基于人体体型的性别判断方法与流程

本发明属于服装人体工程领域，具体涉及一种利用人体轮廓图形数据进行人体性别识别的方法。

背景技术：

性别识别是让计算机根据输入的人的声音、图像等信息判断性别的过程，在人工智能、模式识别等方面有着重要的前景。传统的性别识别主要利用语音、面部图像等生理特征进行计算机识别(cn201310128913，cn201110170752，cn201210515116等)。

本发明利用人体的躯干轮廓形态进行性别识别，可以应用于监控等不能获取面部图像或语音等邻域。

此外在三维人体扫描系统中，获取了人体三维模型数据后，需要从三维数据中识别人体的测量特征点。由于男女体型的差异性，在进行人体特征点识别前，首先对测量对象的性别进行自动判别则更有利于人体特征信息的准确提取。

技术实现要素：

本发明要解决的技术问题是为了克服现有技术中的性别判断的方式均存在的不足，提供一种根据男女体型的形态差异，利用人体躯干部分的轮廓图形进行性别判断的方法。

本发明是通过下述技术方案来解决上述技术问题；

一种基于人体体型的性别判断方法，其特点在于，所述性别判断方法包括以下步骤：

s01、建立人体体型性别数据库。采集大量人体体型性别数据，包括人体躯干体型特征向量和性别。

首先，在s011步骤中，采集人体正面照、侧面照和性别。

在s012步骤中，从人体正面照和人体侧面照中，选取后颈点、侧颈点、大腿根点、腋下点、肩点为特征点，获得正面人体躯干轮廓曲线和侧面人体躯干轮廓曲线，对正面和侧面轮廓曲线进行曲线拟合，对选定的曲线函数降维并选取贡献率大于预设值的分量作为人体躯干体型的特征向量。

较佳的，在s012中，曲线拟合选择椭圆曲线函数。

较佳的，在s012中，选择傅里叶变换方式。所述椭圆傅里叶描述子进行主成分分析，计算得到降维矩阵，并取累积贡献率大于预设贡献率的降维主成分，建立人体躯干特征向量。

较佳的，在s012中，预设贡献率为90％。

最后，在s013中，将s011、s012中得到的人体躯干特征向量和性别输入数据库，建立人体体型性别数据库。

s02步骤，建立性别判断模型。s02采用线性或非线性模型，线性模型优选采用多元线性回归法；非线性模型优选bp神经网络法。

较佳的，s02步骤采用bp神经网络法，通过对s01步骤建立的人体体型性别数据库的学习获得输入参数(人体躯干体型特征向量)与输出参数(性别)映射关系的神经网络模型。

通过s01、s02建立人体躯干体型特征向量与性别的测量模型，据此可以通过采集被测量人人体躯干体型特征向量，获得性别。对单个被测量者的性别的判断通过s03、s04步骤完成。

s03步骤，获取被测量者相关信息，通过拍摄获得被测量者的正面照和侧面照。

s04步骤，完成性别的判断。首先，在s041将s03获取的人体正面照和侧面照采用s012相同的方式获取人体躯干体型特征向量；然后，将由s041获取的人体躯干体型特征向量输入s02步骤获得的性别判断数学模型，可以得到性别。

本发明具有易实现、效率高、识别准确率高等优点。

(1)只需要躯干的轮廓图形几何数据即可对对象进行性别识别。

(2)对于正视图轮廓，可以使用人体的正面轮廓，也可以使用背面轮廓。也不需要较高分辨率的面部照片。

(3)成年男女在体型上有显著差异，应用本方法识别的准确率高。

附图说明

图1为本发明一较佳实施例的基于人体体型的性别判断方法的流程图。

图2为本发明一较佳实施例的基于人体体型的性别判断方法的具体实施流程图。

图3为本发明从正面图像和侧面图像中提取人体躯干轮廓的示意图。

具体实施方式

以下将结合说明书附图和具体实施例对本发明做进一步详细说明。但并不因此将本发明限制在所述的实施例范围之中。

如图1所示，本发明的基于人体体型的性别判断方法包括以下步骤：

s01、建立人体体型性别数据库；

s02、建立人体躯干体型特征模型与性别的数学模型；

s03、获取被测量者的人体正面照和侧面照；

s04、将被测量者的人体躯干体型特征向量输入建立的数学模型，获得性别。

其中s01具体包括以下步骤：

s011：获取人体的正面照片、侧面照片和性别；

s012：获取人体躯干体型特征向量；

s013：将人体躯干体型特征向量和性别录入人体体型性别数据库。

s04具体包括以下步骤：

s041、获取被测量者的人体躯干体型特征向量；

s042、输入人体躯干体型特征向量与性别的数学模型获取性别。

如图2-3所示，本发明在具体实施过程中，具体流程包括以下步骤:

步骤101拍摄人体的正面和侧面视图照片并提取人体的轮廓数据。

本实施例中，进行目标人体的正面、侧面视图照片拍摄步骤为：

(1.1)目标人体着能突显人体轮廓的紧身服装；将双臂伸直，并与水平线成约45°角度张开双臂；两腿张开约与肩同宽；保证腋下和裆下左右轮廓清晰分离(图2)。

(1.2)将相机高度调整到与人体腰部平齐，保持相机平视，使人体在拍摄画面中居中位置，拍摄完整的人体照片。优选的是：使用等效焦距35～50mm的镜头拍摄；使用与人体肤色和着装对比度高的纯色背景。

(1.3)应用图像轮廓检测和提取方法，对拍摄的正面和侧面视图照片进行人体轮廓几何数据的提取。优选的是：使用基于主动形状模型方法和轮廓模板的轮廓提取算法。在提取的轮廓数据中保留了模板的特征点信息。

(1.4)根据图2中的人体特征点位置，取出人体躯干部分轮廓图形数据。

步骤102，将步骤101中提取的轮廓数据进行椭圆傅里叶法描述。具体为：

(2.1)将轮廓描述为一系列像素点集u＝(xi,yi)i＝1,2,…,n。其中n为构成轮廓的像素点数据。

(2.2)按以下方法将轮廓曲线转换为椭圆傅里叶描述子：

各像素点在x，y轴上投影的椭圆傅里叶级数展开为

其中：a0为轮廓中心点x坐标；c0为轮廓中心点y坐标；n为谐波次数；n为最大谐波次数，即近似逼近的椭圆个数；t为点沿轮廓的累积位移，即轮廓起点到点p弧长。t为总的累积位移，即轮廓周长。将轮廓离散为k个采样点近似描述，则x方向的椭圆系数an，bn分别为：

y方向的椭圆系数cn，dn分别为：

其中：k为轮廓的总采样点数；n为谐波次数；δxp为从轮廓点p到轮廓点p+1两点间沿x轴方向的位移量；δyp为从轮廓点p到轮廓点p+1两点间沿y轴方向的位移量；t为轮廓周长；δtp为轮廓点p到轮廓点p+1间的距离，即:

轮廓的中心点o在x，y轴方向的投影，即傅里叶级数的直流分量，分别为：

其中：

且：ε1＝σ1＝0

步骤103，将步骤102的结果呢采用以下方法进行椭圆傅里叶描述子的规格化。

(a)位置规格化：椭圆傅里叶的直流分量a0＝c0＝0，即将轮廓描述的第一个椭圆中心平移到坐标原点。

(b)尺度规格化：计算傅里叶描述子的第一个椭圆大小e，将各描述子系数除以e。

经过规格化处理后，得到一组与轮廓位置、方位、尺度无关的椭圆傅里叶描述子向量。优选的是：椭圆傅里叶的谐波次数不小于30。

重复步骤101～103，获得多个已知性别样本的躯干轮廓图形数据，并转换为规格化后的椭圆傅里叶描述子。应用主成分分析法，对测得的所有轮廓数据进行主成分分析，将轮廓数据降维为一组累积贡献率大于一定比例的主成分。优选的是累积贡献率大于90％。

步骤201和202建立bp模式识别神经网络，将降维后的主成分p作为输入向量，将人体性别编码后作为输出向量，利用已测量的样本数据作为训练数据，对神经网络模型进行训练(步骤201)。

对于被测量者，应用301～303获得轮廓数据，应用步骤401使用步骤202建立的神经网络性别识别模型对待测对象的性别自动识别。其中301步骤具体采用摄像头或3d扫描仪来获取人体体型轮廓，302步骤采用步骤102同样的处理方式；其中303步骤采用步骤103同样的处理方式。