CN111508079A - 虚拟服饰试穿方法、装置、终端设备及存储介质 - Google Patents

虚拟服饰试穿方法、装置、终端设备及存储介质 Download PDF

Info

Publication number
CN111508079A
CN111508079A CN202010322725.8A CN202010322725A CN111508079A CN 111508079 A CN111508079 A CN 111508079A CN 202010322725 A CN202010322725 A CN 202010322725A CN 111508079 A CN111508079 A CN 111508079A
Authority
CN
China
Prior art keywords
image
information
model
virtual
human body
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
CN202010322725.8A
Other languages
English (en)
Other versions
CN111508079B (zh
Inventor
袁小薇
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.)
Shenzhen Zhuiyi Technology Co Ltd
Original Assignee
Shenzhen Zhuiyi 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 Shenzhen Zhuiyi Technology Co Ltd filed Critical Shenzhen Zhuiyi Technology Co Ltd
Priority to CN202010322725.8A priority Critical patent/CN111508079B/zh
Publication of CN111508079A publication Critical patent/CN111508079A/zh
Application granted granted Critical
Publication of CN111508079B publication Critical patent/CN111508079B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Graphics (AREA)
  • Computer Hardware Design (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)
  • Processing Or Creating Images (AREA)
  • Image Processing (AREA)

Abstract

本申请实施例提供了一种虚拟服饰试穿方法、装置、终端设备及存储介质。该方法包括：获取目标对象的面部图像和身体图像；将面部图像和身体图像输入至预先训练得到的深度学习模型，获得预先训练得到的深度学习模型输出的与所述面部图像和所述身体图像均对应的虚拟人体模型；基于面部图像和身体图像获取目标服饰信息；将目标服饰信息与虚拟人体模型匹配，生成试穿效果图像。本申请通过根据目标对象的面部图像和身体图像生成与目标对象身材、面容一致的虚拟人体模型进行虚拟服饰的试穿，从而增强了虚拟服饰试穿的真实感。

Description

虚拟服饰试穿方法、装置、终端设备及存储介质
技术领域
本申请涉及人机交互技术领域，更具体地，涉及一种虚拟服饰试穿方法、装置、终端设备及存储介质。
背景技术
随着网络的发展，网络购物由于其丰富的资源和高效性等优势，正逐渐替代现实采购。用户可以根据自身的需求，选择采用线下衣服购买模式或线上衣服购买模式完成衣服购买。目前，人们在网络购物平台上选择服饰时，通常会通过服饰尺寸或客服问询等方式来选择适合自己身材的服饰，但由于每个人的体型、身材均不相同，经常会由于买到的衣服尺码不合适或佩戴效果不佳而退换货的情况，因此出现了根据用户的实际体型进行虚拟试衣的方式。但目前的虚拟试衣模特通常是根据用户自己输入的身高等参数，往往与用户本人实际身材有一定偏差，使得试衣效果真实感较差。
发明内容
本申请实施例提出了一种虚拟服饰试穿方法、装置、终端设备及存储介质，以解决上述问题。
第一方面，本申请实施例提供了一种虚拟服饰试穿方法，所述方法包括：获取目标对象的面部图像和身体图像；将所述面部图像和所述身体图像输入至预先训练得到的深度学习模型，获得所述预先训练得到的深度学习模型输出的与所述面部图像和所述身体图像均对应的虚拟人体模型；基于所述面部图像和所述身体图像获取目标服饰信息；将所述目标服饰信息与所述虚拟人体模型匹配，生成试穿效果图像。
可选地，所述将所述面部图像和所述身体图像输入至预先训练得到的深度学习模型，获得所述预先训练得到的深度学习模型输出的与所述面部图像和所述身体图像均对应的虚拟人体模型，包括：将所述面部图像输入至预先训练得到的第一深度学习模型，获得所述预先训练得到的第一深度学习模型输出的与所述面部图像对应的虚拟头部模型；将所述身体图像输入至预先训练得到的第二深度学习模型，获得所述预先训练得到的第二深度学习模型输出的与所述身体图像对应的虚拟身体模型；将所述虚拟头部模型与所述虚拟身体模型融合，得到所述目标对象对应的虚拟人体模型。
可选地，所述基于所述面部图像和所述身体图像获取服饰信息，包括：基于所述面部图像获取所述目标对象的面部信息；基于所述身体图像获取所述目标对象的身材信息；查找与所述面部信息和所述身材信息匹配的服饰信息，作为目标服饰信息。
可选地，所述查找与所述面部信息和所述身材信息匹配的服饰信息，作为目标服饰信息，包括：获取所述目标对象的基础信息，所述基础信息包括性别、年龄、职业中的至少一项；查找与所述面部信息、所述身材信息以及所述基础信息匹配的服饰信息，作为目标服饰信息。
可选地，所述将所述面部图像和所述身体图像输入至预先训练得到的深度学习模型，获得所述预先训练得到的深度学习模型输出的与所述面部图像和所述身体图像均对应的虚拟人体模型之前，还包括：获取所述目标对象输入的身体数据信息；所述将所述面部图像和所述身体图像输入至预先训练得到的深度学习模型，获得所述预先训练得到的深度学习模型输出的与所述面部图像和所述身体图像均对应的虚拟人体模型，包括：将所述身体数据信息、所述面部图像和所述身体图像输入至预先训练得到的深度学习模型，获得所述预先训练得到的深度学习模型输出的与所述身体数据信息、所述面部图像和所述身体图像均对应的虚拟人体模型。
可选地，所述将所述目标服饰信息与所述虚拟人体模型匹配生成试穿效果图像，包括：基于所述目标服饰信息获取虚拟服饰模型；获取所述虚拟服饰模型对应的服饰关键点，以及所述虚拟人体模型对应的人体关键点；获取所述服饰关键点和所述人体关键点的映射关系；基于所述映射关系将所述服饰关键点和所述人体关键点进行匹配，生成试穿效果图像。
可选地，所述将所述目标服饰信息与所述虚拟人体模型匹配生成试穿效果图像之后，还包括：获取所述目标对象的面部图像；对所述面部图像进行情绪分析得到情绪特征；基于所述情绪特征，获得所述目标对象对所述试穿效果图像的评价信息。
可选地，所述将所述目标服饰信息与所述虚拟人体模型匹配生成试穿效果图像之后，还包括：获取所述目标对象的语音信息；对所述语音信息进行情绪分析得到情绪特征；基于所述情绪特征，获得所述目标对象对所述试穿效果图像的评价信息。
可选地，所述将所述面部图像和所述身体图像输入至预先训练得到的深度学习模型，获得所述预先训练得到的深度学习模型输出的与所述面部图像和所述身体图像均对应的虚拟人体模型，包括：对所述目标对象的面部图像进行识别，得到所述目标对象的身份信息；基于所述目标对象的身份信息，查询是否存储有所述目标对象对应的预存虚拟人体模型；当查询到未存储有所述目标对象对应的预存虚拟人体模型时，将所述面部图像和所述身体图像输入至预先训练得到的深度学习模型，获得所述预先训练得到的深度学习模型输出的与所述面部图像和所述身体图像均对应的虚拟人体模型，并将所述虚拟人体模型与所述身份信息对应存储。
可选地，所述方法还包括：当查询到存储有所述目标对象对应的预存虚拟人体模型时，输出是否使用所述预存虚拟人体模型的提示信息；接收所述目标对象反馈的指示信息；当所述指示信息表征不使用所述预存虚拟人体模型时，将所述面部图像和所述身体图像输入至预先训练得到的深度学习模型，获得所述预先训练得到的深度学习模型输出的与所述面部图像和所述身体图像均对应的虚拟人体模型。
可选地，所述获取目标对象的面部图像和身体图像之前，还包括：获取训练样本集，所述训练样本集包括面部样本图像、身体样本图像以及与所述面部样本图像、身体样本图像对应的虚拟人体模型；将所述训练样本集输入到机器学习模型，并对所述机器学习模型进行训练，得到深度学习模型作为预先训练得到的深度学习模型。
可选地，所述方法还包括：获取所述目标对象的语音信息；对所述语音信息进行分析得到动作指令信息；响应所述动作指令信息，控制所述虚拟人体模型执行所述动作指令信息对应的动作。
第二方面，本申请实施例提供了一种虚拟服饰试穿装置，该装置包括：图像获取模块，用于获取目标对象的面部图像和身体图像；模型获取模块，用于将所述面部图像和所述身体图像输入至预先训练得到的深度学习模型，获得所述预先训练得到的深度学习模型输出的与所述面部图像和所述身体图像均对应的虚拟人体模型；信息获取模块，用于基于所述面部图像和所述身体图像获取目标服饰信息；图像生成模块，用于将所述目标服饰信息与所述虚拟人体模型匹配生成试穿效果图像。
可选地，所述模型获取模块包括：第一模型获取子模块，用于将所述面部图像输入至预先训练得到的第一深度学习模型，获得所述预先训练得到的第一深度学习模型输出的与所述面部图像对应的虚拟头部模型；第二模型获取子模块，用于将所述身体图像输入至预先训练得到的第二深度学习模型，获得所述预先训练得到的第二深度学习模型输出的与所述身体图像对应的虚拟身体模型；模型融合子模块，用于将所述虚拟头部模型与所述虚拟身体模型融合，得到所述目标对象对应的虚拟人体模型。
可选地，所述信息获取模块包括：第一信息获取子模块，用于基于所述面部图像获取所述目标对象的面部信息；第二信息获取子模块，用于基于所述身体图像获取所述目标对象的身体信息；信息查找子模块，用于查找与所述面部信息和所述身材信息匹配的服饰信息，作为目标服饰信息。
可选地，所述信息查找子模块包括：基础信息获取单元，用于获取所述目标对象的基础信息，所述基础信息包括性别、年龄、职业中的至少一项；信息查找单元，用于查找与所述面部信息、所述身材信息以及所述基础信息匹配的服饰信息，作为目标服饰信息。
可选地，所述虚拟服饰试穿装置还包括：输入信息获取模块，用于获取所述目标对象输入的身体数据信息；所述模型获取模块包括：第三模型获取子模块，用于将所述身体数据信息、所述面部图像和所述身体图像输入至预先训练得到的深度学习模型，获得所述预先训练得到的深度学习模型输出的与所述身体数据信息、所述面部图像和所述身体图像均对应的虚拟人体模型。
可选地，所述图像生成模块包括：服饰模型获取子模块，用于基于所述目标服饰信息获取虚拟服饰模型；关键点获取子模块，用于获取所述虚拟服饰模型对应的服饰关键点，以及所述虚拟人体模型对应的人体关键点；映射关系获取子模块，用于获取所述服饰关键点和所述人体关键点的映射关系；图像生成子模块，用于基于所述映射关系将所述服饰关键点和所述人体关键点进行匹配，生成试穿效果图像。
可选地，所述虚拟服饰试穿装置还包括：面部图像获取模块，用于获取所述目标对象的面部图像；图像分析模块，用于对所述面部图像进行情绪分析得到情绪特征；评价信息获得模块，用于基于所述情绪特征，获得所述目标对象对所述试穿效果图像的评价信息。
可选地，所述虚拟服饰试穿装置还包括：语音信息获取模块，用于获取所述目标对象的语音信息；语音分析模块，用于对所述语音信息进行情绪分析得到情绪特征；评价信息获得模块，用于基于所述情绪特征，获得所述目标对象对所述试穿效果图像的评价信息。
可选地，所述模型获取模块还包括：图像识别子模块，用于对所述目标对象的面部图像进行识别，得到所述目标对象的身份信息；模型查询子模块，用于基于所述目标对象的身份信息，查询是否存储有所述目标对象对应的预存虚拟人体模型；第四模型获取子模块，用于当查询到未存储有所述目标对象对应的预存虚拟人体模型时，将所述面部图像和所述身体图像输入至预先训练得到的深度学习模型，获得所述预先训练得到的深度学习模型输出的与所述面部图像和所述身体图像均对应的虚拟人体模型，并将所述虚拟人体模型与所述身份信息对应存储。
可选地，所述模型获取模块还包括：信息输出子模块，用于当查询到存储有所述目标对象对应的预存虚拟人体模型时，输出是否使用所述预存虚拟人体模型的提示信息；信息接收子模块，用于接收所述目标对象反馈的指示信息；第五模型获取子模块，用于当所述指示信息表征不适用所述预存虚拟人体模型时，将所述面部图像和所述身体图像输入至预先训练得到的深度学习模型，获得所述预先训练得到的深度学习模型输出的与所述面部图像和所述身体图像均对应的虚拟人体模型。
可选地，所述虚拟服饰试穿装置还包括：样本集获取模块，用于获取训练样本集，所述训练样本集包括面部样本图像、身体样本图像以及与所述面部样本图像、身体样本图像对应的虚拟人体模型；模型训练模块，用于将所述训练样本集输入到机器学习模型，并对所述机器学习模型进行训练，得到深度学习模型作为预先训练得到的深度学习模型。
可选地，所述虚拟服饰试穿装置还包括：语音信息获取模块，用于获取所述目标对象的语音信息；指令信息得到模块，用于对所述语音信息进行分析得到动作指令信息；信息响应模块，用于响应所述动作指令信息，控制所述虚拟人体模型执行所述动作指令信息对应的动作。
第三方面，本申请实施例提供了一种终端设备，包括存储器和处理器，所述存储器耦接到所述处理器，所述存储器存储指令，当所述指令由所述处理器执行时所述处理器执行上述方法。
第四方面，本申请实施例提供了一种计算机可读取存储介质，该计算机可读取存储介质中存储有程序代码，该程序代码可被处理器调用执行如上述第一方面所述的方法。
本申请实施例提供了一种虚拟服饰试穿方法、装置、终端设备及存储介质。获取目标对象的面部图像和身体图像；将面部图像和身体图像输入至预先训练得到的深度学习模型，获得预先训练得到的深度学习模型输出的与所述面部图像和所述身体图像均对应的虚拟人体模型；基于面部图像和身体图像获取目标服饰信息；将目标服饰信息与虚拟人体模型匹配，生成试穿效果图像。本申请通过根据目标对象的面部图像和身体图像生成与目标对象身材、面容一致的虚拟人体模型进行虚拟服饰的试穿，从而增强了虚拟服饰试穿的真实感。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示出了一种适用于本申请实施例的应用环境示意图；
图2示出了本申请实施例提供的虚拟服饰试穿方法的流程示意图；
图3示出了本申请实施例提供的一虚拟服饰试穿方法的流程示意图；
图4示出了本申请实施例提供的另一虚拟服饰试穿方法的流程示意图；
图5示出了本申请实施例提供的又一虚拟服饰试穿方法的流程示意图；
图6示出了本申请实施例提供的再一虚拟服饰试穿方法的流程示意图；
图7示出了本申请实施例提供的还一虚拟服饰试穿方法的流程示意图；
图8示出了本申请实施例提供的又再一虚拟服饰试穿方法的流程示意图；
图9示出了本申请实施例提供的又还一虚拟服饰试穿方法的流程示意图；
图10示出了本申请实施例提供的再又一虚拟服饰试穿方法的流程示意图；
图11示出了本申请实施例提供的再还一虚拟服饰试穿方法的流程示意图；
图12示出了本申请实施例提供的虚拟服饰试穿装置的结构框图；
图13示出了本申请实施例的用于执行根据本申请实施例的虚拟服饰试穿方法的终端设备的结构框图；
图14示出了本申请实施例的用于保存或者携带实现根据本申请实施例的虚拟服饰试穿方法的程序代码的存储单元。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
随着网络的发展，网络购物由于其丰富的资源和高效性等优势，正逐渐替代现实采购。用户可以根据自身的需求，选择采用线下衣服购买模式或线上衣服购买模式完成衣服购买。目前，人们在网络购物平台上选择服饰时，由于用户无法亲自试穿，因此通常会通过服饰照片、服饰尺寸或客服问询等方式来选择适合自己身材的服饰，但是由于每个人的体型、身材均不相同，因此经常会由于买到的衣服尺码不合适或佩戴效果不佳而退换货的情况，不仅麻烦而且会影响用户的购物体验，因此出现了根据用户的实际体型进行虚拟试衣的方式。
但目前的虚拟试衣模特通常是根据模特的身高、体重、胸围等参数，自己调节模特的腰形、肚腩、臀型等细节设计，所得模特身材过于主观，往往与用户本人实际的身材有一定的偏差，使得试穿效果真实感较差。同时，目前的虚拟试衣模特侧重于对人体模型躯干部分的研究，没有考虑面相与体型的匹配问题。
为了解决上述问题，发明人提出了本申请实施例中的虚拟服饰试穿方法、装置、终端设备及存储介质，通过根据目标对象的面部图像和身体图像生成与目标对象身材、面容一致的虚拟人体模型进行虚拟服饰的试穿，从而增强了虚拟服饰试穿的真实感。
为便于更好的理解本申请实施例提供的虚拟服饰试穿方法、装置、终端设备及存储介质，下面先对适用于本申请实施例的应用环境进行描述。
请参阅图1，图1示出了一种适用于本申请实施例的应用环境示意图。本申请实施例提供的虚拟服饰试穿方法可以应用于如图1所示的多态交互系统10。多态交互系统10包括终端设备100以及服务器200，服务器200与终端设备100通信连接。其中，服务器200可以是传统服务器，也可以是云端服务器，在此不作具体限定。
其中，终端设备100可以包括但不限于智能手机、平板电脑、膝上型便携计算机、台式计算机和可穿戴式电子设备等。
在一些实施方式中，终端设备100上可以安装有客户端应用程序，用户可以基于客户端应用程序(例如应用程序(application，APP)、微信小程序等)与服务器200进行通信。具体的，服务器200上安装有对应的服务端应用程序，用户可以基于客户端应用程序在服务200注册一个用户账号，并基于该用户账号与服务器200进行通信，例如用户在客户端应用程序登录用户账号，并基于该用户账号通过客户端应用程序进行输入，可以输入文字信息或语音信息等，客户端应用程序接收到用户输入的信息后，可以将该信息发送至服务器200，使得服务器200可以接收该信息并进行处理及存储，服务器200还可以接收该信息并根据该信息返回一个对应的输出信息至终端设备100。
在一些实施方式中，终端设备100在获取到目标对象的面部图像和身体图像，可以生成与目标对象身材、面容一致的虚拟人体模型进行虚拟服饰的试穿。在一些实施方式中，终端设备100可以将获取到的目标对象的面部图像和身体图像发送给服务器200，由服务器200进行处理，得到与目标对象身材、面容一致的虚拟人体模型。
在一些实施方式中，对采集到的用户信息进行处理的装置也可以设置于终端设备100上，使得终端设备100无需依赖与服务器200建立通信即可实现与用户的交互，此时多态交互系统10可以只包括终端设备100。
上述的应用环境仅为方便理解所作的示例，可以理解的是，本申请实施例不仅局限于上述应用环境。
下面将通过具体实施例对本申请实施例提供的虚拟服饰试穿方法、装置、终端设备及存储介质进行详细说明。
请参阅图2，图2示出了本申请实施例提供的虚拟服饰试穿方法的流程示意图。本实施例提供的虚拟服饰试穿方法可以应用于具有显示屏或其他图像输出装置的终端设备，终端设备可以是智能手机、平板电脑、穿戴式智能终端等电子设备。
在具体的实施例中，虚拟服饰试穿方法可应用于如图12所示的虚拟服饰试穿装置1200以及图13所示的终端设备100。下面将针对图2所示的流程进行详细的阐述。上述的虚拟服饰试穿方法具体地可以包括以下步骤：
步骤S110：获取目标对象的面部图像和身体图像。
在本实施例中，可以获取目标对象的面部图像和身体图像。其中，目标对象的面部图像和身体图像可以是通过拍摄设备采集的，具体地，可以通过拍摄设备以目标对象为中心且围绕目标对象拍摄多张图像，也可以设置多个拍摄设备安装在不同角度同时对目标对象拍摄得到。进一步地，目标对象的面部图像和身体图像也可以是预先存储在终端设备上，当目标对象进行虚拟服饰试穿操作时，从终端设备获取到面部图像和身体图像。具体获取方式再次不作限定。
在一些实施方式中，面部图像可以是只包含面部五官的图像，也可以是包含面部五官以及头发的图像。身体图像可以是包含目标对象的四肢及躯干的图像。
步骤S120：将面部图像和身体图像输入至预先训练得到的深度学习模型，获得预先训练得到的深度学习模型输出的与面部图像和身体图像均对应的虚拟人体模型。
在本申请实施例中，可以通过获取到的目标对象的面部图像和身体图像，得到与目标对象身材、面容一致的虚拟人体模型。具体地，可以通过将面部图像和身体图像输入至预先训练得到的深度学习模型，获得预先训练得到的深度学习模型输出的与面部图像和身体图像均对应的虚拟人体模型。
其中，深度学习模型可以是生成对抗网络(Generative Adversarial Network，GAN)也可以是循环神经网络(Recurrent Neural Network，RNN)。深度学习模型中可以预先存储大量虚拟人体模型的样本库。可以理解的是，深度学习模型，是用于将面部图像及身体图像转换为虚拟人体模型的模型。通过将获取到的目标对象的面部图像和身体图像输入该深度学习模型，即可由深度学习模型输出与面部图像和身体图像均对应的虚拟人体模型。
步骤S130：基于面部图像和身体图像获取目标服饰信息。
在本申请实施例中，可以基于面部图像和身体图像获取目标服饰信息。具体地，获取根据获取的面部图像确定目标对象的面部特征，根据获取的身体图像确定目标对象的身材，从而可以根据目标对象的面部特征和身材，向目标对象推荐符合其身材和面部特征的目标服饰信息。例如，目标对象为梨形身材，可以推荐向目标对象推荐A字裙来修饰身材，当目标对象为圆脸时，可以推荐水滴形的耳饰来修饰脸型。
在一些实施方式中，目标对象可以预先选择想要试穿的服饰，可以根据目标对象的身体图像，向目标对象推荐合适的尺码。例如，目标对象想要试穿连衣裙，根据目标对象的身体图像得到目标对象的身高以及三围与S码合适，则可以向目标对象推荐S码的连衣裙。
步骤S140：将目标服饰信息与虚拟人体模型匹配，生成试穿效果图像。
在本申请实施例中，当获取目标服饰信息后，可以将目标服饰信息与虚拟人体模型匹配，生成试穿效果图像，从而达到虚拟服饰试穿的目的。
具体地，在一些实施方式中，可以基于目标服饰信息获取目标服饰，通过在虚拟人体模型和目标服饰的相对应的区域做标记，通过对应的标记及映射关系将目标服饰上对应的区域套穿到虚拟人体模型上，实现将目标服饰信息与虚拟人体模型匹配。在一些实施方式中，还可以通过终端设备展示试穿效果图像，方便用户可以实时查看试穿效果。
上述实施例提供的虚拟服饰试穿方法，获取目标对象的面部图像和身体图像；将面部图像和身体图像输入至预先训练得到的深度学习模型，获得预先训练得到的深度学习模型输出的与所述面部图像和所述身体图像均对应的虚拟人体模型；基于面部图像和身体图像获取目标服饰信息；将目标服饰信息与虚拟人体模型匹配，生成试穿效果图像。本申请通过根据目标对象的面部图像和身体图像生成与目标对象身材、面容一致的虚拟人体模型进行虚拟服饰的试穿，从而增强了虚拟服饰试穿的真实感。
请参阅图3，图3示出了本申请实施例提供的一虚拟服饰试穿方法的流程示意图，该方法包括：
步骤S210：获取训练样本集，训练样本集包括面部样本图像、身体样本图像以及与面部样本图像、身体样本图像对应的虚拟人体模型。
在本申请实施例中，可以获取包括面部样本图像、身体样本图像以及与面部样本图像、身体样本图像对应的人体模型的训练样本集。具体地，为了提高训练结果的精准性，可以预先获取若干用户的面部图像、身体图像以及与面部样本图像、身体样本图像对应的虚拟人体模型，其中这些若干用户可以包括不同年龄段、不同性别、不同身材的用户。
步骤S220：将训练样本集输入到机器学习模型，并对机器学习模型进行训练，得到深度学习模型作为预先训练得到的深度学习模型。
在一些实施方式中，可以将上述得到的训练样本集输入到机器学习模型，并对机器学习模型进行训练，可以得到深度学习模型。其中，机器学习模型可以是线性模型、核方法与支持向量机、决策树以及神经网络(包括全连接神经网络、卷积神经网络、循环神经网络等)等。
作为一种方式，通过将训练样本集输入到机器学习模型，可以得到训练好的深度学习模型，以便于当后续输入任何面部图像和身体图像时，可以由深度学习模型快速的匹配出与面部图像、身体图像均对应的虚拟人体模型。
步骤S230：获取目标对象的面部图像和身体图像。
步骤S240：将面部图像和身体图像输入至预先训练得到的深度学习模型，获得预先训练得到的深度学习模型输出的与面部图像和身体图像均对应的虚拟人体模型。
步骤S250：基于面部图像和身体图像获取目标服饰信息。
步骤S260：将目标服饰信息与虚拟人体模型匹配，生成试穿效果图像。
其中，步骤S230-步骤S260的具体描述请参阅步骤S110-步骤S140，在此不再赘述。
上述实施例提供的虚拟服饰试穿方法，获取训练样本集，训练样本集包括面部样本图像、身体样本图像以及与面部样本图像、身体样本图像对应的虚拟人体模型；将训练样本集输入到机器学习模型，并对机器学习模型进行训练，得到深度学习模型作为预先训练得到的深度学习模型；获取目标对象的面部图像和身体图像；将面部图像和身体图像输入至预先训练得到的深度学习模型，获得预先训练得到的深度学习模型输出的与面部图像和身体图像均对应的虚拟人体模型；基于面部图像和身体图像获取目标服饰信息；将目标服饰信息与虚拟人体模型匹配，生成试穿效果图像。本申请实施例通过获取包括面部样本图像、身体样本图像以及与面部样本图像、身体样本图像对应的虚拟人体模型的训练样本集进行模型训练，得到预先训练得到的深度学习模型，从而获取到更为准确的虚拟人体模型，进一步增强了虚拟人体模型以及试穿效果的真实感。
请参阅图4，图4示出了本申请实施例提供的另一虚拟服饰试穿方法的流程示意图，该方法包括：
步骤S310：获取目标对象的面部图像和身体图像。
其中，步骤S310的具体描述请参阅步骤S110，在此不再赘述。
步骤S320：将面部图像输入至预先训练得到的第一深度学习模型，获得预先训练得到的第一深度学习模型输出的与面部图像对应的虚拟头部模型。
在本申请实施例中，第一深度学习模型，可以是基于大量面部图像以及面部图像对应的虚拟头部模型的训练样本，通过神经网络训练得到的。可以理解的是，第一深度学习模型，是用于将面部图像转换为对应的虚拟头部模型的模型。通过将之前获取的面部图像输入第一深度学习模型，即可由第一深度学习模型输出与面部图像对应的虚拟头部模型。
步骤S330：将身体图像输入至预先训练得到的第二深度学习模型，获得预先训练得到的第二深度学习模型输出的与身体图像对应的虚拟身体模型。
在本申请实施例中，第二深度学习模型，可以是基于大量身体图像以及身体图像对应的虚拟身体模型的训练样本，通过神经网络训练得到的。可以理解的是，第二深度学习模型，是用于将身体图像转换为对应的虚拟身体模型的模型。通过将之前获取的身体图像输入第二深度学习模型，即可由第二深度学习模型输出与身体图像对应的虚拟身体模型。
步骤S340：将虚拟头部模型与虚拟身体模型融合，得到目标对象对应的虚拟人体模型。
在本申请实施例中，可以将虚拟头部模型与虚拟身体模型融合，得到目标对象对应的虚拟人体模型。具体地，可以根据头部模型与虚拟身体模型对应的区域进行融合，从而得到完整的目标对象对应的虚拟人体模型。
步骤S350：基于面部图像和身体图像获取目标服饰信息。
步骤S360：将目标服饰信息与虚拟人体模型匹配，生成试穿效果图像。
其中，步骤S350-步骤S360的具体描述请参阅步骤S130-步骤S140，在此不再赘述。
上述实施例提供的虚拟服饰试穿方法，获取目标对象的面部图像和身体图像；将面部图像输入至预先训练得到的第一深度学习模型，获得预先训练得到的第一深度学习模型输出的与面部图像对应的虚拟头部模型；将身体图像输入至预先训练得到的第二深度学习模型，获得预先训练得到的第二深度学习模型输出的与身体图像对应的虚拟身体模型；将虚拟头部模型与虚拟身体模型融合，得到目标对象对应的虚拟人体模型；基于面部图像和身体图像获取目标服饰信息；将目标服饰信息与虚拟人体模型匹配，生成试穿效果图像。上述实施例通过建立两个深度学习模型，分别获取面部图像对应的虚拟头部模型和身体图像对应的虚拟身体模型，将虚拟头部模型和虚拟身体模型进行融合，得到目标对象的虚拟人体模型，从而获得更精确的虚拟人体模型，增强虚拟人体模型的真实感。
请参阅图5，图5示出了本申请实施例提供的又一虚拟服饰试穿方法的流程示意图，该方法包括：
步骤S410：获取目标对象的面部图像和身体图像。
步骤S420：将面部图像和身体图像输入至预先训练得到的深度学习模型，获得预先训练得到的深度学习模型输出的与面部图像和身体图像均对应的虚拟人体模型。
其中，步骤S410-步骤S420的具体描述请参阅步骤S110-步骤S120，在此不再赘述。
步骤S430：基于面部图像获取目标对象的面部信息。
在本申请实施例中，可以基于面部图像获取目标对象的面部信息。其中，面部信息可以包括目标对象五官的位置、肤色、发型等信息。具体地，可以根据面部图像中五官的关键点确定获取目标对象的五官的位置，可以获取面部图像中脸部区域的颜色来确定肤色，当面部图像包括头发时，还可以获取目标对象的发型。
步骤S440：基于身体图像获取目标对象的身材信息。
在本申请实施例中，可以基于身体图像获取目标对象的身材信息。其中，身材信息可以包括身高、肩宽、胸围、腰围、臀围等信息，可以根据身体图像确定各个身体部位的位置，通过系统测量得到身高、肩宽、胸围、腰围、臀围等信息。
步骤S450：查找与面部信息和身材信息匹配的服饰信息，作为目标服饰信息。
系统可以通过对用户身材特征、肤色、面貌的分析，结合大数据，自主地为用户推荐适合的品牌和风格服饰。在本申请实施例中，可以查找与面部信息和身材信息匹配的服饰信息，作为目标服饰信息。在一些实施方式中，服饰信息均包含尺寸信息，根据面部信息和身材信息，查找与根据面部信息和身材信息尺寸、风格匹配的服饰信息作为目标服饰信息，推荐给用户。例如，目标对象身高155厘米，可以推荐短裙，使得目标对象的身材看起来修长。
在一些实施方式中，还可以获取目标对象的基础信息，基础信息包括性别、年龄、职业中的至少一项，查找与面部信息、身材信息以及基础信息匹配的服饰信息，作为目标服饰信息。例如，目标对象的身高155厘米，年龄是18岁，则可以推荐粉色学院风的短裙给目标对象。
步骤S460：将目标服饰信息与虚拟人体模型匹配，生成试穿效果图像。
其中，步骤S460的具体描述请参阅步骤S140，在此不再赘述。
上述实施例提供的虚拟服饰试穿方法，获取目标对象的面部图像和身体图像；将面部图像和身体图像输入至预先训练得到的深度学习模型，获得预先训练得到的深度学习模型输出的与面部图像和身体图像均对应的虚拟人体模型；基于面部图像获取目标对象的面部信息；基于身体图像获取目标对象的身材信息；查找与面部信息和身材信息匹配的服饰信息，作为目标服饰信息。上述实施例通过获取目标对象的面部信息和身材信息，为用户推荐合适的服饰，从而提高用户的购物转化率。
请参阅图6，图6示出了本申请实施例提供的再一虚拟服饰试穿方法的流程示意图，该方法包括：
步骤S510：获取目标对象的面部图像和身体图像。
其中，步骤S510的具体描述请参阅步骤S110，在此不再赘述。
步骤S520：获取目标对象输入的身体数据信息。
在本申请实施例中，可以获取目标对象输入的身体数据信息。其中，身体数据信息可以包括身高、肩宽、胸围、臀围、大腿围等，目标对象可以自己使用卷尺手动测量身高等等，并通过终端设备输入模块界面直接输入。
步骤S530：将身体数据信息、面部图像和身体图像输入至预先训练得到的深度学习模型，获得预先训练得到的深度学习模型输出的与身体数据信息、面部图像和身体图像均对应的虚拟人体模型。
在本申请实施例中，可以将身体数据信息、面部图像和身体图像输入至预先训练得到的深度学习模型，获得预先训练得到的深度学习模型输出的与身体数据信息、面部图像和身体图像均对应的虚拟人体模型。其中，深度学习模型，可以是基于身体数据信息、面部图像和身体图像以及与身体数据信息、面部图像和身体图像均对应的虚拟人体模型的训练样本，通过神经网络训练得到的，深度学习模型可以是生成对抗网络(GenerativeAdversarial Network，GAN)也可以是循环神经网络(Recurrent Neural Network，RNN)。
步骤S540：基于面部图像和身体图像获取目标服饰信息。
步骤S550：将目标服饰信息与虚拟人体模型匹配，生成试穿效果图像。
其中，步骤S540-步骤S550的具体描述请参阅步骤S130-步骤S140，在此不再赘述。
上述实施例提供的虚拟服饰试穿方法，获取目标对象的面部图像和身体图像；获取目标对象输入的身体数据信息；将身体数据信息、面部图像和身体图像输入至预先训练得到的深度学习模型，获得预先训练得到的深度学习模型输出的与身体数据信息、面部图像和身体图像均对应的虚拟人体模型；基于面部图像和身体图像获取目标服饰信息；将目标服饰信息与虚拟人体模型匹配，生成试穿效果图像。上述实施例通过获取目标对象输入的身体数据信息，根据身体数据信息、面部图像以及身体图像生成虚拟人体模型，进一步增强了虚拟人体模型的真实感。
请参阅图7，图7示出了本申请实施例提供的还一虚拟服饰试穿方法的流程示意图，该方法包括：
步骤S610：获取目标对象的面部图像和身体图像。
步骤S620：将面部图像和身体图像输入至预先训练得到的深度学习模型，获得预先训练得到的深度学习模型输出的与面部图像和身体图像均对应的虚拟人体模型。
步骤S630：基于面部图像和身体图像获取目标服饰信息。
其中，步骤S610-步骤S630的具体描述请参阅步骤S110-步骤S130，在此不再赘述。
步骤S640：基于目标服饰信息获取虚拟服饰模型。
在本申请实施例中，可以基于目标服饰信息获取虚拟服饰模型。在一些实施方式中，可以在获取目标服饰信息后，根据目标服饰信息转换成虚拟服饰模型，其中利用建模软件生成虚拟服饰模型，也可以基于人体特征二维样板设计三维服饰模型，还可以基于深度相机对服饰进行三维建模。在一些实施方式中，虚拟服饰模型也可以是由商家提供的预先生成的模型，可以根据获取的目标服饰信息，查找与目标服饰信息对应的虚拟服饰模型。
步骤S650：获取虚拟服饰模型对应的服饰关键点，以及虚拟人体模型对应的人体关键点。
在一些实施方式中，按照服装与人体皮肤表面接触的情况，可以将整个人的结构分成头部、颈部、肩部、上臂、前臂、胸部、腰部、下腹、臀部、大腿、小腿、手足及各部位的连接关节等13个层次，可以根据这13个层次分别获取虚拟模型对应的服饰关键点，以及虚拟人体模型对应的人体关键点。
步骤S660：获取服饰关键点和人体关键点的映射关系。
在本申请实施例中，在服饰建模过程中，可以根据服饰关键点和人体关键点在虚拟服饰模型各布片上画一些有向线段作为标记，同时在虚拟人体模型上也在对应位置画上标记，根据标记的一一对应关系确定服饰关键点和人体关键点的映射关系。
步骤S670：基于映射关系将服饰关键点和人体关键点进行匹配，生成试穿效果图像。
在本申请实施例中，可以基于映射关系将服饰关键点和人体关键点进行匹配，生成试穿效果图像。具体地，可以将建模标记与虚拟服饰模型绑定在一起，用从起始位置到终止位置顶点的坐标序列指定作为标记的有向折线段，这些坐标是有向折线段端点在布片上的相对位置，通过局部坐标系映射可以很方便的在三维状况下重新找到这些点。同时把虚拟人体模型上对应的每个坐标用坐标序列表示出来。利用映射算法，依赖建模标记把虚拟服饰模型的布片映射到虚拟人体模型所在的三维空间，从而实现服饰关键点和人体关键点进行匹配，生成试穿效果图像。
上述实施例提供的虚拟服饰试穿方法，获取目标对象的面部图像和身体图像；将面部图像和身体图像输入至预先训练得到的深度学习模型，获得预先训练得到的深度学习模型输出的与面部图像和身体图像均对应的虚拟人体模型；基于面部图像和身体图像获取目标服饰信息；基于目标服饰信息获取服饰模型；获取虚拟服饰模型对应的服饰关键点，以及虚拟人体模型对应的人体关键点；获取服饰关键点和人体关键点的映射关系，基于映射关系将服饰关键点和人体关键点进行匹配，生成试穿效果图像。上述实施例通过根据服饰信息与虚拟人体模型的对应关键点以及映射关系，生成试穿效果图像，从而更好的将待试穿服饰套穿在虚拟人体模型，提高了虚拟服饰试穿的真实感。
请参阅图8，图8示出了本申请实施例提供的又再一虚拟服饰试穿方法的流程示意图，该方法包括：
步骤S710：获取目标对象的面部图像。
在本申请实施例中，可以通过实时捕捉用户神态表情来帮助用户判断其对试穿服饰的喜爱程度。具体地，可以获取目标对象的面部图像，其中，可以是在生成服饰试穿图像后，通过摄像装置实时采集目标对象的面部图像
步骤S720：对面部图像进行情绪分析得到情绪特征。
在本申请实施例中，可以对面部图像进行情绪分析得到情绪特征。
在一些实施方式中，终端设备对采集到的目标对象的面部图像进行情绪分析，以获取目标对象的情绪特征。在一些实施方式中，可以通过深度学习技术，对脸部图像进行情绪分析。作为一种方式，可以将脸部图像输入已训练的情绪识别模型，得到该情绪识别模型输出的情绪特征。具体地，在一些实施方式中，情绪识别模型可以预先基于大量脸部图像以及人脸呈现的情绪特征的训练样本，通过神经网络训练得到的。训练样本可以包括输入样本及输出样本，输入样本可以包括脸部图像，输出样本可以为图像中人物的情绪特征，从而已训练的情绪识别模型可以用于根据获取的脸部图像，输出图像中人物的情绪特征。
步骤S730：基于情绪特征，获得目标对象对试穿效果图像的评价信息。
在一些实施方式中，可以基于情绪特征，获得目标对象对试穿效果图像的评价信息。作为一种实施方式，可以预先存储有情绪特征与评价信息的对应关系，例如，当情绪特征为开心时，评价信息为好，当情绪特征为平静时，评价信息为一般。上述举例仅为示例，在此不做限定。
在一些实施方式中，还可以根据目标对象的评价信息和系统的自主分析来为用户试穿的不同服装搭配效果智能打分。例如，当目标对象的评价信息为好时，可以对此时目标对象试穿的服饰打90分。当目标对象的评价信息为差时，可以对此时目标对象试穿的服饰打50分，进而可以促使系统改进自己的服饰推荐算法，从而可以为用户推荐更准确的服饰。
上述实施例提供的虚拟服饰试穿方法，获取目标对象的面部图像；对面部图像进行情绪分析得到情绪特征；基于情绪特征，获得目标对象对试穿效果图像的评价信息。上述实施例通过实时捕捉用户神态表情来帮助用户判断其对试穿服饰的喜爱程度，以此来改进系统的服饰推荐算法，为用户推荐更合适的服饰，从而提高用户的购物转化率。
请参阅图9，图9示出了本申请实施例提供的又还一虚拟服饰试穿方法的流程示意图，该方法包括：
步骤S810：获取目标对象的语音信息。
在本申请实施例中，终端设备还可以包括语音采集装置，可以通过实时采集目标对象的声音，根据目标对象的语气帮助用户判断其对试穿服饰的喜爱程度。具体地，可以获取目标对象的语音信息，其中，可以通过终端设备的语音采集装置实时采集目标对象的语音信息。
步骤S820：对语音信息进行情绪分析得到情绪特征。
在本申请实施例中，可以对语音信息进行情绪分析得到情绪特征。在一些实施方式中，可以对语音信息进行语义识别，确定语音信息的内容，根据语音信息的内容得到目标对象的情绪特征，例如，当语音信息的内容为“这件太丑”，可以得到目标对象的情绪特征为抱怨。作为一种实施方式，还可以对语音信息进行识别，获取语音信息对应的音调信息，根据音调信息确定目标对象的情绪特征，例如，目标对象的音调偏高时，可以说明此时目标对象的情绪特征为开心。上述举例仅为示意，在此不做限定。
步骤S830：基于情绪特征，获得目标对象对试穿效果图像的评价信息。
在一些实施方式中，可以基于情绪特征，获得目标对象对试穿效果图像的评价信息。作为一种实施方式，可以预先存储有情绪特征与评价信息的对应关系，例如，当情绪特征为开心时，评价信息为好，当情绪特征为平静时，评价信息为一般。上述举例仅为示例，在此不做限定。
上述实施例提供的虚拟服饰试穿方法，获取目标对象的语音信息；对语音信息进行情绪分析得到情绪特征；基于情绪特征，获得目标对象对试穿效果图像的评价信息。上述实施例通过实时捕捉用户的语气来帮助用户判断其对试穿服饰的喜爱程度，以此来改进系统的服饰推荐算法，为用户推荐更合适的服饰，从而提高用户的购物转化率。
请参阅图10，图10示出了本申请实施例提供的再又一虚拟服饰试穿方法的流程示意图，该方法包括：
步骤S910：获取目标对象的面部图像和身体图像。
其中，步骤S910的具体描述请参阅步骤S110，在此不再赘述。
步骤S920：对目标对象的面部图像进行识别，得到目标对象的身份信息。
在本申请实施例中，可以对目标对象的面部图像进行识别，得到目标对象的身份信息。在一些实施方式中，人的瞳孔时独一无二的，可以预先存储有目标对象的身份信息与瞳孔的对应关系，因此可以对面部图像的瞳孔进行识别，通过识别瞳孔确定目标对象的身份信息。在另一些实施方式中，可以预先存储有身份信息与面部特征点的对应关系，可以对面部图像进行识别，得到面部特征点，从而根据面部特征点查询到对应的身份信息。
步骤S930：基于目标对象的身份信息，查询是否存储有目标对象对应的预存虚拟人体模型。
在本申请实施例中，目标对象可以事先建立过虚拟人体模型，并根据身份信息对应存储在系统中，因此，可以基于目标对象的身份信息，查询是否存储有目标对象对应的预存虚拟人体模型。具体地，可以在系统中，通过身份信息进行查询，查看该身份信息是否对应存储有预存虚拟人体模型。
步骤S940：当查询到未存储有目标对象对应的预存虚拟人体模型时，将面部图像和身体图像输入至预先训练得到的深度学习模型，获得预先训练得到的深度学习模型输出的与面部图像和身体图像均对应的虚拟人体模型，并将虚拟人体模型与身份信息对应存储。
在本申请实施例中，当查询到未存储有目标对象对应的预存虚拟人体模型时，可以根据面部图像和身体图像，生成对应的虚拟人体模型，具体地，可以将面部图像和身体图像输入至预先训练得到的深度学习模型，获得预先训练得到的深度学习模型输出的与面部图像和身体图像均对应的虚拟人体模型，并将虚拟人体模型与身份信息对应存储。
在一些实施方式中，当查询到存储有目标对象对应的预存虚拟人体模型时，可以将该预存虚拟人体模型作为本次虚拟试穿的虚拟人体模型。
在一些实施方式中，身份信息对应存储的预存虚拟人体模型可能是很久之前生成的，由于目标对象的身材等信息发生了改变，例如体重增加了，若使用之前的预存虚拟人体模型，可能无法真实的还原当前目标对象的身材特征。因此，当查询到存储有目标对象对应的预存虚拟人体模型时，可以进一步输出是否使用该预存虚拟人体模型的提示信息，接收目标对象反馈的指示信息。当用户的身材特征发生了变化，例如体重增加了，可以指示不使用该预存虚拟人体模型，即当指示信息表征不使用预存虚拟人体模型时，可以根据获取的面部图像和身体图像重新生成虚拟人体模型，具体地，可以将面部图像和身体图像输入至预先训练得到的深度学习模型，获得预先训练得到的深度学习模型输出的与面部图像和身体图像均对应的虚拟人体模型。
步骤S950：基于面部图像和身体图像获取目标服饰信息。
步骤S960：将目标服饰信息与虚拟人体模型匹配，生成试穿效果图像。
其中，步骤S950-步骤S960的具体描述请参阅步骤S130-步骤S140，在此不再赘述。
上述实施例提供的虚拟服饰试穿方法，获取目标对象的面部图像和身体图像；对目标对象的面部图像进行识别，得到目标对象的身份信息；基于目标对象的身份信息，查询是否存储有目标对象对应的预存虚拟人体模型；当查询到未存储有目标对象对应的预存虚拟人体模型时，将面部图像和身体图像输入至预先训练得到的深度学习模型，获得预先训练得到的深度学习模型输出的与面部图像和身体图像均对应的虚拟人体模型，并将虚拟人体模型与身份信息对应存储。上述实施例通过获取目标对象的身份信息，查询是否存储有该目标对象对应的预存虚拟人体模型，进而可以在存储有目标对象对应的预存虚拟人体模型时，直接使用预存虚拟人体模型进行虚拟服饰的试穿，从而减少模型生成的时间，提高服饰试穿的效率。
请参阅图11，图11示出了本申请实施例提供的再还一虚拟服饰试穿方法的流程示意图，该方法包括：
步骤S1010：获取目标对象的语音信息。
在本申请实施例中，终端设备还可以包括语音采集装置，可以通过实时采集目标对象的声音对虚拟人体模型进行控制。具体地，可以获取目标对象的语音信息，其中，可以通过终端设备的语音采集装置实时采集目标对象的语音信息。
步骤S1020：对语音信息进行分析得到动作指令信息。
在本申请实施例中，可以对语音信息进行分析得到动作指令信息。在一些实施方式中，可以对语音信息进行语义识别，得到语音信息对应的语音内容，根据语音内容与动作指令信息的对应关系，确定该语音内容对应的动作指令信息，例如，当语音信息为“向左转”时，可以通过语义识别获得“向左转”的语音内容，进而可以获取动作指令信息为控制虚拟人体模型向左转。
步骤S1030：响应动作指令信息，控制虚拟人体模型执行动作指令信息对应的动作。
在本申请实施例中，可以响应动作指令信息，控制人体模型执行动作指令信息对应的动作。例如，当语音信息为“向右转”时，可以通过语义识别获得“向右转”的语音内容，进而可以获取动作指令信息为控制虚拟人体模型向右转，终端设备响应控制虚拟人体模型向右转的动作指令信息，控制虚拟人体模型执行向右转的动作。
上述实施例提供的虚拟服饰试穿方法，获取目标对象的语音信息；对语音信息进行分析得到动作指令信息；响应动作指令信息，控制虚拟人体模型执行动作指令信息对应的动作。上述实施例通过根据目标对象的语音信息，控制虚拟人体模型，使得虚拟人体模型可以根据目标对象的语音进行转动，从而增强了虚拟服饰试穿的真实感。
请参阅图12，图12示出了本申请实施例提供的虚拟服饰试穿装置1200的结构框图。下面将针对图12所示的框图进行阐述，所述虚拟服饰试穿装置1200包括：图像获取模块1210、模型获取模块1220、信息获取模块1230以及图像生成模块1240，其中：
图像获取模块1210，用于获取目标对象的面部图像和身体图像。
模型获取模块1220，用于将面部图像和身体图像输入至预先训练得到的深度学习模型，获得预先训练得到的深度学习模型输出的与面部图像和身体图像均对应的虚拟人体模型。
进一步地，模型获取模块1220包括：第一模型获取子模块、第二模型获取子模块以及模型融合子模块，其中：
第一模型获取子模块，用于将面部图像输入至预先训练得到的第一深度学习模型，获得预先训练得到的第一深度学习模型输出的与面部图像对应的虚拟头部模型。
第二模型获取子模块，用于将身体图像输入至预先训练得到的第二深度学习模型，获得预先训练得到的第二深度学习模型输出的与身体图像对应的虚拟身体模型。
模型融合子模块，用于将虚拟头部模型与虚拟身体模型融合，得到目标对象对应的虚拟人体模型。
进一步地，模型获取模块1220还包括：第三模型获取子模块，其中：
第三模型获取子模块，用于将身体数据信息、面部图像和身体图像输入至预先训练得到的深度学习模型，获得预先训练得到的深度学习模型输出的与身体数据信息、面部图像和身体图像均对应的虚拟人体模型。
进一步地，模型获取模块1220还包括：图像识别子模块、模型查询子模块以及第四模型获取子模块，其中：
图像识别子模块，用于对目标对象的面部图像进行识别，得到目标对象的身份信息。
模型查询子模块，用于基于目标对象的身份信息，查询是否存储有目标对象对应的预存虚拟人体模型。
第四模型获取子模块，用于当查询到未存储有目标对象对应的预存虚拟人体模型时，将面部图像和身体图像输入至预先训练得到的深度学习模型，获得预先训练得到的深度学习模型输出的与面部图像和身体图像均对应的虚拟人体模型，并将虚拟人体模型与身份信息对应存储。
进一步地，模型获取模块1220还包括：信息输出子模块、信息接收子模块以及第五模型获取子模块，其中：
信息输出子模块，用于当查询到存储有目标对象对应的预存虚拟人体模型时，输出是否使用预存虚拟人体模型的提示信息。
信息接收子模块，用于接收目标对象反馈的指示信息。
第五模型获取子模块，用于当指示信息表征不适用预存虚拟人体模型时，将面部图像和身体图像输入至预先训练得到的深度学习模型，获得预先训练得到的深度学习模型输出的与面部图像和身体图像均对应的虚拟人体模型。
信息获取模块1230，用于基于面部图像和身体图像获取目标服饰信息。
进一步地，信息获取模块1230包括：第一信息获取子模块、第二信息获取子模块以及信息查找子模块，其中：
第一信息获取子模块，用于基于面部图像获取目标对象的面部信息。
第二信息获取子模块，用于基于身体图像获取目标对象的身体信息。
信息查找子模块，用于查找与面部信息和身材信息匹配的服饰信息，作为目标服饰信息。
进一步地，信息查找子模块包括：基础信息获取单元以及信息查找单元，其中：
基础信息获取单元，用于获取目标对象的基础信息，基础信息包括性别、年龄、职业中的至少一项。
信息查找单元，用于查找与面部信息、身材信息以及基础信息匹配的服饰信息，作为目标服饰信息。
图像生成模块1240，用于将目标服饰信息与虚拟人体模型匹配生成试穿效果图像。
进一步地，图像生成模块1240包括：服饰模型获取子模块、关键点获取子模块、映射关系获取子模块以及图像生成子模块，其中：
服饰模型获取子模块，用于基于目标服饰信息获取虚拟服饰模型。
关键点获取子模块，用于获取虚拟服饰模型对应的服饰关键点，以及虚拟人体模型对应的人体关键点。
映射关系获取子模块，用于获取服饰关键点和人体关键点的映射关系。
图像生成子模块，用于基于映射关系将服饰关键点和人体关键点进行匹配，生成试穿效果图像。
进一步地，虚拟服饰试穿装置1200还包括：输入信息获取模块，其中：
输入信息获取模块，用于获取目标对象输入的身体数据信息。
进一步地，虚拟服饰试穿装置1200还包括：面部图像获取模块、图像分析模块以及评价信息获得模块，其中：
面部图像获取模块，用于获取目标对象的面部图像。
图像分析模块，用于对面部图像进行情绪分析得到情绪特征。
评价信息获得模块，用于基于情绪特征，获得目标对象对试穿效果图像的评价信息。
进一步地，虚拟服饰试穿装置1200还包括：语音信息获取模块以及语音分析模块，其中：
语音信息获取模块，用于获取目标对象的语音信息。
语音分析模块，用于对语音信息进行情绪分析得到情绪特征。
进一步地，虚拟服饰试穿装置1200还包括：样本集获取模块以及模型训练模块，其中：
样本集获取模块，用于获取训练样本集，训练样本集包括面部样本图像、身体样本图像以及与面部样本图像、身体样本图像对应的虚拟人体模型。
模型训练模块，用于将训练样本集输入到机器学习模型，并对机器学习模型进行训练，得到深度学习模型作为预先训练得到的深度学习模型。
进一步地，虚拟服饰试穿装置1200还包括：指令信息得到模块以及信息响应模块，其中：
指令信息得到模块，用于对语音信息进行分析得到动作指令信息。
信息响应模块，用于响应动作指令信息，控制虚拟人体模型执行动作指令信息对应的动作。
所属领域的技术人员可以清楚地了解到，本申请实施例提供的虚拟服饰试穿装置能够实现前述方法实施例中的各个过程，为描述的方便和简洁，上述描述装置和模块的具体工作过程，可以参阅前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的实施例中，所显示或讨论的模块相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，在本申请实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
请参阅图13，其示出了本申请实施例提供的一种终端设备100的结构框图。该终端设备100可以是智能手机、平板电脑、电子书等能够运行应用程序的终端设备。本申请中的终端设备100可以包括一个或多个如下部件：处理器110、存储器120以及一个或多个应用程序，其中一个或多个应用程序可以被存储在存储器120中并被配置为由一个或多个处理器110执行，一个或多个程序配置用于执行如前述方法实施例所描述的方法。
处理器110可以包括一个或者多个处理核。处理器110利用各种接口和线路连接整个终端设备100内的各个部分，通过运行或执行存储在存储器120内的指令、程序、代码集或指令集，以及调用存储在存储器120内的数据，执行终端设备100的各种功能和处理数据。可选地，处理器110可以采用数字信号处理(digital signal processing，DSP)、现场可编程门阵列(field－programmable gate array，FPGA)、可编程逻辑阵列(programmable logicarray，PLA)中的至少一种硬件形式来实现。处理器110可集成中央处理器(centralprocessing unit，CPU)、图像处理器(graphics processing unit，GPU)和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责显示内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器110中，单独通过一块通信芯片进行实现。
存储器120可以包括随机存储器(random access memory，RAM)，也可以包括只读存储器(read-only memory，ROM)。存储器120可用于存储指令、程序、代码、代码集或指令集。存储器120可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于实现至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现下述各个方法实施例的指令等。存储数据区还可以存储终端设备1200在使用中所创建的数据(比如电话本、音视频数据、聊天记录数据)等。
请参阅图14，其示出了本申请实施例提供的一种计算机可读取存储介质的结构框图。该计算机可读取存储介质1400中存储有程序代码，所述程序代码可被处理器调用执行上述方法实施例中所描述的方法。
计算机可读取存储介质1400可以是诸如闪存、电可擦除可编程只读存储器(electrically-erasable programmable read-only memory，EEPROM)、可擦除可编程只读存储器(erasable programmable read only memory，EPROM)、硬盘或者ROM之类的电子存储器。可选地，计算机可读取存储介质1400包括非易失性计算机可读介质(non-transitorycomputer-readable storage medium)。计算机可读取存储介质1400具有执行上述方法中的任何方法步骤的程序代码1410的存储空间。这些程序代码可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。程序代码1410可以例如以适当形式进行压缩。
综上所述，本申请实施例提供的虚拟服饰试穿方法、装置、终端设备及存储介质，该方法包括：获取目标对象的面部图像和身体图像；将面部图像和身体图像输入至预先训练得到的深度学习模型，获得预先训练得到的深度学习模型输出的与所述面部图像和所述身体图像均对应的虚拟人体模型；基于面部图像和身体图像获取目标服饰信息；将目标服饰信息与虚拟人体模型匹配，生成试穿效果图像。本申请通过根据目标对象的面部图像和身体图像生成与目标对象身材、面容一致的虚拟人体模型进行虚拟服饰的试穿，从而增强了虚拟服饰试穿的真实感。
最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员当理解：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，并不驱使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (15)

1.一种虚拟服饰试穿方法，其特征在于，所述方法包括：
获取目标对象的面部图像和身体图像；
将所述面部图像和所述身体图像输入至预先训练得到的深度学习模型，获得所述预先训练得到的深度学习模型输出的与所述面部图像和所述身体图像均对应的虚拟人体模型；
基于所述面部图像和所述身体图像获取目标服饰信息；
将所述目标服饰信息与所述虚拟人体模型匹配，生成试穿效果图像。
2.根据权利要求1所述的方法，其特征在于，所述将所述面部图像和所述身体图像输入至深度学习模型，获得所述预先训练得到的深度学习模型输出的与所述面部图像和所述身体图像均对应的虚拟人体模型，包括：
将所述面部图像输入至预先训练得到的第一深度学习模型，获得所述预先训练得到的第一深度学习模型输出的与所述面部图像对应的虚拟头部模型；
将所述身体图像输入至预先训练得到的第二深度学习模型，获得所述预先训练得到的第二深度学习模型输出的与所述身体图像对应的虚拟身体模型；
将所述虚拟头部模型与所述虚拟身体模型融合，得到所述目标对象对应的虚拟人体模型。
3.根据权利要求1所述的方法，其特征在于，所述基于所述面部图像和所述身体图像获取服饰信息，包括：
基于所述面部图像获取所述目标对象的面部信息；
基于所述身体图像获取所述目标对象的身材信息；
查找与所述面部信息和所述身材信息匹配的服饰信息，作为目标服饰信息。
4.根据权利要求3所述的方法，其特征在于，所述查找与所述面部信息和所述身材信息匹配的服饰信息，作为目标服饰信息，包括：
获取所述目标对象的基础信息，所述基础信息包括性别、年龄、职业中的至少一项；
查找与所述面部信息、所述身材信息以及所述基础信息匹配的服饰信息，作为目标服饰信息。
5.根据权利要求1所述的方法，其特征在于，所述将所述面部图像和所述身体图像输入至预先训练得到的深度学习模型，获得所述预先训练得到的深度学习模型输出的与所述面部图像和所述身体图像均对应的虚拟人体模型之前，还包括：
获取所述目标对象输入的身体数据信息；
所述将所述面部图像和所述身体图像输入至预先训练得到的深度学习模型，获得所述预先训练得到的深度学习模型输出的与所述面部图像和所述身体图像均对应的虚拟人体模型，包括：
将所述身体数据信息、所述面部图像和所述身体图像输入至预先训练得到的深度学习模型，获得所述预先训练得到的深度学习模型输出的与所述身体数据信息、所述面部图像和所述身体图像均对应的虚拟人体模型。
6.根据权利要求1所述的方法，其特征在于，所述将所述目标服饰信息与所述虚拟人体模型匹配生成试穿效果图像，包括：
基于所述目标服饰信息获取虚拟服饰模型；
获取所述虚拟服饰模型对应的服饰关键点，以及所述虚拟人体模型对应的人体关键点；
获取所述服饰关键点和所述人体关键点的映射关系；
基于所述映射关系将所述服饰关键点和所述人体关键点进行匹配，生成试穿效果图像。
7.根据权利要求1-6任一项所述的方法，其特征在于，所述将所述目标服饰信息与所述虚拟人体模型匹配生成试穿效果图像之后，还包括：
获取所述目标对象的面部图像；
对所述面部图像进行情绪分析得到情绪特征；
基于所述情绪特征，获得所述目标对象对所述试穿效果图像的评价信息。
8.根据权利要求1-6任一项所述的方法，其特征在于，所述将所述目标服饰信息与所述虚拟人体模型匹配生成试穿效果图像之后，还包括：
获取所述目标对象的语音信息；
对所述语音信息进行情绪分析得到情绪特征；
基于所述情绪特征，获得所述目标对象对所述试穿效果图像的评价信息。
9.根据权利要求1所述的方法，其特征在于，所述将所述面部图像和所述身体图像输入至预先训练得到的深度学习模型，获得所述预先训练得到的深度学习模型输出的与所述面部图像和所述身体图像均对应的虚拟人体模型，包括：
对所述目标对象的面部图像进行识别，得到所述目标对象的身份信息；
基于所述目标对象的身份信息，查询是否存储有所述目标对象对应的预存虚拟人体模型；
当查询到未存储有所述目标对象对应的预存虚拟人体模型时，将所述面部图像和所述身体图像输入至预先训练得到的深度学习模型，获得所述预先训练得到的深度学习模型输出的与所述面部图像和所述身体图像均对应的虚拟人体模型，并将所述虚拟人体模型与所述身份信息对应存储。
10.根据权利要求9所述的方法，其特征在于，所述方法还包括：
当查询到存储有所述目标对象对应的预存虚拟人体模型时，输出是否使用所述预存虚拟人体模型的提示信息；
接收所述目标对象反馈的指示信息；
当所述指示信息表征不使用所述预存虚拟人体模型时，将所述面部图像和所述身体图像输入至预先训练得到的深度学习模型，获得所述预先训练得到的深度学习模型输出的与所述面部图像和所述身体图像均对应的虚拟人体模型。
11.根据权利要求1所述的方法，其特征在于，所述获取目标对象的面部图像和身体图像之前，还包括：
获取训练样本集，所述训练样本集包括面部样本图像、身体样本图像以及与所述面部样本图像、身体样本图像对应的虚拟人体模型；
将所述训练样本集输入到机器学习模型，并对所述机器学习模型进行训练，得到深度学习模型作为预先训练得到的深度学习模型。
12.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取所述目标对象的语音信息；
对所述语音信息进行分析得到动作指令信息；
响应所述动作指令信息，控制所述虚拟人体模型执行所述动作指令信息对应的动作。
13.一种虚拟服饰试穿装置，其特征在于，所述装置包括：
图像获取模块，用于获取目标对象的面部图像和身体图像；
模型获取模块，用于将所述面部图像和所述身体图像输入至预先训练得到的深度学习模型，获得所述预先训练得到的深度学习模型输出的与所述面部图像和所述身体图像均对应的虚拟人体模型；
信息获取模块，用于基于所述面部图像和所述身体图像获取目标服饰信息；
图像生成模块，用于将所述目标服饰信息与所述虚拟人体模型匹配生成试穿效果图像。
14.一种终端设备，其特征在于，包括存储器和处理器，所述存储器耦接到所述处理器，所述存储器存储指令，当所述指令由所述处理器执行时所述处理器执行如权利要求1-12任一项所述的方法。
15.一种计算机可读取存储介质，其特征在于，所述计算机可读取存储介质中存储有程序代码，所述程序代码可被处理器调用执行如权利要求1-12任一项所述的方法。
CN202010322725.8A 2020-04-22 2020-04-22 虚拟服饰试穿方法、装置、终端设备及存储介质 Active CN111508079B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010322725.8A CN111508079B (zh) 2020-04-22 2020-04-22 虚拟服饰试穿方法、装置、终端设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010322725.8A CN111508079B (zh) 2020-04-22 2020-04-22 虚拟服饰试穿方法、装置、终端设备及存储介质

Publications (2)

Publication Number Publication Date
CN111508079A true CN111508079A (zh) 2020-08-07
CN111508079B CN111508079B (zh) 2024-01-23

Family

ID=71877913

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010322725.8A Active CN111508079B (zh) 2020-04-22 2020-04-22 虚拟服饰试穿方法、装置、终端设备及存储介质

Country Status (1)

Country Link
CN (1) CN111508079B (zh)

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111985995A (zh) * 2020-08-14 2020-11-24 足购科技(杭州)有限公司 基于微信小程序的鞋子虚拟试穿方法及装置
CN112508639A (zh) * 2020-11-30 2021-03-16 上海联影智能医疗科技有限公司 虚拟化人体系统的交互方法、电子设备和计算机可读介质
CN112562034A (zh) * 2020-12-25 2021-03-26 咪咕文化科技有限公司 一种图像生成方法、装置、电子设备和存储介质
CN112598806A (zh) * 2020-12-28 2021-04-02 深延科技(北京)有限公司 基于人工智能的虚拟试穿方法、装置、计算机设备及介质
CN112884638A (zh) * 2021-02-02 2021-06-01 北京东方国信科技股份有限公司 虚拟试衣方法及装置
CN112991494A (zh) * 2021-01-28 2021-06-18 腾讯科技（深圳）有限公司 图像生成方法、装置、计算机设备及计算机可读存储介质
CN113012282A (zh) * 2021-03-31 2021-06-22 深圳市慧鲤科技有限公司 三维人体重建方法、装置、设备及存储介质
CN113204663A (zh) * 2021-04-23 2021-08-03 广州未来一手网络科技有限公司 用于服装匹配的信息处理方法及装置
CN113506361A (zh) * 2021-09-09 2021-10-15 东莞市疾病预防控制中心 一种基于小程序的三维口罩显示系统及方法
CN113724046A (zh) * 2021-08-31 2021-11-30 厦门预演网络科技有限公司 一种三维模拟展示方法和系统
CN114170250A (zh) * 2022-02-14 2022-03-11 阿里巴巴达摩院(杭州)科技有限公司 图像处理方法、装置和电子设备
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
CN114928751A (zh) * 2022-05-09 2022-08-19 咪咕文化科技有限公司 一种对象展示方法、装置、设备及可读存储介质
CN115147193A (zh) * 2022-09-02 2022-10-04 深圳前海鹏影数字软件运营有限公司 商品的采购推荐方法、装置、商品的电子采购终端及介质
WO2022205762A1 (zh) * 2021-03-31 2022-10-06 深圳市慧鲤科技有限公司 三维人体重建方法、装置、设备及存储介质
CN117575636A (zh) * 2023-12-19 2024-02-20 东莞莱姆森科技建材有限公司 一种基于视频处理的智能镜控制方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108389077A (zh) * 2018-02-11 2018-08-10 广东欧珀移动通信有限公司 电子装置、信息推荐方法及相关产品
CN108733287A (zh) * 2018-05-15 2018-11-02 东软集团股份有限公司 查体操作的检测方法、装置、设备及存储介质
CN109409977A (zh) * 2018-08-28 2019-03-01 广州多维魔镜高新科技有限公司 基于vr的虚拟场景试衣系统、方法、电子设备及存储介质
CN109934613A (zh) * 2019-01-16 2019-06-25 中德（珠海）人工智能研究院有限公司 一种虚拟服装试穿系统
WO2019134560A1 (zh) * 2018-01-08 2019-07-11 Oppo广东移动通信有限公司 搭配模型构建方法、服饰推荐方法、装置、介质及终端
CN110264299A (zh) * 2019-05-07 2019-09-20 平安科技（深圳）有限公司 基于人脸识别的服装推荐方法、装置及计算机设备

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019134560A1 (zh) * 2018-01-08 2019-07-11 Oppo广东移动通信有限公司 搭配模型构建方法、服饰推荐方法、装置、介质及终端
CN110021061A (zh) * 2018-01-08 2019-07-16 广东欧珀移动通信有限公司 搭配模型构建方法、服饰推荐方法、装置、介质及终端
CN108389077A (zh) * 2018-02-11 2018-08-10 广东欧珀移动通信有限公司 电子装置、信息推荐方法及相关产品
CN108733287A (zh) * 2018-05-15 2018-11-02 东软集团股份有限公司 查体操作的检测方法、装置、设备及存储介质
CN109409977A (zh) * 2018-08-28 2019-03-01 广州多维魔镜高新科技有限公司 基于vr的虚拟场景试衣系统、方法、电子设备及存储介质
CN109934613A (zh) * 2019-01-16 2019-06-25 中德（珠海）人工智能研究院有限公司 一种虚拟服装试穿系统
CN110264299A (zh) * 2019-05-07 2019-09-20 平安科技（深圳）有限公司 基于人脸识别的服装推荐方法、装置及计算机设备

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111985995A (zh) * 2020-08-14 2020-11-24 足购科技(杭州)有限公司 基于微信小程序的鞋子虚拟试穿方法及装置
CN112508639A (zh) * 2020-11-30 2021-03-16 上海联影智能医疗科技有限公司 虚拟化人体系统的交互方法、电子设备和计算机可读介质
CN112562034A (zh) * 2020-12-25 2021-03-26 咪咕文化科技有限公司 一种图像生成方法、装置、电子设备和存储介质
CN112562034B (zh) * 2020-12-25 2022-07-01 咪咕文化科技有限公司 一种图像生成方法、装置、电子设备和存储介质
CN112598806A (zh) * 2020-12-28 2021-04-02 深延科技(北京)有限公司 基于人工智能的虚拟试穿方法、装置、计算机设备及介质
CN112991494A (zh) * 2021-01-28 2021-06-18 腾讯科技（深圳）有限公司 图像生成方法、装置、计算机设备及计算机可读存储介质
CN112991494B (zh) * 2021-01-28 2023-09-15 腾讯科技（深圳）有限公司 图像生成方法、装置、计算机设备及计算机可读存储介质
CN112884638A (zh) * 2021-02-02 2021-06-01 北京东方国信科技股份有限公司 虚拟试衣方法及装置
CN113012282A (zh) * 2021-03-31 2021-06-22 深圳市慧鲤科技有限公司 三维人体重建方法、装置、设备及存储介质
WO2022205760A1 (zh) * 2021-03-31 2022-10-06 深圳市慧鲤科技有限公司 三维人体重建方法、装置、设备及存储介质
WO2022205762A1 (zh) * 2021-03-31 2022-10-06 深圳市慧鲤科技有限公司 三维人体重建方法、装置、设备及存储介质
CN113204663A (zh) * 2021-04-23 2021-08-03 广州未来一手网络科技有限公司 用于服装匹配的信息处理方法及装置
CN113724046A (zh) * 2021-08-31 2021-11-30 厦门预演网络科技有限公司 一种三维模拟展示方法和系统
CN113506361A (zh) * 2021-09-09 2021-10-15 东莞市疾病预防控制中心 一种基于小程序的三维口罩显示系统及方法
CN114170250A (zh) * 2022-02-14 2022-03-11 阿里巴巴达摩院(杭州)科技有限公司 图像处理方法、装置和电子设备
CN114170250B (zh) * 2022-02-14 2022-05-13 阿里巴巴达摩院(杭州)科技有限公司 图像处理方法、装置和电子设备
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
CN114928751A (zh) * 2022-05-09 2022-08-19 咪咕文化科技有限公司 一种对象展示方法、装置、设备及可读存储介质
CN115147193A (zh) * 2022-09-02 2022-10-04 深圳前海鹏影数字软件运营有限公司 商品的采购推荐方法、装置、商品的电子采购终端及介质
CN115147193B (zh) * 2022-09-02 2022-12-27 深圳前海鹏影数字软件运营有限公司 商品的采购推荐方法、装置、商品的电子采购终端及介质
CN117575636A (zh) * 2023-12-19 2024-02-20 东莞莱姆森科技建材有限公司 一种基于视频处理的智能镜控制方法及系统
CN117575636B (zh) * 2023-12-19 2024-05-24 东莞莱姆森科技建材有限公司 一种基于视频处理的智能镜控制方法及系统

Also Published As

Publication number Publication date
CN111508079B (zh) 2024-01-23

Similar Documents

Publication Publication Date Title
CN111508079B (zh) 虚拟服饰试穿方法、装置、终端设备及存储介质
CN110647636B (zh) 交互方法、装置、终端设备及存储介质
CN112379812B (zh) 仿真3d数字人交互方法、装置、电子设备及存储介质
CN112598785B (zh) 虚拟形象的三维模型生成方法、装置、设备及存储介质
WO2018121777A1 (zh) 人脸检测方法、装置和电子设备
CN111986775A (zh) 数字人的健身教练指导方法、装置、电子设备及存储介质
US20180085928A1 (en) Robot, robot control method, and robot system
US20120223956A1 (en) Information processing apparatus, information processing method, and computer-readable storage medium
CN111432267B (zh) 视频调整方法、装置、电子设备及存储介质
WO2017084483A1 (zh) 视频通话方法和装置
KR20160037074A (ko) 전환 거울을 구비한 장치의 이미지 디스플레이 방법 및 그 장치
CN112396679B (zh) 虚拟对象显示方法及装置、电子设备、介质
CN107911643B (zh) 一种视频通信中展现场景特效的方法和装置
JP2018084890A (ja) 情報処理装置、情報処理方法、およびプログラム
CN111968248A (zh) 基于虚拟形象的智能化妆方法、装置、电子设备及存储介质
CN111476114A (zh) 疲劳检测方法、装置、终端设备及存储介质
CN111523981A (zh) 虚拟试用方法、装置、电子设备及存储介质
KR20210065423A (ko) 증강현실 기반의 오프라인 매장에서의 가상 피팅시스템
CN107609487B (zh) 一种用户头像的生成方法和装置
CN112632349A (zh) 展区指示方法、装置、电子设备及存储介质
CN112190921A (zh) 一种游戏交互方法及装置
KR20220006022A (ko) 가상 캐릭터를 위한 슬라이더 블록 처리 방법 및 장치, 전자장비, 컴퓨터 판독가능 저장매체 및 컴퓨터 프로그램
CN111639615B (zh) 一种虚拟建筑物的触发控制方法及装置
CN108629824B (zh) 图像生成方法、装置、电子设备及计算机可读介质
WO2023035725A1 (zh) 虚拟道具展示方法及装置

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