CN104978762A - 服装三维模型生成方法及系统 - Google Patents

Abstract

本发明提供一种服装三维模型生成方法及系统，通过获取着装人体的RGBD数据并进行处理后获取服装的部件组成信息以及各部件对应的属性信息，然后在服装三维部件模型库中选择与服装的各部件的属性信息对应的三维部件模型生成服装三维模型，即只需根据着装人体的RGBD数据就可以自动快速构建出服装三维模型，构建过程中无需人工交互，有效提高了服装三维建模的效率，对计算机辅助设计、服装三维建模以及虚拟试衣技术的发展都具有很大的意义。

Description

服装三维模型生成方法及系统

技术领域

本发明涉及三维建模技术，尤其涉及一种服装三维模型生成方法及系统，属于计算机辅助设计技术领域。

背景技术

计算机辅助设计与虚拟现实技术的广泛应用，使人们工作效率和生活方式发生了显著变化。工业设计制造过程中，提高产品质量、减少原材料浪费、缩短制作周期成了人们寻求的目标。伴随着互联网技术的兴起，线上消费模式正逐步取代线下模式，人们不再愿意费时费力地到商场亲自购买，更偏向于选择方便快捷的在线购物方式。然而网络在线购买服装面临尺码不合体、颜色不协调等与消费者预期不符的情况，大大降低了网络购衣的可行性。

在服装工业领域，采用虚拟试衣系统可以让顾客在最短时间内浏览不同服装的试穿效果，同时也可帮助服装设计师积累更多的试衣效果素材，缩短服装设计周期。虚拟试衣系统越来越多地受到人们追捧，将变革传统服装试穿模式，使得购衣轻松便捷的同时增加了趣味性，同时节省了销售与购买成本。目前基于图像虚拟试衣技术只含服装二维数据，无法满足虚拟试衣的正真需求，用户体验较差。基于三维数据的虚拟试衣技术，能较真实还原整个试衣过程，用户可全视角查看服装试穿效果，具有很强的可信度，但是该技术面临四方面难点：1)服装三维模型的精确快速构建；2)用户体型数据的准确获取；3)布料的高效、逼真仿真；4)布料的图像级渲染。

深度相机的普及，为用户体型数据的获取提供了一定便利，布料模拟与渲染技术也开始大规模普及应用。但三维虚拟试衣的基础环节：服装三维模型的构建相对不成熟，成了虚拟试衣大规模推广的瓶颈所在。现有的服装三维模型主要通过Maya等三维建模软件或Marvelous等服装模拟软件生成，但这些建模软件在应用过程中需大量人工交互，且要求交互者具备服装设计领域知识，因此，现有技术服装三维模型生成的效率低下。

发明内容

本发明提供一种服装三维模型生成方法及系统，可以根据深度相机扫描服装的三通道彩色图像加深度(Red Green Bule and Depth，简称RGBD)数据自动快速生成服装三维模型。

本发明实施例提供的服装三维模型生成方法，包括：获取着装人体的RGBD数据；根据所述着装人体的RGBD数据获取服装的部件组成信息；基于所述服装的部件组成信息，获取所述服装的各部件的属性信息；在服装三维部件模型库中选择与所述服装的各部件的属性信息对应的三维部件模型；组装所述服装部件三维模型生成所述服装的三维模型。

本发明实施例提供的服装三维模型生成系统，包括系统后端和系统前端，系统后端包括服装部件三维模型库，系统前端包括数据采集单元、服装部件信息解析单元、服装部件三维模型检索单元和服装三维模型生成单元。其中，数据采集单元，用于获取着装人体的RGBD数据。服装部件信息解析检测单元包括服装部件检测器和服装部件属性分类器。其中，服装部件检测器用于根据所述着装人体的RGBD数据获取服装的部件组成信息；服装部件属性分类器用于基于服装的部件组成信息，获取所述服装的各部件的属性信息。服装部件三维模型检索单元用于在服装部件三维模型库中检索与所述服装的各部件的属性信息对应的服装部件三维模型。服装三维模型生成单元用于组装所述服装部件三维模型生成服装三维模型。

本发明实施例提供的服装三维模型生成方法及系统，通过获取着装人体的RGBD数据并进行处理后获取服装的部件组成信息以及各部件对应的属性信息，然后在服装三维部件模型库中选择与服装的各部件的属性信息对应的三维部件模型生成服装三维模型，即只需要扫描着装人体的RGBD数据就可以自动快速构建出服装三维模型。通过服装三维模型生成系统中的服装部件三维模型库提供基于服装部件信息的服装部件三维模型，使得服装三维模型可以通过自动化的方式生成，生成过程中无需人工交互，有效提高了服装三维建模的效率，对计算机辅助设计、服装三维建模以及虚拟试衣技术的发展都具有很大的意义。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种服装三维模型生成方法流程图；

图2为标准虚拟人体模特示意图；

图3为本发明实施例提供的另一种服装三维模型生成方法流程图；

图4为本发明实施例提供的又一种服装三维模型生成方法流程图；

图5为本发明实施例提供的一种服装三维模型生成系统示意图；

图6为本发明实施例提供的另一种服装三维模型生成系统示意图；

图7为本发明实施例提供的又一种服装三维模型生成系统示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1为本发明实施例提供的一种服装三维模型生成方法流程图，如图1所示，本实施例提供的服装三维模型生成方法包括如下步骤：

S10，获取着装人体的RGBD数据；

S20，根据着装人体的RGBD数据获取服装的部件组成信息；

S30，基于服装的部件组成信息，获取服装的各部件的属性信息；

S40，在服装部件三维模型库中检索与服装的各部件的属性信息对应的服装部件三维模型；

S50，组装服装部件三维模型生成服装三维模型。

本实施例的技术方案可以通过服装三维模型生成系统来实现，该服装三维模型生成系统中可以包括有为实现本实施例的服装三维模型生成方法提供支持的服装部件三维模型库，服装部件三维模型库中存储有大量的服装部件三维模型。示例性的，服装部件三维模型库可以通过以下方法获取：

首先可以在建立服装部件三维模型库之前，对整个系统使用的服装的部件组成信息和服装的各部件的属性信息进行统一，例如可以建立一个整个系统通用的服装信息表达树。服装信息表达树就是一个描述服装的部件组成信息以及服装各部件的属性信息的数据库。具体的，服装信息表达树可以包括三层节点，每个节点都有对应的状态取值。第一层是服装的部件组成信息节点，也就是组成服装的各部件的名称，包括：衣领、衣袖、大身、裙子、裤子、口袋、腰带、领结和扣子。第二层是服装的各部件的属性信息节点，用来描述服装部件所具有的特征，例如衣袖的属性包括：袖长、袖口、袖窿、松紧等属性。第三层节点是每个属性对应的状态取值，例如，袖窿状态取值有：直袖窿、蝙蝠袖窿、泡泡袖窿等。

然后，可以根据服装信息表达树的每一组状态取值，搜集大量真实服装2D(Two Dimensions)缝纫电子样板数据，也就是服装厂商生产实际衣物所用的服装2D缝纫电子样板数据，然后利用Marvelous服装虚拟设计软件，将2D样板数据转换为服装3D(Three Dimensions)模型数据，所有数据转换均在一个标准虚拟人体模特上进行，图2为标准虚拟人体模特示意图。然后将服装的每个部件三维数据单独导出，保存为标准3D模型文件格式(又称OBJ格式)的数据。并为导出的服装三维部件添加与服装信息表达树对应的表达信息。最终使得服装信息表达树的每一组状态取值都有对应的至少3到5个三维部件模型。这样给定服装部件的属性信息后，就可以从服装部件三维模型库中检索出对应的服装部件三维模型，为服装三维模型的生成提供支持。

本实施例进一步的对服装三维模型生成方法的各个步骤的具体实现方式做示例性说明，这些示例仅用于进一步解释说明，而并非用来限制本发明。

示例性的，可以使用一部深度相机扫描着装人体获取人体骨架和服装的RGBD数据(S10)。RGBD数据本质上包含两幅图像：一个是普通的RGB图像，另一个是Depth图像，Depth图像类似于灰度图像，区别在于它的每个像素值是传感器距离物体的实际距离。通常RGB图像和Depth图像是配准的，因而像素点之间具有一一对应关系。例如可以选用微软公司研制的Kinect，这款深度相机性价比较高，不仅可以满足性能要求，且价格便宜，可以有效节约成本。

示例性的，还可以在构建服装三维模型之前建立一个服装图像库存储于系统后端。服装图像库中存储有海量的服装图片，可以对每张服装图像进行服装部件对应的像素区域标注，并根据服装信息表达树对每张服装图像进行服装部件组成信息标注。因此服装图像库中的每张服装图像都会对应于服装信息表达树的一组状态取值。也就是服装图像库中的服装图像具有服装部件的像素区域标识及其对应的部件组成信息标识。示例性的，为了方便快捷地实现服装图像数据的管理，可以通过服装图像管理工具进行服装图像的批量载入、显示、交互式标注与修改及类别检索导出等基本功能。进一步的，可以通过机器学习方法，利用服装三维模型生成系统中的服装图像库，训练出服装部件检测器，用来根据着装人体的RGBD数据获取服装的部件组成信息(S20)。该服装部件检测器能够自动判断服装图像中各个部件的存在性及在图像中出现的具体位置。

较佳的，服装部件检测器可以包括两个：1)基于人体骨架的服装主要部件检测器。服装的主要部件包括衣袖、大身、裙子、裤子等面积较大的部件，此类部件相对人体分布位置较为固定，例如衣袖总是覆盖人体胳膊。可通过人体骨架准确定位这类部件在图像中的所在区域。2)基于服装设计先验知识的服装配饰部件检测器。服装的装饰部件包括口袋、腰带、领结、衣领、衣扣等面积较小部件，此类部件相对人体分布位置较随机，无法通过人体骨骼实现准确定位。作为本实施例一种可选的实施方式，可以采用可变形模板检测方法，在图像中对这类服装部件进行检测，再利用这类部件在衣服上分布的先验信息对检测结果进行优化，实现位置较为随机的服装部件的检测。所谓可变形模板是使模板图形发生变形(而不仅仅是平移、旋转、尺度变换等简单的几何变形)以匹配到显著的图像特征。

基于上述，作为本实施例一种优选的实施方式，上述步骤S20具体可以包括如下两个步骤：

步骤1，根据着装人体的RGBD数据确定服装的各部件的像素区域；

步骤2，根据服装的各部件的像素区域，在服装图像库中获取像素区域对应的部件组成信息。

示例性的，还可以通过机器学习方法，利用服装三维模型生成系统中的服装图像库，训练出服装部件属性分类器，用来获取服装的各部件的属性信息(S30)。

示例性的，服装图像库中的服装图像还可以包括服装部件的像素区域的方向梯度直方图(Histogram of Oriented Gradient，简称HOG)特征和局部二值模式(local binary pattern，简称LBP)特征标注及其对应的部件的属性信息标识。可以理解的是，属性信息标识也是根据服装信息表达树进行添加。在训练出服装部件属性分类器时，首先将标注的对应部件像素区域进行裁剪，获得部件所在图像区域块，接着对图像区域块进行尺度规范化与对齐操作，将所有图像区域块统一缩放至200*200像素。对于每类服装部件属性信息，首先计算对应的部件图像区域块的HOG特征和LBP特征，并将两个特征串联起来构成该部件图像区域块的底层特征表示。同一部件的图像区域块的底层特征构成特征样本集，接着采用主成分分析(Principal Components Analysis，简称PCA)方法对特征样本集进行降维处理，保留80％的主成分，得到最终特征样本集。这样每个特征样本对应一个部件属性信息，将特征样本集及对应的部件属性信息作为随机森林的输入，训练学习获得部件属性分类器。

基于上述，作为本实施例一种优选的实施方式，上述步骤S30具体可以包括如下两个步骤：

步骤1，提取服装的各部件的像素区域的HOG特征和LBP特征；

步骤2，根据服装的各部件的像素区域的HOG特征和LBP特征，在服装图像库中获取对应的部件的属性信息。

示例性的，可以根据服装三维模型生成系统中的服装部件三维模型库设计服装部件三维模型检索工具，用来在服装部件三维模型库中检索与所述服装的各部件的属性信息对应的服装部件三维模型(S40)。由于服装部件三维模型库的三维部件模型均添加了与服装信息表达树对应的表达信息，即服装信息表达树的每一组状态取值都有对应的至少3到5个三维部件模型，因此，在给定服装部件的属性信息对应的状态取值后，就可以从服装部件三维模型库中检索出对应的服装部件三维模型。

示例性的，在组装所述服装部件三维模型生成服装三维模型时(S50)，可以通过预定义的各部件三维模型间的缝合点对，对各部件三维模型缝合线处的网格进行重网格化处理，利用部件保形缝合方法，自动拼接服装部件三维模型，得到服装三维模型。

本实施例提供的服装三维模型生成方法，通过对深度相机扫描的着装人体的RGBD数据处理后获取服装的部件组成信息以及各部件对应的属性信息，然后在服装三维部件模型库中选择与服装的各部件的属性信息对应的三维部件模型生成服装三维模型，即根据深度相机扫描的着装人体的RGBD数据就可以自动快速构建出服装三维模型。使得服装三维模型可以通过自动化的方式生成，生成过程中无需人工交互，有效提高了服装三维建模的效率，对计算机辅助设计、服装三维建模以及虚拟试衣技术的发展都具有很大的意义。

此外，现有的三维模型获取技术，大多需要协同多视角采集环境，只能在专业配置的实验室进行，本实施例提供的服装三维模型生成方法，由于只需要从着装人体的RGBD数据中提取服装的部件组成信息以及各部件对应的属性信息，因此仅需一台深度相机进行单角度扫描就可以满足要求，可以有效节约建模成本，且更容易操作。

为了使最终生成的服装三维模型更精确，本发明实施例还提供如图3和图4所示的服装三维模型生成方法。其中图3为本发明实施例提供的另一种服装三维模型生成方法流程图，如图3所示，本实施例在图1所示实施例的基础上，在S30之后，还可以包括：

S31，将服装的各部件的属性信息输入贝叶斯网络模型进行优化。

可以理解，贝叶斯网络适用于表达和分析不确定性和概率性的事件，应用于有条件地依赖多种控制因素的决策，可以从不完全、不精确或不确定的知识或信息中做出推理，具有强大的不确定性问题处理能力。贝叶斯网络用条件概率表达各个信息要素之间的相关关系，能在有限的、不完整的、不确定的信息条件下进行学习和推理。

因此，可以根据服装的各部件之间的搭配约束关系训练得到贝叶斯网络模型。示例性的，可以根据服装信息表达树，将服装信息表达树的每一组状态取值对应一件现实生活中的服装设计样例，采用有监督的训练方法从真实服装设计样例数据中学习获得贝叶斯网络模型的结构及参数，例如可以构建基于遗传算法的贝叶斯网络模型，来描述服装的各部件之间的搭配约束关系。

作为一种可选的实施方式，可以利用系统后端的服装图像库训练出描述服装的各部件之间的搭配约束关系的贝叶斯网络模型。将S30得到的服装的各部件的属性信息输入该贝叶斯网络模型后，可以通过遗传算法对服装的各部件的属性信息做进一步优化，从而得到最优的服装部件组成信息及部件的属性信息。

图4为本发明实施例提供的又一种服装三维模型生成方法流程图，本实施例在图3所示实施例的基础上，进一步的，在S50之后，还可以包括：

S51，根据着装人体的RGBD数据获取人体三维姿势和服装点云；

S52，根据人体三维姿势调整服装三维模型，以使调整后的服装三维模型与服装点云拟合。

示例性的，本发明实施例优选微软公司研制的Kinect来获取着装人体的RGBD数据，由于Kinect的RGB相机与3D深度相机相互独立，而且Kinect的软件开发工具包(Software Development Kit，简称SDK)提供的配准应用程序编程接口(Application Programming Interface，简称API)，可以实现采集获得的着装人体的RGBD序列数据配准，然后利用图像分割(Graph-cuts)算法，以交互式传播方式实现着装人体RGBD数据中人体区域与服装区域的二值图计算，利用服装区域二值图像对着装人体点云进行裁剪，获得服装点云。Kinect SDK提供的骨架跟踪API可以实现着装人体RGBD数据中人体骨架信息的计算，获得包括多个骨架关键点信息的人体骨架数据，进而获得人体三维姿势数据。

由于服装部件三维模型库中的服装部件三维模型均是根据图2所示的标准虚拟人体模特得到的。因此还可以根据人体三维姿势与标准虚拟人体模特的对应关系，调整服装各部件三维模型的空间尺度、姿态、位置以及朝向等，并利用非刚体变形算法，将从服装部件三维模型库中检索得到的三维部件模型配准到服装点云，具体可以用服装三维部件模型相对标准虚拟人体模特的位置先验信息约束配准过程，获得较好配准效果，使得最终的服装三维模型与服装点云相拟合。

值得一提的是，根据服装各部件属性信息在服装部件三维模型库中检索出的部件三维模型可能是不唯一的，本发明实施例首先可以通过基于遗传算法的贝叶斯网络模型对检索结果做进一步优化，也就是对服装各部件属性信息对应的部件三维模型做进一步筛选。进一步的，还可以利用空间距离场对服装三维部件模型与服装点云的拟合度进行评估，计算配准后的候选三维部件模型与服装点云拟合度得分，并根据拟合度得分，对候选三维部件模型进行得分由高到低排序，获得最优服装三维部件集。然后，通过预定义的部件三维模型间的缝合点对，对部件三维模型缝合线处的网格进行重网格化处理，在部件缝合边处的网格拓扑结构一致化的基础上构建缝合关系；利用部件保形缝合方法，将各独立的服装部件三维模型网格缝合到一起，并尽可能保持各部件三维模型的初始网格形状特征。

显而易见的，在本发明一未示出的服装三维模型生成方法流程图中，还可以在图1所示实施例的基础上，在S50之后，还可以包括步骤：根据所述着装人体的RGBD数据获取人体三维姿势和服装点云；根据所述人体三维姿势调整所述服装三维模型，以使调整后的服装三维模型与所述服装点云拟合。

本发明实施例将单深度相机采集的着装人体RGBD数据作为输入，结合交互式提取出的服装轮廓，以及服装部件相对人体骨架的分布先验，利用服装部件检测器，在RGBD数据中计算出候选服装部件及其候选位置；利用服装部件属性分类器，在候选位置上，计算出候选服装部件属性概率分布；在此基础上，利用贝叶斯网络，通过遗传算法，推理解析出最优的服装部件组成及部件属性值。根据推理解析结果，从服装部件三维模型库中挑选出候选三维部件模型，并根据人体三维姿势和标准虚拟人体模特的对应关系，利用非刚体变形算法，将候选三维部件模型配准到服装点云，用服装三维部件相对标准人体的位置先验信息约束配准过程，获得较好配准效果。计算候选三维部件模型拟合度，结合服装结构及部件解析结果，挑选最优服装三维部件模型。利用保形缝合算法，自动拼接服装三维部件模型，得到具有各部件属性信息的服装三维模型。

图5为本发明实施例提供的一种服装三维模型生成系统示意图，该系统可以用来实现本发明图1所示实施例提供的服装三维模型生成方法，此处不再赘述。

如图5所示，本实施例提供的服装三维模型生成系统包括系统后端S1和系统前端S2。其中，系统后端S1包括服装部件三维模型库S11；系统前端S2包括：数据采集单元S21、服装部件信息解析单元S22和服装部件三维模型检索单元S23和服装三维模型生成单元S24。其中，数据采集单元S21用于获取着装人体的RGBD数据。服装部件信息解析单元S22具体可以包括服装部件检测器S221和服装部件属性分类器S222，服装部件检测器S221用于根据着装人体的RGBD数据获取服装的部件组成信息；服装部件属性分类器S222用于基于服装的部件组成信息，获取服装的各部件的属性信息；服装部件三维模型检索单元S23用于在服装部件三维模型库中检索与服装的各部件的属性信息对应的服装部件三维模型；服装三维模型生成单元S24用于组装服装部件三维模型生成服装三维模型。

作为一种优选的实施方式，该服装三维模型生成系统后端还可以包括服装信息表达树S12服装图像库S13。其中，服装信息表达树S12可以为整个系统提供全局统一的服装的部件组成信息和各部件的属性信息，服装信息表达树S12可以为包括服装的部件组成信息、各部件的属性以及各属性对应的状态取值三层节点的树形表。服装图像库S12中包括根据服装信息表达树S12添加的服装部件的像素区域标识及其对应的部件组成信息标识的服装图像。基于此，服装部件检测器S221具体可以用于：根据着装人体的RGBD数据确定服装的各部件的像素区域，然后根据服装的各部件的像素区域，在服装图像库S13中获取服装的各部件像素区域对应的部件组成信息。

进一步的，服装图像库S13中的服装图像还根据服装信息表达树S12添加了服装部件的像素区域的HOG特征和LBP特征标识及其对应的服装部件的属性信息标识，基于此，服装部件属性分类器S222具体可以用于：提取服装的各部件的像素区域的HOG特征和LBP特征，根据所述服装的各部件的像素区域的HOG特征和LBP特征，在所述服装图像库S13中获取对应的部件的属性信息。

示例性的，数据采集单元S21具体可以包括一台深度相机，如微软公司研制的Kinect。服装部件检测器S221具体可以通过机器学习方法，利用服装图像库训练得到。服装部件属性分类器S222具体也可以通过机器学习方法，利用服装图像库训练得到。

本实施例提供的服装三维模型生成系统，可以用来实现本发明图1所示实施例提供的服装三维模型生成方法，其实现原理和技术效果类似，此处不再赘述。

图6为本发明实施例提供的另一种服装三维模型生成系统示意图，如图6所示，本实施例提供的服装三维模型生成系统在图5所示实施例的基础上，系统前端还可以包括数据优化单元S25，数据优化单元S25具体可以包括根据服装的各部件之间的搭配约束关系训练得到贝叶斯网络模型，可以通过该贝叶斯网络模型对服装部件信息解析单元S22获取的服装的各部件的属性信息进行优化。可选的，贝叶斯网络模型具体可以根据服装图像库S13中的服装图像训练得到。

本实施例提供的服装三维模型生成系统，可以用来实现本发明图1和图3所示实施例提供的服装三维模型生成方法，其实现原理和技术效果类似，此处不再赘述。

图7为本发明实施例提供的又一种服装三维模型生成系统示意图，如图7所示，本实施例提供的服装三维模型生成系统在图6所示实施例的基础上，还可以包括三维模型拟合单元S26，具体可以用于：根据着装人体的RGBD数据获取人体三维姿势和服装点云，根据人体三维姿势对服装三维模型生成单元S24生成的服装三维模型进行调整，使得调整后的服装三维模型与服装点云拟合。

本实施例提供的服装三维模型生成系统，可以用来实现本发明图1和图4和所示实施例提供的服装三维模型生成方法，其实现原理和技术效果类似，此处不再赘述。

显而易见的，在本发明一未示出的服装三维模型生成系统示意图中，还可以在图5所示实施例的基础上，还可以包括三维模型拟合单元，用于根据着装人体的RGBD数据获取人体三维姿势和服装点云，根据人体三维姿势对服装三维模型生成单元生成的服装三维模型进行调整，使得调整后的服装三维模型与服装点云拟合。

本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (10)

1.一种服装三维模型生成方法，其特征在于，包括：

获取着装人体的RGBD数据；

根据所述着装人体的RGBD数据获取服装的部件组成信息；

基于所述服装的部件组成信息，获取所述服装的各部件的属性信息；

在服装部件三维模型库中检索与所述服装的各部件的属性信息对应的服装部件三维模型；

组装所述服装部件三维模型生成所述服装的三维模型。

2.根据权利要求1所述的方法，其特征在于，所述根据所述着装人体的RGBD数据获取服装的部件组成信息之前，还包括：构建服装图像库，所述服装图像库中包括具有服装部件的像素区域标识及其对应的部件组成信息标识的服装图像；

所述根据所述着装人体的深度图像获取服装的部件组成信息，具体包括：

根据所述着装人体的RGBD数据确定所述服装的各部件的像素区域；

根据所述服装的各部件的像素区域，在所述服装图像库中获取所述像素区域对应的部件组成信息。

3.根据权利要求2所述的方法，其特征在于，所述服装图像库中的服装图像还具有：服装部件的像素区域的HOG特征和LBP特征标识及其对应的部件的属性信息标识；

所述获取所述服装的各部件的属性信息具体包括：

提取所述服装的各部件的像素区域的HOG特征和LBP特征；

根据所述服装的各部件的像素区域的HOG特征和LBP特征，在所述服装图像库中获取对应的部件的属性信息。

4.根据权利要求3所述的方法，其特征在于，在服装部件三维模型库中检索与所述服装的各部件的属性信息对应的服装部件三维模型之前，还包括：构建所述服装部件三维模型库，所述服装部件三维模型库中包括具有服装部件的属性信息标识的服装部件三维模型。

5.根据权利要求4所述的方法，其特征在于，在构建所述服装图像库和所述服装部件三维模型库之前，还包括：构建服装信息表达树，所述服装信息表达树为包括服装的部件组成信息和各部件的属性信息的树形表；

所述构建服装图像库，具体包括：根据所述服装信息表达树，为所述服装图像库中的服装图像添加服装部件的像素区域标识及其对应的部件组成信息标识，以及服装部件的像素区域的HOG特征和LBP特征标识及其对应的属性信息标识；

所述构建所述服装部件三维模型库，具体包括：根据所述服装信息表达树，为所述服装部件三维模型库中的服装部件三维模型添加服装部件的属性信息标识。

6.根据权利要求2～5任一项所述的方法，其特征在于，所述获取所述服装的各部件的属性信息之后，还包括：

将所述服装的各部件的属性信息输入贝叶斯网络模型进行优化，所述贝叶斯网络模型是根据所述服装图像库中的服装图像训练得到。

7.根据权利要求6所述的方法，其特征在于，所述组装所述服装部件三维模型生成所述服装的三维模型之后，还包括：

根据所述着装人体的RGBD数据获取人体三维姿势和服装点云；

根据所述人体三维姿势调整所述服装三维模型，以使调整后的服装三维模型与所述服装点云拟合。

8.一种服装三维模型生成系统，包括系统后端和系统前端，其特征在于，所述系统后端包括服装部件三维模型库，所述系统前端包括数据采集单元、服装部件信息解析单元、服装部件三维模型检索单元和服装三维模型生成单元；

所述数据采集单元，用于获取着装人体的RGBD数据；

所述服装部件信息解析单元包括服装部件检测器和服装部件属性分类器，所述服装部件检测器用于根据所述着装人体的RGBD数据获取所述服装的部件组成信息；所述服装部件属性分类器用于基于所述服装的部件组成信息，获取所述服装的各部件的属性信息；

所述服装部件三维模型检索单元，用于在所述服装部件三维模型库中检索与所述服装的各部件的属性信息对应的服装部件三维模型；

服装三维模型生成单元，用于组装所述服装部件三维模型生成服装三维模型。

9.根据权利要求8所述的系统，其特征在于，所述系统后端还包括服装信息表达树和服装图像库；

所述服装信息表达树为包括服装的部件组成信息和各部件的属性信息的树形表；

所述服装图像库中包括具有服装部件的像素区域标识及其对应的部件组成信息标识，以及服装部件的像素区域的HOG特征和LBP特征标识及其对应的属性信息标识的服装图像；其中，所述服装部件的像素区域标识及其对应的部件组成信息标识，以及服装部件的像素区域的HOG特征和LBP特征标识及其对应的属性信息标识均根据所述服装信息表达树添加；

所述服装部件检测器具体用于：根据所述着装人体的RGBD数据确定所述服装的各部件的像素区域，根据所述服装的各部件的像素区域，在所述服装图像库中获取所述像素区域对应的部件组成信息；其中，所述服装部件检测器根据所述服装图像库中的服装图像训练得到；

所述服装部件属性分类器具体用于：提取所述服装的各部件的像素区域的HOG特征和LBP特征，根据所述服装的各部件的像素区域的HOG特征和LBP特征，在所述服装图像库中获取对应的服装部件的属性信息；其中，所述服装部件属性分类器根据所述服装图像库中的服装图像训练得到；

所述服装部件三维模型库中包括具有服装部件的属性信息标识的服装部件三维模型，所述服装部件的属性信息标识根据所述服装信息表达树添加。

10.根据权利要求9所述的系统，其特征在于，所述系统前端还包括：数据优化单元和三维模型拟合单元；

所述数据优化单元包括根据所述服装图像库中的服装图像训练得到的贝叶斯网络模型，用于对所述服装的各部件的属性信息进行优化；

所述三维模型拟合单元，用于：根据所述着装人体的RGBD数据获取人体三维姿势和服装点云，根据所述人体三维姿势调整所述服装三维模型，以使调整后的服装三维模型与所述服装点云拟合。