一种用户体征的确定方法、装置、设备和存储介质与流程

本发明实施例涉及数据分析技术，尤其涉及一种用户体征的确定方法、装置、设备和存储介质。

背景技术：

随着人们生活水平的不断提升，人们越来越重视自身体征的变化情况。因此，如何快速方便地确定用户体征变得尤为关键。

目前，通常通过检测人体图像中用户的二维关节点对用户体征进行分析。但由于人体图像是一个二维图像，并且二维图像中的二维关节点缺少深度信息，通常需要用户拍摄不同视角的多张人体图像，并且在拍摄不同视角的人体图像时，容易产生遮挡，使得对用户体征进行分析的准确度受到影响，从而降低了用户的使用体验。

技术实现要素：

有鉴于此，本发明提供一种用户体征的确定方法、装置、设备和存储介质，实现了无需多次从不同视角拍摄多张人体图像，即可方便快捷确定用户体征。

第一方面，本发明实施例提供了一种用户体征的确定方法，包括：

获取待检测图像；

将所述待检测图像输入预先训练的三维预测模型，得到对应的实际三维人体模型，所述三维预测模型为将二维图像以及二维图像中对应体型和动作的标准三维人体模型输入深度神经网络训练得到；

根据所述实际三维人体模型中各关键点的参数，确定用户的实际身体参数；

根据所述实际身体参数和标准身体参数确定用户体征。

进一步的，所述用户体征包括下述至少一项：用户体态、用户的实际身体围度信息、用户的体脂信息。

进一步的，所述三维预测模型为将二维图像以及二维图像中对应体型和动作的标准三维人体模型输入深度神经网络训练得到，包括：

采集用户在同一视角的二维图像；

根据所述二维图像中的体型和动作查找到对应的标准三维人体模型；

将所述二维图像和所述标准三维人体模型输入深度神经网络进行训练，得到对应的三维预测模型。

进一步的，所述根据所述实际三维人体模型中各关键点的参数，确定用户的实际身体参数，包括：

提取所述实际三维人体模型中各关键点的实际三维坐标；

根据所述各关键点的实际三维坐标确定用户的实际身体参数；

进一步的，在将所述待检测图像输入预先训练的三维预测模型，得到对应的实际三维人体模型之后，还包括：

确定预先获取的实际身高和所述实际三维人体模型中模拟身高之间的身高比例；

根据所述身高比例、所述实际身高和所述实际三维人体模型中的模拟身体围度信息，确定用户的实际身体围度信息。

进一步的，所述方法，还包括：

根据预先获取的实际体重和所述实际身体围度信息确定用户的体脂信息。

进一步的，所述方法，还包括：

根据所述用户体征和标准体征确定用户身体健康程度。

进一步的，所述实际身体参数包括下述至少一项：各关键点之间的实际相对位置和实际相对角度。

第二方面，本发明实施例还提供了一种用户体征的确定装置，包括：

第一获取模块，用于获取待检测图像；

第一确定模块，用于将所述待检测图像输入预先训练的三维预测模型，得到对应的实际三维人体模型，所述三维预测模型为将二维图像以及二维图像中对应体型和动作的标准三维人体模型输入深度神经网络训练得到；

第二确定模块，用于根据所述实际三维人体模型中各关键点的参数，确定用户的实际身体参数；

第三确定模块，用于根据所述实际身体参数和标准身体参数确定用户体征。

进一步的，所述用户体征包括下述至少一项：用户体态、用户的实际身体围度信息、用户的体脂信息。

进一步的，所述三维预测模型为将二维图像以及二维图像中对应体型和动作的标准三维人体模型输入深度神经网络训练得到，具体用于：

采集用户在同一视角的二维图像；

根据所述二维图像中的体型和动作查找到对应的标准三维人体模型；

将所述二维图像和所述标准三维人体模型输入深度神经网络进行训练，得到对应的三维预测模型。

进一步的，所述第二确定模块，包括：

提取单元，用于提取所述实际三维人体模型中各关键点的实际三维坐标；

确定单元，用于根据所述各关键点的实际三维坐标确定用户的实际身体参数。

进一步的，所述装置，还包括：

第四确定模块，用于在将所述待检测图像输入预先训练的三维预测模型，得到对应的实际三维人体模型之后，确定预先获取的实际身高和所述实际三维人体模型中模拟身高之间的身高比例；

第五确定模块，用于根据所述身高比例、所述实际身高和所述实际三维人体模型中的模拟身体围度信息，确定用户的实际身体围度信息。

进一步的，所述装置，还包括：

第六确定模块，用于根据预先获取的实际体重和所述实际身体围度信息确定用户的体脂信息。

进一步的，所述装置，还包括：

第七确定模块，用于根据所述用户体征和标准体征确定用户身体健康程度。

进一步的，所述实际身体参数包括下述至少一项：各关键点之间的实际相对位置和实际相对角度。

第三方面，本发明实施例还提供了一种用户体征的确定设备，包括：存储器以及一个或多个处理器；

所述存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的用户体征的确定方法。

第四方面，本发明实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如第一方面所述的用户体征的确定方法。

本发明通过获取待检测图像；将待检测图像输入预先训练的三维预测模型，得到对应的实际三维人体模型，三维预测模型为将二维图像以及二维图像中对应体型和动作的标准三维人体模型输入深度神经网络训练得到；根据实际三维人体模型中各关键点的参数，确定用户的实际身体参数；根据实际身体参数和标准身体参数确定用户体征。本发明实施例通过预先训练的三维预测模型，无需多次从不同视角拍摄多张人体图像，可直接将待检测图像转换为实际三维人体模型，并根据实际三维人体模型中的各个关键点的参数，即可方便快捷地确定用户体征。

附图说明

图1是本发明实施例提供的一种用户体征的确定方法的流程图；

图2是本发明实施例提供的一种三维预测模型生成方法的流程图；

图3是本发明实施例提供的一种待检测图像转换为实际三维人体模型的显示示意图；

图4是本发明实施例提供的一种关键点的显示示意图；

图5是本发明实施例提供的另一种用户体征的确定方法的流程图；

图6是本发明实施例提供的又一种用户体征的确定方法的流程图；

图7是本发明实施例提供的一种用户体征的确定装置的结构框图；

图8是本发明实施例提供的一种用户体征的确定设备的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

图1是本发明实施例提供的一种用户体征的确定方法的流程图，本实施例中提供的用户体征的确定方法可以由用户体征的确定设备执行，该用户体征的确定设备可以通过软件和/或硬件的方式实现，该用户体征的确定设备可以是两个或多个物理实体构成，也可以是一个物理实体构成。本实施例中用户体征的确定设备可为个人计算机(personalcomputer，pc)。

参考图1，该用户体征的确定方法具体包括如下步骤：

s110、获取待检测图像。

其中，待检测图像为一帧人体图像，该人体图像为二维图像。可以理解为，待检测图像是一帧二维人体图像。在获取待检测图像的实际操作过程中，该待检测图像可以为一帧用户任意视角或者做任意动作的二维人体图像。当然，为了通过待检测图像可准确地确定用户体征，优选地，待检测图像为待检测用户正面视角的二维人体图像，同时，为了避免因待检测用户所做的动作而影响用户体征的确定结果，优选地，待检测图像中的待检测用户需保持站立动作，并且待检测用户的手臂自然下垂即可。

在实施例中，待检测图像可以为预先拍摄完成的二维人体图像。可以理解为，待检测图像的获取方式可以采用直接从本地图库中进行获取的方式，也可以采用通过网络下载并获取的方式，当然，也可采用直接通过移动终端拍摄进行获取的方式。其中，移动终端可为智能手机、ipad等。同时，该待检测图像可通过配置有摄像头的移动终端对待检测用户进行拍摄而得到。然后，通过有线或无线连接将待检测图像上传至与pc机上，该移动终端与pc机之间可通过有线或无线方式进行通信连接。当然，由于pc机不具有无线连接方式，可借助第三方应用平台，将移动终端拍摄得到的待检测图像上传到pc机上，比如，第三方应用平台可为微信、qq等平台。

s120、将待检测图像输入预先训练的三维预测模型，得到对应的实际三维人体模型。

其中，三维预测模型为将二维图像以及二维图像中对应体型和动作的标准三维人体模型输入深度神经网络训练得到。在实施例中，图2是本发明实施例提供的一种三维预测模型生成方法的流程图，参考图2，该三维预测模型生成方法，可包括步骤s1201-s1203：

s1201、采集用户在同一视角的二维图像。

其中，同一视角的二维图像，可以理解为通过配置有摄像头的移动终端对不同用户在同一个角度进行拍摄采集而得到的二维图像。在实施例中，为了保证训练得到的三维预测模型的预测准确性，可获取大量的二维图像，并且可获取不同体型、不同身高、不同性别以及不同动作的用户在同一视角的二维图像。其中，用户的二维图像可分为若干个视角，比如，正面角度、俯视角度、侧视角度、仰视角度等。在实施例中，为了保证所获取的二维图像，可准确地显示出对应的用户体征，可通过所要确定的用户体征确定所采集二维图像的视角。其中，用户体征包括下述至少一项：用户体态、用户的实际身体围度信息、用户的体脂信息。在此需要说明的是，用户体态可以理解为因坐姿、站姿等外界因素导致自身缺陷的，并非所谓的高矮胖瘦。比如，用户体态类型可包括：高低肩、x型腿、o型腿和骨盆前倾等。作为示例而非限定，针对用户体态类型为高低肩、x型腿或o型腿，可直接从正面角度对二维图像进行采集；针对用户体态类型为骨盆前倾，可直接从侧视角度对二维图像进行采集；针对其它用户体态类型，可根据具体情况进行设定即可。在此需要说明的是，本实施例中，优选地，可根据不同的用户体态类型获取同一视角的二维图像作为训练样本。当然，在对不同的用户体态进行确定时，也可采集同一视角的二维图像作为训练样本。其中，身体围度信息包括：胸围、腰围、臀围、上臂围、大腿围等身体各个部位的围度信息。

当然，为了保证根据采集到的二维图像训练得到的三维预测模型的准确性，在对三维预测模型进行训练，采集的二维图像中的动作需要为标准的，并且，可设定二维图像中动作的标准度不能低于预设标准度，若低于预设标准度，则丢弃该二维图像。示例性地，假设要求二维图像中的动作为站立动作，并且手臂自然下垂，腿伸直，以及预设标准度为90％。在采集到二维图像之后，对该二维图像中的站立动作、手臂和腿的动作标准性进行分析，若该二维图像中的动作标准度超过90％，才将该二维图像作为训练样本；反之，若低于90％，则丢弃该二维图像。

当然，在获取作为训练样本的二维图像时，为了适应不同体型的人群，也需按照不同体型对二维图像进行采集获取。其中，体型可分为高、矮、胖、瘦等。在获取到二维图像时，可根据高矮胖瘦获取同一视角的二维图像作为训练样本。同时，考虑到因性别原因导致用户体征的差别，也可按照性别对二维图像进行获取，以作为对应的训练样本。

s1202、根据二维图像中的健身动作查找到对应的标准三维人体模型。

其中，标准三维人体模型可以理解为标准动作所对应的三维人体模型。在实施例中，在获取到不同用户在同一视角的同一动作的二维图像之后，根据二维图像中的动作查找到对应动作的标准三维人体模型。其中，标准三维人体模型可根据用户的不同性别、不同身高进行设定。

s1203、将二维图像和标准三维人体模型输入深度神经网络进行训练，得到对应的三维预测模型。

其中，深度神经网络的工作原理是模仿人脑思考方式，从而使得语音识别速度更快，识别准确率也更高。在实施例中，将包含标准动作的二维图像和对应标准动作的标准三维人体模型作为训练样本分别输入深度神经网络的模型中，并通过深度神经网络的模型对其进行训练，即可得到对应的三维预测模型。其中，三维预测模型用于根据获取到的待检测图像预测得到当前用户对应体型的实际三维人体模型，以解决二维图像缺少深度信息的问题。

在实施例中，在获取到待检测图像之后，可将待检测图像直接输入预先训练的三维预测模型，即可通过待检测图像得到包含对应体型的实际三维人体模型。图3是本发明实施例提供的一种待检测图像转换为实际三维人体模型的显示示意图。参考图3的左图所示，图3左图为一帧保持站立动作的待检测图像，将该待检测图像输入预先训练的三维预测模型之后，可根据三维预测模型预测得到对应的实际三维人体模型，即如图3右图所示的实际三维人体模型。

s130、根据实际三维人体模型中各关键点的参数，确定用户的实际身体参数。

其中，各关键点的参数可以理解为用户身体部位的各个关节点的三维坐标。在实施例中，在得到实际三维人体模型之后，可按照关节点的固定位置从每个实际三维人体模型中获取到各个关节点的三维坐标，并根据各关键点的参数确定用户的实际身体参数。其中，身体参数包括下述至少一项：各关键点之间的相对位置和各关键点的相对角度。相应的，实际身体参数包括下述至少一项：各关键点之间的实际相对位置和实际相对角度。在此需要说明的是，本方案只是示例性地以各关键点之间的实际相对位置和实际相对角度为例对实际身体参数进行举例说明。在确定用户体征的实际操作过程中，也可通过各关键点的实际三维坐标确定用户的其它身体参数，以根据身体参数确定用户体征。

在实施例中，实际身体参数可以理解为各关键点之间的实际相对位置和各关键点的实际相对角度。其中，各关键点的实际相对位置可以理解为用户的各个关节点之间的实际位置的相对差值；各关键点的实际相对角度变化可以理解为用户的各个关节点之间的实际角度的相对差值。

在此需要说明的是，用户的实际身体参数需对同一帧待检测图像中各个关节点之间的相对位置和相对角度进行分析，才可以确定得到。可以理解为，在确定用户的实际身体参数的实际操作过程中，在得到实际三维人体模型中各关键点的参数之后，需要对各关键点之间的相对位置和相对角度进行计算。

图4是本发明实施例提供的一种关键点的显示示意图。如图4中的左图所示，用户正在保持站立动作，将该动作对应的待检测图像输入至三维预测模型，即可得到对应的实际三维人体模型，并可从实际三维人体模型中识别提取出各关键点的三维坐标，如图4右图所示的显示有各个关键点。比如，在如图4中右图所示的图中显示有15个关键点，分别为关键点1、关键点2、关键点3……关键点15。其中，每个关键点即不同关节点，比如，关键点1为头部，关键点2为颈部，关键点3为左肩，关键点4为左肘，关键点5为左腕，关键点6为右肩，关键点7为右肘，关键点8为右腕，关键点9为腹部，关键点10为左臀部，关键点11为左膝盖，关键点12为左脚尖，关键点13为右臀部，关键点14为右膝盖，关键点15为右脚尖。当然，在确定用户体征的实际操作过程中，可根据所要确定的用户体征，来获取对应的各个关键点的参数，而不需对待检测用户的所有关键点进行获取。比如，在待检测用户确定是否为高低肩时，可直接获取关键点1、关键点2、关键点3、关键点6的参数，即获取头部、颈部、左肩和右肩的参数，以判断左肩和右肩的相对位置是否是对称的，而不需获取其它的关键点的参数，以及计算其它关键点之间的相对位置和相对角度。

当然，本实施例中只是示例性地在图4中的右图中显示这15个关键点，并非只限定这15个关键点。在确定用户体态时，也可对其它关键点的参数进行获取，比如，在确定待检测用户是否存在x型腿或o型腿时，需确定待检测用户的左小腿内侧的三维坐标(图4中并未显示)以及右小腿内侧的三维坐标(图4中并未显示)，并根据小腿内侧的三维坐标和膝盖的三维坐标的相对位置和相对角度，才能准确地确定待检测用户是否存在x型腿或o型腿的缺陷。

s140、根据实际身体参数和标准身体参数确定用户体征。

其中，标准身体参数可以理解为用户标准身体所对应的身体参数。在实施例中，在得到用户的实际身体参数之后，直接将用户的实际身体参数和该动作和体型对应的标准身体参数进行比对分析，若实际身体参数和标准身体参数之间的差值在预设差值范围内，则表明用户身体的标准度达到标准度阈值，即该用户身体是标准的；反之，若实际身体参数和标准身体参数之间的差值未在预设差值范围内，则表明用户身体的标准度未达到标准度阈值，即该用户身体是不标准的，是存在缺陷的。比如，如图4中右图所示的，若待检测用户的左肩和右肩的相对位置并非对称的，并且超过标准度阈值，则表明待检测用户存在高低肩的缺陷。

在确定用户体态之后，可结合用户的身高信息和体重信息确定用户的实际身体围度信息和用户的体脂信息，具体见下述实施例的描述，在此不再赘述。

本实施例的技术方案，通过获取待检测图像；将待检测图像输入预先训练的三维预测模型，得到对应的实际三维人体模型，三维预测模型为将二维图像以及二维图像中对应体型和动作的标准三维人体模型输入深度神经网络训练得到；根据实际三维人体模型中各关键点的参数，确定用户的实际身体参数；根据实际身体参数和标准身体参数确定用户体征，实现了无需多次从不同视角拍摄多张人体图像，即可方便快捷地确定用户体征。

在上述实施例的基础上，步骤s130中根据实际三维人体模型中各关键点的参数，确定用户的实际身体参数，具体包括步骤s1301-s1302：

s1301、提取实际三维人体模型中各关键点的实际三维坐标。

其中，各关键点的实际三维坐标指的是用户身体各个部位上每个关节点的实际三维坐标。在实施例中，通过三维预测模型预测得到待检测图像对应的实际三维人体模型之后，可按照关节点的固定位置获取各个关节点的实际三维坐标，比如，x、y和z所对应的坐标值。当然，每帧待检测图像均对应唯一的实际三维人体模型，即任意两个待检测图像对应的实际三维人体模型是不同的，从任意两个实际三维人体模型中提取得到的各关节点之间的实际三维坐标也是不同的。

s1302、根据各关键点的实际三维坐标确定用户的实际身体参数。

其中，实际身体参数包括下述至少一项：各关键点之间的实际相对位置和实际相对角度。

在实施例中，在得到实际三维坐标之后，可根据实际三维坐标的具体值确定各关键点之间的相对位置和相对角度，即确定用户的实际身体参数。比如，可根据待检测用户的左小腿内侧的三维坐标和左膝盖的三维坐标之间的相对位置，以及右小腿内侧的三维坐标和右膝盖的三维坐标之间的相对位置，可确定待检测用户是否存在x型腿或o型腿的缺陷。可以理解为，在实施例中，可根据实际身体参数中的其中一个参数确定用户体征，也可根据实际身体参数中的其中两个参数确定用户体征，在此不进行限定，可根据实际情况进行确定实际身体参数的个数。

当然，在确定用户的实际身体参数时，只根据一个关键点的实际三维坐标的具体值，无法确定用户的实际身体参数，可以理解为，需对该待检测图像所对应的各个关键点之间的实际三维坐标进行比对分析，以确定用户的实际身体参数。

图5是本发明实施例提供的另一种用户体征的确定方法的流程图。本实施例是在上述实施例的基础上，对用户体征的确定方法作进一步的具体化。本实施例是应用在对确定用户实际身体围度信息和体脂信息的场景下，参照图5，该用户体征的确定方法具体包括如下步骤：

s210、获取待检测图像。

s220、将待检测图像输入预先训练的三维预测模型，得到对应的实际三维人体模型。

其中，三维预测模型为将二维图像以及二维图像中对应体型和动作的标准三维人体模型输入深度神经网络训练得到。

s230、确定预先获取的实际身高和实际三维人体模型中模拟身高之间的身高比例。

其中，预先获取的实际身高，可以直接通过标尺测量得到，也可预先存储在用户体征的确定设备的本地数据库中，并从本地数据库中直接加载获取。

其中，模拟身高可以理解为从实际三维人体模型中得到的身高信息。在实施例中，实际三维人体模型是高度还原待检测用户的体型，即通过实际三维人体模型可计算得到待检测用户的各个部位的数值，以及相对比例，但从实际三维人体模型中计算得到只是各个部位的数值，并没有单位。

在实际操作中，对一个人的身高进行描述时，通过以厘米或米为单位，对该用户的身高信息进行体现。比如，用户a的身高为1米76，或者用户a的身高为176厘米。在实施例中，在得到实际三维人体模型时，只能通过实际三维人体模型得到待检测用户对应的模拟身高。比如，假设从待检测用户b的实际三维人体模型中得到模拟身高为1.79，但具体单位为多少，是不清楚的。因此，可通过步骤s230中测量得到的待检测用户b的实际身高为1米79，则待检测用户b的模拟身高和实际身高的身高比例为1:100。

s240、根据身高比例、实际身高和实际三维人体模型中的模拟身体围度信息，确定用户的实际身体围度信息。

其中，身体围度信息包括：胸围、腰围、臀围、上臂围、大腿围等身体各个部位的围度信息。在实施例中，在计算得到模拟身高和实际身高之间的身高比例之后，从实际三维人体模型中得到的身体其它部位的模拟围度信息，再通过该身高比例计算得到对应部其它位的实际围度信息。可以理解为，其它部位的模拟围度信息与对应的实际围度信息之间的比例，与身高比例是1:1的。比如，模拟身高和实际身高之间的身高比例为1:100，则用户的其它部位的模拟围度信息与对应的实际围度信息之间的比例也为1:100。

需要理解的是，从实际三维人体模型中得到模拟身体围度信息之后，按照身高比例即可推算出用户的实际身体围度信息。当然，用户的实际身体围度信息与性别以及身高有关。在实施例中，以身体围度信息为胸围、腰围和臀围为例，对确定用户的实际身体围度信息进行说明。比如，身高为160厘米的女性的标准三围(胸围、腰围和臀围)分别为86.01厘米、60.71厘米和87.27厘米；而身高为175厘米的男性的标准三围(胸围、腰围和臀围)分别为106.7厘米、73.5厘米和112厘米。假设从实际三维人体模型中得到待检测用户b的模拟三围信息(胸围、腰围和臀围)分别为0.84、0.56和0.82，根据身高比例为1:100，可计算得到待检测用户b的实际三围信息(胸围、腰围和臀围)分别为84厘米、56厘米和82厘米。当然，通过采集到的待检测图像的方法也可测量待检测用户的其它部位的实际身体围度信息。

本实施例的技术方案，在上述方案的基础上，通过获取待检测用户的实际身高和实际体重；确定实际身高和实际三维人体模型中模拟身高之间的身高比例；根据身高比例、实际身高和实际三维人体模型中的模拟身体围度信息，确定用户的实际身体围度信息，实现了直接通过拍摄得到的待检测图像就可估算出待检测用户的实际身体围度信息，而不需通过标尺进行一一测量。

在上述实施例的基础上，为了确定用户的体脂信息，在步骤s240之后，还包括步骤s250：

s250、根据预先获取的实际体重和实际身体围度信息确定用户的体脂信息。

其中，预先获取的实际身高，可以直接通过体重秤测量得到，也可预先存储在用户体征的确定设备的本地数据库中，并从本地数据库中直接加载获取。

在实施例中，体脂信息可通过预设计算公式计算得到，但由于男性和女性的身体各个部位的参数与女性有一定的差别，在计算体脂信息时，男性和女性对应的体脂计算公式也是有区别的。比如，男性体脂的计算公式：bf1＝(495/bd)–450；其中，bd1为中间值，bf1表示的是男性体脂，同时，bd1＝(1.21142+(0.0085*体重(kg))-(0.0050*胸围(cm))-(0.0061*臀围(cm))-(0.0138*腰围(cm)))。女性体脂的计算公式：bf2＝(495/bd)–450；其中，bd2为中间值，bf2表示的是女性体脂，同时，bd2＝(1.168297-(0.02824*腰围(cm))+(0.000122098*腰围(cm)*腰围(cm))-(0.00733128*臀围(cm))+(0.00510477*身高(cm))-(0.00216161*年龄(岁))。其中，上述男性或女性的体脂计算公式，是通过大数据找到的规律而推算出的公式。在此需要说明的是，本实施例中的体脂计算公式只与用户的三围信息(胸围、臀围、腰围)以及体重/身高有关。在对用户的体脂信息进行计算时，可以只确定用户的三围信息，而不需确定用户的其它部位的身体围度信息。当然，若可采用其它部位的身体围度信息确定用户的体脂信息，也属于本发明的技术方案。

本实施例的技术方案，在上述方案的基础上，根据实际体重和实际身体围度信息确定用户的体脂信息，实现了直接通过拍摄得到的待检测图像就可估算出待检测用户的体脂信息，比采用传统的电阻法测量体脂更简单快捷。

在上述实施例的基础上，为了确定用户身体健康程度，在步骤s240或步骤s250之后，还包括步骤s260：

s260、根据用户体征和标准体征确定用户身体健康程度。

在实施例中，用户身体健康程度可以通过用户的实际身体围度信息和用户的体脂信息进行评估得到。具体来说，在对用户体征进行测量之前，预先对用户的标准身体围度信息以及标准体脂信息设置一个范围值，可记为预设标准身体围度范围和预设标准体脂范围，当待检测用户的实际身体围度信息在预设标准身体围度范围内，可以认为待检测用户的身体围度是标准的，即也间接地表明待检测用户身体是健康的；当然，当待检测用户的实际体脂信息在预设标准体脂范围内，可以认为待检测用户的体脂是标准的，即也间接地表明待检测用户身体是健康的。

在此需要说明的是，为了更准确地确定用户身体健康程度，可同时对待检测用户的身体围度和体脂信息进行确定，并根据待检测用户的实际身体围度信息和体脂信息对待检测用户的健康程度进行评估。当然，在实际操作过程中，可通过用户体征的确定设备的麦克风将用户体征的结果信息播放出来，同时在用户体征的确定设备的显示屏上进行显示。比如，待检测用户的实际体脂信息未在预设标准体脂范围内，则播放并显示类似于“体脂偏高”的测评结果。当然，也可只通过麦克风对测评结果进行播放，或者只通过显示屏对测评结果进行显示。

图6是本发明实施例提供的又一种用户体征的确定方法的流程图。本实施例实在上述实施例的基础上，作为优选实施例，对用户体征的确定方法进行具体说明。参考图6，该用户体征的确定方法具体包括如下步骤：

s310、获取用户正面直立图像。

在实施例中，为了提高用户体征的确定准确率，直接获取待检测用户的正面站立的二维人体图像，作为待检测图像。

s320、将正面直立图像输入至三维预测模型，得到对应的实际三维人体模型。

s330、获取用户的实际身高和实际体重。

s340、确定实际身高和实际三维人体模型中模拟身高之间的身高比例。

s350、根据身高比例、实际身高和实际三维人体模型中的模拟身体围度信息，确定用户的实际身体围度信息。

s360、根据实际体重和实际身体围度信息确定用户的体脂信息。

s370、根据实际三维人体模型中各关键点的参数，确定用户的实际身体参数；

s380、根据实际身体参数和标准身体参数确定用户体征。

在此需要说明的是，步骤s370-s380只需在步骤s320就可执行，不需再步骤s360之后执行。可以理解为，在步骤s320中得到实际三维人体模型之后，就可以同时执行步骤s370-s380，和步骤s330-s360，即这两个步骤可以是同步执行的。当然，步骤s370-s380，和步骤s330-s360也可以是独立执行的，即若只需确定用户体态，则执行步骤s310、s320、s370和s380即可；若只需确定用户的实际身体围度信息，则执行步骤s310-s350即可；若需确定用户的体脂信息，需在确定用户的实际身体围度信息的基础上，执行步骤s360。

图7是本发明实施例提供的一种用户体征的确定装置的结构框图。本实施例的用户体征的确定装置可配置于pc机中，参考图7，该用户体征的确定装置包括：第一获取模块410、第一确定模块420、第二确定模块430和第三确定模块440。

其中，第一获取模块410，用于获取待检测图像；

第一确定模块420，用于将待检测图像输入预先训练的三维预测模型，得到对应的实际三维人体模型，该三维预测模型为将二维图像以及二维图像中对应体型和动作的标准三维人体模型输入深度神经网络训练得到；

第二确定模块430，用于根据实际三维人体模型中各关键点的参数，确定用户的实际身体参数；

第三确定模块440，用于根据实际身体参数和标准身体参数确定用户体征。

本实施例提供的技术方案，通过获取待检测图像；将待检测图像输入预先训练的三维预测模型，得到对应的实际三维人体模型，三维预测模型为将二维图像以及二维图像中对应体型和动作的标准三维人体模型输入深度神经网络训练得到；根据实际三维人体模型中各关键点的参数，确定用户的实际身体参数；根据实际身体参数和标准身体参数确定用户体征，实现了无需多次从不同视角拍摄多张人体图像，即可方便快捷地确定用户体征。

在上述实施例的基础上，所述用户体征包括下述至少一项：用户体态、用户的实际身体围度信息、用户的体脂信息。

在上述实施例的基础上，所述三维预测模型为将二维图像以及二维图像中对应体型和动作的标准三维人体模型输入深度神经网络训练得到，具体用于：

采集用户在同一视角的二维图像；

根据二维图像中的体型和动作查找到对应的标准三维人体模型；

将二维图像和标准三维人体模型输入深度神经网络进行训练，得到对应的三维预测模型。

在上述实施例的基础上，第二确定模块，包括：

提取单元，用于提取实际三维人体模型中各关键点的实际三维坐标；

确定单元，用于根据各关键点的实际三维坐标确定用户的实际身体参数；该实际身体参数包括下述至少一项：各关键点之间的实际相对位置和实际相对角度。

在上述实施例的基础上，所述装置，还包括：

第四确定模块，用于在将待检测图像输入预先训练的三维预测模型，得到对应的实际三维人体模型之后，确定实际身高和实际三维人体模型中模拟身高之间的身高比例；

第五确定模块，用于根据身高比例、实际身高和实际三维人体模型中的模拟身体围度信息，确定用户的实际身体围度信息。

在上述实施例的基础上，所述装置，还包括：

第六确定模块，用于根据实际体重和实际身体围度信息确定用户的体脂信息。

在上述实施例的基础上，所述装置，还包括：

第七确定模块，用于根据所述用户体征和标准体征确定用户身体健康程度。

在上述实施例的基础上，所述实际身体参数包括下述至少一项：各关键点之间的实际相对位置和实际相对角度。

上述用户体征的确定装置可执行本发明任意实施例所提供的用户体征的确定方法，具备执行方法相应的功能模块和有益效果。

图8是本发明实施例提供的一种用户体征的确定设备的结构示意图。参考图8，该用户体征的确定设备包括：处理器510、存储器520、输入装置530以及输出装置540。该用户体征的确定设备中处理器510的数量可以是一个或者多个，图8中以一个处理器510为例。该用户体征的确定设备中存储器520的数量可以是一个或者多个，图8中以一个存储器520为例。该用户体征的确定设备的处理器510、存储器520、输入装置530以及输出装置540可以通过总线或者其他方式连接，图8中以通过总线连接为例。实施例中，该用户体征的确定设备可为pc机。

存储器520作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明任意实施例所述的用户体征的确定设备对应的程序指令/模块(例如，用户体征的确定装置中的第一获取模块410、第一确定模块420、第二确定模块430和第三确定模块440)。存储器520可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据设备的使用所创建的数据等。此外，存储器520可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器520可进一步包括相对于处理器510远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

输入装置530可用于接收输入的数字或者字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入，还可以是用于获取图像的摄像头以及获取音频数据的拾音设备。输出装置540可以包括扬声器等音频设备。需要说明的是，输入装置530和输出装置540的具体组成可以根据实际情况设定。

处理器510通过运行存储在存储器520中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的用户体征的确定方法。

上述提供的用户体征的确定设备可用于执行上述任意实施例提供的用户体征的确定方法，具备相应的功能和有益效果。

本发明实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种用户体征的确定方法，包括：

获取待检测图像；

将待检测图像输入预先训练的三维预测模型，得到对应的实际三维人体模型，该三维预测模型为将二维图像以及二维图像中对应体型和动作的标准三维人体模型输入深度神经网络训练得到；

根据实际三维人体模型中各关键点的参数，确定用户的实际身体参数；

根据实际身体参数和标准身体参数确定用户体征。

当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的用户体征的确定方法操作,还可以执行本发明任意实施例所提供的用户体征的确定方法中的相关操作，且具备相应的功能和有益效果。

通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(read-onlymemory,rom)、随机存取存储器(randomaccessmemory,ram)、闪存(flash)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是机器人，个人计算机，服务器，或者网络设备等)执行本发明任意实施例所述的用户体征的确定方法。

值得注意的是，上述用户体征的确定装置中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。