CN104123753A - 基于服装图片的三维虚拟试衣方法 - Google Patents

Abstract

本发明涉及一种基于服装图片的三维虚拟试衣方法，使用服装图片作为输入数据的基础，通过结合虚拟人体模型的骨骼来提取所述服装图片中的服装信息，对所述服装进行属性设定，并结合机器学习算法与缝合自感应算法建立三维服装网格模型，最后将服装的图案与花纹一一映射至所述三维服装网格模型，完成三维物理仿真。本发明可以较好地解决二维服装样板数量过多，专业设计知识难以获取，缝合信息的设定复杂，降低良好的虚拟试衣体验等问题，并增加服装模型的真实感与表现力。对提高虚拟三维服装建模的质量和改善用户体验有重要意义。

Description

基于服装图片的三维虚拟试衣方法

技术领域

本发明涉及一种基于服装图片的三维虚拟试衣方法。

背景技术

随着服装电子商务的迅速发展，人们已不仅仅满足于简单的文字介绍和图片展示。对服装商品展示的交互性和真实性有了更高的需求，三维试衣系统不仅省去了人们跑各大商场挑衣服试穿的麻烦，而且在试衣的过程中对提高穿衣搭配之道的领悟大有好处。近些年，伴随着自然人机交互技术的发展，虚拟试衣间得到了广泛的关注和研究。与传统的图片展示不同，虚拟试衣间操作更方便、交互更自然，从而能给用户带来全新的购衣体验。

本方法是在获取服装图片信息的基础之上，将图像处理技术与图形仿真技术结合起来。在图片中通过轮廓检测与分类获取服装轮廓与尺码，通过机器学习的方法从轮廓中找出的边与边的关键点，通过关键点对应关系生成缝合信息，最后在三维空间中对服装进行物理缝合的仿真，获取服装穿着在人体上的真实效果。

目前，比较传统的服装三维模型建立方式是基于二维衣片的设计与缝合方法。这种方法需要一定的服装专业知识来对样板进行设计，这并非是所有的虚拟试衣的用户所具备的素质，同时这种方法也需要人工指定样板间的缝合关系，这将消耗大量的时间来进行设定。除此之外，另一种较为新颖的三维建模方法是基于手绘的，可以通过用户手绘的线条信息生成简单的服装模型。同样的，这种方法需要耗费用户大量时间去进行服装的细节绘画，难以实际应用于电子商务中。这两种方法都更倾向于创新设计新的服装，而不是对已有待售的服装进行三维建模。

当前市场上实用的虚拟试衣间主要专注于款式搭配，没有直观模拟出虚拟角色与衣服布料碰撞的自然属性，因而在真实感方面仍然存在很大的欠缺。通过利用虚拟角色形象地表现用户姿态，并实时模拟衣服布料与人体之间的碰撞响应及实时渲染来增加虚拟世界和现实世界的粘合度，给虚拟试衣用户带来了更多的换装乐趣。为了让更多人享受到购买服装所带来的便利，以及满足广大企业用户实现服装设计和销售一体化的要求，开展三维试衣系统的研究具有重要的现实意义。

在三维虚拟试衣系统的实现过程中，由于二维服装样板数量过多，专业设计知识难以获取，缝合信息的设定复杂，手绘信息耗时耗力等因素的影响，往往会导致用户在进行三维虚拟试衣的过程中难以获取良好的体验，除此之外，还会出现消耗大量时间来进行物理仿真，无法正确有效地生成三维服装模型，降低服装模型的真实感与表现力等问题。

发明内容

本发明的首要目的在于提供一种基于服装图片的三维虚拟试衣方法，以快速方便地为网络零售商提供虚拟三维服装仿真模型，尽可能减少用户虚拟试衣间的交互时间。为实现上述目的本发明的方案如下：

一种基于服装图片的三维虚拟试衣方法：使用服装图片作为输入数据的基础，通过结合虚拟人体模型的骨骼来提取所述服装图片中的服装信息，对所述服装进行属性设定，并结合机器学习算法与缝合自感应算法建立三维服装网格模型，最后将服装的图案与花纹一一映射至所述三维服装网格模型，完成三维物理仿真。

优选的，服装属性设定包括以下步骤：

输入两张服装图片，其中一张是服装的正面图片，另一张是服装的背面图片；

对输入的服装进行分类，获取服装的类别；

对不同体型与姿势的虚拟人体模型进行骨骼提取，得到基于虚拟人体模型身体各部位的骨骼节点；

结合骨骼的长度与服装的类型，对服装的尺寸属性进行设定。

优选的，还包括对所述两张服装图片的预处理步骤：

将服装图片的背景剔除，利用轮廓检测算法提取服装外轮廓；

结合方向包围盒算法与服装外轮廓，探测服装拍摄角度与水平角度之间的差值；

通过围绕服装轮廓重心点对其进行旋转操作，直到服装轮廓服装直立于坐标轴内。

优选的，还包括对所述两张服装图片的预处理步骤：对所述两张服装图片进行坐标映射并且归一化处理。

优选的，建立三维服装网格模型包括以下步骤：

通过服装图片获得服装的前样板、后样板，对所述前样板、后样板均匀分段，分别获取轮廓点集；

利用机器学习算法分别找到前样板、后样板中边与边的交点，即轮廓关键点；

通过轮廓关键点将服装样板轮廓分为多条线段，再通过前样板、后样板间关键点的对应关系映射为前样板、后样板的轮廓边的对应关系；

结合轮廓边与虚拟人体模型交叉信息得到样板的缝合信息；

结合缝合信息，将前样板、后样板转为三维样片。

优选的，通过所述轮廓点集组成的整体形状、轮廓点的相对位置、轮廓点的曲率变化、局部形状与临接点集的曲率确定所述轮廓关键点。

优选的，通过对不同类型的大量服装进行数据收集并训练后，当一个新的服装图片输入并分段为均匀离散点集时，将每一个离散轮廓点放入SVM分类器中进行分类。

优选的，对于冗杂或失误判断导致的轮廓关键点，增加新的约束条件来对误差进行调整：

$1\&le;\underset{j=1}{\overset{k}{\mathrm{\&Sigma;}}}\mathrm{\&delta;}({(p-p_j^{\&prime;})}^2<d)$

其中p与p’_j为不同服装图片上的轮廓关键点，若不满足该约束，则从轮廓关键点集中删除该点。

优选的，在获取所有的轮廓关键点信息后，根据轮廓关键点的相对位置、曲率变化与关键点间隔距离，利用最小差异值公式获取前样板、后样板中的轮廓关键点对应关系。

优选的，所述三维物理仿真包括以下步骤：

前样板、后样板放置于虚拟人体模型对应的位置，将轮廓边添加缝合线；

将服装上的色彩，图案与花纹一一映射至三维服装网格模型上。

本发明提供的基于服装图片的三维虚拟试衣方法可以较好地解决二维服装样板数量过多，专业设计知识难以获取，缝合信息的设定复杂，降低良好的虚拟试衣体验等问题，并增加服装模型的真实感与表现力。对提高虚拟三维服装建模的质量和改善用户体验有重要意义。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，并不构成对本发明的不当限定，在附图中：

图1为本发明实施例系统整体过程流程示意图；

图2为本发明实施例机器学习轮廓匹配算法流程图；

图3为本发明实施例离散轮廓点集特征提取示意图；

图4为本发明实施例缝合信息自动提取算法流程图。

具体实施方式

下面将结合附图以及具体实施例来详细说明本发明，在此本发明的示意性实施例以及说明用来解释本发明，但并不作为对本发明的限定。

实施例

一种基于服装图片的三维虚拟试衣方法，使用服装图片作为输入数据的基础，通过结合虚拟人体模型的骨骼来提取所述服装图片中的服装信息，对所述服装进行属性设定，并结合机器学习算法与缝合自感应算法建立三维服装网格模型，最后将服装的图案与花纹一一映射至所述三维服装网格模型，完成三维物理仿真。

信息提取的内容如下：

(1)服装图片预处理。

用户需要输入两张服装的图片，并且一张是服装的正面图片，而另一张是服装的背面图片，除此之外，服装需要尽可能的展开以减少褶皱。大部分情况下，由于输入的服装图片在拍摄时会出现焦距与角度的改变，因此这些照片需要进行预处理：首先我们将图片的背景剔除，利用轮廓检测算法提取服装的外轮廓，结合OBB(方向包围盒)算法与服装外轮廓，探测服装拍摄角度与水平角度之间的差值，通过围绕服装轮廓重心点对其进行旋转操作，直到服装轮廓服装直立于坐标轴内，这样解决了拍摄角度旋转的问题；

对于拍摄焦距的变化，会导致图片中服装轮廓大小不同，我们通过对其进行坐标映射并且归一化，避免了两张照片中服装轮廓因焦距不同导致的问题，由于在对图片预处理中，对轮廓的提取是基于像素为单位的。若输入图片为m*n像素，则图片的左上角坐标为(0,0)，右上角坐标为(0,n)，左下角坐标为(m,0)，右下角坐标为(m,n)。当对服装进行轮廓提取后，可以获取轮廓点的坐标即p_i＝{x_i,y_i}，由此可以得到所有轮廓点中x与y的值域，即：x∈(x_min,x_max),y∈(y_min,y_max)。因此对于所有的轮廓点进行归一化处理，把数据映射到0～1范围之内处理，使后续的计算更加便捷，且避免了服装焦距不同的问题。我们使用公式计算得到归一化后的轮廓点：

$p_i=\{x_i,y_i\}\&RightArrow;p_i=\{\frac{x_i}{x_{\max }-x_{\min }},\frac{y_i}{y_{\max }-y_{\min }}\}.$

(2)基于服装图像的信息提取。

使用SVM分类器将输入的服装进行分类，获取服装的类别(T-shirt，连衣裙，短裙，长裤等等)。然后对不同体型与姿势的虚拟人体模型进行骨骼提取，得到基于虚拟人模身体各部位的26个骨骼节点，包括手腕，手肘，肩膀，脚踝，膝盖等等。结合骨骼的长度与服装的类型，根据以下公式对服装的尺寸属性进行设定：

h＝H_F×β

$w=h\&times;\frac{P_{W\max }}{P_{H\max }}\&times;\mathrm{\&theta;}$

其中h，w分别对应的是服装的高、宽属性，H_F是服装对应穿着部位骨骼的长度(例如：长裤对应的是脚踝至腰身高度)，P_Wmax与P_Hmax分别是该服装轮廓的像素宽度数值与像素高度数值。β与θ分别对应不同的类型服装所代表高度、宽度缩放系数。

除此之外，通过服装与骨骼的对应关系，调整服装在三维环境下的放置坐标，避免出现缝合仿真至错误身体部位的现象。

利用轮廓检测算法提取服装的外轮廓，定义其结果为整体服装的前样板、后样板，且需要转换为三维样片并进行缝合。

对服装样板均匀分段，获取一系列的轮廓点集P＝{p₁,p₂,p₃...}，通过该离散的点集合来表示该服装前样板、后样板。

通过输入图片获取到的服装前后样板为平面的二维数据，其中样板的元素为轮廓点p_i＝{x_i,y_i}。通过扫描人体模型所有的顶点获取其模型在Z方向上的极值，即z_max，z_min，分别对应虚拟人体模型前面与后面的最凸点的Z值。为了让转换后的的三维样片不与虚拟人体模型相交，例如设置默认值：

z_d1＝z_max*1.5

z_d2＝z_min*1.5

且将该值作为第三维度数据加入p_i中，即：前三维样片的轮廓点p‘_i＝{x_i,y_i,z_d1},后三维样片p‘_i＝{x_i,y_i,z_d2}。由此二维平面上的点转变为三维空间中的点，而由三维空间点构成的平面也成为了三维样板，完成了“前后样板→三维样片”的转换过程。

缝合线(silhouettes)与侧边线(boundaries)的概念定义如下：当服装的样板与人体模型同时放置在三维空间(XYZ为基准向量，其中X标示左右，Y标示上下，Z标示前后)内时，他们在XOY平面(即垂直平面)上进行投影，则服装样板的某部分线条与人体模型相交，而另外的线条则不会。样板中的颈部、肩部及腰部线条与虚拟人体模型相交叉，为侧边线；而其余线条虚拟人体模型不相交，为缝合线。通过区分缝合线与轮廓线，系统可以区分哪些是需要被自动缝合的边，达到自动化缝纫的效果。

缝合感应的内容如下：

(1)轮廓点集的特征提取。

结合轮廓点集P提取各顶点的关键特征，利用机器学习的方法从中找到轮廓样板中边与边的交点，即轮廓关键点。通过关键点将服装样板轮廓分为多条线段，再通过前样板、后样板间关键点的对应关系映射为轮廓边的对应关系，结合轮廓边与虚拟人体模型交叉信息得到样板的缝合信息。

对于轮廓离散点集P，从四个方面考虑一个点是否满足成为关键点：(1)离散点组成的整体形状；(2)点的相对位置；(3)点的曲率变化；(4)局部形状与临接点集的曲率。因此对于每一个轮廓定点p_i，提取其特征向量

F_pi＝{S,P_i,C_i,R_i}

其中S＝{T-shirt，连衣裙，短裙，长裤等等}，代表的是离散点集组成的形状类型。

$P_i={\mathrm{\&lambda;N}}_{p_i}+(1-\mathrm{\&lambda;})\frac{\mathrm{Sort}\left(p_i\right)}{N}$

其中P_i代表的是轮廓点在整体点集中的相对位置，公式的前部表示归一化的坐标，后部表示点集排序的相对结果。

C_i＝{A_i1,A_i2,A_i3,A_i4,...,A_in}

特征中C_i表示某一轮廓点的曲率变化情况，A_ij表示p_i与其相邻且间隔为j的点p_i-j,p_i+j之间的余弦夹角。

$R_i=\stackrel{\&OverBar;}{C_{i-m}},\stackrel{\&OverBar;}{C_{i-m+1}},...,\stackrel{\&OverBar;}{C_{i+m-1}},\stackrel{\&OverBar;}{C_{i+m}}\}$

R_i代表特征向量中的局部曲率变化，其中的元素为相邻轮廓点的平均曲率变化值。

(2)点集分类与侧边对应。

对不同类型的大量服装进行数据收集并训练后，当一个新的服装图片输入并分段为均匀离散点集时，将每一个离散轮廓点p_i放入SVM分类器中进行分类：

G(p_i)＝g(S,α₁P_i,α₂C_i,(1-α₁-α₂)R_i)＝{0,1}

其中α₁与α₂为各考虑元素在特征向量中的权重。若分类的结果为1，则说明该点为关键轮廓点，将其添加进去关键点集合中：KP＝KP∪p_i。

对于冗杂或失误判断导致的轮廓关键点，考虑到前后样板形状相似性质，增加新的约束条件来对误差进行调整：

$1\&le;\underset{j=1}{\overset{k}{\mathrm{\&Sigma;}}}\mathrm{\&delta;}({(p-p_j^{\&prime;})}^2<d)$

其中p与p′_j为不同衣片样板上的关键点，若不满足该约束，则从关键点集KP中删除该点p。

在获取所有的关键点信息后，利用关键点的相对位置，曲率变化与关键点间隔距离等信息获取前后样板中的点对应关系，这里利用最小差异值公式求出最优解：

$\min \underset{i=1,j=1}{\overset{N}{\mathrm{\&Sigma;}}}(1-{\mathrm{\&lambda;}}_2)[(1-{\mathrm{\&lambda;}}_1)\frac{\stackrel{\&OverBar;}{C_i}-\stackrel{\&OverBar;}{C_j^{\&prime;}}}{\stackrel{\&OverBar;}{C_i}+\stackrel{\&OverBar;}{C_j^{\&prime;}}}+{\mathrm{\&lambda;}}_1\frac{l_i-l_j^{\&prime;}}{l_i+l_j^{\&prime;}}]+{\mathrm{\&lambda;}}_{2}D(p_i,p_j^{\&prime;})$

其中为曲率特征，l_i为间隔长度特征，D为求归一化的欧氏距离。其中λ₁与λ₂为特征在求差异值中所占权重。公式的最优解即为前后样板关键点对应关系。

同一样板中，通过关键点将整个服装轮廓重构成复数条边，即：

P{p₁,p₂,p₃,...,p_n}+KP{kp₁,kp₂,kp₃,...,kp_m}→E{e₁,e₂,e₃,...,e_m}

前后服装样板间关键点是一一对应的，因此不同样板间的轮廓边也一一匹配。

三维物理仿真：

(1)自动判定缝合信息

在信息提取部分通过服装类别得到了三维长宽尺寸与位置信息。根据这些信息将服装样板放置于人体模型对应的位置，根据机器学习结构将对应轮廓添加缝合线，对于每一条轮廓线，计算其缝合线与虚拟人体模型交点，若与人模不相交，则该轮廓线是缝合线，反之则为侧边线，不需要进行缝合。

(2)样板缝合仿真。

对于每一个样片，为了能够合理且真实地进行物理仿真，通过插值的方法调整前后匹配的缝合边长度，同时在样板内均匀添加网格点，并利用Delaunay三角化在样板内产生M个三角矩。其中结合三角矩与弹簧质子模型，添加其中:

$\frac{N^2}{18}\&le;M\&le;\frac{N^2}{16}$

N代表的轮廓点集中个体的数量，且不同的服装类型会导致M的范围改变。只有两块样板需要进行缝合，远小于传统服装仿真中的多样板数量，极大增加了物理缝合仿真的速度，减少计算量，且通过调整不同的物理参数(包括)达到模拟不同的布料效果。

相对于传统的建模方法所消耗的时间而言，传统的服装建模方法主要包括两种：基于多衣片样板缝合；基于手绘的服装建模。其中物理缝合仿真的时间消耗主要包括服装样片间缝合时产生的碰撞检测与弹力修正，这与服装样片的数量，网格的数量都成正相关。因此，相对于传统的复数样板(通常多于4片)缝合，本发明简化服装为前后2片样片，且生成的网格数量也相对减少，所以在物理缝合仿真过程的速度会大大提升。对比于通过手绘作为服装样板的来源，由图片自动提取服装轮廓获取样片的来源方式也极大减少了用户间的交互，减少了与之对应的时间损耗，因此在整体建模的过程中，本发明方法提升了服装建模的速度。

(3)服装纹理映射。

通过前后样板的缝合仿真，产生三维的服装网格模型。结合输入的服装图片与三维网格的对应关系，将图片上的色彩，图案与花纹一一映射至三维服装模型上。在进行映射的过程中，设定光照为Lambertian反射模型。除此之外，布料的纹理材质，简单的服装饰品(包括纽扣，拉链，皮带等等)也可以通过直接映射的方法添加至服装模型上，增加服装模型的真实感与表现力。

上述方案提供的基于服装图片的三维虚拟试衣方法整体过程如图1所示，整个过程包含三个模块，分别为图像信息提取，机器学习轮廓匹配与物理缝合仿真。输入的图片只有在不符合要求的时候，如两张图片焦距不同，有倾斜角等，则会自动对图片进行旋转缩放等预处理，通过有目的性的预处理，可以提高图像信息提取的正确率与准确率。在这种虚拟三维服装仿真方法中，只需要用户输入前后两张服装的照片，只要通过选择仿真的材质，系统会自动提取样板轮廓，通过机器学习的方法对轮廓进行边的匹配，设定样板间的缝合信息，最后在三维空间中，结合三角化与弹簧质子模型进行物理仿真，对生成服装模型进行直接纹理映射，以此增加服装模型的真实感与表现力。

本方法核心算法的具体步骤如图2所示：

(1)输入离散点集P；

(2)对离散点集P中的所有元素进行归一化处理；

(3)对离散点集P中的所有元素基于x与y分别进行排序；

(4)选择包含于P的下一个元素p_i；

(5)提取p_i的特征向量F_i；

(6)根据服装的类型对特征向量进行加权处理；

(7)利用SVM分类器对特征向量F_i进行分类；若分类结果G(i)＝1，则继续到(8)步，否则跳回第(4)步；

(8)添加p_i至关键点集合KP；

(9)若p_i为最后一个元素，则继续到第(10)步，否则跳回第(4)步；

(10)添加样板距离约束；

(11)对关键点集合KP中的所有元素进行约束判断；

(12)若不满足样板距离约束，则从KP集合中移除该元素；

(13)结合关键点集合KP与离散轮廓点集合P，重构为连续的轮廓边集合E；

(14)计算样板间关键点距离差，关键点曲率平均值与关键点间的距离差值；

(15)通过最小差异值公式获取样板边对应关系最优解；

(16)输出样板间的轮廓边对应关系Cr；

(17)结束。

轮廓点集合的特征向量提取如图3所示：特征向量的提取包括四个组成部分：(1)离散点组成的整体形状；(2)点的相对位置；(3)点的曲率变化；(4)局部形状与临接点集的曲率。在分类器对点进行分类时，每部分根据服装类型设定不同的权重。

自动判定缝合信息方法的具体步骤如图4所示：

(1)输入服装轮廓边集合E与其对应关系Cr

(2)对服装图片分类，获取服装类别；

(3)获取人体骨骼空间信息；

(3)结合骨骼长度与服装类别获取尺寸信息；

(4)结合骨骼空间信息设定服装的摆放位置；

(5)依次取对应关系Cr中的每一个元素cr_i＝{E_i,E'_j}做以下操作:

(6)在边E_i与E'_j之间生成虚拟缝合线集合VE；

(7)依次选择一条虚拟缝合线ve_i，求与人体模型的空间关系；

(8)若与人体模型空间关系为相交，则判定cr_i＝{E_i,E'_j}为非缝合边，跳回第(5)步；否则继续到第(9)步；

(9)若虚拟缝合线ve_i为最后一条缝合线，则判定cr_i＝{E_i,E'_j}为缝合边，将cr_i添加进入缝合边集合SE中；

(10)若对应关系cr_i为Cr中最后一个元素，则继续到第(6)步，否则跳回第(5)步；

(11)删除缝合线集合SE中的误差元素；

(12)输出缝合线集合SE；

(13)结束。

本方法可以较好地解决二维服装样板数量过多，专业设计知识难以获取，缝合信息的设定复杂，降低良好的虚拟试衣体验等问题，并增加服装模型的真实感与表现力。对提高虚拟三维服装建模的质量和改善用户体验有重要意义。

以上对本发明实施例所提供的技术方案进行了详细介绍，本文中应用了具体个例对本发明实施例的原理以及实施方式进行了阐述，以上实施例的说明只适用于帮助理解本发明实施例的原理；同时，对于本领域的一般技术人员，依据本发明实施例，在具体实施方式以及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于服装图片的三维虚拟试衣方法，其特征在于：

使用服装图片作为输入数据的基础，通过结合虚拟人体模型的骨骼来提取所述服装图片中的服装信息，对所述服装进行属性设定，并结合机器学习算法与缝合自感应算法建立三维服装网格模型，最后将服装的图案与花纹一一映射至所述三维服装网格模型，完成三维物理仿真。

2.如权利要求1所述的基于服装图片的三维虚拟试衣方法，其特征在于服装属性设定包括以下步骤：

输入两张服装图片，其中一张是服装的正面图片，另一张是服装的背面图片；

对输入的服装进行分类，获取服装的类别；

对不同体型与姿势的虚拟人体模型进行骨骼提取，得到基于虚拟人体模型身体各部位的骨骼节点；

结合骨骼的长度与服装的类型，对服装的尺寸属性进行设定。

3.如权利要求2所述的基于服装图片的三维虚拟试衣方法，其特征在于还包括对所述两张服装图片的预处理步骤：

将服装图片的背景剔除，利用轮廓检测算法提取服装外轮廓；

结合方向包围盒算法与服装外轮廓，探测服装拍摄角度与水平角度之间的差值；

通过围绕服装轮廓重心点对其进行旋转操作，直到服装轮廓服装直立于坐标轴内。

4.如权利要求2所述的基于服装图片的三维虚拟试衣方法，其特征在于还包括对所述两张服装图片的预处理步骤：对所述两张服装图片进行坐标映射并且归一化处理。

5.如权利要求1所述的基于服装图片的三维虚拟试衣方法，其特征在于建立三维服装网格模型包括以下步骤：

通过服装图片获得服装的前样板、后样板，对所述前样板、后样板均匀分段，分别获取轮廓点集；

利用机器学习算法分别找到前样板、后样板中边与边的交点，即轮廓关键点；

通过轮廓关键点将服装样板轮廓分为多条线段，再通过前样板、后样板间关键点的对应关系映射为前样板、后样板的轮廓边的对应关系；

结合轮廓边与虚拟人体模型交叉信息得到样板的缝合信息；

结合缝合信息，将前样板、后样板转为三维样片。

6.如权利要求5所述的基于服装图片的三维虚拟试衣方法，其特征在于：

通过所述轮廓点集组成的整体形状、轮廓点的相对位置、轮廓点的曲率变化、局部形状与临接点集的曲率确定所述轮廓关键点。

7.如权利要求5所述的基于服装图片的三维虚拟试衣方法，其特征在于：

通过对不同类型的大量服装进行数据收集并训练后，当一个新的服装图片输入并分段为均匀离散点集时，将每一个离散轮廓点放入SVM分类器中进行分类。

8.如权利要求5所述的基于服装图片的三维虚拟试衣方法，其特征在于：

对于冗杂或失误判断导致的轮廓关键点，增加新的约束条件来对误差进行调整：

$1\&le;\underset{j=1}{\overset{k}{\mathrm{\&Sigma;}}}\mathrm{\&delta;}({(p-p_j^{\&prime;})}^2<d)$

其中p与p’_j为不同服装图片上的轮廓关键点，若不满足该约束，则从轮廓关键点集中删除该点。

9.如权利要求5所述的基于服装图片的三维虚拟试衣方法，其特征在于：

在获取所有的轮廓关键点信息后，根据轮廓关键点的相对位置、曲率变化与关键点间隔距离，利用最小差异值公式获取前样板、后样板中的轮廓关键点对应关系。

10.如权利要求5所述的基于服装图片的三维虚拟试衣方法，其特征在于所述三维物理仿真包括以下步骤：

前样板、后样板放置于虚拟人体模型对应的位置，将轮廓边添加缝合线；

将服装上的色彩，图案与花纹一一映射至三维服装网格模型上。