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 PDFInfo
- 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- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012549 training Methods 0.000 claims description 25
- 210000001217 buttock Anatomy 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 5
- 210000000988 bone and bone Anatomy 0.000 claims description 4
- 238000003709 image segmentation Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 5
- 239000002131 composite material Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000011800 void material Substances 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
- 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
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>&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><</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<mi>x</mi>
<mo>></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>&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>&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>&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>&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。
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)
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)
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 |
-
2017
- 2017-11-29 CN CN201711224763.4A patent/CN108009577A/zh not_active Withdrawn
Patent Citations (4)
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)
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)
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 |