CN108009577A - 一种虚拟试衣镜的实现方法 - Google Patents

一种虚拟试衣镜的实现方法 Download PDF

Info

Publication number
CN108009577A
CN108009577A CN201711224763.4A CN201711224763A CN108009577A CN 108009577 A CN108009577 A CN 108009577A CN 201711224763 A CN201711224763 A CN 201711224763A CN 108009577 A CN108009577 A CN 108009577A
Authority
CN
China
Prior art keywords
mrow
width
user
height
data
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.)
Withdrawn
Application number
CN201711224763.4A
Other languages
English (en)
Inventor
魏柱柱
韩路
温晋锋
吴小菊
何若男
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Tech University
Original Assignee
Nanjing Tech University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Tech University filed Critical Nanjing Tech University
Priority to CN201711224763.4A priority Critical patent/CN108009577A/zh
Publication of CN108009577A publication Critical patent/CN108009577A/zh
Withdrawn legal-status Critical Current

Links

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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/017—Gesture based interaction, e.g. based on a set of recognized hand gestures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G06V40/28—Recognition of hand or arm movements, e.g. recognition of deaf sign language
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2203/00—Indexing scheme relating to G06F3/00 - G06F3/048
    • G06F2203/01—Indexing scheme relating to G06F3/01
    • G06F2203/012—Walk-in-place systems for allowing a user to walk in a virtual environment while constraining him to a given position in the physical environment

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种虚拟试衣镜的实现方法，包括服装建模、人体图像数据采集和将人体图像数据和服装建模数据关联显示。本发明的方法可以方便实现虚拟试衣，并在用户到场或不到场两种情况下均可以实现，并且操作方便，尺寸匹配准确，显示效果好。

Description

一种虚拟试衣镜的实现方法
技术领域
本发明属于图像处理和虚拟现实技术领域，具体涉及一种虚拟试衣镜的实现方法。
背景技术
随着物联网的发展，网络虚拟购物已经成了时代潮流。国内商家对于虚拟试衣技术不断尝试创新，以积极的态度迎接虚拟显示技术时代的到来，但是现有的在线的试衣系统，或是基于移动终端的试衣软件，其显示效果仍然无法与实物相提并论，也因此影响了虚拟试衣镜的发展与推广。
发明内容
本发明的目的在于克服现有技术存在的问题，提供一种虚拟试衣镜的实现方法。
为实现上述技术目的，本发明采用如下技术方案：
一种虚拟试衣镜的实现方法，包括如下步骤：
S1服装建模，并对服装根据身材类型分类，包括Y型、A型、H型和X型；
S2用户人体图像数据采集；所述用户人体图像数据为二维数据或三维数据；
所述二维数据获取方式包括：采用LibSVM训练进行数据训练，获取训练模型；LibSVM训练的训练集数据包括用户身高体重、四围信息和身材类型信息；所述四维信息包括胸围、腰围、臀围、肩围；
用户上传标准全身照片和身高体重数据，对用户上传标准全身照片进行图像处理，提取四围信息，将身高体重数据和四维信息导入训练模型，获取身材类型分类；
S3将人体图像数据和服装建模数据关联并显示。
用户不在现场的时候，可以由用户提供影像采集二维数据，在软件上显示试衣效果；用户在现场时，可以采集三维数据。所述三维数据基于kinect体感机通过骨骼识别定位获取。
本发明的方法，所述S2中，LibSVM训练方法如下：
将单个用户的数据作为一个样本，表示为Di(xi,yi)，其中yi为样本标签，xi为六维的数据点xi(x身高+x体重+x肩围+x臀围+x胸围+x腰围)，设所求SVM空间的超平面方程为g(x)＝＜w,x＞+b，w由样本决定，将w写成a1y1x1+a2y2x2+...+anynxn，式中a为拉格朗日乘子，式中对最终所求的结果产生影响的样本点即所需样本点，即支持向量：
设核函数形式为K(xi,x)，则所求的超平面形式变化为：
LibSVM训练选择的svm类型为c_svm类型，核函数为多项式核，迭代次数选择3，gamma选择0.166667，分类类别数为60，获取训练模型。
用户上传图像数据的处理步骤包括：
S2.1用户上传标准全身照片，包括正面标准照，背面标准照和侧面标准照；
S2.2对标准照片进行图像分割，将图划分为背景和前景两部分，前景即为用户人体图像数据；
S2.3对用户三围进行定位，包括胸部、腰部、臀部定位，从用户人体图像数据中提取三围信息；并对用户肩部进行定位。
所述S2.2中，采用GrabCut算法对标准照片进行图像分割。
所述S2.3中，基于分割后的用户背面标准照获取胸部定位，识别出手臂后，对手臂下方位置，占人体高度5％长度的位置处取得人体宽度信息取均值，计算得到胸部位置宽度Bo：
其中Bo为胸部位置宽度，Ho为人体高度，Bp为检测到胸部位置的水平高度，Bwi为所在行人体宽度；
识别出手臂后，通过宽度检测，检测到第一个宽度最小值时将其作为腰部中点，对上下取人体高度5％长度取平均值：
其中Wo为腰部位置宽度，Wp为检测到腰部位置的水平高度，Wwi为所在行人体宽度；
在识别出腰部所在位置后，向下检测至第一个宽度峰值，将其定位为臀部中心点；根据人体高度5％长度的位置取得人体宽度信息取均值，计算出臀部宽度信息Co：
其中Co为臀部位置宽度，Cp为检测到臀部位置的水平高度，Cwi为所在行人体宽度。
所述S2.3中，基于人体轮廓信息定位肩部：
S2.2.1基于人体轮廓线检测人体宽度，从上至下扫描前景图，扫描线宽度大小第二个峰值处为肩部，扫描线宽度大小第一个谷值处为脖颈；
S2.2.2对人体轮廓线计算斜率，取如下轮廓线：
斜率绝对值接近于零；
向肩部定位下方检测到手臂，斜率开始增加直到接近于正无穷；
向肩部定位上方检测到脖颈，斜率开始增加直到接近于正无穷；
取满足上述要求的轮廓线，限制肩部定位点范围，确定肩部定位。
所述S3中，根据模型训练后确认的身材类型，选择对应身材类型的服装；服装模型的长度与宽度确定方法为：
服装长度cL＝(sH-Cp)/(ho/Ho)；服装宽度bW＝(fB+Co)/2；
其中cL为合成图中服装长度，sH为合成图中肩部高度，Cp为图中臀部高度，ho为用户真实身高，Ho为图中人体身高；bW为图中服装宽度，fB为图中正面胸部宽度，Co为图中胸部位置宽度。
所述S2中，所述三维数据基于kinect体感机通过骨骼识别定位获取。
所述S3中，还包括手势控制，所述人体图像数据采集过程中，利用LibSVM进行特征训练，实现手势识别；或通过kinect体感机进行指尖判定，实现手势识别。
本发明的方法可以方便实现虚拟试衣，并在用户到场或不到场两种情况下均可以实现，并且操作方便，尺寸匹配效果好，显示效果好。
具体实施方式
实施例1
本实施例用于说明本发明方法的具体技术方案。
本发明的方法包括如下步骤：
1)服装建模；
采用已有建模软件，如3DMAX对服装进行建模；并对服装根据身材类型分类，包括Y型、A型、H型和X型；
2)人体图像数据采集；
采集二维数据或三维数据的人体图像数据；
用户不在现场的时候，可以由用户提供影像采集二维数据，用户在现场时，可以采集三维数据。其中，所述二维数据基于SVM分类和图像处理获取。所述三维数据基于kinect体感机通过骨骼识别定位获取；
所述二维数据获取方式包括：采用LibSVM训练进行数据训练，获取训练模型；LibSVM训练的训练集数据包括用户身高体重、四围信息和身材类型信息；所述四维信息包括胸围、腰围、臀围、肩围；
用户上传标准全身照片和身高体重数据，对用户上传标准全身照片进行图像处理，提取四围信息，将身高体重数据和四维信息导入训练模型，获取身材类型分类；
LibSVM训练方法如下：
将单个用户的数据作为一个样本，表示为Di(xi,yi)，其中yi为样本标签，xi为六维的数据点xi(x身高+x体重+x肩围+x臀围+x胸围+x腰围)，设所求SVM空间的超平面方程为g(x)＝＜w,x＞+b，w由样本决定，将w写成a1y1x1+a2y2x2+...+anynxn，式中a为拉格朗日乘子，式中对最终所求的结果产生影响的样本点即所需样本点，即支持向量：
设核函数形式为K(xi,x)，则所求的超平面形式变化为：
LibSVM训练选择的svm类型为c_svm类型，核函数为多项式核，迭代次数选择3，gamma选择0.166667，分类类别数为60，获取训练模型。
本发明中在核函数的选择中，分别试验了线性核，多项式核，RBF核，sigmoid核，参数gamma均为0.166667，在用测试样本进行检验时，发现平均召回率分别为82.121％，80.7％，8.65％，8.575％。同时发现，在使用原始样本代回测试时，召回率分别为99.1％，100％，100％，8.4％。因此选择使用多项式核作为核函数。本发明的SVM分类平均准确率可达82。
所述S2中，用户上传图像数据的处理步骤包括：
S2.1用户上传标准全身照片，包括正面标准照，背面标准照和侧面标准照；
标准照基于如下标准：
正面标准照：用户身体直立，手臂自然下垂；
背面标准照：用户身体直立，手臂水平伸展；
侧面标准照：用户身体直立，手臂自然下垂。
S2.2采用GrabCut算法对标准照片进行图像分割，将图划分为背景和前景两部分，前景即为用户人体图像数据；
S2.3对用户三围进行定位，包括胸部、腰部、臀部定位，从用户人体图像数据中提取三围信息；并对用户肩部进行定位。
首先，基于分割后的用户背面标准照获取胸部定位，识别出手臂后，对手臂下方位置，占人体高度5％长度的位置处取得人体宽度信息取均值，计算得到胸部位置宽度Bo：
其中Bo为胸部位置宽度，Ho为人体高度，Bp为检测到胸部位置的水平高度，Bwi为所在行人体宽度；
识别出手臂后，通过宽度检测，检测到第一个宽度最小值时将其作为腰部中点，对上下取人体高度5％长度取平均值：
其中Wo为腰部位置宽度，Wp为检测到腰部位置的水平高度，Wwi为所在行人体宽度；
在识别出腰部所在位置后，向下检测至第一个宽度峰值，将其定位为臀部中心点；根据人体高度5％长度的位置取得人体宽度信息取均值，计算出臀部宽度信息Co：
其中Co为臀部位置宽度，Cp为检测到臀部位置的水平高度，Cwi为所在行人体宽度。
基于人体轮廓信息定位肩部：
S2.2.1基于人体轮廓线检测人体宽度，从上至下扫描前景图，扫描线宽度大小第二个峰值处为肩部，扫描线宽度大小第一个谷值处为脖颈；
S2.2.2对人体轮廓线计算斜率，取如下轮廓线：
斜率绝对值接近于零；
向肩部定位下方检测到手臂，斜率开始增加直到接近于正无穷；
向肩部定位上方检测到脖颈，斜率开始增加直到接近于正无穷；
取满足上述要求的轮廓线，限制肩部定位点范围，确定肩部定位。
为实现通过手势控制进行衣服的筛选，在人体图像数据采集过程中可，利用SVM进行特征训练，实现手势识别；或通过kinect体感机进行指尖判定，实现手势识别；
S3将人体图像数据和服装建模数据关联，在显示器上显示；
根据模型训练后确认的身材类型，选择对应身材类型的服装；服装模型的长度与宽度确定方法为：
服装长度cL＝(sH-Cp)/(ho/Ho)；服装宽度bW＝(fB+Co)/2；
其中cL为图中服装长度，sH为图中肩部高度，Cp为图中臀部高度，ho为用户真实身高，Ho为图中人体身高；bW为图中服装宽度，fB为图中正面胸部宽度，Co为图中胸部位置宽度。
当服装的匹配效果出现误差或者不符合用户的意图时，可以手动微调服装位置与大小。
服装与人体的肩部定位点的区域大小不一致的，因此本发明中对用户调整的范围进行了限制，以防止用户的误操作。限定方法是：用户对服装的位置进行调节时两者的匹配区域必须有重合区域，否则不能调整。对于服装的大小可以通过手指对屏幕的触控调整。

Claims (9)

1.一种虚拟试衣镜的实现方法，其特征在于，包括如下步骤：
S1服装建模，并对服装根据身材类型分类，包括Y型、A型、H型和X型；
S2用户人体图像数据采集；所述用户人体图像数据为二维数据或三维数据；
所述二维数据获取方式包括：采用LibSVM训练进行数据训练，获取训练模型；LibSVM训练的训练集数据包括用户身高体重、四围信息和身材类型信息；所述四维信息包括胸围、腰围、臀围、肩围；
用户上传标准全身照片和身高体重数据，对用户上传标准全身照片进行图像处理，提取四围信息，将身高体重数据和四维信息导入训练模型，获取身材类型分类；
S3将人体图像数据和服装建模数据关联并显示。
2.根据权利要求1所述的方法，其特征在于，所述S2中，LibSVM训练方法如下：
将单个用户的数据作为一个样本，表示为Di(xi,yi)，其中yi为样本标签，xi为六维的数据点xi(x身高+x体重+x肩围+x臀围+x胸围+x腰围)，设所求SVM空间的超平面方程为g(x)＝＜w,x＞+b，w由样本决定，将w写成a1y1x1+a2y2x2+...+anynxn，式中a为拉格朗日乘子，式中对最终所求的结果产生影响的样本点即所需样本点，即支持向量：
<mrow> <mi>g</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>i</mi> </munderover> <msub> <mi>a</mi> <mi>i</mi> </msub> <msub> <mi>y</mi> <mi>i</mi> </msub> <mo>&lt;</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>,</mo> <mi>x</mi> <mo>&gt;</mo> <mo>+</mo> <mi>b</mi> </mrow>
设核函数形式为K(xi,x)，则所求的超平面形式变化为：
<mrow> <mi>g</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>i</mi> </munderover> <msub> <mi>a</mi> <mi>i</mi> </msub> <msub> <mi>y</mi> <mi>i</mi> </msub> <mi>K</mi> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>,</mo> <mi>x</mi> <mo>)</mo> </mrow> <mo>+</mo> <mi>b</mi> </mrow>
LibSVM训练选择的svm类型为c_svm类型，核函数为多项式核，迭代次数选择3，gamma选择0.166667，分类类别数为60，获取训练模型。
3.根据权利要求1所述方法，其特征在于，所述S2中，用户上传图像数据的处理步骤包括：
S2.1用户上传标准全身照片，包括正面标准照，背面标准照和侧面标准照；
S2.2对标准照片进行图像分割，将图划分为背景和前景两部分，前景即为用户人体图像数据；
S2.3对用户三围进行定位，包括胸部、腰部、臀部定位，从用户人体图像数据中提取三围信息；并对用户肩部进行定位。
4.根据权利要求3所述方法，其特征在于，所述S2.2中，采用GrabCut算法对标准照片进行图像分割。
5.根据权利要求3所述方法，其特征在于，所述S2.3中，基于分割后的用户背面标准照获取胸部定位，识别出手臂后，对手臂下方位置，占人体高度5％长度的位置处取得人体宽度信息取均值，计算得到胸部位置宽度Bo：
<mrow> <mi>B</mi> <mi>o</mi> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mi>B</mi> <mi>p</mi> <mo>-</mo> <mi>H</mi> <mi>o</mi> <mo>*</mo> <mn>5</mn> <mi>%</mi> </mrow> <mrow> <mi>B</mi> <mi>p</mi> <mo>+</mo> <mi>H</mi> <mi>o</mi> <mo>*</mo> <mn>5</mn> <mi>%</mi> </mrow> </munderover> <mi>B</mi> <mi>w</mi> <mi>i</mi> <mo>/</mo> <mi>H</mi> <mi>o</mi> <mo>*</mo> <mn>5</mn> <mi>%</mi> </mrow>
其中Bo为胸部位置宽度，Ho为人体高度，Bp为检测到胸部位置的水平高度，Bwi为所在行人体宽度；
识别出手臂后，通过宽度检测，检测到第一个宽度最小值时将其作为腰部中点，对上下取人体高度5％长度取平均值：
<mrow> <mi>W</mi> <mi>o</mi> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mi>W</mi> <mi>p</mi> <mo>-</mo> <mi>H</mi> <mi>o</mi> <mo>*</mo> <mn>5</mn> <mi>%</mi> </mrow> <mrow> <mi>W</mi> <mi>p</mi> <mo>+</mo> <mi>H</mi> <mi>o</mi> <mo>*</mo> <mn>5</mn> <mi>%</mi> </mrow> </munderover> <mi>W</mi> <mi>w</mi> <mi>i</mi> <mo>/</mo> <mi>H</mi> <mi>o</mi> <mo>*</mo> <mn>5</mn> <mi>%</mi> </mrow>
其中Wo为腰部位置宽度，Wp为检测到腰部位置的水平高度，Wwi为所在行人体宽度；
在识别出腰部所在位置后，向下检测至第一个宽度峰值，将其定位为腰部中心点；根据人体高度5％长度的位置取得人体宽度信息取均值，计算出臀部宽度信息Co：
<mrow> <mi>C</mi> <mi>o</mi> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mi>C</mi> <mi>p</mi> <mo>-</mo> <mi>H</mi> <mi>o</mi> <mo>*</mo> <mn>5</mn> <mi>%</mi> </mrow> <mrow> <mi>C</mi> <mi>p</mi> <mo>+</mo> <mi>H</mi> <mi>o</mi> <mo>*</mo> <mn>5</mn> <mi>%</mi> </mrow> </munderover> <mi>C</mi> <mi>w</mi> <mi>i</mi> <mo>/</mo> <mi>H</mi> <mi>o</mi> <mo>*</mo> <mn>5</mn> <mi>%</mi> </mrow>
其中Co为臀部位置宽度，Cp为检测到臀部位置的水平高度，Cwi为所在行人体宽度。
6.根据权利要求3所述方法，其特征在于，所述S2.3中，基于人体轮廓信息定位肩部：
S2.2.1基于人体轮廓线检测人体宽度，从上至下扫描前景图，扫描线宽度大小第二个峰值处为肩部，扫描线宽度大小第一个谷值处为脖颈；
S2.2.2对人体轮廓线计算斜率，取如下轮廓线：
斜率绝对值接近于零；
向肩部定位下方检测到手臂，斜率开始增加直到接近于正无穷；
向肩部定位上方检测到脖颈，斜率开始增加直到接近于正无穷；
取满足上述要求的轮廓线，限制肩部定位点范围，确定肩部定位。
7.根据权利要求1所述的方法，其特征在于，所述S3中，根据模型训练后确认的身材类型，选择对应身材类型的服装；服装模型的长度与宽度确定方法为：
服装长度cL＝(sH-Cp)/(ho/Ho)；服装宽度bW＝(fB+Co)/2；
其中cL为图中服装长度，sH为图中肩部高度，Cp为图中臀部高度，ho为用户真实身高，Ho为图中人体身高；bW为图中服装宽度，fB为图中正面胸部宽度，Co为图中胸部位置宽度。
8.根据权利要求1所述的方法，其特征在于，所述S2中，所述三维数据基于kinect体感机通过骨骼识别定位获取。
9.根据权利要求1或8所述的方法，其特征在于，所述S3中，还包括手势控制，所述人体图像数据采集过程中，利用LibSVM进行特征训练，实现手势识别；或通过kinect体感机进行指尖判定，实现手势识别。
CN201711224763.4A 2017-11-29 2017-11-29 一种虚拟试衣镜的实现方法 Withdrawn CN108009577A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711224763.4A CN108009577A (zh) 2017-11-29 2017-11-29 一种虚拟试衣镜的实现方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711224763.4A CN108009577A (zh) 2017-11-29 2017-11-29 一种虚拟试衣镜的实现方法

Publications (1)

Publication Number Publication Date
CN108009577A true CN108009577A (zh) 2018-05-08

Family

ID=62054578

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711224763.4A Withdrawn CN108009577A (zh) 2017-11-29 2017-11-29 一种虚拟试衣镜的实现方法

Country Status (1)

Country Link
CN (1) CN108009577A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109409228A (zh) * 2018-09-25 2019-03-01 湖南省忘不了服饰有限公司 适用于服装定制的基于形状上下文的人体体型识别方法
CN109829785A (zh) * 2019-01-21 2019-05-31 深圳市云之梦科技有限公司 虚拟试衣方法、装置、电子设备和存储介质
CN109859007A (zh) * 2019-01-16 2019-06-07 中德（珠海）人工智能研究院有限公司 一种在线试衣系统
WO2020232917A1 (zh) * 2019-05-17 2020-11-26 上海凌笛数码科技有限公司 一种基于机器学习的人体参数自动生成方法
CN112270354A (zh) * 2020-10-27 2021-01-26 中山大学 一种基于人体身形特征的服装推荐方法
CN112907569A (zh) * 2021-03-24 2021-06-04 北京房江湖科技有限公司 头部图像区域的分割方法、装置、电子设备和存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103886115A (zh) * 2012-12-20 2014-06-25 上海工程技术大学 一种基于不同体型的三维虚拟人台的建立及其调用方法
CN104091269A (zh) * 2014-06-30 2014-10-08 京东方科技集团股份有限公司 一种虚拟试衣方法及虚拟试衣系统
CN105389801A (zh) * 2015-10-20 2016-03-09 厦门美图之家科技有限公司 人物轮廓设置方法、人物图像虚化方法、系统及拍摄终端
CN107016721A (zh) * 2017-03-07 2017-08-04 上海优裁信息技术有限公司 人体三维模型的建模方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103886115A (zh) * 2012-12-20 2014-06-25 上海工程技术大学 一种基于不同体型的三维虚拟人台的建立及其调用方法
CN104091269A (zh) * 2014-06-30 2014-10-08 京东方科技集团股份有限公司 一种虚拟试衣方法及虚拟试衣系统
CN105389801A (zh) * 2015-10-20 2016-03-09 厦门美图之家科技有限公司 人物轮廓设置方法、人物图像虚化方法、系统及拍摄终端
CN107016721A (zh) * 2017-03-07 2017-08-04 上海优裁信息技术有限公司 人体三维模型的建模方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张苏豫 等: "基于SVM的青年女子体型分类研究", 《浙江理工大学学报》 *
李晓捷: "基于深度相机的三维人体重建及在服装展示方面的技术研究", 《万方数据库》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109409228A (zh) * 2018-09-25 2019-03-01 湖南省忘不了服饰有限公司 适用于服装定制的基于形状上下文的人体体型识别方法
CN109859007A (zh) * 2019-01-16 2019-06-07 中德（珠海）人工智能研究院有限公司 一种在线试衣系统
CN109829785A (zh) * 2019-01-21 2019-05-31 深圳市云之梦科技有限公司 虚拟试衣方法、装置、电子设备和存储介质
CN109829785B (zh) * 2019-01-21 2021-07-09 深圳市云之梦科技有限公司 虚拟试衣方法、装置、电子设备和存储介质
WO2020232917A1 (zh) * 2019-05-17 2020-11-26 上海凌笛数码科技有限公司 一种基于机器学习的人体参数自动生成方法
CN112270354A (zh) * 2020-10-27 2021-01-26 中山大学 一种基于人体身形特征的服装推荐方法
CN112270354B (zh) * 2020-10-27 2023-06-30 中山大学 一种基于人体身形特征的服装推荐方法
CN112907569A (zh) * 2021-03-24 2021-06-04 北京房江湖科技有限公司 头部图像区域的分割方法、装置、电子设备和存储介质
CN112907569B (zh) * 2021-03-24 2024-03-15 贝壳找房(北京)科技有限公司 头部图像区域的分割方法、装置、电子设备和存储介质

Similar Documents

Publication Publication Date Title
CN108009577A (zh) 一种虚拟试衣镜的实现方法
CN114514562B (zh) 预测性个性化三维身体模型
CN107292948A (zh) 一种人体建模方法、装置及电子设备
CN108053283A (zh) 一种基于3d建模的服装定制方法
CA2734143C (en) Method and apparatus for estimating body shape
US9159134B2 (en) Method and apparatus for estimating a pose
CN104813340B (zh) 从2d图像序列导出准确身体尺寸测量的系统和方法
US8582867B2 (en) Learning-based pose estimation from depth maps
CN104200200B (zh) 融合深度信息和灰度信息实现步态识别的系统及方法
KR102238085B1 (ko) 동작분석 장치 및 방법
CN104123753A (zh) 基于服装图片的三维虚拟试衣方法
CN106022213A (zh) 一种基于三维骨骼信息的人体动作识别方法
WO2009031155A2 (en) Modelization of objects in images
CN107392086A (zh) 人体姿态的评估装置、系统及存储装置
CN103886115B (zh) 一种基于不同体型的三维虚拟人台的建立及其调用方法
CN110678878B (zh) 一种表观特征的描述属性识别方法及装置
CN109427007A (zh) 基于多视角的虚拟试衣方法
JP2016054450A (ja) 画像処理装置、画像処理システム、画像処理方法及びプログラム
CN106127773A (zh) 一种基于图片的脚型数据获取方法
CN104751406B (zh) 一种用于对图像进行虚化的方法和装置
CN110298279A (zh) 一种肢体康复训练辅助方法及系统、介质、设备
CN110020627A (zh) 一种基于深度图与特征融合的行人检测方法
CN112861723A (zh) 基于人体姿势识别的体育动作识别计数方法、装置及计算机可读存储介质
CN115601097A (zh) 一种面向自由换衣的二维虚拟试衣方法
CN112990089A (zh) 一种判断人体运动姿态的方法

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20180508