一个全面的方法框架,用于对一个小数据集的3D头部人体形状建模

科学领域:

• 人类测量学 人类测量学.
• 3D成像是3D成像中的一种.
• 数据分析数据分析数据分析.

背景情况:

• 描述特定职业的3D头部形状对于设计有效的头部安装设备至关重要.
• 有限的数据和系统的方法在为小人群分类和建模3D头部形状时带来了挑战.

研究的目的:

• 提出和评估一个精简的六步框架来分析3D头部形状.
• 为了比较不同集群和形状建模技术对人类测量数据的性能.

主要方法:

• 利用36名消防员的3D头部扫描.
• 评估K-平均值和K-medoid集群算法.
• 评估了NURBS,NURBS最小平方 (LS),立方斜线和立方斜线LS形状建模方法.
• 根据已建立的人类测量数据库 (NIOSH,ANSUR II,CAESAR,美国陆军) 验证预测的头部形状.

主要成果:

• K-means集群表现出优于K-medoids的性能,距离比K-medoids更小28%.
• 与基于PCA的集群相比,基于地表绘图的集群实现了35%的更高准确度.
• 立方支线LS表现出最低的平均平方误差 (0.70厘米2) 和最快的计算时间 (0.14秒),超过了NURBS LS.

结论:

• 拟议的框架整合了表面映射,K-means聚类和立方线LS,有效地提供了准确的3D头形状模型.
• 这种方法增强了职业特定头部形状的特征,特别是在少数人群中.
• 这些发现支持为不同职业群体开发更适合头戴设备.