三维人体特征点自动提取的研究与应用

Research and application of automatic extraction of 3D human body feature points

摘要： 人体特征点准确快速地提取是三维人体尺寸测量、三维人体建模、体型分类等的基础，文章综述了三维人体特征点提取的重要性与困难，以及几何形状分析法、函数法、模板法这三种主要提取方法的原理、特点和应用现状。几何形状分析法计算较为简单，但受体型差异影响较大;函数法方法简单，但拟合精度较低;模板法精度较高但计算量大，且模型库构建成本高。最后，指出了三维人体特征点自动提取的研究应重点突破特征点提取过程中由体型差异、姿态变化等因素带来的难点，开发具备更高鲁棒性、适用性强的自动化算法，以实现更精确、快速的三维人体特征点自动提取。

关键词： 三维人体;特征点自动提取;几何形状分析法;函数法;模板法

中图分类号： TS941.2

文献标志码： A

文章编号： 1001-7003（2025）02期数-0075起始页码-07篇页数

DOI： 10.3969/j.issn.1001-7003.2025.02期数.009（篇序）

目前，三维人体扫描技术进行人体自动测量已经被服装行业所采用。通过三维人体扫描技术获取的三维人体点云数据，已被广泛应用于三维服装CAD制版技术、三维人体建模、虚拟试衣、人体体型分类、计算机动画、医学诊断等领域。运用传统的手工操作方式进行特征点位置的标定，可以找到位于人体复杂位置的特征点，但其操作过程相对比较烦琐，且不能进行批量化的标定操作，操作过程较为费时。与手工标定人体部位特征点的传统操作方式进行比较，自动识别和提取人体三维点云的特征点位置及计算相应尺寸数据的方法，具有获取速度相对更快、获取精度相对更高、自动化程度高的优点。

但是，运用三维人体扫描仪进行人体扫描，获得的三维人体模型为人体点云数据，许多三维人体扫描系统在处理特殊的人体体型时^［1］，会经常出现特征点位置识别错误的问题，需要使用者手动调整、修改和确认特征点的位置^［2］，以此来避免系统自动提取不同人体体型特征点时可能出现的错误。因此，为了实现通过三维人体自动测量得到精确可靠的人体尺寸数据等，快速准确的特征点识别与提取技术是非常重要的。

本文重点阐述了三维人体特征点提取的重要性、存在的困难，以及从人体三维点云数据中进行特征点提取的三种主要使用的方法（几何形状分析法、函数法、模板法）的原理、特点和应用现状，并指出三维人体特征点自动提取的研究目前仍存在很大的空间，还需进一步地深入研究其关键技术，以提高其识别的精确度及提取的速度。

1"三维人体特征点提取的重要性与困难

1.1"三维人体特征点提取的重要性

人体测量学是测量人体的一门科学研究，主要用于测量人体数据，并被运用到许多相关的研究领域和行业^［3］。其中，在服装领域，人体尺寸数据的测量是进行服装样板设计时确定服装样板尺寸大小的基础，需要严格根据人体数据测量的标准与要求进行人体的测量。由于传统的手工测量方法会因为测量人员的不同而引起人为的测量误差，且操作过程复杂费时，不适宜于大规模的人体测量。采用三维人体扫描技术，可以高效便捷且自动化地提取人体特征部位的尺寸数据。基于三维人体点云数据获取精确的人体特征点位置是实现人体特征部位数据有效精确测量的关键，可为后续人体数据的参数化设计、服装样板设计、服装号型制定、虚拟仿真等奠定基础。

为了建立人体数据库，许多研究者采用不同的方法进行人体体型的分类研究，包括人体体型数据的定性分析和定量分析。其中，人体体型的定量分析目前主要有以下分类方法：根据胸腰差分类、根据特征指数分类、根据人体截面形态分类、根据体表角度分类等^［4］。根据人体截面形态与体表角度等进行人体体型分类，需要通过识别与提取人体特征部位的点云数据，再进行人体截面与角度等数据的提取、分析与计算操作。

随着计算机视觉技术的发展，三维人体建模技术获得了国内外研究者的广泛关注。三维人体建模技术可以分为非参数化建模与参数化建模两种方法，其中参数化建模技术主要通过数学模型与参数表示人体的形状、姿势等。在该建模过程中，需要利用人体特征点的检测技术，进而提取人体的特征参数进行参数化人体进一步地修改与优化^［5］，为三维人体模型的虚拟仿真等操作提供技术支持。同时，为了满足消费者对于服装个性化的需求，许多研究者根据三维人体数据进行参数化原型样板自动生成等的研究，其需构建人体特征参数的测量体系，进行个性化虚拟人体特征点的识别与定位，并提取人体的三维特征数据，从而实现参数化服装原型样板的自动生成设计。

三维人体特征点的识别与提取是人体尺寸数据测量、人体体型分类、参数化三维人体构建、个性化原型样板自动生成等操作中的重要环节，三维人体特征点识别与提取的精确程度与稳定性直接影响着后续处理过程中操作的准确性与研究结果数据的精度。

1.2"三维人体特征点提取的困难

在人体测量学中，人体的特征点是指用于表示人体测量位置的界点。在人体手工测量时，最主要的误差是因为测量人员产生的误差，其中包括人体特征点标定产生的误差、手工测量尺寸数据时造成的误差和测量设备本身存在的误差等。在手工测量的过程中，特征点所处位置的准确识别是减少测量人员产生误差的重要方式。识别三维人体特征点的要求主要有两个方面：被测试者需保持一个标准姿势且身上全部裸露或只穿着内衣;根据人体测量学的定义，设定能够被统一使用的人体体表特征点的定义。Yu^［6］罗列了一些影响测量数据精确度的因素：人体姿势、特征点识别、仪器的位置与定向等。

在三维人体自动测量时，三维人体特征点的提取是人体特征识别技术中不可缺少的预处理环节，其定位的精确性直接与后续工作的进一步开展紧密相关，是点云数据被进一步分析与运用的基础。三维人体的点云数目庞大，在人体的三维扫描过程中，三维扫描仪器硬件存在误差、点云数据测量存在误差及多个视角点云的融合误差，导致了人体点云数据可能存在一些测量的噪声^［7］。为了使生成的人体点云模型具有一定的精度，需采用合适的算法，对获得的人体三维点云数据进行预处理，如对生成的三维人体点云数据进行去除噪声、简化数据、区域分割等处理，从而使通过人体点云数据生成的人体模型能符合精度的需求。同时，三维人体特征点自动提取还存在以下三个方面的难题^［8］：在三维人体扫描过程中，人体有些部位的点云数据存在局部遗漏、孔洞的现象，影响了点云数据的完整性，如果人体的特征点正好处于缺失部分的点云范围内，易于造成人体特征点识别的困难;三维人体扫描测量的算法是根据中间体的人体体型结构而设计，在识别特殊人体体型的特征点时会出现错误分析，难以标定特殊体型的特征点位置;以几何学方式定义人体特征点位置，标准的特征点识别方法存在语义定义不明确的地方，许多特征点的位置定义很难被直接运用到三维人体点云数据后期的处理分析、尺寸计算等过程。

基于三维人体特征点识别与提取存在的困难，国内外研究者不断探索和研究三维人体特征点识别与提取的技术与方法，用以获得具有精确性和稳定性的人体特征点，从而减少人体测量数据存在的误差。

2"三维人体特征点提取的方法

三维人体特征点的提取是根据扫描获取的三维人体点云数据，然后对其进行体表特征点位置数据的确定。国内外专家对三维人体模型体表关键点位置的识别展开了相关的研究与应用，主要依赖以下三种自动识别的技术^［9］：几何形状分析法^［10］、函数法、模板法。

2.1"几何形状分析法

通过分析人体特征部位存在的特定比例关系，结合人体体表的结构特征，并根据特征点位置的几何形状特征的定义描述，进行三维人体模型表面特征点位置的识别与获取，该方法被称为几何形状分析法。

Dourous等^［11］将水平的横截面与人体特征部位点云相交，可以获得一个二维的点云横截面，然后通过利用B样条曲线进行二维人体点云截面的拟合操作，并通过拟合曲线的结构特点来检测特征点。Ju等^［12］将三维人体点云数据进行切片划分，然后依据点云的几何特性进行人体粗略地划分区段，对粗略分段的各部分周长轮廓再进行细分段，进而实现对特征点的提取，但利用该方法提取人体特征部位的关键点，会出现特征点可被识别的数量与类型存在一定限制的问题，而且特征点提取的精确度不高。Wang等^［13］从人体点云建立网格曲面，并通过模糊规则的数学方法，以及人体表面体型特征与人体其余特征部位关键点之间的关系，进行网格曲面特征点的确定与识别，但该研究关注人体特征模型的产生，而没有证明特征点的精确性。Park等^［14］根据人体表面特征点的曲率大小关系来分析特征点的位置（图1），以此生成老年女性的参数化虚拟下体。

Suberbulk等^［15］根据曲率分布的特点识别点的位置，首先通过获取特征点所在的三维表面区域内的曲率大小，然后根据每个特征点的曲率情况进行所处具体位置的识别。Subburaj等^［16］通过分析特征点区域范围的曲率分布情况，为每个特征点进行所在位置范围的划分，并根据划分的位置范围进行特征点最合适位置的识别。但在提取人体表面局部区域的曲率变化不具特征性的点云时，该方法具有较大的难度。蔡晓裕^［17］为消除人体截面某些区段曲率小而影响实验的后续开展，运用曲率半径替代曲率进行曲线弯曲程度的评判数据。Han等^［18］对人体的部位进行体型分析，判断其体型情况（图2），采用人体特征部位关键点所处位置的几何特征识别方法，自动识别不同躯干体型表面的特征点位置，然后通过平均差、平均绝对差和单因素方差分析这三种方式进行特征点识别准确度和稳定性的验证。

陈国安等^［9］在人体三维点云上应用截面法变步长进行搜索，且运用基于改进的降抛物线型隶属函数的模糊规则和坐标值比较方法来分析识别特征点的最佳位置。在模糊规则中，采用基于降抛物线型的隶属函数来分析各个点夹角（图3）的隶属度，对角度的区分更细致合理，提取精度较高。温佩芝等^［19］根据国标上面的基础数据划分特征点范围，然后在特征点所处范围内，通过比较点的坐标值和点到直线投影距离的方法，并综合这两种方法来识别人体的截面轮廓变化极值点和分叉点的位置（图4）。张洪伟^［20］根据局部领域的人体特征确定特征点的大致范围，运用网格筛选技术找到特征点所存在的小网格，并通过人体测量的相关术语定义进行人体特征点的提取。综上，这三位研究者根据算法提取的人体尺寸数据在误差允许范围内，说明该算法对特征点位置的提取是比较准确的。

鲍陈等^［21］采用了陈国安等^［9］研究的方法，运用变步长法搜索人体的特征截面，通过几何形状分析法进行人体特征点和特征截面点云的自动识别与获取，且实现了基于用户交互方式选择特征点的操作方法，用以提取非正常体型的特征点。

运用传统虚拟设计方法进行服装定制存在服装与用户体型匹配度差、设计时间长等问题，为了满足消费者个性化定制的需求，Hou等^［22］提出了一种基于三维图像的服装定制虚拟设计方法。通过相机成像的方式，采用线性回归的方法建立三维人体模型，得到人体的三维点云图。根据特征点的几何特征，自动提取肩部点、颈部点、胯部底点等三维人体关键点，并根据关键点提取结果，将定制服装与三维人体模型进行配准。仿真结果表明，该方法与用户体型匹配良好，设计时间短。

几何形状分析法根据人体表面的形态特征进行特征点的识别，但人体体型间差异较大，特征点位置的定义容易受到人

体体型差异的影响。因此，几何形状分析法较适用于符合特征点位置定义的人体体型，不适用于特殊的人体体型。

2.2"函数法

通过分析人体特征部位点之间的统计关系，然后确定特征点所在的位置，该方法为每个特征点构建了一个特定的判别函数，用于确定并提取特征点的位置，该人体特征点的识别与提取方法被称为函数法。

Dekker等^［23］根据人体体表形态特征与其他特征点之间的关系，对人体模型建立判别函数，并以此方法确定与提取特征点的位置，但该研究只证明了所测量尺寸的精确度，而没有证明特征点位置的准确度。Leong等^［24］为了描述人体形态的特征情况，使用了逻辑数学的方式，然后运用计算机图像处理与计算几何这两种技术，确定与识别人体体表特征部位的点。

Azouz等^［25］根据学习特征点集间存在的空间特征关系（图5），然后形成马尔可夫网来分析判断人体特征部位点的位置情况。其研究结果证实了人体特征部位关键点识别的准确性，但结果未能进一步展示其在不同体型状态识别时的准确性。

人体手臂的肘部标志点对一些功能性的服装来说很重要，且与其他人体特征部位的关键点相比，提取肘部位置的特征点更难。当手臂处于伸直状态时，手臂的肘部位置会存在特征点没有明显的几何特征现象;而当手臂处于弯曲状态时，由于手臂和肘部位置的高自由度，因此很难通过几何特征差异的方式识别与提取人体的肘部点^［26］。Liu等^［27］研究发现人的身高与手臂的上臂长度之间存在一定的线性关系，但并没有明确说明其测量的具体方式。因此，Hou等^［22］对378个三维人体模型进行了人工测量，并得到了上臂欧氏距离，然后根据上臂的欧氏距离和人体高度建立线性模型，其中高度近似为站立人体边界框的高度，以此提取人体肘部的特征点。

函数法通过构建相应的判别函数进行特征点位置的识别，需对人体表面的曲线或者曲面进行拟合，拟合过程中数据的处理过程较为复杂、耗时较长，拟合过程中点云数据存在的噪声可能会导致特征点的丢失，且拟合结果无法精准地保持人体体表的形态特征。因此，容易对特征点位置的识别造成一定的误差。

2.3"模板法

模板法^［28］是通过点云数据映射到预定义的人体模板，将人体特征点与预定义模板相匹配进行特征点的识别，该方法需要建立三维人体模型数据库。基于模板的特征点提取技术不会受到特征点识别数量和其所处曲面形状的约束，该特征点提取方法仅需在人体模板上预设所要寻找的特征点位置，并建立起目标人体与模板人体之间的对应关系，然后通过这个对应关系用以自动识别目标人体表面的特征点位置。

Nurre^［29］通过将人体的头部、手臂、腿部和躯干这四个部位看成是棍形模板，然后把人体点云模型按照此模板进行分段，此方法结合了全局形状描述和相对位置的领域标准分析进行特征点的识别与提取。Au等^［30］将标有标记点的躯干模型（图6）与三维人体的点云进行匹配，以此寻找与确定人体特征点的位置，但大多数人体表面的特征点需通过手工的方法进行配对，且经过简化处理后的体型模型使得特征点的检测难度增加。

Allen等^［31］通过运用模板人体网格，然后将其与CAESAR数据库里面扫描所获得的数据之间构建相应的数学关系，然后给模板中的每个预定义的特征点建立一个优化函数，且维持网格表面光滑自然的曲面状态，并通过计算目标函数来识别人体特征部位的点。在研究过程中，模板人体表面的特征点一般是由人工进行标识，且需专业人员进行相关的操作，整个标定的过程较为耗费时间。同时，运用此方法提取特征点的精度主要取决于输入模型和模板的相似程度，因此运用该方法提取特征点不具有一般性。在Allen等^［31］的研究基础上，Anguelov等^［32］使用了柔性无约束的模板法，在模板人体上选取200个特征点，且同时在待测人体的点云中选取相同数量对应的特征点，然后通过马尔科夫网络来寻找人体特征点的位置，以结合机器学习的方法优化了变形函数的求解。李灵杰等^［33］根据模板匹配进行三维人体语义特征的提取，通过模板的拓扑一致性，拓展了语义特征的采样点。朱俊儒^［34］在标准人体模板上选取并标注了81个人体特征部位的关键点，根据测量所得的人体尺寸数据进行标准人体模板大小的缩放，以此可以高效率地识别体表特征点的位置。但这几位研究者的方法仍需通过手工的形式进行模板人体一系列标志点的定位，难以保证其结果的准确性。

上述特征点一般为专业人员手工标记，操作较费时。Li等^［35］自动搜索扫描的人体数据，然后进行特征点位置的确定，并构建待测人体与模板人体特征点之间的数学关系。该技术通过旋转图像法（图7）可以将三维人体网格的模式转化为二维表达的模式，然后依据三维网格表面的取向点，将三维人体数据的形态属性进行压缩处理，将其变为一张二维图像的模式，以便于识别对应的特征点。同时，在模板人体表面进行29个特征点位置的预先标识处理，使用旋转图像来表示三维网格形态，并利用每个点之间存在的空间关系进行约束，从而获取模板人体上每个预先标识的点与待测人体表面对应范围内各点的相关系数。通过进一步分析这些点的相关系数，确定待测人体表面的最合适的点，并建立相互间对应的关系。

综上所述，运用模板法^［36-37］对扫描所获得的人体点云数据进行拟合处理，使得扫描数据无噪点，可与模板人体建立对应关系。这种方法的优点为模板人体表面可呈现完整封闭的

曲面形式，曲面的形式在拟合过程中可以消除扫描数据存在的部分噪点，且可修补人体数据所存在的部分网格漏洞现象，同时也可修正人体点云数据中存在的有问题的拓扑关系。但采用模板匹配方法进行人体特征点的识别与提取，其准确率在很大程度上取决于输入模型和模板的相似性，相似性越高准确率越高。

3"结"论

目前，人体特征点自动识别与提取的研究和应用已经非常普遍，而且都有各自的特点，很多相关研究涉及三维人体特征点的直接识别，不运用二维的人体表面结构特征，且识别方法具有准确性、鲁棒性。本文主要介绍了目前人体特征点识别与提取方面的三个主要方法。

几何形状分析法易在识别特征点的过程中因人体体型特征的差异而受到影响，不过运用此技术识别与提取特征点的计算方式相对简单、精确度也较好，同时其与人体表面特征间的联系最为紧密。函数法在识别特征点的过程中需拟合人体表面曲线，在拟合过程中相对较为耗时，同时拟合后的人体数据结果无法保持人体表面的形态特征。通过模板法确定与识别特征点位置的精度比前面两种识别技术都稍高，可是其在处理过程中的计算量相对来说较大，同时构建所需的人体模型库的成本也较高。因此，运用几何形状分析法进行特征点识别的研究与应用较为普遍。

人体扫描技术在许多不同的研究领域都已被运用，但服装行业一直希望找到能够与三维人体尺寸测量共通的特征点定位标准，以此来提高人体尺寸的精确度。同时，由于人体体型差异、人体姿态差异、人体点云去噪精确程度、点云精简程度等原因，造成人体特征点识别的精确度不高，人体特征点识别与提取依旧是一个具有相当难度的问题。因此，需要根据不同的人体体型差异，对人体特征点进行精确地定义，以此来减少特征点识别的误差，提高识别的精度与速度。

参考文献：

［1］DEVARAJAN P， ISTOOK C L. Validation of female figure identification technique （FFIT） for apparel software［J］. Journal of Textile and Apparel， Technology and Management， 2004， 4（1）： 1-23.

［2］ASHDOWN S P， DUNNE L. A study of automated custom fit： Readiness of the technology for the apparel industry［J］. Clothing amp; Textiles Research Journal， 2006， 24（2）： 121-136.

［3］ROEBUCK J A. Anthropometric Methods： Designing to Fit the Human Body［M］. Chicago： Human Factors and Ergonomics Society， 1995.

［4］汪海仙. 基于三维人体测量数据的女性体型细分与分类模型［D］. 苏州： 苏州大学， 2021.

WANG H X. The Segmentation and Classification Model of Female Body Shape Based on Three-dimensional Body Measurement Data［D］. Suzhou： Soochow University， 2021.

［5］刘文炫. 基于三维扫描技术的人体测量与虚拟展示研究［D］. 北京： 北京服装学院， 2020.

LIU W X. Research on Human Body Measurement and Virtual Display Based on 3D Scanning Technology［D］. Beijjing： Beijing Institute of Fashion Technology， 2020.

［6］YU W. Human anthropometrics and sizing systems［J］. Clothing Appearance and Fit， 2004， 9： 169-195.

［7］王希， 陈晓波， 习俊通. 人体散乱点云数据的区域分割算法［J］. 机械设计与研究， 2020， 36（1）： 1-6.

WANG X， CHEN X B， XI J T. Research on region segmentation algorithm of human scattered point cloud data［J］. Machine Design and Research， 2020， 36（1）： 1-6.

［8］HAN H， NAM Y. Automatic body landmark identification for various body figures［J］. International Journal of Industrial Ergonomics， 2011， 41（6）： 592-606.

［9］陈国安， 刘飞， 李丽. 采用模糊规则的人体点云特征尺寸识别与提取［J］. 计算机辅助设计与图形学学报， 2011， 23（8）： 1393-1400.

CHEN G A， LIU F， LI L. Recognition and extraction of human body’ s feature dimensions using fuzzy rules［J］. Journal of Computer-Aided Design amp; Computer Graphics， 2011， 23（8）： 1393-1400.

［10］李静， 尹伟石， 孟品超. 基于真实三维人体点云的特征参数提取［J］. 长春理工大学学报（自然科学版）， 2024， 47（1）： 131-136.

LI J， YIN W S， MENG P C. Feature parameter extraction based on real 3D human body point cloud［J］. Journal of Changchun University of Science and Technology （Natural Science Edition）， 2024， 47（1）： 131-136.

［11］DOUROS I， DEKKER L， BUXTON B F. Reconstruction of the surface of the human body from 3D scanner data using B-splines［C］//Electronic Imaging’99. State of Washington： International Society for Optics and Photonics， 1999.

［12］JU X， WERGHI N， SIEBERT J P. Automatic segmentation of 3D human body scans［J］. Journal of Earthquake Engineering， 2001， 4（1）： 239-244.

［13］WANG C C L， CHANG T K K， YUEN M M F. From laser-scanned data to feature human model： A system based on fuzzy logic concept［J］. Computer-Aided Design， 2003， 35（3）： 241-253.

［14］PARK S， NAM Y， CHOI K. Parametric virtual lower body of elderly women for apparel industry［J］. International Journal of Clothing Science amp; Technology， 2015， 27（1）： 129-147.

［15］SUIKERBUIK R. Automatic feature detection in 3D human body scans［C］. Lowa： SAE Digital Human Modeling for Design and Engineering Symposium， 2004.

［16］SUBBURAJ K， RAVI B， AGARWAL M. Automated identification of anatomical landmarks on 3D bone models reconstructed from CT scan images［J］. Computerized Medical Imaging amp; Graphics， 2009， 33（5）： 359-368.

［17］蔡晓裕. 青年女性腰腹臀特征分析及建模研究［D］. 杭州： 浙江理工大学， 2021.

CAI X Y. Research on Characteristics Analysis and Modeling of Young Women’s Waist-Abdomen-Hip［D］. Hangzhou： Zhejiang Sci-Tech University， 2021.

［18］HAN H， NAM Y， SHIN S J H. Algorithms of the automatic landmark identification for various torso shapes［J］. International Journal of Clothing Science amp; Technology， 2010， 22（5）： 343-357.

［19］温佩芝， 马超， 胡俊榕， 等. 基于国家标准的三维扫描人体尺寸提取技术［J］. 计算机工程与科学， 2014， 36（6）： 1114-1119.

WEN P Z， MA C， HU J R， et al. Measurement of human body’s feature dimensions based on the national standards［J］. Computer Engineering amp; Science， 2014， 36（6）： 1114-1119.

［20］张洪伟. 基于立体视觉的人体体型测量的研究［D］. 贵阳： 贵州大学， 2021.

ZHANG H W. A Study of Human Body Size Measurement Based on Stereo Vision［D］. Guiyang： Guizhou University， 2021.

［21］鲍陈， 缪永伟， 孙瑜亮， 等. 基于散乱点云的三维人体自动测量［J］. 纺织学报， 2019， 40（1）： 120-129.

BAO C， MIAO Y W， SUN Y L， et al. Automatic measurement of three-dimensional human body based on scattered point cloud［J］. Journal of Textile Research， 2019， 40（1）： 120-129.

［22］HOU F X， JI X F. Virtual design method of customized clothing based on three-dimensional image［J］. Mobile Information Systems， 2022， 2022（1）： 1-11.

［23］DEKKER L， DOUROS I， BUTON B F， et al. Building symbolic information for 3D human body modeling from range data［C］. Ottawa： Second International Conference on 3-D Digital Imaging and Modeling， 1999.

［24］LEONG I F， FANG J J， TSAI M J. Automatic body feature extraction from a marker-less scanned human body［J］. Computer-Aided Design， 2007， 39（7）： 568-582.

［25］AZOUZ Z B， SHU C， MANTEL A. Automatic locating of anthropometric landmarks on 3D human models［C］. Chapel Hill： Third International Symposium on 3D Data Processing， Visualization， and Transmission， 2006.

［26］HUANG Z， CHEN M. Research on clothing “zero waste” design based on 3D virtual imitation technology［J］. West Leather， 2021， 43（24）： 107-109.

［27］LIU X， BAI Y. Research on the construction of virtual simulation design resources of Chinese traditional clothing based on clo3D［J］. Western Leather， 2022， 44（3）： 131-133.

［28］KAASHKI N N， HU P P， MUNTEANU A. Deep learning-based automated extraction of anthropometric measurements from a single 3-D scan［J］. IEEE Transactions on Instrumentation and Measurement， 2021， 70： 1-14.

［29］NURRE J H. Locating landmarks on human body scan data［C］. Ottawa： International Conference on Recent Advances in 3-D Digital Imaging and Modeling， 1997.

［30］AU C K， YUEN M M F. Feature-based reverse engineering of mannequin for garment design［J］. Computer-Aided Design， 1999， 31（12）： 751-759.

［31］ALLEN B， CURLESS B， POPOVIC Z. The space of human body shapes： Reconstruction and parameterization from range scans［J］. ACM Transactions on Graphics， 2003， 22（3）： 587-594.

［32］ANGUELOV D， SRINIVASAN P， KOLLER D， et al. SCAPE： Shape completion and animation of people［J］. ACM Transactions on Graphics， 2005， 24（3）： 408-416.

［33］李灵杰， 童晶， 步文瑜， 等. 基于模板匹配的三维人体语义特征提取算法［J］. 计算机与现代化， 2020（4）： 95-103.

LI L J， TONG J， BU W Y， et al. Semantic feature extraction algorithm for 3D human body based on template matching［J］. Computer and Modernization， 2020（4）： 95-103.

［34］朱俊儒. 人体三维重建的表面特征点标定技术研究［D］. 西安： 西安工业大学， 2023.

ZHU J R. Research on Surface Feature Point Calibration Technique for Human 3D Reconstruction［D］. Xi’an： Xi’an Technological University， 2023.

［35］LI Y， ZHONG Y Q. Automatic detecting anthropometric landmarks based on spin image［J］. Textile Research Journal， 2012， 82（6）： 622-632.

［36］XU T X， AN D， JIA Y T， et al. Point cloud-based 3D human joints estimation［J］. Sensors， 2021， 21（5）： 1684.

［37］夏明， 张理想， 许霄. 扫描人体外包围计算与上衣原型应用分析［J］. 丝绸， 2023， 60（1）： 78-87.

XIA M， ZHANG L X， XU X. Scanning human body outer circumference calculation and upper prototype application analysis［J］. Journal of Silk， 2023， 60（1）： 78-87.

Research and application of automatic extraction of 3D human body feature points

ZHANG Chi， WANG Xiangrong

YAO Yi^1，2， MAO Yue¹， MENG Ranju¹， JIN Zimin²

（1.Fashion Institute of Design， Jiaxing Vocational amp; Technical College， Jiaxing 314036， China; 2.College of Textile Science andEngineering （International Institute of Silk）， Zhejiang Sci-Tech University， Hangzhou 310018， China）

Abstract：

This paper discusses the importance of 3D body scanning technology in the field of apparel and related research， especially how to automatically extract human body feature points from 3D point cloud data to improve the measurement accuracy of human body size data. The traditional manual measurement operation process is cumbersome and time-consuming， while the method of automatically recognizing and extracting the 3D feature points of the human body has obvious advantages in terms of speed and accuracy. However， existing 3D body scanning systems often have feature point recognition errors when dealing with special body sizes， and still need to be adjusted manually. Therefore， the purpose of this paper is to analyze the existing 3D human body feature point extraction methods， explore their difficulties and challenges， and provide technical support for fast and accurate feature point recognition.

This paper focuses on three main 3D human feature point extraction methods： geometric shape analysis， function method and template method. The geometric shape analysis method extracts feature points by analyzing the geometric features of the human body feature parts， which is simpler to calculate， but is greatly affected by the differences in human body shapes. The function method constructs the discriminant function by counting the relationship between the feature points， which is simple， but the fitting accuracy is low. The template method matches the point cloud data with predefined human body templates， which is more accurate but computationally intensive and costly to construct the model library. The results of this paper show that the geometric shape analysis method is quite common in practical applications and is suitable for most body types， but the recognition of special body types still needs to be improved.

Future research should be devoted to the development of feature point extraction methods that are insensitive to differences in human body size to further improve recognition speed and accuracy. Meanwhile， with the wide application of 3D body scanning technology in the apparel industry， the industry needs a unified feature point localization standard to improve the accuracy of body size measurement. This paper suggests that future research should focus on breaking through the difficulties in the feature point extraction process caused by factors such as differences in body size and changes in posture， and develop automated algorithms with higher robustness and applicability to achieve more accurate and rapid automatic extraction of 3D human feature points.

Key words：

three-dimensional human body; automatic extraction of feature points; geometric shape analysis method; functional method; template method