计算机视觉在身体成分分析中的应用
通过某中心的健康服务，用户可使用智能手机拍摄的照片测量身体脂肪百分比，并通过个性化3D模型进行追踪。这种扫描通常需要昂贵精密设备，但该功能使其可通过手机应用普及。实现这一技术需要结合计算机视觉、计算机图形学、人工智能和创新问题解决方法。
技术挑战与解决方案
研发团队面临两大挑战：从手机照片估算身体脂肪百分比，以及创建用户身体的个性化3D模型。解决方案结合了深度神经网络（能够通过识别大量数据中的模式来学习任务）以及计算机视觉和计算机图形学中的经典算法。
基于图像的体脂估算
估算身体脂肪百分比是复杂过程。家用智能秤并非直接测量体脂，而是分析身体电阻并通过方程转换为体脂百分比。基于全天水分变化，电阻值可能大幅波动，导致体脂百分比误差较高。
商用测量工具（如水下称重和气位移体积描记法）通过测量身体体积转换为体脂百分比，比家用智能秤更精确，但需要专业设备且每次扫描都需费用。双能X射线吸收测定法被认为是身体成分临床金标准，但这些设备需要处方且每次扫描费用高达80美元。
"所有这些方法都试图通过间接测量估算体脂百分比，"某中心首席科学家表示，"借鉴间接测量思路，我们挑战构建计算机视觉系统，通过从图像测量的视觉特征（如整体体型和肌肉线条、脂肪褶皱等细节）准确预测体脂百分比。"
技术方案采用卷积神经网络（常用于图像分析的深度神经网络）和半监督学习（在有限真实数据下训练模型的机器学习方法）。机器学习模型的输入是手机拍摄的照片，输出是体脂百分比数值。
3D头像构建技术
要创建用户身体的虚拟模型，传统方法需要站在配备多个同步高端摄像机的房间大小3D扫描仪中。这些昂贵系统用于动画和游戏应用，但普通消费者难以接触。
研发团队设定雄心目标：通过简单手机照片集开发能生成客户身体3D虚拟表示的工具。他们训练深度神经网络从拍摄照片估计基础统计模型的形状和姿态参数。关键挑战在于获取训练模型所需数据。
为解决此问题，团队构建了包含两个模块的系统：
- 第一模块从原始照片通过人像分割获得用户轮廓
- 第二模块将轮廓图像转换为3D头像
在此阶段，团队使用合成数据替代昂贵的3D扫描。合成图像使用图形渲染软件生成，该软件利用3D模型生成相应的2D轮廓。然后使用这些合成示例训练系统从轮廓预测3D模型。
隐私保护与健康影响
隐私是该服务设计的基石。用于构建3D头像和测量体脂的身体扫描图像在处理后会自动从云中删除，之后仅存在于客户手机上，除非用户明确选择云备份。
该功能最重要的突破是让人们更容易获取比身体质量指数更有用的健康指标。"医生多年来都知道体脂百分比是比BMI更好的指标，因为它能更好预测心血管疾病甚至某些癌症的医疗风险，"团队高级经理表示，"这个问题在年龄增长时特别重要。在那个阶段，体重减轻往往与肌肉量减少相关，这通常不是好消息。"
技术前景
"构建面向客户的健康应用产品 inherently 具有挑战性，因为缺乏数据且临床准确性和隐私标准很高，"某中心高级经理表示，"通过结合深度学习、经典计算机视觉和计算机图形学的思想，我们解决了提供新产品的艰巨挑战，其准确性比生物阻抗秤等替代方案更高。我们非常兴奋能与客户分享这项技术，并将持续改进。"
