本發(fā)明涉及一種對真實人體的三維掃描模型的切面輪廓所形成的特征曲線進(jìn)行自動分類的方法。

背景技術(shù)：

掃描儀技術(shù)的成熟使得大量真實人體體型掃描成為可能。在獲取或建立了三維人體數(shù)據(jù)庫之后，需要對人體的切面輪廓所形成的特征曲線進(jìn)行分類識別，用于不同的體型分析領(lǐng)域。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的是提供一種通用的人體切面輪廓特征曲線(包括水平切面和矢狀切面)自動分類方法。

為了達(dá)到上述目的，本發(fā)明的技術(shù)方案是提供了一種通用型人體特征曲線自動分類方法，其特征在于，包括以下步驟：

步驟1、獲取水平切面的人體特征曲線以及矢狀切面的人體特征曲線；

步驟2、對于步驟1獲得的人體特征曲線，采納其坐標(biāo)平面上的極小坐標(biāo)點作為起始點，采用橢圓傅里葉描述，其中：

對于xoy平面上的特征曲線，其橢圓傅里葉描述為：

式中，a0、c0分別為人體特征曲線中心點的x、y坐標(biāo)；n為諧波次數(shù)，n為最大諧波次數(shù)；t為人體特征曲線的起點到任意采樣點之間的弧長；t為函數(shù)的周期，是人體特征曲線周長；an、bn為x軸方向橢圓系數(shù)；cn、dn為y軸方向橢圓系數(shù)；

由上述公式得到橢圓傅里葉系數(shù)，即xoy平面上的特征曲線的橢圓傅里葉描述子以行向量的形式(a0，b0，c0，d0，a1，b1，c1，d1，……，an，bn，cn，dn)來描述；

對于xoz平面上的特征曲線，其橢圓傅里葉描述為：

式中，e0為人體特征曲線中心點的z坐標(biāo)；en、fn為z軸方向橢圓系數(shù)；

由上述公式得到橢圓傅里葉系數(shù)，即xoz平面上的特征曲線的橢圓傅里葉描述子以行向量的形式(a0，b0，e0，f0，a1，b1，e1，f1，……，an，bn，en，fn)來描述；

在建立了人體特征曲線的橢圓傅里葉描述之后，令最大諧波次數(shù)n＝20即可得到符合各種特征曲線的擬合效果；

步驟3、對掃描人體數(shù)據(jù)庫中m個樣本的xoy平面上的人體特征曲線進(jìn)行橢圓傅里葉描述，可得到m個橢圓傅里葉描繪子，將其構(gòu)造為矩陣efds：

式中，amn，bmn，cmn，dmn表示第m個樣本的三維懸垂形態(tài)的懸垂特征輪廓線的第n次諧波的橢圓系數(shù)，計算其協(xié)方差矩陣的特征值與特征相鄰，將前k個最大特征值構(gòu)成投影矩陣t4n×k，則得到矩陣efds的k個主成分pcs＝eefds×t4n×k，k≤4n，即得到水平切面的人體特征曲線的k個主成分；

采用相同方法得到矢狀切面的人體特征曲線的k個主成分；

步驟4、通過不同聚類個數(shù)下類內(nèi)誤差函數(shù)曲線的走勢來選擇最佳聚類個數(shù)，設(shè)誤差函數(shù)wk的計算公式為：

式中，dr為第r個類內(nèi)所有樣本對間距離之和，r為聚類個數(shù)，nr為第r個類內(nèi)所有樣本的總數(shù)目，對于給定的數(shù)據(jù)集x∈x，若設(shè)定聚類個數(shù)為r，則采用如下的k-means++聚類分析方法：

步驟4.1、從數(shù)據(jù)集x中隨機(jī)選擇一個聚類中心s1；

步驟4.2、對于每個樣本x，計算其與最近聚類中心的歐式距離d(x)；

步驟4.3、選擇一個新的聚類中心si，使得如下概率最大化：

式中，si＝x′∈x；

步驟4.4、重復(fù)步驟4.2與步驟4.3，直到聚類中心的個數(shù)等于r；

步驟5、采用傳統(tǒng)的k-means聚類方法最小化目標(biāo)函數(shù)jk

式中，ck為第k個聚類中心，n為每個類中的樣本個數(shù)。

優(yōu)選地，在所述步驟1中，水平切面的人體特征曲線通過以下方法獲?。?/p>

選取一個平面平行于xoz平面，移至人體特征點部位，形成一個特征平面，該特征平面與人體網(wǎng)格模型形成一條閉合曲線，即為水平切面的人體特征曲線。

優(yōu)選地，在所述步驟1中，矢狀切面的人體特征曲線通過以下方法獲?。?/p>

選取一個平面平行于yoz平面，移動到過人體肚臍點位置，根據(jù)人體站立情況微調(diào)平面位置，使得選取平面與人體中心線位置重合，該平面和人體網(wǎng)格模型的交線即為所需的矢狀切面的人體特征曲線。

優(yōu)選地，所述an、bn的計算公式為：

所述cn、dn的計算公式為：

所述en、fn的計算公式為：

式中，k為人體特征曲線采樣點的總數(shù)；δxp為人體特征曲線上的采樣點p到采樣點p+1的距離在x軸方向的位移；δtp為人體特征曲線上的采樣點p到采樣點p+1的距離，δyp為人體特征曲線上的采樣點p到采樣點p+1的距離在y軸方向的位移；δzp為人體特征曲線上的采樣點p到采樣點p+1的距離在z軸方向的位移。

優(yōu)選地，所述a0、c0、e0的計算公式為：

式中，且ε1＝0，σ1＝0，χ1＝0。

本發(fā)明給出了一種通用的人體切面輪廓特征曲線(包括水平切面和矢狀切面)自動分類方法，能夠有效地從特征曲線的中提取聚類信息，從而完成自動分類。

附圖說明

圖1為類內(nèi)誤差與聚類個數(shù)之間的關(guān)系示意圖。

具體實施方式

下面結(jié)合具體實施例，進(jìn)一步闡述本發(fā)明。應(yīng)理解，這些實施例僅用于說明本發(fā)明而不用于限制本發(fā)明的范圍。此外應(yīng)理解，在閱讀了本發(fā)明講授的內(nèi)容之后，本領(lǐng)域技術(shù)人員可以對本發(fā)明作各種改動或修改，這些等價形式同樣落于本申請所附權(quán)利要求書所限定的范圍。

本發(fā)明提供了一種通用型人體特征曲線自動分類方法，包括以下步驟：

步驟1、獲取水平切面的人體特征曲線以及矢狀切面的人體特征曲線；

水平切面的人體特征曲線通過以下方法獲?。?/p>

選取一個平面平行于xoz平面，移至人體特征點部位，形成一個特征平面，該特征平面與人體網(wǎng)格模型形成一條閉合曲線，即為水平切面的人體特征曲線。

矢狀切面的人體特征曲線通過以下方法獲?。?/p>

選取一個平面平行于yoz平面，移動到過人體肚臍點位置，根據(jù)人體站立情況微調(diào)平面位置，使得選取平面與人體中心線位置重合，該平面和人體網(wǎng)格模型的交線即為所需的矢狀切面的人體特征曲線。

步驟2、對于步驟1獲得的人體特征曲線，采納其坐標(biāo)平面上的極小坐標(biāo)點作為起始點，采用橢圓傅里葉描述，其中：

對于xoy平面上的特征曲線，其橢圓傅里葉描述為：

式中，a0、c0分別為人體特征曲線中心點的x、y坐標(biāo)；n為諧波次數(shù)，n為最大諧波次數(shù)；t為人體特征曲線的起點到任意采樣點之間的弧長；t為函數(shù)的周期，是人體特征曲線周長；an、bn為x軸方向橢圓系數(shù)；cn、dn為y軸方向橢圓系數(shù)；

由上述公式得到橢圓傅里葉系數(shù)，即xoy平面上的特征曲線的橢圓傅里葉描述子以行向量的形式(a0，b0，c0，d0，a1，b1，c1，d1，……，an，bn，cn，dn)來描述；

對于xoz平面上的特征曲線，其橢圓傅里葉描述為：

式中，e0為人體特征曲線中心點的z坐標(biāo)；en、fn為z軸方向橢圓系數(shù)；

由上述公式得到橢圓傅里葉系數(shù)，即xoz平面上的特征曲線的橢圓傅里葉描述子以行向量的形式(a0，b0，e0，f0，a1，b1，e1，f1，……，an，bn，en，fn)來描述；

an、bn的計算公式為：

所述cn、dn的計算公式為：

所述en、fn的計算公式為：

式中，k為人體特征曲線采樣點的總數(shù)；δxp為人體特征曲線上的采樣點p到采樣點p+1的距離在x軸方向的位移；δtp為人體特征曲線上的采樣點p到采樣點p+1的距離，δyp為人體特征曲線上的采樣點p到采樣點p+1的距離在y軸方向的位移；δzp為人體特征曲線上的采樣點p到采樣點p+1的距離在z軸方向的位移。

a0、c0、e0的計算公式為：

式中，且ε1＝0，σ1＝0，χ1＝0。

在建立了人體特征曲線的橢圓傅里葉描述之后，令最大諧波次數(shù)n＝20即可得到符合各種特征曲線的擬合效果；

步驟3、對掃描人體數(shù)據(jù)庫中m個樣本的xoy平面上的人體特征曲線進(jìn)行橢圓傅里葉描述，可得到m個橢圓傅里葉描繪子，將其構(gòu)造為矩陣efds：

式中，amn，bmn，cmn，dmn表示第m個樣本的三維懸垂形態(tài)的懸垂特征輪廓線的第n次諧波的橢圓系數(shù)，計算其協(xié)方差矩陣的特征值與特征相鄰，將前k個最大特征值構(gòu)成投影矩陣t4n×k，則得到矩陣efds的k個主成分pcs＝eefds×t4n×k，k≤4n，即得到水平切面的人體特征曲線的k個主成分；

采用相同方法得到矢狀切面的人體特征曲線的k個主成分；

步驟4、通過不同聚類個數(shù)下類內(nèi)誤差函數(shù)曲線的走勢來選擇最佳聚類個數(shù)，設(shè)誤差函數(shù)wk的計算公式為：

式中，dr為第r個類內(nèi)所有樣本對間距離之和，r為聚類個數(shù)，nr為第r個類內(nèi)所有樣本的總數(shù)目，對于給定的數(shù)據(jù)集x∈x，若設(shè)定聚類個數(shù)為r，則采用如下的k-means++聚類分析方法：

步驟4.1、從數(shù)據(jù)集x中隨機(jī)選擇一個聚類中心s1；

步驟4.2、對于每個樣本x，計算其與最近聚類中心的歐式距離d(x)；

步驟4.3、選擇一個新的聚類中心si，使得如下概率最大化：

式中，si＝x′∈x；

步驟4.4、重復(fù)步驟4.2與步驟4.3，直到聚類中心的個數(shù)等于r；

步驟5、采用傳統(tǒng)的k-means聚類方法最小化目標(biāo)函數(shù)jk

式中，ck為第k個聚類中心，n為每個類中的樣本個數(shù)。

在具體的實施過程中，對未知的聚類中心個數(shù)r采用逐個試驗的方案，從r＝1一直試驗到r＝16，得到不同聚類個數(shù)下的wk值，做出如圖1所示的走勢圖，根據(jù)圖中的圓圈所標(biāo)識的拐點位置，就可以得到最佳聚類個數(shù)。