CN110135078A - 一种基于机器学习的人体参数自动生成方法 - Google Patents

一种基于机器学习的人体参数自动生成方法 Download PDF

Info

Publication number
CN110135078A
CN110135078A CN201910414893.7A CN201910414893A CN110135078A CN 110135078 A CN110135078 A CN 110135078A CN 201910414893 A CN201910414893 A CN 201910414893A CN 110135078 A CN110135078 A CN 110135078A
Authority
CN
China
Prior art keywords
waistline
bust
human parameters
hip circumference
machine learning
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.)
Granted
Application number
CN201910414893.7A
Other languages
English (en)
Other versions
CN110135078B (zh
Inventor
骆立康
王露苑
王波
金小刚
刘郴
黄宁海
邵泽希
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.)
Shanghai Flute Digital Technology Co Ltd
Original Assignee
Shanghai Flute Digital Technology Co Ltd
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 Shanghai Flute Digital Technology Co Ltd filed Critical Shanghai Flute Digital Technology Co Ltd
Priority to CN201910414893.7A priority Critical patent/CN110135078B/zh
Publication of CN110135078A publication Critical patent/CN110135078A/zh
Priority to PCT/CN2019/105296 priority patent/WO2020232917A1/zh
Priority to EP19930004.7A priority patent/EP3951718A4/en
Priority to US17/520,595 priority patent/US20220058874A1/en
Application granted granted Critical
Publication of CN110135078B publication Critical patent/CN110135078B/zh
Priority to US18/490,722 priority patent/US20240046542A1/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
    • G06T17/205—Re-meshing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/10—Constructive solid geometry [CSG] using solid primitives, e.g. cylinders, cubes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/64—Three-dimensional objects
    • G06V20/653—Three-dimensional objects by matching three-dimensional models, e.g. conformal mapping of Riemann surfaces
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/16—Cloth

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Computer Graphics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Computer Hardware Design (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Electrically Operated Instructional Devices (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于机器学习的人体参数自动生成方法，包括步骤：(1)初始化一个转化程序，所述转化程序的输入为精确人体参数，输出为相应的概括性身材描述；(2)通过机器学习的方法训练得到所述概括性身材描述与精确人体参数之间的映射关系；(3)用户输入概括性身材，利用步骤(2)得到的映射关系，输出得到匹配用户真实人体的精确人体参数。本发明方法快速、简单、成本低，实现了在用户输入基本信息和回答问题后，快速生成与用户真实身体数据接近的精确人体参数。

Description

一种基于机器学习的人体参数自动生成方法
技术领域
本发明涉及三维人体重建技术领域，具体涉及一种基于机器学习的人体参数自动生成方法。
背景技术
目前，虚拟试衣是计算机图形学的热门研究方向。在虚拟试衣时，通常需要生成一个与用户真实身材匹配的三维人体模型作为模特穿着服装，用于观看试衣的效果。
三维人体建模技术是利用计算机图形学和视觉方法将现实中人体的三维信息数字化的过程，而三维人体模型生成的关键之一在于真实人体数据的获取。
现有的三维人体重建方法，大多数是根据深度摄像头等设备扫描真实人体，然后根据得到的信息重建三维人体模型。这种方法主要有以下三个缺点：
(1)需要特殊的设备采集人体信息，极大程度地提高了设备成本；
(2)传感器的使用要求周围环境空旷无遮挡，对场地有一定的限制；
(3)采集人体数据时需要用户按照指令摆出相应的姿势，进行旋转或多角度拍摄，操作上存在一定的难度和技巧。
除了上述通过扫描获取真实人体数据的方法之外，还有一些其他的途径。为了解除对复杂扫描仪器等设备的依赖，可以通过简单拍摄几张用户不同角度的全身照或一段包含用户全身图像的视频，来推算得到真实人体不同部位的维度信息，从而生成完整的三维人体模型。
在本发明中，通过让用户回答一系列设定好的概括性身材描述问题，便可以快速得到一组与用户真实人体数据接近的参数，在保证精确性的同时降低了使用成本和难度。
近年来，机器学习的发展极大地促进了计算机科学各个研究领域的发展。目前学术界和工业界有很多开源流行的机器学习框架，例如TensorFlow，它最初于2015年由谷歌发布，是一个基于数据流编程的符号数学系统，被广泛应用于谷歌内部的产品开发和各领域的研究。它灵活的架构使其可在多种平台上使用和部署，学习成本低，用于机器学习和深度神经网络方面的研究，是机器学习中维护得最好和使用最为广泛的框架之一。
利用机器学习，可以通过训练得到不同体型人体的概括性身材描述与真实数据之间的映射关系，只需花费一定的时间采集真实数据，进行学习和训练，即可在之后的实际应用中高效地得到准确的结果，这为三维人体重建提供了一种新的思路。
发明内容
针对本领域存在的不足之处，本发明提供了一种基于机器学习的人体参数自动生成方法。本发明方法快速、简单、成本低，实现了在用户输入基本信息和回答问题后，快速生成与用户真实身体数据接近的精确人体参数。
一种基于机器学习的人体参数自动生成方法，包括步骤：
(1)初始化一个转化程序，所述转化程序的输入为精确人体参数，输出为相应的概括性身材描述；
(2)通过机器学习的方法训练得到所述概括性身材描述与精确人体参数之间的映射关系；
(3)用户输入概括性身材，利用步骤(2)得到的映射关系，输出得到匹配用户真实人体的精确人体参数。
作为优选，所述精确人体参数包括性别、身高、体重、颈围、肩宽、胸围、腰围、臂长、前腰节长和臀围；
所述概括性身材描述包括对颈型、肩型、背部、胸型、臂长、腰型、腹型和体型的描述。
概括性身材描述中，对颈型的描述按如下划分：
若颈围≤35cm，描述为偏细；
若35cm＜颈围＜40cm，描述为正常；
若颈围≥40cm，描述为偏粗。
概括性身材描述中，对胸型的描述按如下划分：
对于男性：
若胸围/身高≤0.55，描述为平坦；
若0.55＜胸围/身高＜0.6且胸围－腰围＞6cm，描述为肌肉一般；
若0.55＜胸围/身高＜0.6且胸围－腰围≤6cm，描述为肥大一般；
若胸围/身高≥0.6且胸围－腰围＞10cm，描述为肌肉严重；
若胸围/身高≥0.6且胸围－腰围≤10cm，描述为肥大严重；
对于女性：
若胸围/身高≤0.52，描述为A罩杯；
若0.52＜胸围/身高≤0.58，描述为B罩杯；
若0.58＜胸围/身高≤0.64，描述为C罩杯；
若0.64＜胸围/身高≤0.7，描述为D罩杯；
若胸围/身高＞0.7，描述为E罩杯。
概括性身材描述中，对肩型的描述按如下划分：
若肩部平坦易挂物，描述为平肩；
若肩部微斜能挂物，描述为常规；
若肩部下斜无法挂物，描述为溜肩，根据程度再细分为溜肩一般和溜肩严重。
概括性身材描述中，对背部的描述按如下划分：
若平时昂首挺胸，描述为挺腰；
若为正常体态或微驼，描述为直背；
若明显驼背，根据程度描述为驼背一般或驼背严重。
概括性身材描述中，对臂长的描述按如下划分：
若臂长/前腰节长＜1.2，描述为偏短；
若1.2≤臂长/前腰节长＜1.26，描述为正常；
若臂长/前腰节长≥1.26，描述为偏长。
概括性身材描述中，对腰型的描述按如下划分：
若腰围/臀围≤0.8，描述为内凹；
若0.8＜腰围/臀围≤0.87，描述为直筒；
若0.87＜腰围/臀围≤0.93，描述为外凸一般；
若腰围/臀围＞0.93，描述为外凸严重。
概括性身材描述中，对腹型的描述按如下划分：
对于男性：
若腰围/臀围≤0.77，描述为凹陷；
若0.77＜腰围/臀围≤0.87，描述为平坦；
若0.87＜腰围/臀围≤0.95，描述为凸出一般；
若腰围/臀围＞0.95，描述为凸出严重；
对于女性：
若腰围/臀围≤0.76，描述为凹陷；
若0.76＜腰围/臀围≤0.82，描述为平坦；
若0.82＜腰围/臀围≤0.92，描述为凸出一般；
若腰围/臀围＞0.92，描述为凸出严重。
概括性身材描述中，对体型的描述按如下划分：
对于男性：
若胸围－腰围＜2cm，描述为O型；
若2cm≤胸围－腰围＜5cm，描述为正三角型；
若5cm≤胸围－腰围＜10cm，描述为H型；
若胸围－腰围≥10cm，描述为倒三角型；
对于女性：
若0.39＜肩宽/臀围≤0.49且(胸围+臀围)/(2×腰围)≤1.12，描述为O型；
若0.39＜肩宽/臀围≤0.49且1.12＜(胸围+臀围)/(2×腰围)≤1.2，描述为H型；
若肩宽/臀围＞0.49，描述为正三角型；
若0.39＜肩宽/臀围≤0.49且1.2＜(胸围+臀围)/(2×腰围)，描述为X型；
若肩宽/臀围＜0.39，描述为倒三角型。
在上述概括性身材描述的判断中，如胸围/身高表示的是胸围和身高之比，如胸围－腰围表示的是胸围和腰围之差，如胸围+臀围表示的是胸围与臀围之和，如2×腰围表示的是腰围的2倍，诸如此类。
步骤(1)中，将若干组精确人体参数输入转化程序，可输出得到不同组合的概括性身材描述。
例如，对于给定的一组精确人体参数，通过转化程序，输出一组关于该人体的概括性身材描述，具体如下：性别“男”，身高“175cm”，体重“75kg”，颈型“正常”、胸型“肌肉严重”、肩型“常规”、背部“直背”、臂长“偏短”、腰型“外凸一般”、腹型“平坦”、体型“倒三角形”。
作为优选，所述步骤(2)的具体步骤为：
(2-1)将若干组步骤(1)中输入的精确人体参数和输出的相应的概括性身材描述划分为训练集和测试集；
(2-2)以训练集数据中的概括性身材描述作为输入，精确人体参数作为输出，基于回归决策树，分别设置不同的超参数训练得到若干个回归决策树模型，即为若干个概括性身材描述与精确人体参数之间的映射关系；
(2-3)使用测试集数据分别测试步骤(2-2)中训练得到的若干个回归决策树模型，并计算相应的线性回归决定系数R2，计算公式如下：
其中，SSE表示残差平方和，SST表示总离差平方和，yi表示第i组真实精确人体参数，fi表示第i组预测精确人体参数，表示测试集中所有真实精确人体参数的平均值；
(2-4)选择R2值最大的回归决策树模型作为最终的预测模型，即为最终的概括性身材描述与精确人体参数之间的映射关系。
线性回归决定系数R2用于评价回归模型的系数拟合优度，其取值范围为[0,1]，通过判定排除过拟合的情况，当R2取值越接近1时，表示模型拟合程度越好。
作为优选，步骤(2-1)中，所述训练集和测试集的数据量之比为7:3。
步骤(2-2)中，所述的超参数包括损失函数、学习率、弱学习器的数目、每一个学习器的最大深度、可划分为内部节点的最小样本数和叶节点所需的最小样本数。
步骤(3)中，用户可以回答一系列设定好的概括性身材描述问题或对给出的概括性身材描述选项进行选择，并以此作为概括性身材的输入。
本发明与现有技术相比，主要优点包括：
(1)不需要特殊的设备采集人体信息，成本低；
(2)没有特殊的场地限制；
(3)只需用户回答预先设定好的调查问卷，即可快速生成与用户真实身体数据接近的精确人体参数；
具体实施方式
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。下列实施例中未注明具体条件的实验方法，通常按照常规条件，或按照制造厂商所建议的条件。
本实施例的基于机器学习的人体参数自动生成方法，包括步骤：
(1)初始化一个转化程序，所述转化程序的输入为精确人体参数，输出为相应的概括性身材描述；
(2)通过机器学习的方法训练得到所述概括性身材描述与精确人体参数之间的映射关系；
(3)用户输入概括性身材，利用步骤(2)得到的映射关系，输出得到匹配用户真实人体的精确人体参数。
步骤(1)中的转化程序的概括性身材描述与判断条件如下表1所示。
表1转化程序的概括性身材描述与判断条件
步骤(2)的具体步骤为：
(2-1)将若干组步骤(1)中输入的精确人体参数和输出的相应的概括性身材描述划分为训练集和测试集，训练集和测试集的数据量之比为7:3；
(2-2)以训练集数据中的概括性身材描述作为输入，精确人体参数作为输出，基于回归决策树，分别设置不同的超参数训练得到若干个回归决策树模型，即为若干个概括性身材描述与精确人体参数之间的映射关系；
所述超参数包括损失函数、学习率、弱学习器的数目、每一个学习器的最大深度、可划分为内部节点的最小样本数和叶节点所需的最小样本数。
(2-3)使用测试集数据分别测试步骤(2-2)中训练得到的若干个回归决策树模型，并计算相应的线性回归决定系数R2，计算公式如下：
其中，SSE表示残差平方和，SST表示总离差平方和，yi表示第i组真实精确人体参数，fi表示第i组预测精确人体参数，表示测试集中所有真实精确人体参数的平均值；
(2-4)选择R2值最大的回归决策树模型作为最终的预测模型，即为最终的概括性身材描述与精确人体参数之间的映射关系。
线性回归决定系数R2用于评价回归模型的系数拟合优度，其取值范围为[0,1]，通过判定排除过拟合的情况，当R2取值越接近1时，表示模型拟合程度越好。
步骤(3)中，以问卷形式让用户回答一系列设定好的概括性身材描述问题或对给出的概括性身材描述选项进行选择，并以此作为概括性身材的输入。
所述问卷具体分为男性、女性两种问卷形式，均需要回答确定的身高和体重，其余概括性身材描述问题让用户根据给予的人体模型图片选择符合自己身材实际情况的选项。
此外应理解，在阅读了本发明的上述描述内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

Claims (10)

1.一种基于机器学习的人体参数自动生成方法，包括步骤：
(1)初始化一个转化程序，所述转化程序的输入为精确人体参数，输出为相应的概括性身材描述；
(2)通过机器学习的方法训练得到所述概括性身材描述与精确人体参数之间的映射关系；
(3)用户输入概括性身材，利用步骤(2)得到的映射关系，输出得到匹配用户真实人体的精确人体参数。
2.根据权利要求1所述的基于机器学习的人体参数自动生成方法，其特征在于，所述精确人体参数包括性别、身高、体重、颈围、肩宽、胸围、腰围、臂长、前腰节长和臀围；
所述概括性身材描述包括对颈型、肩型、背部、胸型、臂长、腰型、腹型和体型的描述。
3.根据权利要求2所述的基于机器学习的人体参数自动生成方法，其特征在于，对颈型的描述按如下划分：
若颈围≤35cm，描述为偏细；
若35cm＜颈围＜40cm，描述为正常；
若颈围≥40cm，描述为偏粗。
4.根据权利要求2所述的基于机器学习的人体参数自动生成方法，其特征在于，对胸型的描述按如下划分：
对于男性：
若胸围/身高≤0.55，描述为平坦；
若0.55＜胸围/身高＜0.6且胸围-腰围＞6cm，描述为肌肉一般；
若0.55＜胸围/身高＜0.6且胸围-腰围≤6cm，描述为肥大一般；
若胸围/身高≥0.6且胸围-腰围＞10cm，描述为肌肉严重；
若胸围/身高≥0.6且胸围-腰围≤10cm，描述为肥大严重；
对于女性：
若胸围/身高≤0.52，描述为A罩杯；
若0.52＜胸围/身高≤0.58，描述为B罩杯；
若0.58＜胸围/身高≤0.64，描述为C罩杯；
若0.64＜胸围/身高≤0.7，描述为D罩杯；
若胸围/身高＞0.7，描述为E罩杯。
5.根据权利要求2所述的基于机器学习的人体参数自动生成方法，其特征在于，对臂长的描述按如下划分：
若臂长/前腰节长＜1.2，描述为偏短；
若1.2≤臂长/前腰节长＜1.26，描述为正常；
若臂长/前腰节长≥1.26，描述为偏长。
6.根据权利要求2所述的基于机器学习的人体参数自动生成方法，其特征在于，对腰型的描述按如下划分：
若腰围/臀围≤0.8，描述为内凹；
若0.8＜腰围/臀围≤0.87，描述为直筒；
若0.87＜腰围/臀围≤0.93，描述为外凸一般；
若腰围/臀围＞0.93，描述为外凸严重。
7.根据权利要求2所述的基于机器学习的人体参数自动生成方法，其特征在于，对腹型的描述按如下划分：
对于男性：
若腰围/臀围≤0.77，描述为凹陷；
若0.77＜腰围/臀围≤0.87，描述为平坦；
若0.87＜腰围/臀围≤0.95，描述为凸出一般；
若腰围/臀围＞0.95，描述为凸出严重；
对于女性：
若腰围/臀围≤0.76，描述为凹陷；
若0.76＜腰围/臀围≤0.82，描述为平坦；
若0.82＜腰围/臀围≤0.92，描述为凸出一般；
若腰围/臀围＞0.92，描述为凸出严重。
8.根据权利要求2所述的基于机器学习的人体参数自动生成方法，其特征在于，对体型的描述按如下划分：
对于男性：
若胸围-腰围＜2cm，描述为O型；
若2cm≤胸围-腰围＜5cm，描述为正三角型；
若5cm≤胸围-腰围＜10cm，描述为H型；
若胸围-腰围≥10cm，描述为倒三角型；
对于女性：
若0.39＜肩宽/臀围≤0.49且(胸围+臀围)/(2×腰围)≤1.12，描述为O型；
若0.39＜肩宽/臀围≤0.49且1.12＜(胸围+臀围)/(2×腰围)≤1.2，描述为H型；
若肩宽/臀围＞0.49，描述为正三角型；
若0.39＜肩宽/臀围≤0.49且1.2＜(胸围+臀围)/(2×腰围)，描述为X型；
若肩宽/臀围＜0.39，描述为倒三角型。
9.根据权利要求1所述的基于机器学习的人体参数自动生成方法，其特征在于，所述步骤(2)的具体步骤为：
(2-1)将若干组步骤(1)中输入的精确人体参数和输出的相应的概括性身材描述划分为训练集和测试集；
(2-2)以训练集数据中的概括性身材描述作为输入，精确人体参数作为输出，基于回归决策树，分别设置不同的超参数训练得到若干个回归决策树模型，即为若干个概括性身材描述与精确人体参数之间的映射关系；
(2-3)使用测试集数据分别测试步骤(2-2)中训练得到的若干个回归决策树模型，并计算相应的线性回归决定系数R2，计算公式如下：
其中，SSE表示残差平方和，SST表示总离差平方和，yi表示第i组真实精确人体参数，fi表示第i组预测精确人体参数，表示测试集中所有真实精确人体参数的平均值；
(2-4)选择R2值最大的回归决策树模型作为最终的预测模型，即为最终的概括性身材描述与精确人体参数之间的映射关系。
10.根据权利要求8所述的基于机器学习的人体参数自动生成方法，其特征在于，步骤(2-1)中，所述训练集和测试集的数据量之比为7∶3。
CN201910414893.7A 2019-05-07 2019-05-17 一种基于机器学习的人体参数自动生成方法 Active CN110135078B (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN201910414893.7A CN110135078B (zh) 2019-05-17 2019-05-17 一种基于机器学习的人体参数自动生成方法
PCT/CN2019/105296 WO2020232917A1 (zh) 2019-05-17 2019-09-11 一种基于机器学习的人体参数自动生成方法
EP19930004.7A EP3951718A4 (en) 2019-05-17 2019-09-11 AUTOMATIC METHOD OF GENERATION OF PARAMETERS OF A HUMAN BODY BASED ON MACHINE LEARNING
US17/520,595 US20220058874A1 (en) 2019-05-07 2021-11-05 Automatic human body parameter generation method based on machine learning
US18/490,722 US20240046542A1 (en) 2019-05-07 2023-10-19 Automatic human body parameter generation method based on machine learning

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910414893.7A CN110135078B (zh) 2019-05-17 2019-05-17 一种基于机器学习的人体参数自动生成方法

Publications (2)

Publication Number Publication Date
CN110135078A true CN110135078A (zh) 2019-08-16
CN110135078B CN110135078B (zh) 2023-03-14

Family

ID=67571237

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910414893.7A Active CN110135078B (zh) 2019-05-07 2019-05-17 一种基于机器学习的人体参数自动生成方法

Country Status (4)

Country Link
US (1) US20220058874A1 (zh)
EP (1) EP3951718A4 (zh)
CN (1) CN110135078B (zh)
WO (1) WO2020232917A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101013481A (zh) * 2007-02-09 2007-08-08 浙江理工大学 一种女体体型分类和识别方法
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
CN103886117A (zh) * 2012-12-20 2014-06-25 上海工程技术大学 一种提高三维试衣软件中虚拟人体建模精度的方法
US20150312694A1 (en) * 2014-04-29 2015-10-29 Microsoft Corporation Hrtf personalization based on anthropometric features
CN107095378A (zh) * 2017-05-05 2017-08-29 温州法派服饰有限公司 一种智能胸围测定方法
CN107154071A (zh) * 2016-03-02 2017-09-12 南京航空航天大学 基于实例根据人体测量尺寸数据生成个性化人体模型的方法
CN107194987A (zh) * 2017-05-12 2017-09-22 西安蒜泥电子科技有限责任公司 对人体测量数据进行预测的方法
CN107491613A (zh) * 2017-08-23 2017-12-19 济南爱编织信息科技有限公司 一种绘制人体服装原型图的方法和装置
CN107818318A (zh) * 2017-11-27 2018-03-20 华南理工大学 一种人形机器人模仿相似度评价方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012075298A2 (en) * 2010-12-01 2012-06-07 Cornell University Body shape analysis method and system
US10818062B2 (en) * 2016-01-29 2020-10-27 Max-Planck-Gesellschaft Zur Förderung D. Wissenschaften E.V. Crowdshaping realistic 3D avatars with words
EP3408836A1 (en) * 2016-01-29 2018-12-05 Max-Planck-Gesellschaft zur Förderung der Wissenschaften e.V. Crowdshaping realistic 3d avatars with words
CN106933976B (zh) * 2017-02-14 2020-09-18 深圳奥比中光科技有限公司 建立人体3d净模型的方法及其在3d试衣中的应用
CN108009577A (zh) * 2017-11-29 2018-05-08 南京工业大学 一种虚拟试衣镜的实现方法
US11017547B2 (en) * 2018-05-09 2021-05-25 Posture Co., Inc. Method and system for postural analysis and measuring anatomical dimensions from a digital image using machine learning
CN110135078B (zh) * 2019-05-17 2023-03-14 浙江凌迪数字科技有限公司 一种基于机器学习的人体参数自动生成方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101013481A (zh) * 2007-02-09 2007-08-08 浙江理工大学 一种女体体型分类和识别方法
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
CN103886117A (zh) * 2012-12-20 2014-06-25 上海工程技术大学 一种提高三维试衣软件中虚拟人体建模精度的方法
US20150312694A1 (en) * 2014-04-29 2015-10-29 Microsoft Corporation Hrtf personalization based on anthropometric features
CN107154071A (zh) * 2016-03-02 2017-09-12 南京航空航天大学 基于实例根据人体测量尺寸数据生成个性化人体模型的方法
CN107095378A (zh) * 2017-05-05 2017-08-29 温州法派服饰有限公司 一种智能胸围测定方法
CN107194987A (zh) * 2017-05-12 2017-09-22 西安蒜泥电子科技有限责任公司 对人体测量数据进行预测的方法
CN107491613A (zh) * 2017-08-23 2017-12-19 济南爱编织信息科技有限公司 一种绘制人体服装原型图的方法和装置
CN107818318A (zh) * 2017-11-27 2018-03-20 华南理工大学 一种人形机器人模仿相似度评价方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李寒雨等: "一种基于改进迭代决策树算法的目标威胁评估模型", 《舰船电子工程》 *
柴颖: "基于随机森林回归分析的径流预报模型", 《水利水电快报》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Also Published As

Publication number Publication date
US20220058874A1 (en) 2022-02-24
EP3951718A1 (en) 2022-02-09
EP3951718A4 (en) 2022-04-27
CN110135078B (zh) 2023-03-14
WO2020232917A1 (zh) 2020-11-26

Similar Documents

Publication Publication Date Title
Peterson et al. Deep models of superficial face judgments
CN105069294B (zh) 一种用于认知能力值测试的计算和分析方法
KR20210021039A (ko) 이미지 처리 방법, 장치, 전자 기기 및 컴퓨터 판독 가능한 저장 매체
CN111292362A (zh) 图像处理方法、装置、电子设备及计算机可读存储介质
CN109345494B (zh) 基于潜在低秩表示和结构张量的图像融合方法及装置
O’Toole et al. A perceptual learning theory of the information in faces
CN110197729A (zh) 基于深度学习的静息态fMRI数据分类方法和装置
CN109167996A (zh) 一种基于卷积神经网络的无参考立体图像质量评价方法
CN111048209A (zh) 基于活体人脸识别的健康评估方法、装置及其存储介质
CN104182723B (zh) 一种视线估计的方法和装置
CN108694736A (zh) 图像处理方法、装置、服务器及计算机存储介质
US12046374B2 (en) Digital twin
CN108615439A (zh) 用于制定能力训练方案的方法、装置、设备及介质
JP2011039934A (ja) 感情推定システム及びそれを利用した学習システム
CN111354463B (zh) 人体健康测量方法、装置、计算机设备及存储介质
CN110135078A (zh) 一种基于机器学习的人体参数自动生成方法
JP6320844B2 (ja) パーツの影響度に基づいて感情を推定する装置、プログラム及び方法
CN111951950A (zh) 基于深度学习的三维数据医疗分类系统、方法和装置
JP2020181423A (ja) 美容商品の推奨判別方法及びシステム
Harari et al. A computer-based method for the assessment of body-image distortions in anorexia-nervosa patients
Mattausch et al. Comparison of texture synthesis methods for content generation in ultrasound simulation for training
CN115082541B (zh) 一种基于深度学习估计着装状态下人体胸腰部尺寸的方法
Edelman et al. 10 Viewpoint Generalization in Face Recognition: The Role of Category-Specific Processes
Dev et al. A perceptual aesthetics measure for 3D shapes
Wardhana Automatic Segmentation and 3D Reconstruction of Liver and Tumor

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: Room 1958, No. 639 Qianjiang Road, Shangcheng District, Hangzhou, Zhejiang 310008

Applicant after: Zhejiang Lingdi Digital Technology Co.,Ltd.

Address before: 201105 13th floor, building g, MINGGU Science Park, No. 7001, Zhongchun Road, Minhang District, Shanghai

Applicant before: SHANGHAI LINCTEX DIGITAL TECHNOLOGY Co.,Ltd.

GR01 Patent grant
GR01 Patent grant