matlab图像身高测量,基于Kinect景深图像的快速身高和体重测量方法

基于Kinect景深图像的快速身高和体重测量方法

【技术领域】

[0001]本发明涉及一种基于Kinect景深图像的快速身高和体重测量方法,涉及图像处理与计算机视觉领域。

【背景技术】

[0002]身高体重的测量在日常生活中随处可见。例如:儿童购票乘车或者购票进入旅游景点时,购票处需要通过测量身高来确定儿童不同的购票等级;医院体检时,身高体重测量是体检的基础检查项目之一;还有现如今流行的3D虚拟试衣镜,仍然无法解决如何精确快速地获取试衣者的体型的问题,而这将直接影响虚拟试衣的效果。传统的身高测量方式多为通过尺度工具采用接触式方法对身高进行人工测量,此方法虽然准确实用,但人数多时若要逐一测量,速度相对较慢,在人流量很大的场合这种通过尺度工具和人工辅助进行逐一测量的方法显然不能满足要求;而传统的体重测量方式是需要被测者站立在体重计上,待体重计数值稳定后进行人工数据读取,然后再将数据信息手工录入到数据库中。此方法本身有两大缺陷:一是如果体重计不精准、被损坏或者被测者站立姿势不标准,都会导致体重数据不准确;二是操作步骤繁杂,当人数多时需要消耗大量的人力,并且测量速度缓慢。

[0003]现有的基于二维平面图像进行身高测量的方法,需要对图像进行比对处理,身高测量所需要的数据信息不足,因此,这种对图像中人体的身高测量运算方法复杂,速度缓慢,难以满足实际需求。而现有的一些利用kinect进行身高测量的例子,大都是利用头部关节点和脚趾关节点之间的距离差来计算身高,但是,头部关节点给出的是头部中心点的坐标,并非头顶的坐标位置,因此要再额外加上9cm — Ilcm差值才能得到相对精确的身高值。由于Kinect本身提供的骨骼点位置信息

  • 1
    点赞
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
KNN(K-Nearest Neighbor)是一种经典的机器学习算法,它可以用于分类和回归。在分类问题中,KNN算法通过寻找与新样本最近邻的K个训练样本的标签,来预测新样本的标签。 下面是一个简单的基于身高体重判断性别的KNN分类程序,使用Python语言实现: ``` import numpy as np from sklearn.neighbors import KNeighborsClassifier # 训练数据 X_train = np.array([[170, 60], [180, 70], [160, 50], [165, 55], [175, 65], [185, 75]]) y_train = np.array(['male', 'male', 'female', 'female', 'male', 'male']) # 创建KNN分类器 clf = KNeighborsClassifier(n_neighbors=3) # 拟合模型 clf.fit(X_train, y_train) # 测试数据 X_test = np.array([[172, 62], [168, 58], [182, 72]]) # 预测 y_pred = clf.predict(X_test) # 输出结果 print(y_pred) ``` 上述程序中,训练数据包括6个样本,每个样本包括身高体重两个特征,以及相应的性别标签。我们使用KNeighborsClassifier函数创建一个KNN分类器,并将K值设置为3。然后,我们使用训练数据拟合该模型,并使用测试数据进行预测。最后,输出预测结果。在上述程序中,测试数据包括三个样本,分别为(172, 62),(168, 58),(182, 72),该程序预测这三个样本的性别分别为 male,female,male。 需要注意的是,在实际应用中,我们需要根据具体的问题来选择特征和K值,并且需要对数据进行预处理和特征工程,以提高模型的性能。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值