[发明专利]一种基于半监督学习的人体特征参数预测方法

说明书

本发明公开了一种基于半监督学习的人体特征参数预测方法。构建数据集，数据集包含基于真实人体的有标签数据集和基于虚拟人体的无标签数据集；数据集的图像预处理；利用数据集训练半监督模型，构建输入图像与人体特征参数之间的稳定的映射模型；利用半监督模型对待测输入图像进行处理，预测获得人体特征参数。本发明仅采集少量真实的有标签人体数据，同时借助模拟器生成大量无标签人体数据，能够利用少量有标签人体数据建立稳定的半监督模型映射模型，准确预测人体特征参数。

技术领域

本发明涉及人体特征参数预测领域，特别是涉及了一种基于半监督学习的人体特征参数预测方法。

背景技术

以身高、体重、三围、臂长等为代表的人体特征参数反应了人体特征点之间空间位置关系，表征了人体形态信息，在三维人体重建、虚拟试衣等领域得到了广泛的应用。

随着智能手机的快速发展，获取清晰稳定的人体图像的成本逐渐降低，相对于工作量巨大的人体特征点手工标定，研究者正不断尝试构建人体图像与人体特征参数之间的稳定的映射模型。但是基于图像处理的人体特征点定位通常易受到人体姿态、光照等外界因素的影响，存在定位精度低，定位稳定性差等问题。同时，受限于人体特征点的数量，根据统计规律计算得到的人体特征参数通常存在一定的偏差。

深度学习作为一类新兴的解决方案，正逐渐应用于生产生活的方方面面，而其训练样本的数量与质量对模型的泛化能力起到了决定性的作用。

有标签人体特征参数数据集包含了大量的真实人体图像及对应的人体特征参数，构建工作量大、成本高，目前并不存在任何开源的有标签人体特征参数数据集，因而无法为有监督学习模型提供足够的训练样本支撑。

无监督学习模型作为深度学习领域的另一重要组成部分，由于训练样本无需标签，获取成本明显降低，虽然在样本分类问题上取得了良好的分类效果，却无法应用于人体特征参数等数据回归问题。

发明内容

为了克服现有技术的不足，本发明的目的在于提供了一种基于半监督学习的人体特征参数预测方法，建立输入图像与人体特征参数之间的稳定的映射模型，并应用于三维人体重建。

本发明能够利用少量有标签人体数据建立稳定的映射模型，准确预测人体特征参数。

本发明采用的技术方案为：

S1、构建数据集，数据集包含基于真实人体的有标签数据集和基于虚拟人体的无标签数据集；

S2、数据集的图像预处理，以去除数据集图像中的背景、光照、人体姿态等外界因素的影响，以降低后续半监督模型训练难度；

S3、利用数据集训练半监督模型，构建输入图像与人体特征参数之间的稳定的映射模型；

S4、利用半监督模型对待测输入图像进行处理，如图7所示，预测获得人体特征参数，并进一步进行三维人体重建。

所述步骤S1具体包括：

S101、如图2所示，采集真实人体在站立姿态下不同手臂姿势的正面图像；

S102、如图3所示，采集真实人体在站立姿态下不同穿着服装的正面图像；

S103、重复步骤S101、S102，采集不同真实人体的正面图像，并测量获得真实人体的人体特征参数，由该些正面图像及其对应的人体特征参数组成构建有标签数据集；

S104、利用现有模拟器模拟生成虚拟人体在站立姿态下不同手臂姿势、不同穿着服装的三维模型，并投影获得的正面图像，由该些未知的不带有人体特征参数的正面图像组成构建无标签数据集。