CN110264310B - 一种基于人体大数据的服装制版方法 - Google Patents
一种基于人体大数据的服装制版方法 Download PDFInfo
- Publication number
- CN110264310B CN110264310B CN201910459841.1A CN201910459841A CN110264310B CN 110264310 B CN110264310 B CN 110264310B CN 201910459841 A CN201910459841 A CN 201910459841A CN 110264310 B CN110264310 B CN 110264310B
- Authority
- CN
- China
- Prior art keywords
- human body
- model
- style
- parameters
- clothing
- 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
Images
Classifications
-
- A—HUMAN NECESSITIES
- A41—WEARING APPAREL
- A41H—APPLIANCES OR METHODS FOR MAKING CLOTHES, e.g. FOR DRESS-MAKING OR FOR TAILORING, NOT OTHERWISE PROVIDED FOR
- A41H3/00—Patterns for cutting-out; Methods of drafting or marking-out such patterns, e.g. on the cloth
- A41H3/007—Methods of drafting or marking-out patterns using computers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0621—Item configuration or customization
-
- 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
Abstract
本发明提供一种基于人体大数据的服装制版方法,涉及人体三维测量和服装制版技术领域,解决不规则扫描人体模型条件下的快速、准确、自动制版的问题,包括以下步骤:人体三维扫描与预处理,人体模型站姿修正对称化,人体几何特征提取,人体尺寸关键参数提取,人体三维模型分类与体型特征空间构造;按照服装款式制作服装款式训练样本的版型,服装款式参数提取,服装参数分类与服装特征空间构造,大数据制版神经网络模型训练,根据客户人体模型生成服装款式的版型,部署在线服务,实现基于人体大数据的服装定制版型的快速、准确、自动制版,大数据模型学习制版师的制版经验,为大规模个性化服装定制提供智能化技术解决方案。
Description
技术领域
本发明实施例涉及服装制版领域,尤其涉及大规模个性化服装定制制版领域,更具体地,涉及一种基于人体大数据的服装制版方法。
背景技术
随着互联网和电子商务的快速发展,服装市场环境发生了深刻的变化,以客户需求为导向的买方市场开始形成并发展,使得服装生产方式和销售方式也在逐步改变。人们对服装的功能性需求基础上,美观、个性、定制的需求日益增长。消费者追求个性化的服装设计,对服装合体性的要求越来越高,要求服装穿在人体上不仅使人感到舒适,还能展现和增添人体的美。基于互联网的数字经济的兴起,使传统的服装生产模式从过去的大批量、少品种向着小批量、多品种乃至量身定制的方向转化。服装企业为了满足客户需求的多样化和个性化,用于服装设计、制版的产品大规模定制技术越来越重要,因而对个性化服装定制制版的需求日益凸显。
传统的服装定制制版过程中,量体师测量客户人体关键尺寸参数,再由制版师根据尺寸参数制作服装版型裁片,最终缝制加工成衣。传统的量体制版方法存在诸多弊端,首先制版准确度取决于测量数据的准确性和制版师水平,易受人为因素影响,难以标准化;其次人工操作的效率较低,难以适应互联网电子商务模式下的大规模定制制版要求。随着三维人体扫描设备和服装CAD的普及,基于三维人体扫描的自动制版技术得到快速发展,技术实现上通常有以下三大类方法:
一是根据人体的三维扫描模型进行电子测量,获得人体关键维度的尺寸参数数据,再以此数据为基础通过服装CAD制版;杨少毅和褚智威发明了一种基于三维人体扫描仪的个性化制衣方法,其包含以下步骤:S1,生成人体电子模型;采用三维人体扫描仪采集用户人体数据,生成完整的,与客户身材特点相一致的电子人体模型;S2,成衣种类的确定;S3,生成制衣数据;通过电子测量系统测量人体电子模型,根据用户的成衣种类生成制衣数据;S4,生成制衣二维图纸;S5,生成制衣三维效果图;S6,定制效果展示;根据三维制衣效果图生成衣服穿在所述人体电子模型上的电子穿衣效果图;用户选定电子穿衣效果图后,确定该电子穿衣效果图对应的二维制衣图纸;S7,制衣;根据步骤S6 确定的二维制衣图纸制衣。其中所测量的人体尺寸包含颈围、 臂根围、胸围、腰围、臀围、总肩宽、背宽、臂长、腰高、腰至臀高和内胯高。这一类方法的问题在于有限的尺寸数据难以约束服装版型裁片的曲线,也就难以通过有限的尺寸数值生成合体的版型,仍然需要进行试衣的步骤,制版方法多运用公式运算,没有考虑版型与人体体型的匹配度,这种方式制作的服装样板需要多次调版试样才能达到合体之目的。
二是在三维人体模型基础上提取特征点和特征线,根据服装款式在特征点线上通过缩放和偏移直接构造服装三维模型,再将构造的服装三维裁片直接展平成二维裁片,达到制版目的。黄源浩,肖振中,刘龙等发明了一种三维虚拟服装模型制作方法及系统,其方法包括:A1. 从不同角度,获取包含背景的着装人体模特的深度信息和彩色信息;A2. 利用深度信息,将着装人体模特从背景中分 割出来;A3. 利用彩色信息,将服装从人体模特上分割出来;A4. 利用人体模特的深度信息查找出服装的关键点,由所述关键点定义出缝合线,根据所述缝合线缝合制作成三维虚拟服装模型。根据深度信息和彩色信息,先后将着装人体模特和服装进行分割,可有效避免拍摄环境背景的限制;利用深度信息,可自动找出服装的关键点,不需要手动标定;同时避免了对各个方向上点云数据进行配准和融合,有效缩短了形成模型的时间,且使获得的服装模型效果更加真实。这类方法的问题在于生成的服装三维模型与人体之间的距离通常并不是固定的;服装三维模型本身是无应力状态,即服装面料本身的材料属性无法准确反映在三维模型中,这就影响了模型的准确度,这也是三维虚拟试衣仍然无法解决服装定制制版的根本所在。
三是在三维人体模型上提取制衣特征点和特征线,再将人体表面分隔成若干区域,将各区域的三维曲面片展平成二维,以此为依据添加适当松量生成二维服装版型;杨允出和邹奉元发明一种基于个性化三维虚拟人台的服装衣身原型样板生成方法,首先将人体躯干的三维数据进行切面曲线拟合,重新采样,对称化处、凸包计算、内凹区域点的平移和曲面拟合等处理,得到对称的、类似穿着紧身服效果的服装虚拟人台;然后在半身的三维人台上定义特征点和线,并进一步细分各区域曲面;最后基于特征线约束,将三维曲面进行二维展平,生成个性化的服装原型样板。利用本发明所得到三维虚拟人体模型,可应用于服装工业人台的个性化定制,所生成的原型样板不仅继承了现有三维曲面展平技术的准确性,同时又能保持传统原型的结构特征,使结果能充分利用成熟的二维CAD 技术,进一步进行特定款式服装的样板定制。这类方法的问题在于忽略真实人体的不标准性,以人台代替真实扫描人体进行制版。真实人体由于站姿和自身体型问题,扫描模型通常都是不对称、不标准的,存在弯曲、扭转、高低不同等问题,也是这类方法不能解决大规模个性化定制的原因所在。
综上所述,现有技术在大规模个性化服装定制制版领域仍然存在各种局限问题,在对现有方法技术的总结分析基础上,针对上述的各类问题,为解决大规模个性化服装定制自动化制版问题,本发明公开一种基于人体大数据的服装制版方法,将版师制版经验的模型化,重点解决不规则扫描人体模型条件下的快速、准确、自动制版的问题,所述方法包括以下步骤:分别针对大数据建模用训练样本人体和服装定制客户人体,S01人体三维扫描与预处理,S02人体模型站姿修正对称化,S03人体几何特征提取,S04人体尺寸关键参数提取,S05人体三维模型分类与体型特征空间构造;按照服装款式,S06针对选定的训练样本人体制作服装款式训练样本的版型,S07服装款式参数提取,S08服装参数分类与服装特征空间构造,S09大数据制版神经网络模型训练,S10根据客户定制人体模型生成服装款式的版型,S11在线大数据云服务部署。采用CS架构部署云服务器,客户端集成人体扫描、模型处理、制版等功能和界面,服务器端集成存储训练的大数据制版神经网络模型、模型的特征参数、模型分类、驱动模型的公式、系数、材料属性等标准数据库,上述制版过程能够实现人体大数据的服装定制版型的快速、准确、自动制版,大数据模型学习制版师的制版经验,为大规模个性化服装定制提供智能化技术解决方案。
发明内容
(一)要解决的技术问题
本发明的主要目的是提供一种基于人体大数据的服装制版方法及装置,传统的基于测量参数的制版技术在版型的合体度和制版效率方面具有较大缺陷:1)扫描过程中会由于目标人站姿和体型的因素导致人体模型不对称、不标准,直接扫描的人体模型作为制版数据来源影响版型的准确性;2)不同人体的形态差异较大,个性化服装定制制版目标是实现一人一版,需要人工交互模式的辅助制版方法难以实现大规模定制的目标,不仅对操作者的要求较高,且易受人为因素影响;3)版师水平参差不齐,经验难以量化描述、传承,导致制版质量整体水平差异较大,从而限制服装定制行业的发展,无法实现高水准、自动化的大规模服装定制制版。
(二)技术方案
本发明实施例提供了一种克服上述问题或者至少部分地解决上述问题的个性化服装定制制版方法。
1、一种基于人体大数据的服装制版方法,其特征在于,所述方法包括以下步骤:
S01.人体三维扫描与网格模型预处理,使用3个三维深度摄像头、便携式支架和转盘进行人体扫描;网格模型预处理过程包括,网格去噪、网格光顺、网格简化、网格规范化、网格语义解析、网格模型基础坐标系标准化等子步骤;
S02.模型站姿修正处理,针对用户在扫描过程中站姿不标准的问题,即扫描模型中普遍存在的前后弯曲、左右弯曲、左右S型弯曲、上下同轴扭转、上下离轴扭转、高低肩、前后腿、重心偏移等典型站姿不规范问题,先采用多角度截面扫描对模型进行多角度层切,然后构建基于局部坐标系插值方法进行站姿修正;模型规则化处理,针对用户人体客观存在的体型不标准的情况,包括高低肩、高低胸、大小胸、长短退、左右不对称等,采用基于局部包围盒变形的方法,按各部位不同原则进行变形,实现规则化处理过程;针对用户人体客观存在的体型不标准的情况进行体型规则化处理 ,采用基于局部包围盒变形的方法,按各部位不同原则进行变形,实现规则化处理过程;包围盒以竖直方向(Z轴)上相邻两个层切面为Z轴方向的上下边界,再以该两个截面中间部分的三维模型的角点(X、Y的最大和最小值)为X、Y轴方向的边界构造。内部点的变形按相邻两层切面的的局部坐标系插值进行变换;
S03.人体几何特征提取,对修正后的人体三维模型进行自底向上的逐层水平截面层切,得到每一层的截面曲线,对曲线进行等距离重采样,采样成等距分布的N个点,计算N个点的曲率,绘制整个模型所有层的曲率分布图,根据曲率分布提取曲率敏感特征点;根据所有层界面曲线中心对称轴,拟合提取模型中立面,将模型分成左右两个部分,计算中立面与模型的截面曲线,根据该曲线提取中立面上的特征点;由特征点的位置进一步提取截面,与三维模型求交获得特征曲线,即制版结构线;
S04. 人体尺寸关键参数提取,根据几何特征点和特征线,在人体表面构造局部坐标系,提取尺寸关键参数,提取的尺寸关键参数包括四类:1)位置类,2)直线距离类,3)曲线长类,4)夹角类;
S05. 人体三维模型分类与体型特征空间构造,将提取到的人体尺寸关键参数以一维向量的形式组织,分析各参数之间的相关性,确定各参数的权重,利用聚类算法对训练样本数据分类,构造体型的高维特征空间,使用主成分分析(PCA)算法降维,确定主控参数;
S06. 按照服装款式,针对选定的训练样本人体制作服装款式训练样本的版型;
S07. 服装款式参数提取,将服装款式版型转化为点、线段、多项式曲线的形式,提取训练样本服装款式的尺寸关键参数;
S08. 服装参数分类与服装特征空间构造,将提取到的服装款式尺寸关键参数以一维向量的形式组织,分析各参数之间的相关性,确定各参数的权重,利用聚类算法对训练样本数据分类,构造体型的高维特征空间,使用PCA算法降维,确定主控参数;
S09. 大数据制版神经网络模型训练,构造深度神经网络模型,输入层为所有的训练样本的人体尺寸关键参数,输出为对应的所有训练样本的服装款式尺寸关键参数,利用神经网络训练算法训练模型,确定模型参数;
S10. 根据客户定制人体模型生成服装款式的版型,对客户定制人体模型执行步骤S01-S05,完成模型处理、几何特征提取、尺寸参数提取和分类,利用训练的大数据制版神经网络模型生成对应的客户服装款式版型;
S11. 在线大数据云服务部署,采用CS架构部署云服务器,上述制版过程能够实现人体大数据的服装定制版型的快速、准确、自动制版,大数据模型学习制版师的制版经验,为大规模个性化服装定制提供智能化技术解决方案。
2、进一步地,所述的方法,其特征在于,所述步骤S01中,人体扫描使用至少一个三维深度摄像头、便携式支架和转盘进行人体扫描;摄像头之间的间距为0.7-0.8m,摄像头在支架上沿一条竖直的直线布局,朝向水平方向,距离扫描目标1.0-1.5m;支架对摄像头起支撑作用;便携式支架便于拆装和移动;转盘除了能够承载人体稳定旋转以外无特殊要求,转速控制在15-20s转动一周。
对经扫描的数据点进行预处理的步骤包括:网格去噪去除噪声点,保留人体模型躯干主要部分;网格光顺根据网格的连接关系,计算所有顶点的领域点,使用该点与邻域点组成的向量平均值作为该点曲率值,按照曲率进行光顺处理;网格简化实现网格模型的三角面片简化,采用邻近顶点合并算法;网格规范化完成异常三角网格的剔除;网格语义解析完成在宏观尺度上分析模型主轴,即身高方向,沿垂直于身高方向的平面层切模型获取截面曲线,分析截面曲线形状,利用局部形状分析方法解析形状语义。
2.1 所述的网格模型为使用扫描软件生成的网格模型,包括顶点数据和三角形面数据,其中顶点数据包括所有点的x、y、z坐标值,三角形面数据包括所有三角形的顶点序号索引。
2.2 所述的网格模型预处理过程包括,网格去噪、网格光顺、网格简化、网格规范化、网格语义解析、网格模型基础坐标系标准化等子步骤。
2.3 其中,网格去噪去除噪声点,通过顶点坐标和索引序号,通过合并相同坐标值点的索引序号,查找点云和三角形面的连通区域,人体模型躯干是其中点数最多的块,保留人体模型躯干主要部分,删掉其余部分。
2.4 其中,网格光顺根据网格的连接关系,计算所有顶点的领域点,使用该点与邻域点组成的向量平均值作为该点曲率值,按照曲率进行光顺处理;任意一点P的曲率的表示方法为:提取P的所有邻域点构成集合Pj(j=0,1,…,J),计算所有向量PjP的平均值作为点P的曲率。
2.5 网格简化实现网格模型的三角面片简化,采用邻近顶点合并算法;给定临近点判定的阈值d,对于任意一点P,与其距离小于d的点Pi,均与P合并,即使用点P的索引序号代替Pi的索引序号;网格规范化完成异常三角网格的剔除。
2.6 本发明中语义属性定义为一组几何元素集合(包括点集、线段集、曲线集、曲面集)对应于人体体型部分(头部、肩部、胸、躯干、臀部、左右大腿、左右小腿、左右脚、左右上臂、左右下臂、左右手)的分类归属;网格语义解析完成在宏观尺度上分析模型主轴,即身高方向,沿垂直于身高方向的平面层切模型获取截面曲线,分析截面曲线形状,利用局部形状分析方法解析形状语义属性,解析出头部曲线、腿部曲线、躯干部曲线等语义。
其中对所述人体数据点集进行修正处理的步骤包括:沿几何中心点构造对称轴,对称轴在0-180度内循环迭代,使用对称轴两侧最近点距离的加权最小二乘法计算最优对称轴线,取两侧所有点最小距离的均值作为曲线的不对称性度量值;网格模型基础坐标系标准化是根据解析的语义,重新构造模型局部坐标系,以身高方向为Z轴,头部向上为Z轴正向,以左右手方向为X轴,右手为X轴正向,根据坐标系右手定则,人体模型面朝Y轴正向。
3、进一步地,根据权利要求1所述的方法,其特征在于,所述步骤S02中,进行模型站姿修正处理。首先定义几何中心点、物理中心点。几何中心点:一组几何元素的顶点集合(包括点集、线段的端点集、曲线顶点集、曲面顶点集)所分布的三维几何空间沿x、y、z轴方向最大值与最小值的平均值,即GeoCen.x = 0.5*(xMax+xMin);GeoCen.y = 0.5*(yMax+yMin); GeoCen.z = 0.5*(zMax+zMin)。物理中心点: 一组几何元素的顶点集合(包括点集、线段的端点集、曲线顶点集、曲面顶点集)的所有点坐标值平均值,PhyCen.x=(x1+x2+…+xi+…+xN)/N,PhyCen.y=(y1+y2+…+yi+…+yN)/N,PhyCen.z=(z1+z2+…+zi+…+zN)/N, (i=0,1,…N),N为点的个数。
几何中心点表示目标点集在几何空间上的中心位置,物理中心点表示目标点集在其本身分布空间上的中心位置,考虑其为物理中心。针对用户在扫描过程中站姿不标准的问题,即扫描模型中普遍存在的前后弯曲、左右弯曲、左右S型弯曲、上下同轴扭转、上下离轴扭转、高低肩、前后腿、重心偏移等典型站姿不规范问题,先采用多角度截面扫描对模型进行多角度层切,根据所有层界面曲线中心对称轴,获得各层的中心对称线。针对某一层,以此层中心对称线为Y轴,以该层中心点与上一层中心点连线作为Z轴,构造正交直角坐标系;构造所有层切的局部坐标系,坐标系表示该层的变形情况(扭曲、扭转、弯曲、左右S型),将各层采样点与盖层坐标系进行绑定,即该层采样点与该层局部坐标系采用相同的空间变换,实现基于局部坐标系插值的站姿修正。
其中,模型的层切通过三角形与平面的求交算法求得模型中所有的三角形与切割平面的交叉情况,结果有三种情况:1)与平面不相交、2)与平面重合、3)与平面相交且一个点在平面上、4)与平面相交且两条边穿过平面即有两个交点,前3种情况不考虑,仅根据第4)种情况将所有相交的三角形的交点提取作为高平面的层切曲线。
进行模型规则化处理,针对用户人体客观存在的体型不标准的情况,包括高低肩、高低胸、大小胸、长短退、左右不对称等,采用基于局部包围盒变形的方法,按各部位不同原则进行变形,实现规则化处理过程;在上述的局部坐标系基础上,根据层语义构建局部包围盒,计算左右两边的差异,以数值较大的一侧为准,进行基于包围盒的整体变形,内部的点采用基于体积坐标的方式由包围盒顶点线性表示。
其中,体积坐标采用四面体或六面体包围盒的方式,即构造连续的四面体或六面体网格将目标体的所有点包覆,四面体内部的任一点坐标的变化可以由其包围盒的四个顶点坐标的变化线性表示。
4、进一步地,所述的方法,其特征在于,所述步骤S03中,进行人体几何特征提取,提取顺序为,首先提取中立面截面曲线上的后颈点、腰点、臀点、前领窝点、腹点等,采用几何分析法,中立面截面曲线后上部Y坐标最小点为后颈点、曲线后下部Y坐标最小点为臀点,后部Y坐标最大为腰点,以此类推;胸点、腹点在相应的层切曲线上搜索;然后根据特征点取过该点的水平面作为特征平面,求该平面上的截面曲线,为横向特征线,包括臀围线、腰围线、胸围线、领围线等;将上述的各围线圆环以后中点为起点12等分,连接纵向各曲线,定义12条纵向特征线:后中线、前中线、左侧缝、右侧缝、左后公主线、左前公主线、右后公主线、右前公主线、左后侧缝、左前侧缝、右前侧缝、右后侧缝等;特征点之间的曲面表面最短路径曲线作为该曲线的实际值;根据人体尺寸参数关系模型,构建神经网络模型实现异常点检测与修正机制。
5、进一步地,所述的方法,其特征在于,所述步骤S04中,人体尺寸关键参数提取,根据几何特征点和特征线,在人体表面构造局部坐标系,提取尺寸关键参数,提取的尺寸关键参数包括四类:1)位置类,2)直线距离类,3)曲线长类,4)夹角类;其中1)位置类包括特征点的位置坐标,这类参数表示特征点的绝对空间位置和相对位置,具体包括步骤S03中提取的后臀点、左臀点、右臀点、左胯点、右胯点、后腰点、左腰点、右腰点、腹点、左胸点、右胸点、左肩胛点、右肩胛点、左肩点、右肩点、左前腋点、左后腋点、右前腋点、右后腋点、左腋下点、右腋下点、前领窝点、后颈点、左颈侧点、右颈侧点、大腿中点、左膝点、右膝点、左踝点、右踝点、左肘点、右肘点、左腕点、右腕点等34个特征点的坐标值;2)直线距离类,包括两个特征点之间的直线距离、两个特征面之间的距离、两条特征曲线的最小距离等,表示特征点、特征线、特征面之间的相对位置关系,还表示的人体局部的平面尺寸和截面曲线的形状特征,具体包括臀腰距离、腰胸距离、腰踝距离、臀踝距离、膝踝距离、跨踝距离、领胸距离、颈胸距离、领腰距离、颈腰距离、左右颈距、左右肩距、左肩距、右肩距、左胸距、右胸距、左腋距、右腋距、左腰距、右腰距、左臀距、右臀距、左膝距、右膝距、左踝距、右踝距等、左肩肘距、右肩肘距、左肘腕距、右肘腕距等个30参数;3)曲线长类包括两个特征点之间按指定的截取面取得的表面曲线的长度、特征面截面曲线的周长等,表示服装制版环节的特征尺寸参数,具体包括臀围周长、腹围周长、腰围周长、胸围周长、颈围周长、左大腿围周长、右大腿围周长、左膝周长、右膝周长、左小腿围周长、右小腿围周长、左踝周长、右踝周长、左肘围周长、右肘围周长、左腕围周长、右腕围周长、左肩周长、右肩周长、左肩宽、右肩宽、前胸宽、左前胸宽、右前胸宽、后背宽、左后背宽、右后背宽、左肩长、右肩长、前腰节长、后腰节长、前胸节长、后胸节长、前身长、后背长、左侧线长、右侧线长、前裆腰长、后裆腰长、左腿侧线长、右腿侧线长、左腿前线长、右腿前线长、左腿后线长、右腿后线长等个45参数;4)夹角类包括空间两两特征线构成的夹角数值、空间特征点处不同位置的切线方向、法线方向构成的夹角,表示人体特征线的相对位置关系和平面版型的特征线夹角,具体包括左腰肩夹角、右腰肩夹角、左腰臀夹角、右腰臀夹角、肩斜角、左肩斜角、右肩斜角、颈前后斜角、后颈弓角、后背弓角、左后臀弓角、右后臀弓角、左膝侧角、右膝侧角等14个角度参数。
6、进一步地,所述的方法,其特征在于,所述步骤S05中,进行人体三维模型分类与体型特征空间构造,首先将提取到的人体尺寸关键参数以一维向量的形式组织,计算协方差矩阵,分析各参数之间的相关性,确定各参数的权重,利用聚类算法对训练样本数据分类,构造体型的高维特征空间,空间维度与特征向量维度相同,使用PCA算法降维,确定主控参数;构造人体模型特征向量的稀疏表达模型,使用尽量少的特征和系数表示人体模型特征。
7、进一步地,所述的方法,其特征在于,所述步骤S06中,进行服装款式特征空间构造的步骤包括:按照服装款式,针对选定的训练样本人体制作服装款式训练样本的版型,此处作为训练样本的人体模型和训练样本服装款式版型一一对应,需要保证版型对于相应的人体的合体性。
进一步地,对于每一类服装的制版,需要单独涉及服装款式的版型,如针对修身版衬衣、宽松版衬衣、修身版西服等不同品类、不同版型、不同风格的服装款式都需要单独针对所有的训练样本人体设计。
8、进一步地,所述的方法,其特征在于,所述步骤S07中,服装款式参数提取的步骤包括:将服装款式版型转化为点、线段、多项式曲线的形式,提取训练样本服装款式的尺寸关键参数;提取的尺寸关键参数包括四类:1)点坐标值类,2)直线距离类,3)曲线长类,4)夹角类;服装款式的特征参数与人体模型特征参数的含义类似,其中1)点坐标值类包括构成服装款式版型的所有顶点二维坐标;2)直线距离类包括服装款式版型中两点之间的平面直线距离数值;3)曲线长类包括服装款式版型中的结构曲线的长度;4)夹角类包括服装款式版型中的特有的角点、交点处的夹角数值。服装款式参数与人体特征点、特征线、夹角之间存在对应关系。
9、进一步地,所述的方法,其特征在于,所述步骤S08中,进行服装参数分类与服装特征空间构造的步骤包括:将提取到的服装款式尺寸关键参数以一维向量的形式组织,分析各参数之间的相关性,计算协方差矩阵,确定各参数的权重,利用聚类算法对训练样本数据分类,构造体型的高维特征空间,空间维度与特征向量维度相同,使用PCA算法降维,确定主控参数,构造服装款式的稀疏表达模型,使用低于阈值数目的特征和系数表示服装款式特征。
10、进一步地,所述的方法,其特征在于,所述步骤S09中,进行大数据制版神经网络模型训练,构造深度神经网络模型,输入层为所有的训练样本的人体尺寸关键参数,输出为对应的所有训练样本的服装款式尺寸关键参数,利用神经网络训练算法训练模型,确定模型参数;所述的神经网络模型为多个,个数与人体模型分类的个数相同,即对于每一类人体模型,训练一个独立的神经网络模型。
11、进一步地,所述的方法,其特征在于,所述步骤S10中,根据客户定制人体模型生成服装款式的版型的步骤包括:根据客户定制人体模型生成服装款式的版型,对客户定制人体模型执行进行三维扫描、人体数据点集进行修正处理、几何特征提取、人体尺寸关键参数提取操作,完成模型处理、几何特征提取、尺寸参数提取和分类,再利用训练的大数据制版神经网络模型生成对应的客户服装款式版型。
12、进一步地,所述的方法,其特征在于,所述步骤S11中,部署服装定制制版在线大数据云服务步骤包括:采用CS架构部署云服务器,客户端集成人体扫描、模型处理、制版等功能和界面,服务器端集成存储训练的大数据制版神经网络模型、模型的特征参数、模型分类、驱动模型的公式、系数、材料属性等标准数据库,上述制版过程能够实现人体大数据的服装定制版型的快速、准确、自动制版,大数据模型学习制版师的制版经验,为大规模个性化服装定制提供智能化技术解决方案。
(三)有益效果
根据本发明的技术方案,实现了针对不同人体的个性化服装定制制版,通过对人体三维扫描模型的特征分析,实现人体扫描模型的姿态校正,进而实现特征点、特征线的自动检测;进而针对大量训练样本,提取人体模型参数和服装款式版型参数,构建特征空间并进行模型分类和特征主成分分析,确定主控特征参数和权重,训练基于大数据的神经网络模型,在此基础上实现基于人体大数据的服装款式版型的自动生成。基于大数据训练的模型学习了版师制版的经验,生成的服装版型与人体模型的三维几何形态保持良好的一致性,从而保证了生成的版型的合体性和美观性,自动化的版型生成显著提升服装定制制版效率,本发明提出的方法能够实现基于三维人体扫描模型的服装定制版型的快速、准确、自动制版,制版过程无需人为干预,为大规模个性化服装定制提供技术解决方案。
附图说明
图1为本发明实施例提供的大数据服装定制制版方法的流程图;
图2为本发明实施例提供的人体扫描装置示意图;
图3为本发明实施例中的截面曲线语义解析示意图;
图4为本发明实施例中的局部坐标系姿态修正示意图;
图5为本发明实施例中的对称化处理示意图;
图6为本发明实施例中的中立面截面曲线;
图7为本发明实施例中的特征点提取结果;
图8为本发明实施例中的特征线提取结果;
图9为本发明实施例中的服装款式版型参数化;
图10为本发明实施例中的基于人体大数据制版神经网络模型示意图;
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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地描述,显然,所描述的实施例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本发明实施例提供的一种基于人体大数据的服装制版方法的流程图。按照该流程完成实施实例,分别针对大数据建模用训练样本人体和服装定制客户人体,S01人体三维扫描与预处理,S02人体模型站姿修正对称化,S03人体几何特征提取,S04人体尺寸关键参数提取,S05人体三维模型分类与体型特征空间构造;按照服装款式,S06针对选定的训练样本人体制作服装款式训练样本的版型,S07服装款式参数提取,S08服装参数分类与服装特征空间构造,S09大数据制版神经网络模型训练,S10根据客户定制人体模型生成服装款式的版型,S11在线大数据云服务部署等步骤。
在上述实施例中,图2为本发明实施例提供的人体扫描装置,使用3个三维深度摄像头、便携式支架和转盘进行人体扫描;如图2所示,1为深度摄像头,2为便携式支架,3为电动旋转台,4为目标人体。摄像头之间的间距为0.7m,摄像头在支架上沿一条竖直的直线布局,朝向水平方向,距离扫描目标1.0m;转盘转速控制在20s转动一周。三维深度摄像头使用USB数据线与电脑连接,使用RecFusion软件扫描,扫描获得连续深度图像序列和相对应彩色图像序列,并生成人体三维模型,保存成obj格式文件,包含顶点数据和三角形面数据,顶点数据数值坐标为mm。
优选地,所述的网格简化的临近点判定的阈值d取值为10mm。
优选地,步骤S02所述的层切环节中,层与层之间的间距dH取值为10mm;图3为本发明实施例中的截面曲线语义解析示意图,层切曲线的语义包括5类:1小腿、2大腿、3臀胯、4胸围、5头部,其中,臀胯包含躯干部分。语义判定原则为满足尺寸约束条件和位置约束条件,如3臀胯的语义为层切曲线中包括3个闭环,中间的最大,与人体躯干尺寸中位数相符;又如2大腿的语义为层切曲线中包括2个闭环,大小基本相等,对称分布,与人体大腿尺寸中位数相符。图4为本发明实施例中的局部坐标系姿态修正示意图,其中,层切曲线的中心点连线构成的局部坐标系姿态并不在统一的轴线上,反映出人体姿态的弯曲和扭曲情况;根据局部坐标系坐标轴单位向量构造4*4变换矩阵,按照局部坐标系矩阵求逆的方式计算模型变形。
所述的基于体积坐标线性表示方法实施,假设某点P在四面体P1P2P3P4内,该四面体的体积为V,子四面体PP2P3P4,PP1P3P4,PP1P2P4,PP1P2P3的体积分别为 V1,V2,V3,V4。则各四面体所占体积比例为L1 = V1/V,L2 = V2/V,L3 = V3/V,L4 = V4/V,称 L1、L2、L3、L4为体积坐标。在变形的任意时刻,四面体内的点P的位置坐标P= L1P1+ L2P2+ L3P3+ L4P4。使用基于包围盒的变形方法,实现模型的左右对称化处理,图5为本发明实施例中的对称化处理示意图。
进一步地,所述的步骤S03中,进行人体几何特征提取。图6为本发明实施例中的中立面截面曲线。
进一步地,所述的步骤S04中,进行人体尺寸关键参数提取,根据几何特征点和特征线,在人体表面构造局部坐标系,提取尺寸关键参数,提取的尺寸关键参数包括四类:1)位置类,2)直线距离类,3)曲线长类,4)夹角类;
其中,1)位置类包括特征点的位置坐标,这类参数表示特征点的绝对空间位置和相对位置,具体包括步骤S03中提取的后臀点、左臀点、右臀点、左胯点、右胯点、后腰点、左腰点、右腰点、腹点、左胸点、右胸点、左肩胛点、右肩胛点、左肩点、右肩点、左前腋点、左后腋点、右前腋点、右后腋点、左腋下点、右腋下点、前领窝点、后颈点、左颈侧点、右颈侧点、大腿中点、左膝点、右膝点、左踝点、右踝点、左肘点、右肘点、左腕点、右腕点等34个特征点的坐标值;
2)直线距离类,包括两个特征点之间的直线距离、两个特征面之间的距离、两条特征曲线的最小距离等,表示特征点、特征线、特征面之间的相对位置关系,还表示的人体局部的平面尺寸和截面曲线的形状特征,具体包括臀腰距离、腰胸距离、腰踝距离、臀踝距离、膝踝距离、跨踝距离、领胸距离、颈胸距离、领腰距离、颈腰距离、左右颈距、左右肩距、左肩距、右肩距、左胸距、右胸距、左腋距、右腋距、左腰距、右腰距、左臀距、右臀距、左膝距、右膝距、左踝距、右踝距等、左肩肘距、右肩肘距、左肘腕距、右肘腕距等个30参数;
3)曲线长类包括两个特征点之间按指定的截取面取得的表面曲线的长度、特征面截面曲线的周长等,表示服装制版环节的特征尺寸参数,具体包括臀围周长、腹围周长、腰围周长、胸围周长、颈围周长、左大腿围周长、右大腿围周长、左膝周长、右膝周长、左小腿围周长、右小腿围周长、左踝周长、右踝周长、左肘围周长、右肘围周长、左腕围周长、右腕围周长、左肩周长、右肩周长、左肩宽、右肩宽、前胸宽、左前胸宽、右前胸宽、后背宽、左后背宽、右后背宽、左肩长、右肩长、前腰节长、后腰节长、前胸节长、后胸节长、前身长、后背长、左侧线长、右侧线长、前裆腰长、后裆腰长、左腿侧线长、右腿侧线长、左腿前线长、右腿前线长、左腿后线长、右腿后线长等个45参数;
4)夹角类包括空间两两特征线构成的夹角数值、空间特征点处不同位置的切线方向、法线方向构成的夹角,表示人体特征线的相对位置关系和平面版型的特征线夹角,具体包括左腰肩夹角、右腰肩夹角、左腰臀夹角、右腰臀夹角、肩斜角、左肩斜角、右肩斜角、颈前后斜角、后颈弓角、后背弓角、左后臀弓角、右后臀弓角、左膝侧角、右膝侧角等14个角度参数。
进一步地,所述步骤S05中,实现人体三维模型分类与体型特征空间构造,首先将提取到的人体尺寸关键参数以一维向量的形式组织,向量的长度为参数个数,此处计算协方差矩阵,分析各参数之间的相关性,确定各参数的权重,利用聚类算法对训练样本数据分类,构造体型的高维特征空间,空间维度与特征向量维度相同,使用PCA算法降维,确定主控参数;构造人体模型特征向量的稀疏表达模型,使用尽量少的特征和系数表示人体模型特征。本实施例中,选取50个人体模型作为训练样本,其中男女各占1/2左右,年龄分布20-50岁,身高分布150-180cm,体重分布45kg-85kg。将模型聚类成10个分类。
进一步地,所述的步骤S06中,按照服装款式,针对选定的训练样本人体制作服装款式训练样本的版型,此处作为训练样本的人体模型和训练样本服装款式版型一一对应,需要保证版型对于相应的人体的合体性。对于每一类服装的制版,需要单独涉及服装款式的版型,如针对修身版衬衣、宽松版衬衣、修身版西服等不同品类、不同版型、不同风格的服装款式都需要单独针对所有的训练样本人体设计。本实施例中,使用宽松版衬衣标准版型作为示例,对50个样本分别制作衬衣版型,通过2次试穿进行版型调整,保证版型合体、美观。衬衣版型包括前片、后片、肩片、袖片、领片和附件组成,其中主要进行前片、后片、肩片的版型设计,其余部分按照这三部分的尺寸按比例缩放生成。
进一步地,所述的步骤S07中,服装款式参数提取,将服装款式版型转化为点、线段、多项式曲线的形式,提取训练样本服装款式的尺寸关键参数;提取的尺寸关键参数包括四类:1)点坐标值类,2)直线距离类,3)曲线长类,4)夹角类;服装款式的特征参数与人体模型特征参数的含义类似,其中1)点坐标值类包括构成服装款式版型的所有顶点二维坐标;2)直线距离类包括服装款式版型中两点之间的平面直线距离数值;3)曲线长类包括服装款式版型中的结构曲线的长度;4)夹角类包括服装款式版型中的特有的角点、交点处的夹角数值。
优选地,本实施例中,如图9所示为服装款式版型参数化示意图,1为点坐标值,2为直线距离,3为曲线长,4为夹角值。针对衬衣版型,选取1)点坐标值类共45个点的xy二维坐标;选取2)直线距离类共60个,具体包括臀围宽、腰围宽、胸围宽、前胸宽、前领宽、前领高、前胸节高、前腰节长、前身长、后背宽、后领宽、后领高、后背长、后胸节高、后腰节长、后臀高、前裆高、后档高、前裆宽、后裆宽以及关联的顶点两两距离等;选取3)曲线长类参数共计20个,表示服装款式结构曲线的长度,具体如下摆曲线长、侧缝曲线长、后背曲线长、左前袖窿曲线长、左后袖窿曲线长、右前袖窿曲线长、右后袖窿曲线长、左前领围曲线长、左后领围曲线长、右前领围曲线长、右前领围曲线长等;选取4)夹角类特征参数20个,包括角点夹角、结构线交点夹角等,如左前肩斜角、右前肩斜角、左后肩斜角、右后肩斜角、前肩顶点角、后肩顶点角、前片束腰角、后片束腰角等。
进一步地,服装款式参数与人体特征点、特征线、夹角之间存在对应关系。人体特征参数中的3)曲线长,有的会与服装款式中的3)曲线长直接关联,如颈围、左右侧缝缝线长等;有的会转化为服装参数中的3)直线距离参数,如腰围,胸围、臀围等人体曲线长,转化为服装款式中的2)直线距离类,胸围宽、腰围宽、臀围宽。
进一步地,所述的步骤S08中,进行服装参数分类与服装特征空间,将提取到的服装款式尺寸关键参数以一维向量的形式组织,分析各参数之间的相关性,计算协方差矩阵,确定各参数的权重,利用聚类算法对训练样本数据分类,构造体型的高维特征空间,空间维度与特征向量维度相同,使用PCA算法降维,确定主控参数,构造服装款式的稀疏表达模型,使用尽量少的特征和系数表示服装款式特征。
进一步地,所述的步骤S09中,进行大数据制版神经网络模型训练,构造深度神经网络模型,构造五层前向全连接网络,选取Sigmoid激活函数:f(x)=1/(1+e -x );输入层为所有的训练样本的人体尺寸关键参数,在本实施例中,输入数据为50个191维向量,输出为对应的所有训练样本的服装款式尺寸关键参数,为50个191维向量,利用神经网络训练算法训练模型,确定模型参数;所述的神经网络模型为多个,个数与人体模型分类的个数相同,即对于每一类人体模型,训练一个独立的神经网络模型,本实施例中共10个分类,训练10个神经网络模型。
进一步地,所述的步骤S10中,根据客户定制人体模型生成服装款式的版型,对客户定制人体模型执行步骤S01-S05,完成模型处理、几何特征提取、尺寸参数提取和分类,为保证数据模型的一致性,其中模型扫描和预处理、几何特征提取、尺寸参数提取步骤与训练样本的人体模型处理过程相同,针对客户模型,构造同样的模型特征尺寸参数的一维向量;分类步骤实现将当前客户模型与既有训练样本的10个分类在高维特征空间相比较,判定当前客户模型属于哪一个分类,进而选用该分类的模型进行款式生成,本实施例中,采用高维空间中与聚类中心的最小欧氏距离为判定原则;利用训练的大数据制版神经网络模型生成对应的客户服装款式版型,输入为当前客户模型特征尺寸参数的向量,输出为客户版型特征尺寸参数向量,再将该向量中的坐标值、距离、长度等数值提取出来,约束绘制点和线段,转化为服装版型图。
进一步地,所述的步骤S01中,在线大数据云服务部署,采用CS架构部署云服务器,客户端集成人体扫描、模型处理、制版等功能和界面,服务器端集成存储训练的大数据制版神经网络模型、模型的特征参数、模型分类、驱动模型的公式、系数、材料属性等标准数据库,数据库使用MySQL搭建,云服务器可以采用阿里云服务器。上述制版过程能够实现人体大数据的服装定制版型的快速、准确、自动制版,大数据模型学习制版师的制版经验,为大规模个性化服装定制提供智能化技术解决方案。
最后应说明的是:以上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精神和范围。
Claims (8)
1.一种基于人体大数据的服装制版方法,其特征在于,所述方法包括以下步骤:
对人体进行三维扫描并处理扫描数据,通过对所述扫描数据进行网格语义解析和基础坐标系标准化,得到人体数据点集;
对所述人体数据点集进行修正处理,以解决人体在扫描过程中站姿和体型不标准的问题,所述修正处理包括:先采用多角度截面扫描对模型进行多角度层切,根据层切的截面曲线形状计算其几何中心点、物理中心点和对称轴线,并利用几何中心点与物理中心点的距离判定截面曲线对称的置信度;针对不对称的置信度判定该截面的分类和语义属性,然后构建基于局部坐标系插值方法进行站姿修正,其中对每一个层切面构造一个局部坐标系,两层之间的点按两层局部坐标系插值进行关联;
对修正后的数据点集进行人体几何特征提取、人体尺寸关键参数提取,将提取到的人体尺寸关键参数以一维向量的形式组织,分析各参数之间的相关性,确定各参数的权重,利用聚类算法对训练样本数据分类,构造体型的高维特征空间,使用主成分分析(PCA)算法降维,确定主控参数,以进行人体三维模型分类与体型特征空间构造,构建经训练的人体尺寸关键参数;
重复以上步骤以得到经训练的人体尺寸关键参数的大数据模型;
对选定的服装款式版型进行参数化,按照服装款式,针对选定的训练样本人体制作服装款式训练样本的版型,此处作为训练样本的人体模型和训练样本服装款式版型一一对应,需要保证版型对于相应的人体的合体性;将服装款式版型转化为点、线段、多项式曲线的形式,根据待制版的款式提取服装款式尺寸,提取的尺寸关键参数包括以下类中的至少一种:1)点坐标值类,2)直线距离类,3)曲线长类,4)夹角类;服装款式参数与人体特征点、特征线、夹角之间存在对应关系;将提取到的服装款式尺寸关键参数以一维向量的形式组织,分析各参数之间的相关性,计算协方差矩阵,确定各参数的权重,利用聚类算法对训练样本数据分类,构造款式的高维特征空间,空间维度与特征向量维度相同,使用PCA算法降维,确定主控参数,以得到经训练的款式尺寸关键参数;构造服装款式的稀疏表达模型,使用低于阈值数目的特征和系数表示服装款式特征,按上述步骤得到经训练的服装款式版型的大数据模型;
大数据制版神经网络模型训练,构造深度神经网络模型,输入层为所有的经训练的人体尺寸关键参数,输出为对应的服装款式尺寸关键参数,利用神经网络训练算法训练模型,确定模型参数;
根据大数据模型并运用神经网络得到服装款式尺寸来进行制版。
2.根据权利要求1所述的服装制版方法,其中对所述人体数据点集进行修正处理的步骤包括:
针对用户人体客观存在的体型不标准的情况进行体型规则化处理,采用基于局部包围盒变形的方法,按各部位不同原则进行变形,实现规则化处理过程;包围盒以竖直方向(Z轴)上相邻两个层切面为Z轴方向的上下边界,再以该两个截面中间部分的三维模型的角点(X、Y的最大和最小值)为X、Y轴方向的边界构造,内部点的变形按相邻两层切面的局部坐标系插值进行变换。
3.根据权利要求1所述的方法,其特征在于,对人体进行三维扫描并处理的步骤包括使用至少一个三维深度摄像头、便携式支架和转盘进行人体扫描以得到经扫描的数据点;对经扫描的数据点进行预处理,包括,网格去噪、网格光顺、网格简化、网格规范化、网格语义解析、网格模型基础坐标系标准化。
4.根据权利要求1所述的方法,其特征在于,对所述人体数据点集进行修正处理的步骤包括针对人体在扫描过程中站姿不标准的问题,即人体前后弯曲、左右弯曲、左右S型弯曲、上下同轴扭转、上下离轴扭转、高低肩、前后腿、重心偏移的站姿不规范问题,先采用多角度截面扫描对模型进行多角度层切,根据所有层界面曲线中心对称轴,获得各层的中心对称线。
5.根据权利要求1所述的方法,其特征在于,对修正后的数据点集进行人体几何特征提取的步骤包括:对修正后的人体三维模型进行自底向上的逐层水平截面层切,得到每一层的截面曲线,对曲线进行等距离重采样,采样成等距分布的N个点,计算N个点的曲率,绘制整个模型所有层的曲率分布图,根据曲率分布提取曲率敏感特征点;根据所有层界面曲线中心对称轴,拟合提取模型中立面,将模型分成左右两个部分,计算中立面与模型的截面曲线,根据该曲线提取中立面上的特征点,特征点之间的曲面表面最短路径曲线作为该曲线的实际值;根据人体尺寸参数关系模型,构建神经网络模型实现异常点检测与修正机制。
6.根据权利要求1所述的方法,其特征在于,人体尺寸关键参数提取步骤包括:根据几何特征点和特征线,在人体表面构造局部坐标系,提取尺寸关键参数,提取的尺寸关键参数包括以下类中的至少一种:1)点坐标值类,2)直线距离类,3)曲线长类,4)夹角类。
7.根据权利要求1所述的方法,其特征在于,进行人体三维模型分类与体型特征空间构造的步骤包括,首先将提取到的人体尺寸关键参数以一维向量的形式组织,计算协方差矩阵,分析各参数之间的相关性,确定各参数的权重,利用聚类算法对训练样本数据分类,构造体型的高维特征空间,空间维度与特征向量维度相同,使用PCA算法降维,确定主控参数;构造人体模型特征向量的稀疏表达模型,使用尽量少的特征和系数表示人体模型特征。
8.根据权利要求1所述的方法,其特征在于,进行大数据制版神经网络模型训练的步骤包括:构造深度神经网络模型,输入层为所有的训练样本的人体尺寸关键参数,输出为对应的所有训练样本的服装款式尺寸关键参数,利用神经网络训练算法训练模型,确定模型参数;所述的神经网络模型为多个,个数与人体模型分类的个数相同,即对于每一类人体模型,训练一个独立的神经网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910459841.1A CN110264310B (zh) | 2019-05-30 | 2019-05-30 | 一种基于人体大数据的服装制版方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910459841.1A CN110264310B (zh) | 2019-05-30 | 2019-05-30 | 一种基于人体大数据的服装制版方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110264310A CN110264310A (zh) | 2019-09-20 |
CN110264310B true CN110264310B (zh) | 2021-09-03 |
Family
ID=67915979
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910459841.1A Active CN110264310B (zh) | 2019-05-30 | 2019-05-30 | 一种基于人体大数据的服装制版方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110264310B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110947186B (zh) * | 2019-11-29 | 2020-11-13 | 浙江大学 | 一种基于部件模板的三维玩具模型开版方法 |
CN111445506B (zh) * | 2020-03-04 | 2023-06-06 | 浙江理工大学 | 一种波浪裙点云重构与曲面分割展平的方法 |
CN112016217A (zh) * | 2020-09-08 | 2020-12-01 | 深圳市衣定时代科技有限公司 | 一种服装板型设计方法和电子设备 |
CN112907710B (zh) * | 2021-02-05 | 2023-08-29 | 华北电力大学 | 基于条件自编码器的共享体型特征空间学习方法 |
CN112529670B (zh) * | 2021-02-07 | 2021-04-30 | 上海英立视电子有限公司 | 一种虚拟试衣方法 |
CN113506255B (zh) * | 2021-07-01 | 2023-09-19 | 浙江理工大学 | 一种基于高精度数字图像的服装缝线疵点自动检测方法 |
CN113536410B (zh) * | 2021-08-13 | 2023-11-21 | 成都红领袖三维服装科技有限公司 | 一种3d立裁服装纸样智能模拟系统及方法 |
CN113903059B (zh) * | 2021-12-13 | 2022-04-15 | 中汽信息科技(天津)有限公司 | 人体模型建立方法、设备和存储介质 |
CN114549139B (zh) * | 2022-03-04 | 2022-09-30 | 江西服装学院 | 男士t恤定制数字化管理系统 |
CN116187079B (zh) * | 2023-03-07 | 2023-09-12 | 云创设计(深圳)集团有限公司 | 一种基于人体模型搭建的自动服装设计系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101615289A (zh) * | 2009-08-05 | 2009-12-30 | 北京优纳科技有限公司 | 切片组织的三维采集及多层图像融合方法 |
CN106222832A (zh) * | 2016-08-31 | 2016-12-14 | 山东如意科技集团有限公司 | 在服装任何位置均可展现个性化图案的服装面料织造方法 |
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 |
CN109800653A (zh) * | 2018-12-24 | 2019-05-24 | 重庆第二师范学院 | 一种基于图像分析的人体特征参数提取方法及系统 |
-
2019
- 2019-05-30 CN CN201910459841.1A patent/CN110264310B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101615289A (zh) * | 2009-08-05 | 2009-12-30 | 北京优纳科技有限公司 | 切片组织的三维采集及多层图像融合方法 |
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 |
CN106222832A (zh) * | 2016-08-31 | 2016-12-14 | 山东如意科技集团有限公司 | 在服装任何位置均可展现个性化图案的服装面料织造方法 |
CN109800653A (zh) * | 2018-12-24 | 2019-05-24 | 重庆第二师范学院 | 一种基于图像分析的人体特征参数提取方法及系统 |
Non-Patent Citations (3)
Title |
---|
"基于人体测量学的虚拟服装建模及试衣技术研究";孟田翠;《中国优秀硕士学位论文全文数据库 基础科学辑》;20190515(第05期);论文摘要、第3.1.2节 * |
"基于特征距离的腰腹臀部体型分析与个性化女裤样板生成";金娟凤;《中国博士学位论文全文数据库 工程科技Ⅰ辑》;20180115(第01期);论文第2-6章 * |
金娟凤."基于特征距离的腰腹臀部体型分析与个性化女裤样板生成".《中国博士学位论文全文数据库 工程科技Ⅰ辑》.2018,(第01期), * |
Also Published As
Publication number | Publication date |
---|---|
CN110264310A (zh) | 2019-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110264310B (zh) | 一种基于人体大数据的服装制版方法 | |
CN110163728B (zh) | 一种个性化服装定制制版方法 | |
EP1352347B1 (en) | Production and visualisation of garments | |
Baek et al. | Parametric human body shape modeling framework for human-centered product design | |
Yunchu et al. | Prototype garment pattern flattening based on individual 3D virtual dummy | |
US10201203B2 (en) | Method for virtually selecting clothing | |
Chaw Hlaing et al. | Garment prototyping based on scalable virtual female bodies | |
CN101017575B (zh) | 基于人体部件模板和体形轮廓的三维虚拟人体自动生成方法 | |
Hu et al. | Personalized 3D mannequin reconstruction based on 3D scanning | |
Zhang et al. | Design 3D garments for scanned human bodies | |
Zhang et al. | An integrated method of 3D garment design | |
Kaashki et al. | Deep learning-based automated extraction of anthropometric measurements from a single 3-D scan | |
Zhou et al. | Anthropometric body modeling based on orthogonal-view images | |
Bao et al. | 3D interactive garment parametric pattern-making and linkage editing based on constrained contour lines | |
Scott et al. | Novel methods to drive pattern engineering through and for enhanced use of 3D technologies | |
Chen | Development of a prototype pattern based on the 3D surface flattening method for MTM garment production | |
Domingo et al. | Modeling of female human body shapes for apparel design based on cross mean sets | |
Wang et al. | Automatic recognition and 3D modeling of the neck-shoulder human shape based on 2D images | |
CN115690323B (zh) | 服装智能推板方法和装置 | |
Scott | The role of 3D measurement technology and anthropometric data for improved garment fit and sustainable manufacturing | |
Li et al. | Automatically constructing skeletons and parametric structures for polygonal human bodies | |
Wu et al. | Development of female torso classification and method of patterns shaping | |
Wang | Geometric modeling and reasoning of human-centered freeform products | |
Jia et al. | 3D personalized human modeling and deformation technology for garment CAD | |
Jin et al. | Pants design and pattern generation based on body images |
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 |