Введение 3
Постановка задачи 4
Глава 1. Обзор и анализ существующих решений 5
1.1. Построение 3D-моделей тела человека 5
1.2. Приложение «Sizer» 9
1.3. Итоги 10
Глава 2. Разработка алгоритма определения размеров тела человека 11
2.1. Краткое описание выбранного решения 11
2.2. Требования к входным изображениям 11
2.3. Сегментация листа бумаги 12
2.4. Поиск ключевых точек на теле человека 13
2.5. Вычисление размеров тела человека 17
Глава 3. Реализация решения 19
3.1. Используемые технологии и средства разработки 19
3.2. Программная реализация 20
Глава 4. Тестирование и анализ полученного решения 22
Выводы 28
Заключение 29
Список литературы 30
В современном мире покупки в Интернете стали неотъемлемой частью образа жизни большинства людей. Поставщикам одежды бросили вызов в предоставлении индивидуализированных товаров, которые бы точно соответствовали размеру тела определенного потребителя.
Отсюда и возникла проблема, связанная с получением и определением размеров человеческого тела напрямую через Интернет.
Обычно размеры человеческого тела можно измерять вручную или автоматически. Благодаря преимуществам интуитивно понятных и удобных инструментов ручное измерение с помощью лент уже много лет применяется в качестве традиционного метода сбора данных о человеческом теле. Однако, поскольку метод во многом зависит от опыта и суждений замерщиков, точность полученных данных ненадежна, что может легко привести к проблеме плохой посадки одежды. Кроме того, на это уходит много времени.
По сравнению с ручным измерением, эффективность и точность были значительно улучшены благодаря технологии 3 D-сканирования человеческого тела. Однако, на сегодняшний день в контексте продаж через Интернет нереально использовать оба вышеупомянутых метода измерения.
Таким образом, возникает необходимость создания более простого способа решения данной задачи.
В связи с быстрым развитием направления искусственного интеллекта в настоящее время, определение размеров человеческого тела с помощью нейронных сетей, а не их физическое измерение, привлекает все больше и больше внимания в индустрии одежды. Соответственно, создание алгоритма, способного определить размеры человеческого тела по изображениям с использованием нейронных сетей, нашло бы высокий спрос и широкое применение во многих прикладных областях.
В рамках данной работы были выполнены следующие задачи:
• Проведен анализ существующих методов определения размеров тела человека по изображениям;
• Предложено собственное решение исходной задачи;
• Разработан программный код, реализующий: получение и обработку исходного изображения; сегментацию листа бумаги; выделение ключевых точек на теле человека; вычисление размеров (в сантиметрах) тела человека и вывод рекомендованного размера одежды;
• Код размещен в репозитории на гитхаб по ссылке github.com/alunet/diploma bodysize ;
Решение было протестировано и проанализировано, и также были предложены возможные пути развития для дальнейшего улучшения.
1. C. Liu, X. Fan, Z. Guo, Z. Mo, E. I.-C. Chang, and Y. Xu, “Wound area measurement with 3d transformation and smartphone images” BMC Bioinformatics, vol. 20, no. 724, 2019.
2. T. Xiaohui, P. Xiaoyu, L. Liwen, and X. Qing, “Automatic human body feature extraction and personal size measurement” Journal of Visual Languages & Computing, vol. 47, pp. 9 - 18, 2018.
3. J. Boisvert, C. Shu, S. Wuhrer, and P. Xi, “Three-dimensional human shape inference from silhouettes: Reconstruction and validation” Machine Vision and Applications, vol. 24, no. 1, pp. 145-157, January 2013.
4. Balan, A.O., Black, M.J.: The naked truth: Estimating body shape under clothing. In: European Conf, on Computer Vision. pp. 15-29. Springer (2008)
5. Zhang, C., Pujades, S., Black, M., Pons-Moll, G.: Detailed, accurate, human shape estimation from clothed 3D scan sequences. In: IEEE CVPR (2017)
6. Yang, J., Franco, J.S., Hetroy-Wheeler, F., Wuhrer, S.: Analyzing clothing layer deformation statistics of 3d human motions. In: Ferrari, V., Hebert, M., Sminchisescu, C., Weiss, Y. (eds.) Computer Vision - ECCV 2018. pp. 245-261. Springer International Publishing, Cham (2018)
7. Chen, X., Pang, A., Zhu, Y., Li, Y., Luo, X., Zhang, G., Wang, P., Zhang, Y., Li, S., Yu, J.: Towards 3d human shape recovery under clothing. CoRR abs/1904.02601 (2019)
8. Kanazawa, A., Black, M.J., Jacobs, D.W., Malik, J.: End-to-end recovery of human shape and pose. In: Computer Vision and Pattern Regognition (CVPR) (2018)
9. Omran, M., Lassner, C., Pons-Moll, G., Gehler, P., Schiele, B.: Neural body fitting: Unifying deep learning and model based human pose and shape estimation. In: International Conf. on 3D Vision (2018)
10. Xu, Y., Zhu, S.C., Tung, T.: Denserac: Joint 3d pose and shape estimation by dense render and compare. In: International Conference on Computer Vision (2019)
11. Kolotouros, N., Pavlakos, G., Daniilidis, K.: Convolutional mesh regression for single-image human shape reconstruction. In: CVPR (2019)
12. Kolotouros, N., Pavlakos, G., Black, M.J., Daniilidis, K.: Learning to reconstruct 3D human pose and shape via model-fitting in the loop. In: International Conference on Computer Vision (Oct 2019)
13. Xiang, D., Joo, H., Sheikh, Y.: Monocular total capture: Posing face, body, and hands in the wild. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. pp. 10965-10974 (2019)
14. Приложение "Sizer" [Электронный ресурс]: URL: https://sizer.me/ (дата обращения: 15.05.2021).
15. Документация DensePose [Электронный ресурс]: URL: http://densepose.org/ (дата обращения: 15.05.2021).
...