CN110349201A - 一种基于神经网络的衣服尺寸测量方法、系统及电子设备 - Google Patents
一种基于神经网络的衣服尺寸测量方法、系统及电子设备 Download PDFInfo
- Publication number
- CN110349201A CN110349201A CN201910608494.4A CN201910608494A CN110349201A CN 110349201 A CN110349201 A CN 110349201A CN 201910608494 A CN201910608494 A CN 201910608494A CN 110349201 A CN110349201 A CN 110349201A
- Authority
- CN
- China
- Prior art keywords
- clothes
- measured
- neural network
- detected
- image
- 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.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 70
- 238000000691 measurement method Methods 0.000 title claims abstract description 30
- 238000001514 detection method Methods 0.000 claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 20
- 230000008569 process Effects 0.000 claims description 15
- 238000012937 correction Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 7
- 238000007689 inspection Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims 1
- 238000005259 measurement Methods 0.000 abstract description 30
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于神经网络的衣服尺寸测量方法、系统及电子设备，本方法通过获取至少一张具有待测量衣服的待检测图像和比例尺，将所述待检测图像输入至预设的神经网络，基于检测到的待测量衣服的类型，以检测出对应类型的待测量衣服的多个关键点，计算任意两个关键点之间的像素尺寸，并基于所述比例尺，将像素尺寸转化为衣服上的实际尺寸。将对衣服的尺寸检测通过神经网络进行自动测量，使得衣服的尺寸测量减少了人力成本，提高了效率。同时，根据神经网络的可训练特性，该方法可针对多种不同类型的衣服尺寸测量，无需更换设备，提高了适用性和衣服尺寸测量的效率。
Description
【技术领域】
本发明涉及服饰尺寸测量领域，特别涉及一种基于神经网络的衣服尺寸测量方法、系统及电子设备。
【背景技术】
在服装行业，工厂生产中的一道重要的工序就是进行质检。其中，对于成衣的尺寸大小的检测尤其重要，严格的成衣质检能够提高良品率。
现有成衣尺寸测量的方式主要是通过人工检测，其缺点表现在如下多个方面：检测成本高，工人劳动强度大，容易出现疲劳，检测标准不统一，检测速度慢。因此，生产现实迫切需要高效率，高精度，高稳定性，以及低成本的成衣的大小尺寸检测方式。
【发明内容】
为了克服目前现有的衣服尺寸测量方法中效率较低的问题，本发明提供一种基于神经网络的衣服尺寸测量方法。
本发明为解决上述技术问题，提供一技术方案如下：一种基于神经网络的衣服尺寸测量方法，包括如下步骤:步骤S1：获取至少一张具有待测量衣服的待检测图像和一比例尺；步骤S2：将所述待检测图像输入至预设的神经网络，基于检测到的待测量衣服的类型，以检测出对应类型的待测量衣服的多个关键点；及步骤S3：计算任意两个关键点之间的像素尺寸，并基于所述比例尺，将像素尺寸转化为衣服上的实际尺寸。
优选地，步骤S1中的比例尺通过以下步骤获得：步骤S11：获取一具有训练物体的训练图像；及步骤S12：获取所述训练物体的实际尺寸，并基于所述实际尺寸获得对应的像素尺寸，基于实际尺寸及像素尺寸获得所述比例尺。
优选地，上述步骤S2具体包括以下步骤：步骤S21：神经网络获取所述待检测图像中的待测量衣服；步骤S22：对待测量衣服进行识别，获得待测量衣服的类型；步骤S23：根据待测量衣服的类型，基于待测量衣服所占待检测图像的位置，在所述待测量衣服的区域生成矩形框；及步骤S24：对矩形框内的待测量衣服进行关键点检测，获得对应类型的待测量衣服的多个关键点。
优选地，所述步骤S24还包括：步骤S241：提取所述待测量衣服不同尺度的特征，获得多个待测量衣服的特征图；步骤S242：将多个特征图进行叠加，获得待测量衣服的最终特征，基于所述最终特征，获得待测量衣服的类型；及步骤S243：基于待测衣服的类型，对待测量衣服的最终特征进行关键点检测，获得对应类型的待测量衣服的多个关键点。
优选地，上述步骤S3具体包括如下步骤：步骤S31：根据每个关键点所在的坐标，获得任意两个关键点之间的像素尺寸；步骤S32：根据预设的比例尺与所述像素尺寸计算获得所述实际尺寸。
优选地，步骤S1与步骤S2之间还包括：步骤S20：将所述待检测图像进行去噪声处理和/或矫正处理。
本发明还提供一种基于神经网络的衣服尺寸测量系统，包括：图像获取单元，用于获取至少一张具有待测量衣服的待检测图像和一比例尺；关键点检测单元，用于将所述待检测图像输入至预设的神经网络，检测出待测量衣服的多个关键点；及尺寸测量单元，用于计算任意两个关键点之间的像素尺寸，并基于所述比例尺，将像素尺寸转化为衣服上的实际尺寸。
优选地，所述关键点检测单元还包括：图像输入单元，用于神经网络获取所述待检测图像中的待测量衣服；特征识别单元，用于对待测量衣服进行识别，获得待测量衣服的类型；矩形框生成单元，用于根据待测量衣服的类型，基于待测量衣服所占待检测图像的位置，在所述待测量衣服的区域生成矩形框；及关键点生成单元，用于对矩形框内的待测量衣服进行关键点检测，获得对应类型的待测量衣服的多个关键点。
优选地，还包括：去噪矫正单元，用于将所述待检测图像进行去噪声处理和/或矫正处理。
本发明还提供一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被设置为运行时执行上述任一项中所述的基于神经网络的衣服尺寸测量方法；所述处理器被设置为通过所述计算机程序执行上述任一项中所述的基于神经网络的衣服尺寸测量方法。
与现有技术相比，本发明提供的一种基于神经网络的衣服尺寸测量方法、系统及电子设备，具有以下优点：
1、在衣服尺寸测量领域中，通过获取至少一张具有待测量衣服的待检测图像和一比例尺，将所述待检测图像输入至预设的神经网络，检测出待测量衣服的多个关键点，计算任意两个关键点之间的像素尺寸，并基于所述比例尺，将像素尺寸转化为衣服上的实际尺寸。将对衣服的尺寸检测通过神经网络进行自动测量，减少了衣服的尺寸测量人力成本，提高了衣服尺寸测量的效率。同时，本方法可针对多种不同类型的衣服尺寸测量，无需更换设备，提高了适用性和衣服尺寸测量的效率。进一步，基于预先训练的神经网络模型获取多种不同类型的衣服，使得本方法可适应多种不同类型的衣服，并基于神经网络的可训练特性，可增加对更多类型衣服的尺寸测量，具有适应性更广的优点。
2、通过训练图像获取所述比例尺，使得后续进行衣服的尺寸测量时无需进行真实尺寸进行换算，提高衣服尺寸测量的效率。
3、通过神经网络获取所述待检测图像中的待测量衣服，并基于待测量衣服所占待检测图像的位置，在所述待测量衣服的区域生成矩形框，以将待测量衣服与背景图像进行分离，使得后续检测过程中，减少背景图像对检测的干扰，提高计算效率。
4、通过提取所述待测量衣服不同尺度的特征，获得多个待测量衣服的特征图，并将多个特征图进行叠加，获得待测量衣服的最终特征，加强了待测量衣服的细节特征，提高后续步骤中检测关键点的准确度。
5、通过对所述待检测图像进行去噪声处理和/或矫正处理，以提高关键点生成的准确度，降低图像处理的计算量，提高图像处理的效率。
【附图说明】
图1为本发明第一实施例提供的一种基于神经网络的衣服尺寸测量方法的整体流程图。
图2a为本发明第一实施例提供的一种基于神经网络的衣服尺寸测量方法中步骤S20的整体流程图。
图2b为本发明第一实施例提供的一种基于神经网络的衣服尺寸测量方法的步骤S1的细节流程图。
图3a为本发明第一实施例提供的一种基于神经网络的衣服尺寸测量方法的步骤S2的细节流程图。
图3b为本发明第一实施例提供的一种基于神经网络的衣服尺寸测量方法的步骤S2中步骤S23的矩形框生成的示意图。
图3c为本发明第一实施例提供的一种基于神经网络的衣服尺寸测量方法的步骤S24的细节流程图。
图3d为本发明第一实施例提供的一种基于神经网络的衣服尺寸测量方法中关键点生成的示意图。
图4a为本发明第一实施例提供的一种基于神经网络的衣服尺寸测量方法的步骤S3的细节流程图。
图4b为本发明第一实施例提供的一种基于神经网络的衣服尺寸测量方法中点a和点d的坐标示意图。
图5为本发明第二实施例提供的一种基于神经网络的衣服尺寸测量系统的模块图。
图6为本发明第二实施例提供的一种基于神经网络的衣服尺寸测量系统中关键点检测单元的模块图。
图7为本发明第三实施例提供的一种电子设备的模块图。
附图标记说明：
1、图像获取单元；2、关键点检测单元；3、尺寸测量单元；4、去噪矫正单元；
21、图像输入单元；22、特征识别单元；23、矩形框生成单元；24、关键点生成单元；
10、存储器；20、处理器；
100、待检测图像；200、待测量衣服；300、矩形框。
【具体实施方式】
为了使本发明的目的，技术方案及优点更加清楚明白，以下结合附图及实施实例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
请参阅图1，本发明第一实施例提供一种基于神经网络的衣服尺寸测量方法，包括以下步骤：
步骤S1：获取至少一张具有待测量衣服的待检测图像和一比例尺；
步骤S2：将所述待检测图像输入至预设的神经网络，基于检测到的待测量衣服的类型，以检测出对应类型的待测量衣服的多个关键点；及
可以理解，所述预设的神经网络为包括CPN(cascaded pyramid network)、CPM(Convolutional Pose Machines)、Stacked hourglass、HRNet(High Resolutionnetwork)或MSPN(Multi-Stage Pose Network)的任一种，只要可对待测量衣服检测关键点即可。在本实施例中，以CPN(cascaded pyramid network)为例进行说明，但不作为对本发明的限定。
步骤S3：计算任意两个关键点之间的像素尺寸，并基于所述比例尺，将像素尺寸转化为衣服上的实际尺寸。
可选地，请参阅图2a，步骤S1与步骤S2之间还包括：
步骤S20：将所述待检测图像进行去噪声处理和/或矫正处理。
可以理解，在对图像进行关键点检测前，因图像在获取过程中可能存在抖动等情况造成对图像的噪声影响，从而影响关键点生成的准确度，去除图像噪声可以提高关键点生成的准确度，降低图像处理的计算量，提高图像处理的效率。图像去噪方式可包括但不受限于空间域滤波、中值滤波器或形态学噪声滤除器等一种或多种，在此不再赘述。
可以理解，获取的待检测图像在获取时(例如拍照、视频截取时)，会导致获取的待检测图像产生畸变，对所述待检测图像进行畸变矫正处理，提高图像识别和后续获取关键点计算尺寸的准确度。图像畸变矫正的方法可包括但不受限于标定模板法(例如采用点阵图、平面网格、同心圆环或黑白棋牌模板)，在此不再赘述。
请参阅图2b，上述步骤S1中的所述比例尺通过以下步骤获得：
步骤S11：获取一具有训练物体的训练图像；
步骤S12：获取所述训练物体的实际尺寸，并基于所述实际尺寸获得对应的像素尺寸，基于实际尺寸及像素尺寸获得所述比例尺。
可以理解，在步骤S11中，所述训练图像用于在进行衣服尺寸测量之前进行的训练图像，用于获取所述比例尺。
可以理解，在步骤S12中，所述训练物体为预先获取的具有实际尺寸长度的物体，基于所述训练物体上的一实际尺寸，计算在该实际尺寸下对应训练图像内的像素尺寸，通过以下公式获取比例尺：
其中，r1为训练物体的实际尺寸，r2为实际尺寸对应的像素尺寸。
可以理解，在步骤S12中，可基于所述训练图像建立像素坐标系，所述像素坐标系用于获取所述训练物体在训练图像中多个像素点之间的坐标，进而计算出训练物体与一实际尺寸所对应的像素尺寸，并基于该实际尺寸及对应的像素尺寸，计算出所述比例尺。
请参阅图3a，步骤S2：将所述待检测图像输入至预设的神经网络，基于检测到的待测量衣服的类型，以检测出对应类型的待测量衣服的多个关键点。步骤S2具体包括步骤S21～S24：
步骤S21：神经网络获取所述待检测图像中的待测量衣服；
步骤S22：对待测量衣服进行识别，获得待测量衣服的类型；
步骤S23：根据待测量衣服的类型，基于待测量衣服所占待检测图像的位置，在所述待测量衣服的区域生成矩形框；及
步骤S24：对矩形框内的待测量衣服进行关键点检测，获得对应类型的待测量衣服的多个关键点。
可以理解，在步骤S22中，所述神经网络为预设的神经网络模型，所述神经网络模型预先训练有多种类型的衣服，例如，在本实施例中，多种类型的衣服可以为A类衣服及B类衣服，A类衣服及B类衣服具有不同尺寸，通过识别待测量衣服的类型，以提取预先训练的衣服类型。
可以理解，步骤S23中，神经网络基于待测量衣服所占待检测图像的位置，在所述待测量衣服的区域生成矩形框，以将待测量衣服与背景图像进行分离，使得后续检测过程中，可减少背景图像对检测的干扰，从而提高计算效率。
例如，如图3b中所示，待检测图像100中具有待测量衣服200，神经网络在待测量衣服边缘生成矩形框300。
可以理解，步骤S21～S24仅为该实施例的一种实施方式，其实施方式并不限定于步骤S21～S24。
具体地，请参阅图3c，步骤S24具体包括步骤S241～S243：
步骤S241：提取所述待测量衣服不同尺度的特征，获得多个待测量衣服的特征图；
步骤S242：将多个特征图进行叠加，获得待测量衣服的最终特征，基于所述最终特征，获得待测量衣服的类型；及步骤S243：基于待测衣服的类型，对待测量衣服的最终特征进行关键点检测，获得对应类型的待测量衣服的多个关键点。
可以理解，所述神经网络CPN中包括GlobalNet网络和RefineNet网络，所述GlobalNet网络参考FPN(Feature Pyramid Networks)设计多层级特征提取网络，也即在上述步骤S331中，所述待测量衣服经过GlobalNet网络提取不同尺度的特征形成特征金字塔(Feature Pyramid Networks特征金字塔网络)，以获得所述待测量衣服在不同尺度下的不同细节特征。
可以理解，所述不同尺度下的不同细节特征，即为对待测量衣服在不同尺度下所观察到的不同特征，尺度越小所能看到的待分类物体的细节特征就越多，也即可区别物体种类的特征就越多，但缺少待分类物体的整体特征；相反地，尺度越大所能看到的待分类物体的细节特征就越少，但可以看到待分类物体的整体特征。通过获得所述待测量衣服在不同尺度下的不同细节特征，以提高对待测量衣服的识别准确度，进而提高对待测量衣服上关键点的识别准确度，防止因为获取的待检测图像成像不清晰而导致的关键点定位不准确的问题。
同时，GlobalNet网络负责所有关键点的检测，重点是对比较容易检测的部位(例如衣服的顶点)的关键点检测效果较好，例如，如图3d中所示，待测量衣服200中四个顶角a、b、c及d，但GlobalNet网络对那些遮挡、看不见的关键点检测误差较大，则需要结合RefineNet网络进行检测，例如，如图3d所示，在待检测衣服200中，由于在检测过程中，通常会遇到待测量衣服由于摆放失误等原因使得在衣袖e或衣领f处出现折叠的遮挡或重合现象。
可以理解，在步骤S242中，可基于获取的待测量衣服的最终特征，根据与预设的神经网络中预训练的多种衣服类型进行匹配，基于匹配结果获得待测量衣服的类型。
可以理解，在步骤S242中，CPN中的RefineNet网络将步骤S331中获得的不同尺度的多个待测量衣服的特征图根据通道进行concat叠加操作，也即进行通道叠加，将不同尺度的多个待测量衣服的特征图叠加，获得待测量衣服的最终特征，此时待测量衣服的最终特征与叠加前的特征相比，加强了待测量衣服的细节特征，提高后续步骤中检测关键点的准确度。
可以理解，在步骤S243中，所述神经网络通过预先训练，根据待检测图像的像素值大小准确选取对应类型的待测量衣服的关键点，所述关键点可以位于待测量衣服的轮廓上的至少一个像素点，具体地，所述关键点通常位于待测量衣服中用于尺寸计算的点位，例如，位于两边衣袖的端点处(如图3d中点a与点d)，通过计算两边衣袖的端点之间的距离可计算出待测量衣服的宽度尺寸是否符合标准。进一步地，在一些特别的实施例中，所述关键点可位于待测量衣服的任一像素点上(例如衣领)，以获取弧形衣领对应的多个像素点，通过拟合多个像素点计算对应的弧线长度。
进一步地，在步骤S243中，还可基于至少两个关键点，进一步计算出至少两个关键点组合形成的直线、曲线或图形(例如三个关键点形成的三角形内的重心坐标、四个关键点形成的矩形内的中心坐标)中的任一点的坐标作为辅助点，以计算出至少一个辅助点相对于其他关键点或辅助点之间的距离，例如，在本实施例中，在一些衣服的特殊尺寸测量中，例如衣服袖口的开口尺寸(如臂围)测量，基于袖口上关键点形成的直线，在直线上计算出至少一辅助点，以计算袖口的开口尺寸，以确保该衣服的成衣质量。
可以理解，所述关键点检测通过训练过程中具有关键点标记的数据集训练获得，在检测过程中，基于待测量衣服的像素值选取对应的关键点。
可以理解，步骤S241～S243仅为该实施例的一种实施方式，其实施方式并不限定于步骤S241～S243。
请参阅图4a，步骤S3：计算任意两个关键点之间的像素尺寸，并基于所述比例尺，将像素尺寸转化为衣服上的实际尺寸。步骤S3具体包括步骤S31～S32：
步骤S31：根据每个关键点所在的坐标，获得任意两个关键点之间的像素尺寸；及
步骤S32：根据预设的比例尺与所述像素尺寸计算获得所述实际尺寸。
可以理解，在步骤S31中，每一关键点对应在所述待检测图像上都具有对应坐标，例如，如图4b中所示，待测量衣服200上的关键点a和d的坐标分别为(x1，y1)、(x2，y2)，根据以下公式获得关键点a和d之间的像素尺寸D：
可以理解，在步骤S32中，将像素尺寸根据步骤S12中获得的比例尺进行乘法运算获得两个关键点之间的实际尺寸，公式为
L＝D×A
其中，A为比例尺，D为像素尺寸，L为两个关键点之间的实际尺寸。
可以理解，获得的所述实际尺寸可与待测量衣服的设计尺寸进行匹配，以确认待检测衣服是否符合制造标准。
可以理解，步骤S31～S32仅为该实施例的一种实施方式，其实施方式并不限定于步骤S31～S32。
请参阅图5，本发明第二实施例还提供一种基于神经网络的衣服尺寸测量系统，该基于神经网络的衣服尺寸测量系统可以包括：
图像获取单元1，用于获取至少一张具有待测量衣服的待检测图像和一比例尺；
关键点检测单元2，用于将所述待检测图像输入至预设的神经网络，检测出待测量衣服的多个关键点；及
尺寸测量单元3，用于计算任意两个关键点之间的像素尺寸，并基于所述比例尺，将像素尺寸转化为衣服上的实际尺寸。
请继续参阅图5，可选地，所述基于神经网络的衣服尺寸测量系统还包括去噪矫正单元4，用于将所述待检测图像进行去噪声处理和/或矫正处理。
请参阅图6，所述关键点检测单元2还包括：
图像输入单元21，用于神经网络获取所述待检测图像中的待测量衣服；
特征识别单元22，用于对待测量衣服进行识别，获得待测量衣服的类型；
矩形框生成单元23，用于根据待测量衣服的类型，基于待测量衣服所占待检测图像的位置，在所述待测量衣服的区域生成矩形框；及
关键点生成单元24，用于对矩形框内的待测量衣服进行关键点检测，获得对应类型的待测量衣服的多个关键点。
可以理解，在本实施例中，针对预设的神经网络检测出待测量衣服的矩形框、多个关键点及通过关键点计算获得实际尺寸的描述与第一实施例中的描述一致，在此不再赘述。
请参阅图7，本发明第三实施例提供一种用于实施上述基于神经网络的衣服尺寸测量方法的电子设备，所述电子设备包括存储器10和处理器20，所述存储器10中存储有运算机程序，所述运算机程序被设置为运行时执行上述任一项基于神经网络的衣服尺寸测量方法实施例中的步骤。所述处理器20被设置为通过所述运算机程序执行上述任一项基于神经网络的衣服尺寸测量方法实施例中的步骤。
可选地，在本实施例中，上述电子设备可以位于运算机网络的多个网络设备中的至少一个网络设备。
具体地，所述电子设备为衣服制作中测量衣服实际尺寸的测量设备，其用于在衣服制作完成后对衣服进行尺寸测量，以通过该电子设备检测制作完成后的衣服尺寸是否符合要求。
与现有技术相比，本发明提供的一种基于神经网络的衣服尺寸测量方法、系统及电子设备，具有以下优点：
1、在衣服尺寸测量领域中，通过获取至少一张具有待测量衣服的待检测图像和一比例尺，将所述待检测图像输入至预设的神经网络，检测出待测量衣服的多个关键点，计算任意两个关键点之间的像素尺寸，并基于所述比例尺，将像素尺寸转化为衣服上的实际尺寸。将对衣服的尺寸检测通过神经网络进行自动测量，减少了衣服的尺寸测量人力成本，提高了衣服尺寸测量的效率。同时，本方法可针对多种不同类型的衣服尺寸测量，无需更换设备，提高了适用性和衣服尺寸测量的效率。进一步，基于预先训练的神经网络模型获取多种不同类型的衣服，使得本方法可适应多种不同类型的衣服，并基于神经网络的可训练特性，可增加对更多类型衣服的尺寸测量，具有适应性更广的优点。
2、通过训练图像获取所述比例尺，使得后续进行衣服的尺寸测量时无需进行真实尺寸进行换算，提高衣服尺寸测量的效率。
3、通过神经网络获取所述待检测图像中的待测量衣服，并基于待测量衣服所占待检测图像的位置，在所述待测量衣服的区域生成矩形框，以将待测量衣服与背景图像进行分离，使得后续检测过程中，减少背景图像对检测的干扰，提高计算效率。
4、通过提取所述待测量衣服不同尺度的特征，获得多个待测量衣服的特征图，并将多个特征图进行叠加，获得待测量衣服的最终特征，加强了待测量衣服的细节特征，提高后续步骤中检测关键点的准确度。
5、通过对所述待检测图像进行去噪声处理和/或矫正处理，以提高关键点生成的准确度，降低图像处理的计算量，提高图像处理的效率。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。
在该计算机程序被处理器执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的计算机存储器可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机存储器例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。
计算机存储器的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读信号介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括图像获取单元、关键点检测单元及尺寸测量单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，尺寸测量单元还可以被描述为“基于获得的像素尺寸及比例尺，计算关键点的实际尺寸的单元”。
作为另一方面，本申请还提供了一种计算机存储器，该计算机存储器可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机存储器承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：获取至少一张具有待测量衣服的待检测图像和一比例尺，将所述待检测图像输入至预设的神经网络，基于检测到的待测量衣服的类型，以检测出对应类型的待测量衣服的多个关键点；及计算任意两个关键点之间的像素尺寸，并基于所述比例尺，将像素尺寸转化为衣服上的实际尺寸。
以上仅为本发明较佳实施例而已，并不用以限制本发明，凡在本发明原则之内所作的任何修改，等同替换和改进等均应包含本发明的保护范围之内。
Claims (10)
1.一种基于神经网络的衣服尺寸测量方法，其特征在于：包括如下步骤:
步骤S1：获取至少一张具有待测量衣服的待检测图像和一比例尺；
步骤S2：将所述待检测图像输入至预设的神经网络，基于检测到的待测量衣服的类型，以检测出对应类型的待测量衣服的多个关键点；及
步骤S3：计算任意两个关键点之间的像素尺寸，并基于所述比例尺，将像素尺寸转化为衣服上的实际尺寸。
2.如权利要求1中所述基于神经网络的衣服尺寸测量方法，其特征在于：步骤S1中的比例尺通过以下步骤获得：
步骤S11：获取一具有训练物体的训练图像；及
步骤S12：获取所述训练物体的实际尺寸，并基于所述实际尺寸获得对应的像素尺寸，基于实际尺寸及像素尺寸获得所述比例尺。
3.如权利要求1中所述基于神经网络的衣服尺寸测量方法，其特征在于：上述步骤S2具体包括以下步骤：
步骤S21：神经网络获取所述待检测图像中的待测量衣服；
步骤S22：对待测量衣服进行识别，获得待测量衣服的类型；
步骤S23：根据待测量衣服的类型，基于待测量衣服所占待检测图像的位置，在所述待测量衣服的区域生成矩形框；及
步骤S24：对矩形框内的待测量衣服进行关键点检测，获得对应类型的待测量衣服的多个关键点。
4.如权利要求3中所述基于神经网络的衣服尺寸测量方法，其特征在于：所述步骤S23还包括：
步骤S241：提取所述待测量衣服不同尺度的特征，获得多个待测量衣服的特征图；
步骤S242：将多个特征图进行叠加，获得待测量衣服的最终特征，基于所述最终特征，获得待测量衣服的类型；及
步骤S243：基于待测衣服的类型，对待测量衣服的最终特征进行关键点检测，获得对应类型的待测量衣服的多个关键点。
5.如权利要求1中所述基于神经网络的衣服尺寸测量方法，其特征在于：上述步骤S3具体包括如下步骤：
步骤S31：根据每个关键点所在的坐标，获得任意两个关键点之间的像素尺寸；及
步骤S32：根据预设的比例尺与所述像素尺寸计算获得所述实际尺寸。
6.如权利要求1中所述基于神经网络的衣服尺寸测量方法，其特征在于：步骤S1与步骤S2之间还包括：
步骤S20：将所述待检测图像进行去噪声处理和/或矫正处理。
7.一种基于神经网络的衣服尺寸测量系统，其特征在于，包括：
图像获取单元，用于获取至少一张具有待测量衣服的待检测图像和一比例尺；
关键点检测单元，用于将所述待检测图像输入至预设的神经网络，检测出待测量衣服的多个关键点；及
尺寸测量单元，用于计算任意两个关键点之间的像素尺寸，并基于所述比例尺，将像素尺寸转化为衣服上的实际尺寸。
8.如权利要求7中所述基于神经网络的衣服尺寸测量系统，其特征在于，所述关键点检测单元还包括：
图像输入单元，用于神经网络获取所述待检测图像中的待测量衣服；
特征识别单元，用于对待测量衣服进行识别，获得待测量衣服的类型；
矩形框生成单元，用于根据待测量衣服的类型，基于待测量衣服所占待检测图像的位置，在所述待测量衣服的区域生成矩形框；及
关键点生成单元，用于对矩形框内的待测量衣服进行关键点检测，获得对应类型的待测量衣服的多个关键点。
9.如权利要求7中所述基于神经网络的衣服尺寸测量系统，其特征在于，还包括：
去噪单元，用于将所述待检测图像进行去噪声处理和/或矫正处理。
10.一种电子设备，包括存储器和处理器，其特征在于：所述存储器中存储有计算机程序，所述计算机程序被设置为运行时执行所述权利要求1至6任一项中所述的基于神经网络的衣服尺寸测量方法；
所述处理器被设置为通过所述计算机程序执行所述权利要求1至6任一项中所述的基于神经网络的衣服尺寸测量方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910608494.4A CN110349201A (zh) | 2019-07-07 | 2019-07-07 | 一种基于神经网络的衣服尺寸测量方法、系统及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910608494.4A CN110349201A (zh) | 2019-07-07 | 2019-07-07 | 一种基于神经网络的衣服尺寸测量方法、系统及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110349201A true CN110349201A (zh) | 2019-10-18 |
Family
ID=68178025
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910608494.4A Pending CN110349201A (zh) | 2019-07-07 | 2019-07-07 | 一种基于神经网络的衣服尺寸测量方法、系统及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110349201A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110929756A (zh) * | 2019-10-23 | 2020-03-27 | 广物智钢数据服务(广州)有限公司 | 基于深度学习的钢材尺寸和数量的识别方法、智能设备和存储介质 |
| CN111256596A (zh) * | 2020-02-21 | 2020-06-09 | 北京容联易通信息技术有限公司 | 基于cv技术的尺寸测量方法、装置、计算机设备及介质 |
| CN111667527A (zh) * | 2020-06-10 | 2020-09-15 | 创新奇智(成都)科技有限公司 | 服装测量方法、装置及电子设备 |
| CN111783799A (zh) * | 2020-06-30 | 2020-10-16 | 创新奇智(西安)科技有限公司 | 一种配置信息获得方法、装置、电子设备及存储介质 |
| CN112802087A (zh) * | 2021-02-04 | 2021-05-14 | 上海中通吉网络技术有限公司 | 堆积物整体体积的检测方法、装置及电子设备 |
| CN112853717A (zh) * | 2021-02-05 | 2021-05-28 | 北京慧美科技发展有限公司 | “三三三叠衣”的方法、设备和系统 |
| CN113066097A (zh) * | 2021-05-24 | 2021-07-02 | 广东技术师范大学 | 一种快速精确测量叉指换能器指条宽度、周期、金属化比的方法及系统 |
| CN114723517A (zh) * | 2022-03-18 | 2022-07-08 | 唯品会(广州)软件有限公司 | 一种虚拟试衣方法、装置及存储介质 |
| CN114723664A (zh) * | 2022-03-04 | 2022-07-08 | 平安普惠企业管理有限公司 | 衣物分拣方法、装置、计算机可读介质及电子设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH06131486A (ja) * | 1992-10-15 | 1994-05-13 | Technol Software Kyodo Kumiai | サイズとともに非相似的に形状が変化するカーブの創出方法とそのための装置 |
| CN109166147A (zh) * | 2018-09-10 | 2019-01-08 | 深圳码隆科技有限公司 | 基于图片的服装尺寸测量方法及装置 |
| CN109829940A (zh) * | 2018-12-28 | 2019-05-31 | 青岛红创众投科技发展有限公司 | 一种基于机器视觉的测量服装尺寸的方法和系统 |
-
2019
- 2019-07-07 CN CN201910608494.4A patent/CN110349201A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH06131486A (ja) * | 1992-10-15 | 1994-05-13 | Technol Software Kyodo Kumiai | サイズとともに非相似的に形状が変化するカーブの創出方法とそのための装置 |
| CN109166147A (zh) * | 2018-09-10 | 2019-01-08 | 深圳码隆科技有限公司 | 基于图片的服装尺寸测量方法及装置 |
| CN109829940A (zh) * | 2018-12-28 | 2019-05-31 | 青岛红创众投科技发展有限公司 | 一种基于机器视觉的测量服装尺寸的方法和系统 |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110929756A (zh) * | 2019-10-23 | 2020-03-27 | 广物智钢数据服务(广州)有限公司 | 基于深度学习的钢材尺寸和数量的识别方法、智能设备和存储介质 |
| CN110929756B (zh) * | 2019-10-23 | 2022-09-06 | 广物智钢数据服务(广州)有限公司 | 基于深度学习的钢材尺寸和数量的识别方法、智能设备和存储介质 |
| CN111256596A (zh) * | 2020-02-21 | 2020-06-09 | 北京容联易通信息技术有限公司 | 基于cv技术的尺寸测量方法、装置、计算机设备及介质 |
| CN111256596B (zh) * | 2020-02-21 | 2021-09-14 | 北京容联易通信息技术有限公司 | 基于cv技术的尺寸测量方法、装置、计算机设备及介质 |
| CN111667527A (zh) * | 2020-06-10 | 2020-09-15 | 创新奇智(成都)科技有限公司 | 服装测量方法、装置及电子设备 |
| CN111667527B (zh) * | 2020-06-10 | 2023-06-13 | 创新奇智(成都)科技有限公司 | 服装测量方法、装置及电子设备 |
| CN111783799A (zh) * | 2020-06-30 | 2020-10-16 | 创新奇智(西安)科技有限公司 | 一种配置信息获得方法、装置、电子设备及存储介质 |
| CN112802087A (zh) * | 2021-02-04 | 2021-05-14 | 上海中通吉网络技术有限公司 | 堆积物整体体积的检测方法、装置及电子设备 |
| CN112853717A (zh) * | 2021-02-05 | 2021-05-28 | 北京慧美科技发展有限公司 | “三三三叠衣”的方法、设备和系统 |
| CN113066097A (zh) * | 2021-05-24 | 2021-07-02 | 广东技术师范大学 | 一种快速精确测量叉指换能器指条宽度、周期、金属化比的方法及系统 |
| CN114723664A (zh) * | 2022-03-04 | 2022-07-08 | 平安普惠企业管理有限公司 | 衣物分拣方法、装置、计算机可读介质及电子设备 |
| CN114723517A (zh) * | 2022-03-18 | 2022-07-08 | 唯品会(广州)软件有限公司 | 一种虚拟试衣方法、装置及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110349201A (zh) | 一种基于神经网络的衣服尺寸测量方法、系统及电子设备 | |
| CN106875444B (zh) | 一种目标物定位方法及装置 | |
| CN103971102B (zh) | 基于手指轮廓和决策树的静态手势识别方法 | |
| CN105608671B (zh) | 一种基于surf算法的图像拼接方法 | |
| Jin et al. | Towards multi-person pose tracking: Bottom-up and top-down methods | |
| CN106340044B (zh) | 摄像机外参自动标定方法及标定装置 | |
| CN103718175B (zh) | 检测对象姿势的设备、方法和介质 | |
| CN103927741B (zh) | 增强目标特征的sar图像合成方法 | |
| CN105741290B (zh) | 一种基于增强现实技术的印制电路板信息指示方法及装置 | |
| CN107239740B (zh) | 一种多源特征融合的sar图像自动目标识别方法 | |
| CN102704215B (zh) | 基于dst文件解析与机器视觉结合的绣布自动切割方法 | |
| WO2015149712A1 (zh) | 一种指向交互方法、装置及系统 | |
| CN109785317A (zh) | 自动码垛桁架机器人的视觉系统 | |
| CN110348439A (zh) | 一种自动识别价签的方法、计算机可读介质及系统 | |
| CN106709484B (zh) | 数字式仪表的数字识别方法 | |
| CN109146963A (zh) | 一种基于快速特征匹配的图像位置偏移检测方法 | |
| JP2012123667A (ja) | 姿勢推定装置および姿勢推定方法 | |
| CN108960192A (zh) | 动作识别方法及其神经网络生成方法、装置和电子设备 | |
| CN110473184A (zh) | 一种pcb板缺陷检测方法 | |
| CN109426789A (zh) | 手和图像检测方法和系统、手分割方法、存储介质和设备 | |
| CN109261528A (zh) | 基于双目视觉的快件分拣方法及装置 | |
| CN109117746A (zh) | 手部检测方法及机器可读存储介质 | |
| CN103745221A (zh) | 一种二维码图像矫正方法 | |
| CN110321908A (zh) | 图像识别方法、终端设备及计算机可读存储介质 | |
| CN111861866A (zh) | 一种变电站设备巡检图像全景重建方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191018 |