CN106874964B - 一种基于改进型卷积神经网络的脚型图像尺码自动预测方法及预测装置 - Google Patents
一种基于改进型卷积神经网络的脚型图像尺码自动预测方法及预测装置 Download PDFInfo
- Publication number
- CN106874964B CN106874964B CN201710201332.XA CN201710201332A CN106874964B CN 106874964 B CN106874964 B CN 106874964B CN 201710201332 A CN201710201332 A CN 201710201332A CN 106874964 B CN106874964 B CN 106874964B
- Authority
- CN
- China
- Prior art keywords
- foot
- image
- neural network
- shaped
- size
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 25
- 230000005540 biological transmission Effects 0.000 claims abstract description 4
- 238000000605 extraction Methods 0.000 claims description 9
- 238000013461 design Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 238000010191 image analysis Methods 0.000 abstract description 4
- 210000002683 foot Anatomy 0.000 description 50
- 210000000454 fifth toe Anatomy 0.000 description 4
- 210000003813 thumb Anatomy 0.000 description 4
- 210000003371 toe Anatomy 0.000 description 4
- 210000001255 hallux Anatomy 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明涉及一种基于改进型卷积神经网络的脚型图像尺码自动预测方法，包括以下步骤:(S1)脚型图像分类器的训练；(S2)利用脚型图像分类器自动预测脚型图像对应的尺码和参数。另外，本发明还涉及一种基于改进型卷积神经网络的脚型图像尺码预测装置，包括脚型图像采集模块，用于采集脚型图像；训练模块，用于训练基于改进型卷积神经网络的脚型图像分类器；存储模块，用于保存脚型图像、基础脚型尺码参数、脚型图像分类器模型；传输模块：用于实时传输脚型图像；自动预测模块，用于自动预测脚型图像对应的尺码和参数。针对当前测量脚型尺码效率低下、主观性强的问题，本发明中的自动预测方法与预测装置，能够通过采集用户脚型图像，自动、快速的得到用户的脚型尺码和参数。
Description
技术领域
本发明涉及一种脚型图像尺码自动预测方法及预测装置，特别涉及一种基于改进型卷积神经网络的脚型图像尺码自动预测方法及预测装置。
背景技术
近年来，人们消费水平快速提高，市场上的鞋子也琳琅满目，如何能让人们快速、便捷的选择一款最适合的鞋子成为一种刚性需求，能大大提高大家的购买体验。而市场上常见的鞋子大多是均码，根据经验设计，倘若要定制一双合适的鞋子，需要人工进行复杂的测量脚的尺码和参数，对于大多数消费者而言，在公共场合，让工作人员接触式的测量自己的脚，并不是很好的体验，而往往因此放弃消费。
因此，快速、便捷、准确的获取消费者的脚型尺码和参数，不仅能让消费者购买到舒适、合脚的鞋子，还能大大提升其购物体验。在当前人工智能的时代背景下，我们需要一种快速、便捷、准确的获取消费者的脚型尺码和参数的技术。
发明内容
为了解决现有技术的不足，本发明的目的是提供一种能够快速、便捷、准确的脚型图像尺码自动预测方法及预测装置。
为了实现上述目的，本发明提供了一种基于改进型卷积神经网络的脚型图像尺码自动预测方法，包括如下步骤：
步骤S1，脚型图像分类器的训练；
步骤S2，利用脚型图像分类器自动预测脚型图像对应的尺码和参数。
优选地，所述步骤S1进一步包括如下步骤：
步骤S101，采集测试者脚型图像，并定义脚型对应的尺码和参数；
步骤S102，测量测试者脚型对应的尺码和参数；
步骤S103，对脚型图像进行预处理，包括进行水平翻转、旋转变换和随机裁剪，用于增加样本数量；
步骤S104，设计具有旋转不变性的改进型卷积神经网络特征提取模板；
步骤S105，将不同的尺码和参数作为不同的类别，脚型图像作为输入，利用改进型卷积神经网络提取的不变性卷积特征作为特征，使用softmax分类器作为脚型图像分类器，利用误差反向传播算法训练脚型图像分类器模型。
优选地，步骤S2进一步包括如下步骤：
步骤S201，采集消费者的脚型图像；
步骤S202，对脚型图像进行预处理，根据设定的样本尺寸分别在图像中心、左上角、右上角、左下角、右下角分别裁剪出一张图像，并做水平翻转处理，一共获取10张脚型图像；
步骤S203，将上述10张图像，利用训练好的改进型卷积神经网络脚型图像分类器提取特征，并预测对应的尺码和参数，综合10张图像对应的尺码，得到最终预测尺码和参数。
本发明还提供了一种基于改进型卷积神经网络的脚型图像尺码自动预测装置，包括脚型图像采集模块，用于采集脚型图像；训练模块，用于训练基于改进型卷积神经网络的脚型图像分类器；存储模块，用于保存脚型图像、基础脚型尺码参数、脚型图像分类器模型；传输模块，用于实时传输脚型图像；自动预测模块，用于自动预测脚型图像对应的尺码和参数。
有利地，所述训练模块包括具有旋转不变性的改进型卷积神经网络特征提取模板设计单元和脚型图像尺码分类器训练单元。
有利地，所述自动预测模块包括具有旋转不变性的改进型卷积神经网络特征提取单元和softmax分类器特征分类单元。
针对当前人工测量尺码参数效率低下、主观性强的问题，设计出基于改进型卷积神经网络的脚型图像尺码自动预测方法与装置，能够根据客户的脚型图像自动预测对应的尺码和参数。
附图说明
图1是本发明提供的自动预测方法流程图；
图2是本发明提供的自动预测装置的结构框图；
图3是本发明提供的自动预测装置优选实施例的结构示意图。
其中，
1、相机；
2、数据传输器；
3、支架；
4、支撑平台；
5、服务器；
6、脚放置处；
7、LED灯。
具体实施方式
如图1、图2和图3所示，本发明提供了一种基于改进型卷积神经网络的脚型图像尺码自动预测方法，包括如下步骤：
步骤S1，脚型图像分类器的训练；
步骤S2，利用脚型图像分类器自动预测脚型图像对应的尺码和参数。
优选地，所述步骤S1进一步包括如下步骤：
步骤S101，采集测试者脚型图像，并定义脚型对应的尺码和参数；
步骤S102，测量测试者脚型对应的尺码和参数；
步骤S103，对脚型图像进行预处理，包括进行水平翻转、旋转变换和随机裁剪，用于增加样本数量；
步骤S104，设计具有旋转不变性的改进型卷积神经网络特征提取模板；
步骤S105，将不同的尺码和参数作为不同的类别，脚型图像作为输入，利用改进型卷积神经网络提取的不变性卷积特征作为特征，使用softmax分类器作为脚型图像分类器，利用误差反向传播算法训练脚型图像分类器模型。
在所述步骤S101中，采集测试者脚型图像时，需要将脚放置于图3中的脚放置处6；脚型的尺码和参数为国标定义的鞋子的尺码，以及对应的脚型参数，具体包括脚长、脚跖围G2、脚跗围G3、脚兜跟围G4、脚宽、掌宽、拇指外突点轮廓里宽、小趾外突点轮廓外宽、第一跖趾轮廓里宽、第五跖趾轮廓外宽、腰窝轮廓外宽、踵心轮廓全宽、拇指高度、脚型G2高、脚型G3高、脚型G4高、脚投影底面积、G2面积、G3面积、G4面积、G4前中截面面积、脚前部体积、整脚体积。
在所述步骤S102中，即让测试者试穿标准尺码制作的鞋，匹配最合适的尺码，需要让测试者多次试穿，只有在匹配到最合适的鞋码时，记录下来，需要测试者数量应大于等于1万人。
在所述步骤S103中，对脚型图像进行预处理，包括进行水平翻转、旋转变换和随机裁剪，用于增加样本数量。
上述S104步骤中，与传统的卷积神经网络(CNN)不同在于，将卷积核以右下角为中心，分别旋转90°，180°和270°，并与初始卷积核一起，组成新的卷积核，称为改进型卷积神经网络(Improved-CNN)。
上述S105步骤中，利用改进型卷积神经网络提取特征，利用误差反向传播(BP)算法训练基于改进型卷积神经网络脚型图像尺码分类器，根据分类器的预测结果与样本标记类别的误差更新网络参数。每次迭代采用最小批的方式计算误差并反向传播误差以更新网络参数。在训练时，初始学习率设为0.01，每次随机输入256张图像样本，当迭代1万次后，学习率调整为0.001，当在验证集上的正确率不再提高时，停止训练，得到脚型图像分类器模型。
优选地，所述步骤S2进一步包括如下步骤：
步骤S201，采集消费者的脚型图像；
步骤S202，对脚型图像进行预处理，根据设定的样本尺寸分别在图像中心、左上角、右上角、左下角、右下角分别裁剪出一张图像，并做水平翻转处理，一共获取10张脚型图像；
步骤S203，将上述10张图像，利用训练好的改进型卷积神经网络脚型图像分类器提取特征，并预测对应的尺码和参数，综合10张图像对应的尺码和参数，得到最终预测尺码和参数。
在所述步骤S201中，采集消费者脚型图像时，需要将脚放置于图3中的脚放置处；脚型的尺码和参数为国标定义的鞋子的尺码，以及对应的脚型参数，具体包括脚长、脚跖围G2、脚跗围G3、脚兜跟围G4、脚宽、掌宽、拇指外突点轮廓里宽、小趾外突点轮廓外宽、第一跖趾轮廓里宽、第五跖趾轮廓外宽、腰窝轮廓外宽、踵心轮廓全宽、拇指高度、脚型G2高、脚型G3高、脚型G4高、脚投影底面积、G2面积、G3面积、G4面积、G4前中截面面积、脚前部体积、整脚体积。
在上述步骤S203中，利用训练好的改进型卷积神经网络脚型图像分类器提取特征，并预测对应的尺码和参数，将概率最大的尺码和参数作为最终的预测尺码和参数。
如图2所示，本发明还提供了一种基于改进型卷积神经网络的脚型图像尺码自动预测装置，包括脚型图像采集模块，用于采集脚型图像，采集时，将脚放置在图3中的脚放置处；训练模块，用于训练基于改进型卷积神经网络的脚型图像分类器；存储模块，用于保存脚型图像、基础脚型尺码参数、脚型图像分类器模型；传输模块，用于实时传输脚型图像；自动预测模块，用于自动预测脚型图像对应的尺码和参数。
优选地，所述训练模块具有旋转不变性的改进型卷积神经网络特征提取模板设计单元和脚型图像分类器训练单元。其中，脚型图像分类器训练单元采用改进型卷积神经网络提取特征，softmax进行分类，BP算法进行训练。
有利地，所述自动预测模块包括具有旋转不变性的改进型卷积神经网络特征提取单元和softmax分类器特征分类单元。
如图3所示，自动预测装置优选实施例的结构示意图，包括相机1，用于采集脚型图像，数据传输器2，用于传输图像数据；支架3，用于支撑整个装置；支撑平台4，用于支撑校；服务器5，用于处理计算数据；脚放置处6，用于放置脚；LED灯，用于提示和美观。
针对当前测量脚型尺码参数效率低下，需要人工参与的问题，设计出基于改进型卷积神经网络的脚型图像尺码自动预测方法与预测装置，能够根据快速、便捷、准确的测量消费者的脚型尺码参数。
以上详细描述了本发明的优选的具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的设计构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的设计构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在本发明的范围之内和/或由权利要求书所确定的保护范围内。
Claims (4)
1.一种基于改进型卷积神经网络的脚型图像尺码自动预测方法，其特征在于,包括以下步骤:
(S1)脚型图像分类器的训练；
(S2)利用脚型图像分类器自动预测脚型图像对应的尺码和参数；
所述步骤(S1)包括如下步骤：
(S101)采集测试者脚型图像，并定义脚型对应的尺码和参数；
(S102)测量测试者脚型对应的尺码参数；
(S103)对脚型图像进行预处理，包括进行水平翻转、旋转变换和随机裁剪，
用于增加样本数量；
(S104)设计具有旋转不变性的改进型卷积神经网络特征提取模板；
(S105)将不同的尺码作为不同的类别，脚型图像作为输入，利用改进型卷积神经网络提取的不变性卷积特征作为特征，使用softmax分类器作为脚型图像分类器，利用误差反向传播算法训练脚型图像分类器模型。
2.根据权利要求1所述的一种基于改进型卷积神经网络的脚型图像尺码自动预测方法，其特征在于，所述步骤(S2)包括如下步骤：
(S201)采集消费者的脚型图像；
(S202)对脚型图像进行预处理，根据设定的样本尺寸分别在图像中心、左上角、右上角、左下角、右下角分别裁剪出一张图像，并做水平翻转处理，一共获取10张脚型图像；
(S203)将上述10张图像，利用训练好的改进型卷积神经网络脚型图像分类器提取特征，并预测对应的尺码和参数，综合10张图像对应的尺码，得到最终预测尺码和参数。
3.一种基于改进型卷积神经网络的脚型图像尺码自动预测装置，其特征在于：包括脚型图像采集模块，用于采集脚型图像；
训练模块，用于训练基于改进型卷积神经网络的脚型图像分类器；
存储模块，用于保存脚型图像、基础脚型尺码参数、脚型图像分类器模型；
传输模块，用于实时传输脚型图像；
自动预测模块，用于自动预测脚型图像对应的尺码和参数，
所述训练模块包括具有旋转不变性的改进型卷积神经网络特征提取模板设计单元和脚型图像尺码分类器训练单元。
4.根据权利要求3所述的一种基于改进型卷积神经网络的脚型图像尺码自动预测装置，其特征在于：所述自动预测模块包括具有旋转不变性的改进型卷积神经网络特征提取单元和softmax分类器特征分类单元。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710201332.XA CN106874964B (zh) | 2017-03-30 | 2017-03-30 | 一种基于改进型卷积神经网络的脚型图像尺码自动预测方法及预测装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710201332.XA CN106874964B (zh) | 2017-03-30 | 2017-03-30 | 一种基于改进型卷积神经网络的脚型图像尺码自动预测方法及预测装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106874964A CN106874964A (zh) | 2017-06-20 |
| CN106874964B true CN106874964B (zh) | 2023-11-03 |
Family
ID=59161211
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710201332.XA Active CN106874964B (zh) | 2017-03-30 | 2017-03-30 | 一种基于改进型卷积神经网络的脚型图像尺码自动预测方法及预测装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106874964B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11113571B2 (en) * | 2018-10-11 | 2021-09-07 | Kognition Llc | Target object position prediction and motion tracking |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105844627A (zh) * | 2016-03-21 | 2016-08-10 | 华中科技大学 | 一种基于卷积神经网络的海面目标图像背景抑制方法 |
| US9460557B1 (en) * | 2016-03-07 | 2016-10-04 | Bao Tran | Systems and methods for footwear fitting |
| CN106295521A (zh) * | 2016-07-29 | 2017-01-04 | 厦门美图之家科技有限公司 | 一种基于多输出卷积神经网络的性别识别方法、装置及计算设备 |
| CN106408562A (zh) * | 2016-09-22 | 2017-02-15 | 华南理工大学 | 基于深度学习的眼底图像视网膜血管分割方法及系统 |
| CN106485235A (zh) * | 2016-10-24 | 2017-03-08 | 厦门美图之家科技有限公司 | 一种卷积神经网络生成方法、年龄识别方法及相关装置 |
| CN106503623A (zh) * | 2016-09-27 | 2017-03-15 | 中国科学院自动化研究所 | 基于卷积神经网络的人脸图像年龄估算方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6665577B2 (en) * | 2000-12-20 | 2003-12-16 | My Virtual Model Inc. | System, method and article of manufacture for automated fit and size predictions |
-
2017
- 2017-03-30 CN CN201710201332.XA patent/CN106874964B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9460557B1 (en) * | 2016-03-07 | 2016-10-04 | Bao Tran | Systems and methods for footwear fitting |
| CN105844627A (zh) * | 2016-03-21 | 2016-08-10 | 华中科技大学 | 一种基于卷积神经网络的海面目标图像背景抑制方法 |
| CN106295521A (zh) * | 2016-07-29 | 2017-01-04 | 厦门美图之家科技有限公司 | 一种基于多输出卷积神经网络的性别识别方法、装置及计算设备 |
| CN106408562A (zh) * | 2016-09-22 | 2017-02-15 | 华南理工大学 | 基于深度学习的眼底图像视网膜血管分割方法及系统 |
| CN106503623A (zh) * | 2016-09-27 | 2017-03-15 | 中国科学院自动化研究所 | 基于卷积神经网络的人脸图像年龄估算方法 |
| CN106485235A (zh) * | 2016-10-24 | 2017-03-08 | 厦门美图之家科技有限公司 | 一种卷积神经网络生成方法、年龄识别方法及相关装置 |
Non-Patent Citations (1)
| Title |
|---|
| 屠岭 ; .便携式快速脚型测量仪的设计与实现.中国皮革.2015,(14),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106874964A (zh) | 2017-06-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109741309B (zh) | 一种基于深度回归网络的骨龄预测方法及装置 | |
| CN104484816B (zh) | 基于大数据分析的服装导购系统和方法 | |
| US9378336B2 (en) | Optical data capture of exercise data in furtherance of a health score computation | |
| CN108597582B (zh) | 一种用于执行Faster R-CNN神经网络运算的方法和装置 | |
| CN104055521B (zh) | 用户身份识别方法、识别系统及健康仪 | |
| CN109191588A (zh) | 运动教学方法、装置、存储介质及电子设备 | |
| US20140340479A1 (en) | System and method to capture and process body measurements | |
| CN108198601A (zh) | 运动评分方法、装置、设备及存储介质 | |
| CN107851328A (zh) | 用于推荐适合鞋类的方法和系统 | |
| WO2018107872A1 (zh) | 一种体型预测方法及设备 | |
| US9008389B2 (en) | System and method for determining the amount of vitamin D generated by a user | |
| US20200345295A1 (en) | System and method for screening a patient's foot | |
| CN108074236A (zh) | 植物浇灌提醒方法、装置、设备及存储介质 | |
| US11134863B2 (en) | Generating orthotic product recommendations | |
| CN112561009A (zh) | 智能鞋柜及其鞋子管理方法和系统 | |
| CN106874964B (zh) | 一种基于改进型卷积神经网络的脚型图像尺码自动预测方法及预测装置 | |
| CN114470719B (zh) | 一种全自动姿态矫正训练方法及系统 | |
| CN114732373B (zh) | 基于步态检测的步行活动卡路里消耗计算方法及装置 | |
| CN116797864A (zh) | 基于智能镜子的辅助化妆方法、装置、设备及存储介质 | |
| CN112071426A (zh) | 功能性体适能测试方法、装置及设备 | |
| Miranda C et al. | Interface for Contour Extraction and Determination of Morphologic Parameters in Digital Images of Footprints Based on Hernandez-Corvo Protocol | |
| KR102654041B1 (ko) | 스캔을 바탕으로 신체 정보를 측정하고 운동을 추천하는 전자 장치, 및 시스템 | |
| CN116994339B (zh) | 一种基于图像处理的用于坐位体前屈测试的方法和系统 | |
| TWI808909B (zh) | 足壓量測網路線上足底辨識系統自動化分析評估之方法 | |
| CN114240936B (zh) | 耳朵分析检测装置及设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |