三維人體特征點自動提取的研究與應用

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

摘要： 人體特征點準確快速地提取是三維人體尺寸測量、三維人體建模、體型分類等的基礎，文章綜述了三維人體特征點提取的重要性與困難，以及幾何形狀分析法、函數法、模板法這三種主要提取方法的原理、特點和應用現狀。幾何形狀分析法計算較為簡單，但受體型差異影響較大;函數法方法簡單，但擬合精度較低;模板法精度較高但計算量大，且模型庫構建成本高。最后，指出了三維人體特征點自動提取的研究應重點突破特征點提取過程中由體型差異、姿態變化等因素帶來的難點，開發具備更高魯棒性、適用性強的自動化算法，以實現更精確、快速的三維人體特征點自動提取。

關鍵詞： 三維人體;特征點自動提取;幾何形狀分析法;函數法;模板法

中圖分類號： TS941.2

文獻標志碼： A

文章編號： 1001-7003（2025）02期數-0075起始頁碼-07篇頁數

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

目前，三維人體掃描技術進行人體自動測量已經被服裝行業所采用。通過三維人體掃描技術獲取的三維人體點云數據，已被廣泛應用于三維服裝CAD制版技術、三維人體建模、虛擬試衣、人體體型分類、計算機動畫、醫學診斷等領域。運用傳統的手工操作方式進行特征點位置的標定，可以找到位于人體復雜位置的特征點，但其操作過程相對比較煩瑣，且不能進行批量化的標定操作，操作過程較為費時。與手工標定人體部位特征點的傳統操作方式進行比較，自動識別和提取人體三維點云的特征點位置及計算相應尺寸數據的方法，具有獲取速度相對更快、獲取精度相對更高、自動化程度高的優點。

但是，運用三維人體掃描儀進行人體掃描，獲得的三維人體模型為人體點云數據，許多三維人體掃描系統在處理特殊的人體體型時^［1］，會經常出現特征點位置識別錯誤的問題，需要使用者手動調整、修改和確認特征點的位置^［2］，以此來避免系統自動提取不同人體體型特征點時可能出現的錯誤。因此，為了實現通過三維人體自動測量得到精確可靠的人體尺寸數據等，快速準確的特征點識別與提取技術是非常重要的。

本文重點闡述了三維人體特征點提取的重要性、存在的困難，以及從人體三維點云數據中進行特征點提取的三種主要使用的方法（幾何形狀分析法、函數法、模板法）的原理、特點和應用現狀，并指出三維人體特征點自動提取的研究目前仍存在很大的空間，還需進一步地深入研究其關鍵技術，以提高其識別的精確度及提取的速度。

1"三維人體特征點提取的重要性與困難

1.1"三維人體特征點提取的重要性

人體測量學是測量人體的一門科學研究，主要用于測量人體數據，并被運用到許多相關的研究領域和行業^［3］。其中，在服裝領域，人體尺寸數據的測量是進行服裝樣板設計時確定服裝樣板尺寸大小的基礎，需要嚴格根據人體數據測量的標準與要求進行人體的測量。由于傳統的手工測量方法會因為測量人員的不同而引起人為的測量誤差，且操作過程復雜費時，不適宜于大規模的人體測量。采用三維人體掃描技術，可以高效便捷且自動化地提取人體特征部位的尺寸數據。基于三維人體點云數據獲取精確的人體特征點位置是實現人體特征部位數據有效精確測量的關鍵，可為后續人體數據的參數化設計、服裝樣板設計、服裝號型制定、虛擬仿真等奠定基礎。

為了建立人體數據庫，許多研究者采用不同的方法進行人體體型的分類研究，包括人體體型數據的定性分析和定量分析。其中，人體體型的定量分析目前主要有以下分類方法：根據胸腰差分類、根據特征指數分類、根據人體截面形態分類、根據體表角度分類等^［4］。根據人體截面形態與體表角度等進行人體體型分類，需要通過識別與提取人體特征部位的點云數據，再進行人體截面與角度等數據的提取、分析與計算操作。

隨著計算機視覺技術的發展，三維人體建模技術獲得了國內外研究者的廣泛關注。三維人體建模技術可以分為非參數化建模與參數化建模兩種方法，其中參數化建模技術主要通過數學模型與參數表示人體的形狀、姿勢等。在該建模過程中，需要利用人體特征點的檢測技術，進而提取人體的特征參數進行參數化人體進一步地修改與優化^［5］，為三維人體模型的虛擬仿真等操作提供技術支持。同時，為了滿足消費者對于服裝個性化的需求，許多研究者根據三維人體數據進行參數化原型樣板自動生成等的研究，其需構建人體特征參數的測量體系，進行個性化虛擬人體特征點的識別與定位，并提取人體的三維特征數據，從而實現參數化服裝原型樣板的自動生成設計。

三維人體特征點的識別與提取是人體尺寸數據測量、人體體型分類、參數化三維人體構建、個性化原型樣板自動生成等操作中的重要環節，三維人體特征點識別與提取的精確程度與穩定性直接影響著后續處理過程中操作的準確性與研究結果數據的精度。

1.2"三維人體特征點提取的困難

在人體測量學中，人體的特征點是指用于表示人體測量位置的界點。在人體手工測量時，最主要的誤差是因為測量人員產生的誤差，其中包括人體特征點標定產生的誤差、手工測量尺寸數據時造成的誤差和測量設備本身存在的誤差等。在手工測量的過程中，特征點所處位置的準確識別是減少測量人員產生誤差的重要方式。識別三維人體特征點的要求主要有兩個方面：被測試者需保持一個標準姿勢且身上全部裸露或只穿著內衣;根據人體測量學的定義，設定能夠被統一使用的人體體表特征點的定義。Yu^［6］羅列了一些影響測量數據精確度的因素：人體姿勢、特征點識別、儀器的位置與定向等。

在三維人體自動測量時，三維人體特征點的提取是人體特征識別技術中不可缺少的預處理環節，其定位的精確性直接與后續工作的進一步開展緊密相關，是點云數據被進一步分析與運用的基礎。三維人體的點云數目龐大，在人體的三維掃描過程中，三維掃描儀器硬件存在誤差、點云數據測量存在誤差及多個視角點云的融合誤差，導致了人體點云數據可能存在一些測量的噪聲^［7］。為了使生成的人體點云模型具有一定的精度，需采用合適的算法，對獲得的人體三維點云數據進行預處理，如對生成的三維人體點云數據進行去除噪聲、簡化數據、區域分割等處理，從而使通過人體點云數據生成的人體模型能符合精度的需求。同時，三維人體特征點自動提取還存在以下三個方面的難題^［8］：在三維人體掃描過程中，人體有些部位的點云數據存在局部遺漏、孔洞的現象，影響了點云數據的完整性，如果人體的特征點正好處于缺失部分的點云范圍內，易于造成人體特征點識別的困難;三維人體掃描測量的算法是根據中間體的人體體型結構而設計，在識別特殊人體體型的特征點時會出現錯誤分析，難以標定特殊體型的特征點位置;以幾何學方式定義人體特征點位置，標準的特征點識別方法存在語義定義不明確的地方，許多特征點的位置定義很難被直接運用到三維人體點云數據后期的處理分析、尺寸計算等過程。

基于三維人體特征點識別與提取存在的困難，國內外研究者不斷探索和研究三維人體特征點識別與提取的技術與方法，用以獲得具有精確性和穩定性的人體特征點，從而減少人體測量數據存在的誤差。

2"三維人體特征點提取的方法

三維人體特征點的提取是根據掃描獲取的三維人體點云數據，然后對其進行體表特征點位置數據的確定。國內外專家對三維人體模型體表關鍵點位置的識別展開了相關的研究與應用，主要依賴以下三種自動識別的技術^［9］：幾何形狀分析法^［10］、函數法、模板法。

2.1"幾何形狀分析法

通過分析人體特征部位存在的特定比例關系，結合人體體表的結構特征，并根據特征點位置的幾何形狀特征的定義描述，進行三維人體模型表面特征點位置的識別與獲取，該方法被稱為幾何形狀分析法。

Dourous等^［11］將水平的橫截面與人體特征部位點云相交，可以獲得一個二維的點云橫截面，然后通過利用B樣條曲線進行二維人體點云截面的擬合操作，并通過擬合曲線的結構特點來檢測特征點。Ju等^［12］將三維人體點云數據進行切片劃分，然后依據點云的幾何特性進行人體粗略地劃分區段，對粗略分段的各部分周長輪廓再進行細分段，進而實現對特征點的提取，但利用該方法提取人體特征部位的關鍵點，會出現特征點可被識別的數量與類型存在一定限制的問題，而且特征點提取的精確度不高。Wang等^［13］從人體點云建立網格曲面，并通過模糊規則的數學方法，以及人體表面體型特征與人體其余特征部位關鍵點之間的關系，進行網格曲面特征點的確定與識別，但該研究關注人體特征模型的產生，而沒有證明特征點的精確性。Park等^［14］根據人體表面特征點的曲率大小關系來分析特征點的位置（圖1），以此生成老年女性的參數化虛擬下體。

Suberbulk等^［15］根據曲率分布的特點識別點的位置，首先通過獲取特征點所在的三維表面區域內的曲率大小，然后根據每個特征點的曲率情況進行所處具體位置的識別。Subburaj等^［16］通過分析特征點區域范圍的曲率分布情況，為每個特征點進行所在位置范圍的劃分，并根據劃分的位置范圍進行特征點最合適位置的識別。但在提取人體表面局部區域的曲率變化不具特征性的點云時，該方法具有較大的難度。蔡曉裕^［17］為消除人體截面某些區段曲率小而影響實驗的后續開展，運用曲率半徑替代曲率進行曲線彎曲程度的評判數據。Han等^［18］對人體的部位進行體型分析，判斷其體型情況（圖2），采用人體特征部位關鍵點所處位置的幾何特征識別方法，自動識別不同軀干體型表面的特征點位置，然后通過平均差、平均絕對差和單因素方差分析這三種方式進行特征點識別準確度和穩定性的驗證。

陳國安等^［9］在人體三維點云上應用截面法變步長進行搜索，且運用基于改進的降拋物線型隸屬函數的模糊規則和坐標值比較方法來分析識別特征點的最佳位置。在模糊規則中，采用基于降拋物線型的隸屬函數來分析各個點夾角（圖3）的隸屬度，對角度的區分更細致合理，提取精度較高。溫佩芝等^［19］根據國標上面的基礎數據劃分特征點范圍，然后在特征點所處范圍內，通過比較點的坐標值和點到直線投影距離的方法，并綜合這兩種方法來識別人體的截面輪廓變化極值點和分叉點的位置（圖4）。張洪偉^［20］根據局部領域的人體特征確定特征點的大致范圍，運用網格篩選技術找到特征點所存在的小網格，并通過人體測量的相關術語定義進行人體特征點的提取。綜上，這三位研究者根據算法提取的人體尺寸數據在誤差允許范圍內，說明該算法對特征點位置的提取是比較準確的。

鮑陳等^［21］采用了陳國安等^［9］研究的方法，運用變步長法搜索人體的特征截面，通過幾何形狀分析法進行人體特征點和特征截面點云的自動識別與獲取，且實現了基于用戶交互方式選擇特征點的操作方法，用以提取非正常體型的特征點。

運用傳統虛擬設計方法進行服裝定制存在服裝與用戶體型匹配度差、設計時間長等問題，為了滿足消費者個性化定制的需求，Hou等^［22］提出了一種基于三維圖像的服裝定制虛擬設計方法。通過相機成像的方式，采用線性回歸的方法建立三維人體模型，得到人體的三維點云圖。根據特征點的幾何特征，自動提取肩部點、頸部點、胯部底點等三維人體關鍵點，并根據關鍵點提取結果，將定制服裝與三維人體模型進行配準。仿真結果表明，該方法與用戶體型匹配良好，設計時間短。

幾何形狀分析法根據人體表面的形態特征進行特征點的識別，但人體體型間差異較大，特征點位置的定義容易受到人

體體型差異的影響。因此，幾何形狀分析法較適用于符合特征點位置定義的人體體型，不適用于特殊的人體體型。

2.2"函數法

通過分析人體特征部位點之間的統計關系，然后確定特征點所在的位置，該方法為每個特征點構建了一個特定的判別函數，用于確定并提取特征點的位置，該人體特征點的識別與提取方法被稱為函數法。

Dekker等^［23］根據人體體表形態特征與其他特征點之間的關系，對人體模型建立判別函數，并以此方法確定與提取特征點的位置，但該研究只證明了所測量尺寸的精確度，而沒有證明特征點位置的準確度。Leong等^［24］為了描述人體形態的特征情況，使用了邏輯數學的方式，然后運用計算機圖像處理與計算幾何這兩種技術，確定與識別人體體表特征部位的點。

Azouz等^［25］根據學習特征點集間存在的空間特征關系（圖5），然后形成馬爾可夫網來分析判斷人體特征部位點的位置情況。其研究結果證實了人體特征部位關鍵點識別的準確性，但結果未能進一步展示其在不同體型狀態識別時的準確性。

人體手臂的肘部標志點對一些功能性的服裝來說很重要，且與其他人體特征部位的關鍵點相比，提取肘部位置的特征點更難。當手臂處于伸直狀態時，手臂的肘部位置會存在特征點沒有明顯的幾何特征現象;而當手臂處于彎曲狀態時，由于手臂和肘部位置的高自由度，因此很難通過幾何特征差異的方式識別與提取人體的肘部點^［26］。Liu等^［27］研究發現人的身高與手臂的上臂長度之間存在一定的線性關系，但并沒有明確說明其測量的具體方式。因此，Hou等^［22］對378個三維人體模型進行了人工測量，并得到了上臂歐氏距離，然后根據上臂的歐氏距離和人體高度建立線性模型，其中高度近似為站立人體邊界框的高度，以此提取人體肘部的特征點。

函數法通過構建相應的判別函數進行特征點位置的識別，需對人體表面的曲線或者曲面進行擬合，擬合過程中數據的處理過程較為復雜、耗時較長，擬合過程中點云數據存在的噪聲可能會導致特征點的丟失，且擬合結果無法精準地保持人體體表的形態特征。因此，容易對特征點位置的識別造成一定的誤差。

2.3"模板法

模板法^［28］是通過點云數據映射到預定義的人體模板，將人體特征點與預定義模板相匹配進行特征點的識別，該方法需要建立三維人體模型數據庫。基于模板的特征點提取技術不會受到特征點識別數量和其所處曲面形狀的約束，該特征點提取方法僅需在人體模板上預設所要尋找的特征點位置，并建立起目標人體與模板人體之間的對應關系，然后通過這個對應關系用以自動識別目標人體表面的特征點位置。

Nurre^［29］通過將人體的頭部、手臂、腿部和軀干這四個部位看成是棍形模板，然后把人體點云模型按照此模板進行分段，此方法結合了全局形狀描述和相對位置的領域標準分析進行特征點的識別與提取。Au等^［30］將標有標記點的軀干模型（圖6）與三維人體的點云進行匹配，以此尋找與確定人體特征點的位置，但大多數人體表面的特征點需通過手工的方法進行配對，且經過簡化處理后的體型模型使得特征點的檢測難度增加。

Allen等^［31］通過運用模板人體網格，然后將其與CAESAR數據庫里面掃描所獲得的數據之間構建相應的數學關系，然后給模板中的每個預定義的特征點建立一個優化函數，且維持網格表面光滑自然的曲面狀態，并通過計算目標函數來識別人體特征部位的點。在研究過程中，模板人體表面的特征點一般是由人工進行標識，且需專業人員進行相關的操作，整個標定的過程較為耗費時間。同時，運用此方法提取特征點的精度主要取決于輸入模型和模板的相似程度，因此運用該方法提取特征點不具有一般性。在Allen等^［31］的研究基礎上，Anguelov等^［32］使用了柔性無約束的模板法，在模板人體上選取200個特征點，且同時在待測人體的點云中選取相同數量對應的特征點，然后通過馬爾科夫網絡來尋找人體特征點的位置，以結合機器學習的方法優化了變形函數的求解。李靈杰等^［33］根據模板匹配進行三維人體語義特征的提取，通過模板的拓撲一致性，拓展了語義特征的采樣點。朱俊儒^［34］在標準人體模板上選取并標注了81個人體特征部位的關鍵點，根據測量所得的人體尺寸數據進行標準人體模板大小的縮放，以此可以高效率地識別體表特征點的位置。但這幾位研究者的方法仍需通過手工的形式進行模板人體一系列標志點的定位，難以保證其結果的準確性。

上述特征點一般為專業人員手工標記，操作較費時。Li等^［35］自動搜索掃描的人體數據，然后進行特征點位置的確定，并構建待測人體與模板人體特征點之間的數學關系。該技術通過旋轉圖像法（圖7）可以將三維人體網格的模式轉化為二維表達的模式，然后依據三維網格表面的取向點，將三維人體數據的形態屬性進行壓縮處理，將其變為一張二維圖像的模式，以便于識別對應的特征點。同時，在模板人體表面進行29個特征點位置的預先標識處理，使用旋轉圖像來表示三維網格形態，并利用每個點之間存在的空間關系進行約束，從而獲取模板人體上每個預先標識的點與待測人體表面對應范圍內各點的相關系數。通過進一步分析這些點的相關系數，確定待測人體表面的最合適的點，并建立相互間對應的關系。

綜上所述，運用模板法^［36-37］對掃描所獲得的人體點云數據進行擬合處理，使得掃描數據無噪點，可與模板人體建立對應關系。這種方法的優點為模板人體表面可呈現完整封閉的

曲面形式，曲面的形式在擬合過程中可以消除掃描數據存在的部分噪點，且可修補人體數據所存在的部分網格漏洞現象，同時也可修正人體點云數據中存在的有問題的拓撲關系。但采用模板匹配方法進行人體特征點的識別與提取，其準確率在很大程度上取決于輸入模型和模板的相似性，相似性越高準確率越高。

3"結"論

目前，人體特征點自動識別與提取的研究和應用已經非常普遍，而且都有各自的特點，很多相關研究涉及三維人體特征點的直接識別，不運用二維的人體表面結構特征，且識別方法具有準確性、魯棒性。本文主要介紹了目前人體特征點識別與提取方面的三個主要方法。

幾何形狀分析法易在識別特征點的過程中因人體體型特征的差異而受到影響，不過運用此技術識別與提取特征點的計算方式相對簡單、精確度也較好，同時其與人體表面特征間的聯系最為緊密。函數法在識別特征點的過程中需擬合人體表面曲線，在擬合過程中相對較為耗時，同時擬合后的人體數據結果無法保持人體表面的形態特征。通過模板法確定與識別特征點位置的精度比前面兩種識別技術都稍高，可是其在處理過程中的計算量相對來說較大，同時構建所需的人體模型庫的成本也較高。因此，運用幾何形狀分析法進行特征點識別的研究與應用較為普遍。

人體掃描技術在許多不同的研究領域都已被運用，但服裝行業一直希望找到能夠與三維人體尺寸測量共通的特征點定位標準，以此來提高人體尺寸的精確度。同時，由于人體體型差異、人體姿態差異、人體點云去噪精確程度、點云精簡程度等原因，造成人體特征點識別的精確度不高，人體特征點識別與提取依舊是一個具有相當難度的問題。因此，需要根據不同的人體體型差異，對人體特征點進行精確地定義，以此來減少特征點識別的誤差，提高識別的精度與速度。

參考文獻：

［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. 基于三維人體測量數據的女性體型細分與分類模型［D］. 蘇州： 蘇州大學， 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］劉文炫. 基于三維掃描技術的人體測量與虛擬展示研究［D］. 北京： 北京服裝學院， 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， 陳曉波， 習俊通. 人體散亂點云數據的區域分割算法［J］. 機械設計與研究， 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］陳國安， 劉飛， 李麗. 采用模糊規則的人體點云特征尺寸識別與提取［J］. 計算機輔助設計與圖形學學報， 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］李靜， 尹偉石， 孟品超. 基于真實三維人體點云的特征參數提取［J］. 長春理工大學學報（自然科學版）， 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］蔡曉裕. 青年女性腰腹臀特征分析及建模研究［D］. 杭州： 浙江理工大學， 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］溫佩芝， 馬超， 胡俊榕， 等. 基于國家標準的三維掃描人體尺寸提取技術［J］. 計算機工程與科學， 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］張洪偉. 基于立體視覺的人體體型測量的研究［D］. 貴陽： 貴州大學， 2021.

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

［21］鮑陳， 繆永偉， 孫瑜亮， 等. 基于散亂點云的三維人體自動測量［J］. 紡織學報， 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］李靈杰， 童晶， 步文瑜， 等. 基于模板匹配的三維人體語義特征提取算法［J］. 計算機與現代化， 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. 人體三維重建的表面特征點標定技術研究［D］. 西安： 西安工業大學， 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， 張理想， 許霄. 掃描人體外包圍計算與上衣原型應用分析［J］. 絲綢， 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