1 / 20

Human Body Modelling through Automatic Landmarking Algorithm Development

This study presents an automatic landmarking algorithm aimed at improving anthropometric data collection for humans in everyday clothing. It addresses the limitations of manual measurement methods by offering a portable, affordable, and rapid solution. The study compares 2D and 3D systems for accuracy in modelling human body dimensions, outlines the technical requirements for capturing and processing images, and discusses its practical applications in industries such as clothing, sports, and medicine. The proposed system utilizes computer vision techniques for precise body part localization and measurement standards adherence.

hastin
Download Presentation

Human Body Modelling through Automatic Landmarking Algorithm Development

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Human Body Modelling by Development of the Automatic Landmarking Algorithm Ing. Tomáš Kohlschütter

  2. Úvod • Metodika pro automatický sběr a vyhodnocení antropometrických údajů • Nahrazení ruční metody počítačovým algoritmem • Požadavky: přenosné, levné, rychlé • Nutnost měřit běžně oblečené osoby • Co nejblíže se přiblížit standardům pro měření lidí • Využití • Oděvní průmysl, sport, lékařství, zabezpečovací systémy …

  3. Technické možnosti • Ruční (např. metrem) • Zdlouhavé • Chyba závisí na člověku, který měření provádí • 2D systémy • 1 či více kamer => vytvoření přibližného modelu • Algoritmy pro počítačové vidění/zpracování obrazu • Levné, rychlé, ale ne 100% přesné • 3D scannery • Světelný nebo laserový paprsek snímá celou osobu • Vytvoření modelu 1:1 • Velmi přesné, ale rozměrné a finančně náročné

  4. Stateofthe Art - 2D systémy • cca 12 článků • Meunier, P., Yin, S. (2000). Performance of a 2D image-based anthropometric measurement and clothing sizing system. Applied Ergonomics, 31, pp. 445-451. • Základ výzkumu 2D antropometrických systémů • Jde to vůbec? Pokud ano, tak s jakou přesností? • Experiment 349 svlečených subjektů (95 žen a 254 mužů) • 6 rozměrů (výška, délka rukávu, obvod krku, hrudníku, pasu a boků) • Výsledek: 2D systémy se dají srovnávat s ručními metodami, ale kvalita závisí na značkovacím algoritmu a modelování nepřímých (=obvodových) částí těla • Neuvádí, které konkrétní algoritmy jsou použity • Drahé zařízení

  5. Stateofthe Art - 2D systémy • Hung, P. C.-Y., Witana, C. P., Goonetilleke, R. S. (2004). Anthropometric Measurements from Photographic Images. Computing Systems, 29, pp. 764-769. • Modelování obvodových částí těla • Elipsa (např. krk), půl elipsa+obdélník (hrudník)

  6. Lokalizace částí těla • Co nejpřesnější nalezení bodů, ze kterých se dá identifikovat příslušná část lidského těla • Velmi ovlivňuje kvalitu finálních výsledků • Většina současných prací • Nalezení mnoha (6 – 38) význačných bodů • Ručně nebo polo-automaticky (= z ručně zvolených bodů se určí jiné) • Pracné, náchylné k chybám

  7. Stateofthe Art - Automatická lokalizace částí těla • Hilton, A., Beresford, D., Gentils, T., Smith, R., Sun, W., Illingworth, J. (2000). Whole-body modelling of people from multiview images to populate virtual worlds. The Visual Computer, 16(7), pp. 411–436. • Technika pro automatické vytvoření pohybujících se 3D modelů lidí • Algoritmus pro automatické nalezení 10 bodů na kontuře lidského těla • Cílem je přiřadit tyto bodyk umělému modelu • Problém – nalezené body neodpovídají standardům pro měření lidí

  8. Stateofthe Art - Automatická lokalizace částí těla • Lin, Y. L., Wang, M. J. (2011). Automated body feature extraction from 2D images. Expert Systems with Applications, 38, pp. 2585–2591. • Reprezentace kontury pomocí Freemanova kódu • Význačné body automaticky identifikovány tam, kde se významně mění směr kontury • Testováno 30 svlečených subjektů - 100% úspěšnost lokalizace • Otázky: • Bude algoritmus fungovat i na oblečené subjekty? • Odpovídají nalezené části standardům měření?

  9. Popis navrženého systému - kamery • 1 či více kamer snímá měřený subjekt z několika pohledů • 1 kamera + otočení subjektu (levnější, přenositelnější) • Vhodná volba kamery • Digitální fotoaparát (offline) • Webkamera + negativní čočka (online) • Kalibrace kamer • Převedení obrazových rozměrů na rozměry reálného světa • Odstranění zkreslení kamery/objektivu • Oprava špatného umístění kamery • Knihovna Tsai 3D

  10. Popis systému - kamery • Kalibrační body • Předem známý počet a přesné umístění (v mm) • 9 bodů na pozadí • 5 na podlaze • Červené body => snadná automatická detekce • Přesná pozice umístění měřeného subjektu • Vyfocení ze dvou pohledů • Vytvoření 3D modelu lidského těla

  11. Zpracování obrazu • Nalezení měřeného subjektu v obraze • Chroma key • Zelené pozadí • Barevný prostor HSV • Prahová hodnota • Oddělení popředí od pozadí

  12. Zpracování obrazu • Nalezení kontury lidského těla • Algoritmy pro zpracování obrazu • Implementace: C++ knihovna OpenCV • Aproximace kontury polygonem • Odstranění menších nerovností • Vyhlazení

  13. Automatická lokalizace částí těla • Návrh a implementace nového plně-automatického algoritmu • Měření oblečených subjektů • Dodržování standardů + konzultace se zkušeným antropometristou

  14. Automatická lokalizace částí těla • Algoritmus vychází z Hilton et al. (2000) • Nalezení globálních extrémů na kontuře • Vrchol hlavy, ruce a nohy • Nalezení lokálních extrémů • Podpaží, rozkrok • Rozdělení výšky člověka na 100 stejných dílů • Kollmann‘sdecimalcannon • Určení výpočtu obvodů - elipsa

  15. Automatická lokalizace částí těla • Stanovení, mezi kterými díly se příslušná část nachází • Současně: odhad z malého množství vzorků • Plán: statistika z velkého množství vzorků • Stanovení definic hledaných částí • ASTM 2009 - Standard terminology relating to body dimensions for apparel sizing. • Nejasnosti – konzultace se zkušeným antropometristou

  16. Experimenty - implementace • Testovací aplikace v C++ • Knihovna OpenCV pro zpracování obrazu • Detekce kontury, kružnic, převody barevných prostorů atd. • Rozlišení obrazu • 1280x960 – experimentálně optimální rozlišení • Kalibrace na 14 kalibračních bodech: • Knihovna Tsai3D • Maximální kalibrační chyba vX = 16 mm • Maximální kalibrační chyba vY = 4 mm • Průměrná chyba vX = 5mm • Průměrná chyba vY = 2 mm • Víc bodů (např. 100) nemá smysl, přesnost zvýší o milimetry

  17. Experimenty • 11 vhodně oblečených subjektů (9 mužů a 2 ženy) • 4 muži testováni opakovaně v různém oblečení

  18. Experimenty • Detekce krku, hrudníku, pasu a boků úspěšná • Ověření zkušeným antropometristou (krejčí) • Problémy: • Zelené oblečení • Účes • Větší výška • Dlouhé vlasy mohou zvětšovat obvod krku či hrudníku • Modelování hrudníku je nepřesné, zejména u žen • Nemá zásadní vliv na detekci, ale na získané rozměry • Velmi volné oblečení • Chybné postavení (náklon vpřed)

  19. Plány do budoucna • Detekce ostatních částí • Délka rukávu, délka zad, výška sedu • Zlepšit modelování hrudníku • Experimenty na větším množství subjektů • Statistika rozložení jednotlivých částí těla • Hlavní cíl: • Automatické měření a lokalizace bodů na osobách ve volnějším oblečení • Využití statistiky, aproximace tvaru těla

  20. Děkuji za pozornost.

More Related