考点为中心建立对数极坐 标空间， 并按照角度和距离划扇区。 这使得离参考点越近的点对该点的影响力越大， 而对于 同一环上的点的鉴别能力是相同的。 统计每个区域中除点pi外其余的轮廓点的个数就可以 得到该点的直方图H， 因此点pi的低维形状描述符计算公式如下： hi(k)#pjpi： (pj-pi)bin(k) 其中k代表极坐标系中扇区的顺序代号， #表示统计第k个区域中轮廓点的个数， pj-pi bin(k)表示点pj属于点pi的形状直方图的第k个分量。 4.根据权。

7、利要求3所述的人体形状的匹配技术， 其中， 还包括： 将人体形状之间的匹配 转化为判定第一个物体形状上的点pi和第二个物体形状上的点qj之间的相似度， 根据直方 图并结合点对之间的法向信息可以得出两个点之间匹配代价为CijC(pi， qj)， 具体公式如 下所示： Cijw*C(pi， qj)+(1-w)*(1-n(pi， qj) w代表权重大小。 n(pi， qj)表示pi点处的法向量与qj点的法向量的夹角值， 法向量为对应 点与其邻近点法向量的平均值， C(pi， qj)表示由形状描述子所贡献的代价， 由于形状描述符 是很丰富的描述符,而通常直方图中值低的分段间的差别相比于值高的分段间的差。

8、别更重 要些， 所以使用卡方距离度量可以很好地表现这种特性。 权利要求书 1/2 页 2 CN 110751679 A 2 这里hi(k)、 hj(k)分别代表第一个物体上pi点的形状直方图和第二个物体上qj点的形状 直方图第k个分量的值。 5.根据权利要求3所述的人体形状的匹配技术， 其中， 还包括： 对于两个人体形状上的 所有点， 都能得到点与点之间的匹配代价， 我们在所有n！ 的巨大搜索空间中寻求最佳双射， 我们有这个搜索空间， 因为双射仅仅是目标样本点的排列 到固定源样本点排列的分配， 既 找到一个人体形状上样本点的排列与另一个形状上样本点排列使得匹配代价最小， 我们简 化了这个搜索空。

9、间， 其表示为一个大小为n*n匹配代价矩阵C， 最佳点集对应关系就要最小 化总成本H( ): H( )iC(pi， q (i) 上面点的匹配问题是典型的双向图的匹配问题， 它把匹配代价最小的那个点看作是最 近似的对应点。 对两个物体提取到的形状点集而言， 把对应点的匹配问题转化成二分图最 大匹配问题， 而二分图的最大匹配问题可以采用利用改进后的匈牙利算法来解决， 快速得 到形状之间的点集双射关系 。 6.根据权利要求6所述的人体形状的匹配技术， 其中， 还包括： 匹配算法独立的处理形 状描述符， 因此需处理结果集中的异常值。 对于异常值， 我们技术提出了一个失真函数diso (pi， qj)来。

10、度量双射 中的(pi， qj)点对的质量。 其中dg是人体形状上两个顶点之间的测地距离， 其中 -(pi， qj)。 由于我们的技术 会将两个人体轮廓相对于其封闭区域进行标准化， 所以测地距离dg和diso(pi， qj)都在区间 0,1之间取值。 diso详细的描述了双射 中点对(pi， qj)相对于其他匹配点对的测地距离的 平均差值， 详细刻画了该点对整体匹配的贡献。 7.根据权利要求6所述的人体形状的匹配技术， 其中， 还包括： Diso是对我们整个匹配双射 的一个评估， 因此对于那些误差很大的匹配点， 其失真值 diso远大于平均水平， 在我们的技术中直接删除这些匹配点对。 而对于一些。

11、误差比较小的匹 配点对， 我们将结合人体形状的有序性解决。 可以根据其相对于优秀的匹配点对的差值而 保留， 或者直接删除导致交叉的点对， 以保证人体形状的有序性。 权利要求书 2/2 页 3 CN 110751679 A 3 一种高效且稳健的人体图像与三维人体模型匹配技术 技术领域 0001 找到形状之间有意义的匹配是几何处理中的一个基本问题， 在计算机图形学、 计 算机视觉和医学成像中有许多应用。 并且我们的技术是对人体图像和三维人体模型的进行 匹配， 在三维人体模型重建技术也有着十分广泛的应用场景。 本技术通过性状描述符并结 合所提出的失真函数可以快速得到两个人体形状点集的对应关系。 背景。

12、技术 0002 形状匹配就是寻找两个形状上点集的最佳对应关系。 许多形状匹配算法依赖于形 状局部描述符， 比如沿着轮廓点处的局部曲率、 法向量等其它几何属性,虽然实现简单， 并 且匹配速度极快， 但它可能是一个脆弱的特征， 对于较为复杂的形状匹配效果不佳。 而更专 业的轮廓匹配可以大大的改善匹配质量， 但保持顺序的轮廓匹配通常涉及昂贵的代价， 往 往需要迭代多次才能获得精准的匹配结果， 如采用动态编程可以得到出色的匹配结果， 但 其时间成本是难以接受的。 0003 人体形状匹配一直是一个难题， 从图像中获取的人体形状通常会受到服装、 图像 质量等因素的影响， 这使得人体形状之间的对应变得非常困。

13、难。 我们的技术将解决人体这 种复杂形状之间的匹配问题， 快速得到感知上有意义的形状匹配结果， 并且对各种姿势下 的人体形状都具有很好的鲁棒性。 发明内容 0004 (一)要解决的技术问题 0005 本发明的目的在于找到两个人体形状之间的最佳对应关系， 解决上述的技术问 题。 0006 (二)技术方案 0007 本文提供了一种人体图像与对应姿势下的三维人体模型之间的匹配方法， 包括如 下步骤： 0008 1.人体数据的获取， 我们从单个消费级RGB-D设备上实时获取人体图像， 并根据图 像中人体骨骼驱动三维人体模型变形。 然后从人体图像和模型中分别获取对应的人体轮 廓， 并从轮廓中采集一定的样。

14、本点作为我们待匹配点集。 0009 2.人体形状的描述， 我们的技术利用一个低维形状描述符来描述形状中每个点的 位置关系。 形状描述符把一个图像中人体轮廓点表示成一个直方图， 并把直方图分成多个 方格， 每个小方格中有效像素点数代表了图像的特征。 由此形状的匹配问题就可以转化为 加权图匹配问题。 0010 3.利用改进后的匈牙利算法快速得到两个人体轮廓点集的对应关系。 0011 4.对匹配结果中的异常值的稳健处理， 得到人体形状的最佳对应关系。 0012 我们的方法并不从特定数据集中获取人体数据， 这使得我们的人体形状几乎能够 以任意的姿势出现， 而不局限于特定的数据库。 通常从单个消费级RG。

15、B-D设备中提取的图像 说明书 1/6 页 4 CN 110751679 A 4 信息非常嘈杂， 我们将利用高斯滤波等常用的图像处理算法对数据进行预处理， 然后我们 必须从人体图像得到相应的人体轮廓， 而从图像中提取人体轮廓不是问题- 例如， 可以使 用边缘检测器。 我们从人体轮廓采样一组点近似表示人体形状， 我们的技术对于点的采集 并没有特别的要求， 并不要求是特征点或拐点等可以代表形状的关键点位。 更具体地说， 在 表示物体形状时， 因不同物体形状复杂度不同， 越复杂的图像需要的特征点就越多。 实际中 要用尽可能少的点表达物体的形状， 才能够有效减少计算量及算法复杂度。 本文在提取边 界轮。

16、廓点时， 预先设定固定的边缘轮廓点数n， 根据不同物体外轮廓点的个数设置提取轮廓 点时的距离。 我们更喜欢以大致均匀的间距从人体轮廓上采样一组点pp1,p2,pn,虽 然这不是很重要， 但这样可以获得更好表示基础连续形状的近似值。 0013 对于给定的点集Pp1， p2， p3， .， pn， piIR2,利用pi点与其余的n-1个采样点 的相对位置关系构建特征向量， 这n-1个向量可以反映出该点在该物体形状中的位置信息 (距离和方向)。 依次选取每个采样点pi作为参考点,以该参考点为中心建立对数极坐标空 间， 并按照角度和距离划扇区。 这使得离参考点越近的点对该点的影响力越大， 而对于同一 。

17、环上的点的鉴别能力是相同的。 统计每个区域中除点pi外其余的轮廓点的个数就可以得到 该点的直方图H， 因此点pi的低维形状描述符计算公式如下： 0014 hi(k)#pjpi： (pj-pi)bin(k) 0015 其中k代表极坐标系中扇区的顺序代号， #表示统计第k个区域中轮廓点的个数， pj-pibin(k)表示点pj属于点pi的形状直方图的第k个分量。 0016 人体形状之间的匹配转化为判定第一个物体形状上的点pi和第二个物体形状上 的点qj之间的相似度， 根据直方图并结合点对之间的法向信息可以得出两个点之间匹配代 价为CijC(pi， qj)， 具体公式如下所示： 0017 Cijw*。

18、C(pi， qj)+(1-w)*(1-n(pi， qj) 0018 w代表权重大小。 n(pi， qj)表示pi点处的法向量与qj点的法向量的夹角值， 法向量 为对应点与其邻近点法向量的平均值， C(pi， qj) 表示由形状描述子所贡献的代价， 由于形 状描述符是很丰富的描述符, 而通常直方图中值低的分段间的差别相比于值高的分段间 的差别更重要些， 所以使用卡方距离度量可以很好地表现这种特性。 0019 0020 这里hi(k)、 hj(k)分别代表第一个物体上pi点的形状直方图和第二个物体上qj点 的形状直方图的第k个分量的值。 0021 对于两个人体形状上的所有点， 都能得到点与点之间的。

19、匹配代价， 我们在所有n！ 的巨大搜索空间中寻求最佳双射， 我们有这个搜索空间， 因为双射仅仅是目标样本点的排 列 到固定源样本点排列的分配， 既找到一个人体形状上样本点的排列与另一个形状上样 本点排列使得匹配代价最小， 我们简化了这个搜索空间， 其表示为一个大小为 n*n匹配代 价矩阵C， 最佳点集对应关系就要最小化总成本H( ): 0022 H( )iC(pi， q (i) 0023 上面点的匹配问题是典型的双向图的匹配问题， 它把匹配代价最小的那个点看作 是最近似的对应点。 对两个物体提取到的形状点集而言， 把对应点的匹配问题转化成二分 图最大匹配问题， 而二分图的最大匹配问题可以采用利。

20、用改进后的匈牙利算法来解决， 快 说明书 2/6 页 5 CN 110751679 A 5 速得到形状之间的点集双射关系 。 0024 在本发明的一些实施例中， 所提出的异常值的处理， 包括如下步骤： 0025 匹配算法独立的处理形状描述符， 因此需处理结果集中的异常值。 对于异常值， 我 们技术提出了一个失真函数diso(pi， qj)来度量双射 中的(pi， qj)点对的质量。 0026 0027 其中dg是人体形状上两个顶点之间的测地距离， 其中 -(pi， qj)。 由于我们 的技术会将两个人体轮廓相对于其封闭区域进行标准化， 所以测地距离dg和diso(pi， qj)都 在区间0,1。

21、之间取值。 diso详细的描述了双射 中点对(pi， qj)相对于其他匹配点对的测地 距离的平均差值， 详细刻画了该点对整体匹配的贡献。 0028 邻近信息是评估连续形状(例如轮廓或表面)之间对应关系的一个重要因素， 即， 如果第一个形状中的点i和另一个形状的点j匹配， 那么第一个形状上i的邻近点i 应该与 另一个形状上接近点j的j 匹配。 在我们的技术中把它叫做失真度， 因此如果匹配点对的 diso越小， 表示该匹配点对符合我们规范， 因此很容易找出双射 中存在的异常值。 附图说明 0029 图1为本发明获取人体数据的过程： 图像(a)左为从RGB-D设备中获取的人体深度 图像， 图(a)右。

22、为从深度图像提取的人体轮廓。 图像(b)左上为初始的三维人体模型， 图像 (b)左下为从RGB-D 设备中获取人体骨骼， 图像(b)中为变形后的三维人体模型， 图像 (b) 右为从三维人体模型中提取的人体轮廓。 0030 图2为本发明中提到的形状描述符作用于人体形状的示例图。 0031 图3为本发明人体形状匹配的流程： 图像3左上是从图像提取的人体轮廓， 图像3左 下是从三维人体模型中提取的人体轮廓， 图像3 中为利用匹配算法得到的点集双射关系 ， 图3右为去除异常值后的最终匹配结果。 0032 图4(a)、 (b)为本发明人体形状匹配算法在不同站立姿势的匹配结果展示。 0033 图5为本发明。

23、人体形状匹配算法在坐姿下的匹配结果展示。 具体实施方式 0034 本文提供了一种人体图像与对应姿势下的三维人体模型之间的匹配方法， 我们的 工作从单个消费级RGB-D获取实时的深度数据和图像轮廓， 利用这些信息来估计相对应的 模型姿势， 然后从中提取人体的轮廓， 然后利用形状描述符紧凑的表示特定的形状， 然后计 算两种形状上的样本点集之间的最小成本对应关系。 最后根据我们技术所提出的失真函数 去除匹配结果中的异常值。 0035 为使本发明的目的、 技术方案和优点更加清楚明白， 以下结合具体实施例， 并参照 附图， 对本发明进一步详细说明。 0036 通常从单个消费级RGB-D设备中提取的深度信。

24、息非常嘈杂， 我们利用了高斯滤波 和中值滤波对图像进行了平滑处理。 图1(a)为经过滤波函数预处理后的深度图像， 而从深 度图像中得到相应的人体轮廓可以利用基于二值图像的轮廓提取算法， 其中opencv库针对 该算法的原理实现特定的开放函数， 该函数可以提取高质量的轮廓， 而且还能对相应的轮 说明书 3/6 页 6 CN 110751679 A 6 廓点集进行序列化， 我们的技术使用该函数提取图像中人体轮廓以及相应变形后的三维人 体模型的投影轮廓。 0037 其中获取三维人体模型轮廓的详细过程见图1(b)， 图1(b)左上是我们初始设定的 三维人体模型， 我们须对三维人体模型进行预处理， 其中。

25、包括对导入的三维人体模型进行 坐标配准， 然后为三维人体模型手动嵌入三维骨架， 配准三维骨架的三维坐标系， 使得其与 三维模型保持一致， 然后从骨架和三维人体数据对中， 提取出姿势变形的独立参数。 我们利 用消费级RGB-D设备实时跟踪图像中人体的骨骼信息， 对应图1(a)中的人体骨骼如图1(b) 左下所示， 然后我们利用骨骼信息调整三维模型三维骨架的方向， 配合可变形三维人体全 身模型， 驱动三维人体模型姿势变形， 最终得到图1(b)中所示的三维人体模型， 然后提取三 维模型的投影轮廓如图1(b)右所示。 0038 图2为我们在某个样本点建立形状描述符的过程， 从人体形状依次选取每个采样 点。

26、pi作为参考点,以该参考点为中心建立对数极坐标空间， 并按照角度和距离划扇区。 图2 中同心圆的圆心代表当前选取的参考点pi， 通常把整个空间从方向上划分成12份， 同时在 半径上按近似于logr平均划分成5份， 由于是对数极坐标空间因此离参考点越近的点对该 点的影响力越大， 对于同一环上的点的鉴别能力是相同的。 统计每个区域中除点pi外其余 的轮廓点的个数就可以得到该点的直方图H。 0039 hi(k)#pjpi： (pj-pi)bin(k) 0040 其中k代表极坐标系中扇区的顺序代号， 值取0到59， #表示统计第k个区域中轮廓 点的个数， pj-pibin(k)表示点pj属于点pi的形。

27、状直方图的第k个分量， 即表示pj点落在该 同心圆的第k个扇区。 0041 当描述人体形状后， 我们开始对两个人体形状进行匹配， 其中图(3)、 图4(a)、 (b) 都为站立姿势下的匹配过程， 图5为坐姿的匹配结果。 形状描述符详细的描述了形状中每个 点的位置信息， 因此自然的将形状匹配转化为判定第一个物体形状上的点pi和第二个物体 形状上的点qj之间的直方图的相似度， 并且我们合理的利用了轮廓边缘的几何信息， 求出 了轮廓边缘点处的法向量， 因此对于一个形状中的点pi， 根据直方图并结合点对之间的法 向信息可以得出点pi与另一个形状上的点qj的匹配代价Cij： 0042 Cijw*C(pi。

28、， qj)+(1-w)*(1-n(pi， qj) 0043 w代表权重大小。 n(pi， qj)表示pi点处的法向量与qj点的法向量的夹角值， 法向量 为对应点与其邻近点法向量的平均值， C(pi， qj) 表示由形状描述子所贡献的代价， 由于形 状描述符是很丰富的描述符, 而通常直方图中值低的分段间的差别相比于值高的分段间 的差别更重要些， 所以使用卡方距离度量可以很好地表现这种特性。 0044 0045 这里hik、 hjk分别代表第一个物体上pi点的形状直方图和第二个物体上qj点的形 状直方图中第k个分量的值。 即图2中落在第k个扇区的轮廓点数。 0046 对于两个人体形状上的所有点， 。

29、都能得到点与点之间的匹配代价， 我们在所有n！ 的巨大搜索空间中寻求最佳双射， 我们有这个搜索空间， 因为双射仅仅是目标样本点的排 列 到固定源样本点排列的分配， 既找到一个人体形状上样本点的排列与另一个形状上样 本点排列使得匹配代价最小， 我们简化了这个搜索空间， 其表示为一个大小为 n*n匹配代 说明书 4/6 页 7 CN 110751679 A 7 价矩阵C， 最佳点集对应关系就要最小化总成本H( ): 0047 H( )iC(pi， q (i) 0048 上面点的匹配问题是典型的双向图的匹配问题， 它把匹配代价最小的那个点看作 是最近似的对应点。 对两个物体提取到的形状点集而言， 把。

30、对应点的匹配问题转化成二分 图最大匹配问题， 而二分图的最大匹配问题可以采用利用改进后的匈牙利算法来解决， 快 速得到形状之间的点集双射关系 。 图3、 图4、 图5中间为对应形状的双射 的可视化， 由于匹 配算法独立的处理形状描述符， 因此需处理结果集中的异常值。 从图中也清楚的看出有很 多不符合规范的匹配点对。 这并不是我们算法的最终结果， 对于该匹配结果， 需采取一定的 措施快速的剔除视觉上有误差的匹配点集。 图3、 图4、 图5中间所表示双射中的异常值主要 包括完全错误的匹配， 比如手上的点与另一个形状上脚上的点形成匹配点对， 对于这种存 在很大误差的匹配点对比较容易去除， 从图中还可。

31、以看到有交叉的情况， 即形状上的某个 点与该形状后续的附近的点在图上形成一个交叉的情况， 这属于误差较小的匹配点对， 而 由于人体形状的复杂度， 一般难以确定哪个匹配点更符号人体结构的规范， 可能都数据好 的匹配结果， 也可能都属于坏的结果。 为了处理这些异常值， 我们注意到邻近信息是评估连 续形状(例如轮廓或表面)之间对应关系的一个重要因素， 即， 如果第一个形状中的点i和另 一个形状的点j匹配， 那么第一个形状上i的邻近点i 应该与另一个形状上接近点j的j 匹 配。 在我们的技术中把它叫做失真度diso， 因此如果匹配点对的diso越小， 表示该匹配点对符 合我们规范。 我们技术提出了一个。

32、失真函数diso(pi， qj)来度量双射 中的(pi， qj)点对的质 量， 我们可以根据失真平均值Diso可以快速的去除异常值中误差特别大的匹配点集。 0049 0050 0051 其中dg是人体形状上两个顶点之间的测地距离， 其中 -(pi， qj)。 由于我们 的技术会将两个人体轮廓相对于其封闭区域进行标准化， 所以测地距离dg和diso(pi， qj)都 在区间0,1之间取值。 diso详细的描述了匹配点对(pi， qj)相对于其他匹配点对的测地距离 的平均差值， 详细刻画了该双射对整体匹配的贡献。 而Diso是对我们整个匹配双射 的一个 评估， 因此对于那些误差很大的匹配点， 其失。

33、真值diso远大于平均水平， 在我们的技术中直 接删除这些匹配点对。 而对于一些误差比较小的匹配点对， 比如前面提到的图中出现的交 叉情况， 我们将结合人体形状的有序性解决。 比如， 我们从头顶开始， 默认两个形状的头顶 是匹配良好的点集， 从头顶开始按照一定的方向(顺时针或逆时针)遍历双射 ， 当遇到了交 叉的情况， 可以明确交叉点前的匹配点对是优秀的匹配结果， 而对于交叉点处的多个匹配 点对， 可以根据其相对于优秀的匹配点对的差值而保留， 或者直接删除导致交叉的点对， 以 保证人体形状的有序性。 0052 图3、 图4、 图5右是去除异常值后的匹配结果， 即我们技术得到的人体形状之间的 最。

34、佳对应关系。 0053 综上， 通过人体数据的获取， 人体形状的描述， 然后利用匹配算法对人体形状进行 匹配， 最后去除匹配结果中的异常值， 可实时得到人体图像与三维人体模型的点集对应关 系。 并经过实验证明， 本技术发明的匹配方法对于任何姿势下的人体形状都能得到很好的 说明书 5/6 页 8 CN 110751679 A 8 匹配结果， 并没有出现错误的匹配点对。 0054 本发明的技术可以通过计算机软件来实现， 例如使用C+编写， 开发环境是 Windows 10系统和Microsoft Visual Studio 2010 SP1， 常用的一些图像处理算法使用了 工业标准的OPENGL4。

35、.0图形绘制程序函数包。 0055 至此， 已经结合附图对本公开实施例进行了详细描述。 需要说明的是， 在附图或说 明书正文中， 未绘示或描述的实现方式， 均为所属技术领域中普通技术人员所知的形式， 并 未进行详细说明。 此外， 上述对各元件和方法的定义并不仅限于实施例中提到的各种具体 结构、 形状或方式， 本领域普通技术人员可对其进行简单地更改或替换。 但应理解的凡在本 发明的精神和原则之内， 所做的任何修改、 等同替换、 改进等， 均应包含在本发明的保护范 围之内。 0056 此外， 除非特别描述或必须依序发生的步骤， 上述步骤的顺序并无限制于以上所 列， 且可根据所需设计而变化或重新安排。

36、。 并且上述实施例可基于设计及可靠度的考虑， 彼 此混合搭配使用或与其他实施例混合搭配使用， 即不同实施例中的技术特征可以自由组合 形成更多的实施例。 说明书 6/6 页 9 CN 110751679 A 9 图1 说明书附图 1/6 页 10 CN 110751679 A 10 图2 说明书附图 2/6 页 11 CN 110751679 A 11 图3 说明书附图 3/6 页 12 CN 110751679 A 12 说明书附图 4/6 页 13 CN 110751679 A 13 图4 说明书附图 5/6 页 14 CN 110751679 A 14 图5 说明书附图 6/6 页 15 CN 110751679 A 15 。