CN111767817A - 一种服饰搭配方法、装置、电子设备及存储介质 - Google Patents

一种服饰搭配方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN111767817A
CN111767817A CN202010576072.6A CN202010576072A CN111767817A CN 111767817 A CN111767817 A CN 111767817A CN 202010576072 A CN202010576072 A CN 202010576072A CN 111767817 A CN111767817 A CN 111767817A
Authority
CN
China
Prior art keywords
clothing
model
human body
garment
target
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
CN202010576072.6A
Other languages
English (en)
Other versions
CN111767817B (zh
Inventor
董咨雨
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202010576072.6A priority Critical patent/CN111767817B/zh
Publication of CN111767817A publication Critical patent/CN111767817A/zh
Application granted granted Critical
Publication of CN111767817B publication Critical patent/CN111767817B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • 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 Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Library & Information Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本申请涉及人工智能技术领域，具体涉及图像处理技术领域。具体地，本申请提供了一种利用深度卷积神经网络的一键式服饰搭配方法。包括：获取目标用户的人体数据；根据所述人体数据生成所述目标用户的人体风格以及3D人体模型；根据所述目标用户的人体风格，对所述3D人体模型进行服饰模型匹配，得到目标服饰模型；根据所述目标服饰模型对所述3D人体模型进行交叉覆盖。本申请实施例能够解决用户不懂服饰搭配的问题，为用户提供个性化的服饰搭配方法。

Description

一种服饰搭配方法、装置、电子设备及存储介质
技术领域
本申请涉及人工智能技术领域，具体涉及图像处理技术领域。具体地，本申请提供了一种利用深度卷积神经网络的一键式服饰搭配方法。
背景技术
服饰已是当今社会中人们生活的必需品。一方面，服饰能够起到驱寒保暖、保护脆弱的人体免于环境伤害的作用，另一方面，服饰的搭配也往往能够彰显一个人的品味。
随着生活质量的提高，人们对于服饰搭配的需求也越来越高。然而，大部分人并不善于根据自己的风格进行服饰搭配，每天都会在服饰搭配的问题上浪费很多的时间。另外，人们在逛街时，也会由于亲自试穿衣服较为麻烦，或试衣间排队人数较多，不愿花费时间与精力亲自试穿。同时，在网上购买衣服时，由于不能亲自试穿又会导致买的衣服并不会合适，导致频繁退货浪费资源。因此如何提供一种有效的服饰搭配建议，以节省人们在服饰搭配问题上花费的时间和精力等成为了业内讨论的问题。
发明内容
本申请实施例提供了一种服饰搭配方法、装置、电子设备及存储介质，以解决用户不懂服饰搭配的问题，为用户提供个性化的服饰搭配方法。
第一方面，本申请实施例提供了一种服饰搭配方法，包括：
获取目标用户的人体数据；
根据所述人体数据生成所述目标用户的人体风格以及3D人体模型；
根据所述目标用户的人体风格，对所述3D人体模型进行服饰模型匹配，得到目标服饰模型；
根据所述目标服饰模型对所述3D人体模型进行交叉覆盖。
第二方面，本申请实施例提供了一种服饰搭配装置，包括：
人体数据获取模块，用于获取目标用户的人体数据；
风格模型生成模块，用于根据所述人体数据生成所述目标用户的人体风格以及3D人体模型；
目标服饰模型获取模块，用于根据所述目标用户的人体风格，对所述3D人体模型进行服饰模型匹配，得到目标服饰模型；
服饰交叉覆盖模块，用于根据所述目标服饰模型对所述3D人体模型进行交叉覆盖。
第三方面，本申请实施例提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行第一方面实施例所提供的服饰搭配方法。
第四方面，本申请实施例还提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行第一方面实施例所提供的服饰搭配方法。
本申请实施例通过根据获取的人体数据生成目标用户的人体风格以及3D人体模型，从而根据目标用户的人体风格，对3D人体模型进行服饰模型匹配，得到目标服饰模型，并利用匹配得到的目标服饰模型对3D人体模型进行交叉覆盖，实现了根据用户的个性风格进行服饰搭配，解决了用户不懂服饰搭配的问题，从而节省用户在服饰搭配问题上浪费的时间与精力。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是本申请实施例提供的一种服饰搭配方法的流程图；
图2是本申请实施例提供的一种服饰搭配方法的流程图；
图3是本申请实施例提供的一种服饰搭配装置的结构图；
图4是用来实现本申请实施例的服饰搭配方法的电子设备的结构示意图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
在一个示例中，图1是本申请实施例提供的一种服饰搭配方法的流程图，本实施例可适用于根据用户的个性风格为用户进行服饰搭配的情况，该方法可以由服饰搭配装置来执行，该装置可以由软件和/或硬件的方式来实现，并一般可集成在电子设备中。该电子设备可以是智能手机、平板电脑或个人电脑等设备。相应的，如图1所示，该方法包括如下操作：
S110、获取目标用户的人体数据。
其中，目标用户可以是需要进行服饰搭配的用户。人体数据可以是目标用户的人体相关数据。示例性的，人体数据可以包括但不限于目标用户的脸部特征数据、身高数据或三围数据等，只要能够反映目标用户的身体特征即可，本申请实施例并不对人体数据的具体类型进行限定。
在本申请实施例中，可以采用人工智能技术对目标用户根据其个性风格为其进行服饰搭配。相应的，在对目标用户进行服饰搭配前，可以首先获取目标用户的人体数据，并以人体数据为基础，采用人工智能技术为目标用户进行服饰搭配。可选的，人工智能技术可以是基于图像处理的人工智能技术，本申请实施例对此并不进行限制。
S120、根据所述人体数据生成所述目标用户的人体风格以及3D人体模型。
其中，人体风格可以是目标用户的体型风格，包括但不限于面部风格和身材风格等，可以用于预测目标用户的穿衣风格。3D人体模型即为通过人工智能技术所生成的具有多维度视觉的人体模型。
相应的，在获取到目标用户的人体数据后，即可根据人体数据生成目标用户的人体风格以及3D人体模型。可选的，3D人体模型中可以仅体现出目标用户的裸体模型，并对裸体模型中的敏感部位进行脱敏处理。或者，3D人体模型还可以在裸体模型的基础上，匹配简单的服饰，如简单的内衣等。同时，3D人体模型中还可以选择默认的发型，本申请实施例并不对3D人体模型的具体模型情况进行限制。
在本申请的一个可选实施例中，人体风格可以包括但不限于冷淡型、清纯型、热情型、性感型、甜美型、可爱型、气质型、奔放型、中性型、阳光型、嘻哈型及商务型。
S130、根据所述目标用户的人体风格，对所述3D人体模型进行服饰模型匹配，得到目标服饰模型。
其中，目标服饰模型可以是对目标用户建议的搭配服饰模型。
相应的，在获取到目标用户的人体风格后，可以根据目标用户的人体风格对目标用户的3D人体模型进行服饰模型匹配，从而得到与目标用户的个性风格相匹配的目标服饰模型。
S140、根据所述目标服饰模型对所述3D人体模型进行交叉覆盖。
在本申请实施例中，当获得与目标用户的个性风格相匹配的目标服饰模型之后，即可根据目标服饰模型对3D人体模型进行交叉覆盖。所谓交叉覆盖即为在3D人体模型的基础上，采用虚拟穿衣的方式为3D人体模型穿搭目标服饰模型，从而在视觉上为用户提供更直观、更逼真的服饰风格搭配。
需要说明的是，现有技术中，在进行服饰搭配时所采用的方法为：根据用户提供的身型外形数据及用户提供场景情景进行随机服装推荐。这种服饰搭配方法无法为用户推荐合适的风格，智能性欠缺。本申请实施例通过人工智能技术所匹配得到的服饰模型是根据用户的人体风格获取的，不仅能够解决用户不懂服饰搭配的问题，而且还能够满足用户的个性风格需求，从而为用户提供更加专业的服饰搭配建议，以供用户参考。
本申请实施例通过根据获取的人体数据生成目标用户的人体风格以及3D人体模型，从而根据目标用户的人体风格，对3D人体模型进行服饰模型匹配，得到目标服饰模型，并利用匹配得到的目标服饰模型对3D人体模型进行交叉覆盖，实现了根据用户的个性风格进行服饰搭配，解决了用户不懂服饰搭配的问题，从而节省用户在服饰搭配问题上浪费的时间与精力。
在一个示例中，图2是本申请实施例提供的一种服饰搭配方法的流程图，本申请实施例在上述各实施例的技术方案的基础上，进行了优化改进，给出了获取目标用户的人体数据、根据所述人体数据生成所述目标用户的人体风格以及3D人体模型、根据所述目标用户的人体风格对所述3D人体模型进行服饰模型匹配，以及根据所述目标服饰模型对所述3D人体模型进行交叉覆盖的多种具体可选的实现方式。
如图2所示的一种服饰搭配方法，包括：
S210、获取所述目标用户的二维照片图像作为所述人体数据。
其中，二维照片图像可以是目标用户的平面照片图像。可以理解的是，二维照片图像可以包括目标用户的全身图像，从而获得目标用户全面的人体数据。
在本申请实施例中，可以获取目标用户的二维照片图像作为人体数据，以根据二维照片图像生成目标用户的人体风格以及3D人体模型。
需要说明的是，在现有技术中，往往使用3D重建技术，依据连续的图像序列或多视角的多张图像来生成3D人体模型。然而，3D重建技术对硬件设备要求较高，需要利用终端扫描机对人体进行360度扫描，并需要双目摄像机或结构光摄像机等专用设备，不适用于手机这种便携智能终端设备。同时，3D重建技术的专用设备会增加部署成本，并且增加大规模普及3D重建技术的难度。通过3D重建技术生成3D人体模型需要用户提供身高、体重及三围等基本身体数据，作为初级数据进行基础建设。但如果用户对自身数据把握不明确或处于自我保护意识提供虚假数据，则可能会造成模型与实际效果的误差，导致生成的3D人体模型相似度和准确度较低。
本申请实施例不需要利用3D重建的专用设备，只需要目标用户的一张二维照片图像即可智能化地生成目标用户的人体风格以及3D人体模型，且不需要用户提供基本身体数据。可以理解的是，二维照片图像的获取方式较为简单。例如，目标用户可以直接利用终端进行拍照，以获取二维照片图像，或者，目标用户还可以直接上传终端中存储的二维照片图像等。由此可见，通过将二维照片图像作为人体数据，以生成目标用户的人体风格以及3D人体模型，不仅能够降低硬件成本和部署成本，且得到的人体风格和3D人体模型的相似度和准确度较高。
S220、根据所述人体数据生成所述目标用户的人体风格以及3D人体模型。
相应的，S220具体可以包括下述操作：
S221、采用深度卷积神经网络对所述人体数据进行数据处理，以提取所述目标用户的人脸特征数据和人体维度数据。
其中，人脸特征数据即为目标用户中人脸关键点的数据，如人脸的五官或头型等。人体维度数据可以是人体的基本身体数据，如身高、体重或三围数据等。本申请实施例并不对人脸特征数据和人体维度数据的数据类型和数据内容进行限定。
在本申请实施例中，可以采用深度学习技术根据目标用户的二维照片图像生成目标用户的人体风格以及3D人体模型。可选的，可以采用深度卷积神经网络对所述人体数据进行数据处理，以提取所述目标用户的人脸特征数据和人体维度数据。需要说明的是，人脸特征数据和人体维度数据可以是与目标用户的实际人体数据，如身高为180厘米。或者，人脸特征数据和人体维度数据也还可以是根据实际人体数据按比例缩放所得到的数据，如10厘米等，本申请实施例对此并不进行限制。
示例性的，以深度卷积神经网络为基础，通过深度卷积神经网络的卷积层利用瞳孔摄入像素Pixels方法提取二维照片图像中人脸特征数据及人体维度数据，如人脸的3D密集点、身高、体重和三围等数据。然后通过深度卷积神经网络的池化层将二维照片图像进行降维处理，并在全连接层对处理过的数据进行计算，以预测人体的3D形态姿势，从而生成3D人体模型。
S222、根据所述人脸特征数据以及所述人体维度数据确定所述目标用户的人体风格。
相应的，在获取到目标用户的人脸特征数据及人体维度数据后，即可根据获取的数据确定目标用户的人体风格。示例性的，根据目标用户的人脸特征数据确定目标用户的面部风格为热情型，根据目标用户的人体维度数据确定目标用户的身材风格为高挑型，则根据确定面部风格和身材风格可以确定目标用户的人体风格为性感型。
S223、根据所述人脸特征数据生成所述目标用户的3D人脸模型，根据所述人体维度数据生成所述目标用户的3D姿态模型，并对所述3D人脸模型和所述3D姿态模型进行组合，得到所述3D人体模型。
在获取到人脸特征数据以及人体维度数据后，进一步可以根据人脸特征数据生成目标用户的3D人脸模型，并根据人体维度数据生成目标用户的3D姿态模型，其中，3D姿态模型也即目标用户的身体模型(不包括面部)。然后将生成的3D人脸模型和3D姿态模型进行组合，即可得到完整的3D人体模型。其中，3D人脸模型可以采用根据二维照片图像中的发型模拟生成3D发型作为默认发型，3D姿态模型可以采用默认的服饰，本申请实施例对此并不进行限制。
上述技术方案中，通过深度卷积神经网络对二维照片图像进行数据处理，以提取目标用户的人脸特征数据和人体维度数据，可以保证人体数据的准确性和智能性。同时，根据人脸特征数据生成3D人脸模型，根据人体维度数据生成3D姿态模型，并对3D人脸模型和3D姿态模型进行组合得到3D人体模型，能够使得生成的3D人体模型更加真实、准确地反应目标用户的真实形态，从而在对3D人体模型进行服饰搭配时，能够更加贴近目标用户的实际穿搭效果。
需要说明的是，图2仅是一种实现方式的示意图，步骤S222与步骤S223之间并没有先后顺序。可以先执行步骤S222，再执行步骤S223，也可以先执行步骤S223，再执行步骤S222，或者也还可以二者同时执行。
S230、获取所述目标用户提供的参考服装图像。
其中，参考服装图像可以是目标用户提供的服装图像。可选的，参考服装图像的数量可以是一张或多张，本申请实施例并不对参考服装图像的具体数量进行限定。示例性的，参考服装图像可以是目标用户通过终端实时拍照获取的图像，或者，也还可以是目标用户通过终端本次存储的图像，本申请实施例并不对参考服装图像的提供方式进行限定。
在本申请实施例中，对目标用户提供服饰搭配建议时，还可以参考目标用户所提供的参考服装图像。
例如，假设目标用户在逛街或在线浏览服装的过程中，看中一款服装，但由于不懂得如何搭配而无法决定是否购买时，可以利用手机对该服装进行拍照或截图等，得到该服装的参考服装图像。又例如，假设目标用户想要根据实际场景如约会或商务会议等自行搭配服装，但不清楚如何利用现有的服装进行搭配，则可以利用手机对现有的服装进行拍照，以获取现有服装的参考服装图像，在该应用场景中，参考服装图像的数量可以是多张。
S240、根据所述目标用户的人体风格以及所述参考服装图像，对所述3D人体模型进行服饰模型匹配，得到所述目标服饰模型。
相应的，在获取到参考服装图像后，即可综合参考目标用户的人体风格以及获取的参考服装图像为目标用户提供服饰搭配建议。
相应的，S240具体可以包括下述操作：
S241、获取所述参考服装图像中参考服装的二维服装数据，根据所述二维服装数据生成所述参考服装图像的参考服装3D模型，并将所述参考服装3D模型存储至服装数据库中。
其中，参考服装可以是参考服装图像中包括的服装。二维服装数据可以是对参考服装进行数据提取，得到的二维数据。参考服装3D模型可以是根据参考服装通过人工智能技术所生成的具有多维度视觉的服装模型。服装数据库可以用于存储服装的3D模型，包括但不限于参考服装3D模型，以及预先存储的服装3D模型等。
可选的，当目标用户提供了参考服装图像后，可以获取参考服装图像中参考服装的二维服装数据，以根据获取的数据生成参考服装图像的参考服装3D模型，并将得到的参考服装3D模型存储至服装数据库中，以用于后续进行服饰搭配使用。
S242、根据所述目标用户的人体风格以及服装风格匹配规则在所述服装数据库中搜索匹配至少一套备选发型和至少一套备选服装。
其中，所述服装风格匹配规则可以包括：针对每种人体风格，对应映射至少一种发型类型及至少一套备选服装。也即，服装风格匹配规则可以理解为服装数据库中根据不同人体风格所定义的多种类型的发型列表和服装列表。
其中，备选发型可以是服装数据库中存储的发型模型，备选服装可以是服装数据库中存储的服装模型。可选的，服装数据库可以按照一定的规则存储发型模型和服装模型，如根据不同的类型进行存储等，本申请实施例对此并不进行限制。
在本申请实施例中，对目标用户进行服饰搭配时，可以根据目标用户的人体风格以及服装风格匹配规则在服装数据库中搜索匹配至少一套备选发型和至少一套备选服装。可选的，可以对搜索到的备选发型和备选服装进行随机搭配，以供目标用户参考选择。
示例性的，假设服装数据库中预先定义了服装风格匹配规则：“清纯型”对应映射与“清纯型”匹配的发型列表和服装列表；“性感型”对应映射与“性感型”匹配的发型列表和服装列表，每个发型列表可以包括与对应风格匹配的多种发型，每个服装列表可以包括对应风格匹配的多种服装。如果目标用户的人体风格为性感型，则可以根据“性感”标签在服装数据库中的“性感型”匹配的发型列表和服装列表中进行搜索匹配，从而得到备选发型和备选服装。
需要说明的是，备选服装中可以包括参考服装对应的参考服装3D模型。例如，备选服装的上衣模型为根据参考服装生成参考服装3D模型，下衣模型为从服装数据库中搜索到的其他下衣3D模型。或者，备选服装中也还可以不包括参考服装对应的参考服装3D模型。例如，备选服装的上衣模型和下衣模型均为从服装数据库中搜索到的服装3D模型，本申请实施例对此并不进行限制。可以理解的是，为了提供更好的用户体验，如果备选服装中不包括参考服装，可以在界面的空白区域以缩略版的形式显示参考服装，以便用户可以选择参考服装作为目标服饰模型中的一部分。
另外还需说明的是，在利用服装数据库搜索匹配备选发型和备选服装时，不仅可以在服装数据库的本地中进行搜索，还可以实现在线联网搜索，以扩大搜索匹配范围和可用的资源，从而为目标用户提供更多的服饰搭配建议。
S243、根据所述目标用户针对所述备选发型的筛选操作确定目标发型，根据所述目标用户针对所述备选服装的筛选操作确定所述目标服装，并对所述目标发型和所述目标服装进行组合，得到所述目标服饰模型。
相应的，在为目标用户搜索匹配到多种可用的备选发型和备选服装后，目标用户即可选择中意的目标发型和目标服装。目标用户确定了目标发型和目标服装后，即可对目标发型和目标服装进行组合，得到完整的目标服饰模型。由于目标发型和目标服装都是3D模型，因此组合得到的目标服饰模型也为3D模型。
上述方案中，通过根据目标用户的人体风格以及参考服装图像，对3D人体模型进行服饰模型匹配，匹配到的目标服饰模型不仅满足目标用户的个性风格需求，还能满足目标用户对具体服饰的搭配需求，丰富了服饰搭配的功能。
在本申请的一个可选实施例中，所述二维服装数据可以包括服装类别、服装尺寸、服装颜色以及服装款式；所述获取所述参考服装图像中参考服装的二维服装数据，可以包括：提取所述参考服装的关键轮廓特征，并根据所述关键轮廓特征确定所述服装类别；根据所述参考服装图像中图像边缘与所述参考服装之间的距离以及参考服装图像的尺寸计算二维空间参考距离，并根据所述二维空间参考距离，以及所述二维空间参考距离与所述人体数据之间的比例确定所述服装尺寸；根据预设RGB色彩空间以及参考颜色分布列表，确定所述参考服装图像中各像素点的像素颜色，并根据所述各像素点的像素颜色确定所述服装颜色；根据所述服装类别对所述参考服装进行分割，并根据分割得到的局部服装特征，确定所述服装款式。
其中，关键轮廓特征可以是反应服装类型的轮廓特征。二维空间参考距离可以是参考服装图像中参考服装的距离。可选的，二维空间参考距离可以包括高度距离和宽度距离。其中，高度距离可以是参考服装的实际高度，或按比例缩放得到的高度；宽度距离可以是参考服装的实际宽度，或按比例缩放得到的宽度。预设RGB(红、绿及蓝三个通道的颜色)色彩空间可以是一个四维数组空间。参考颜色分布列表可以是根据预设RGB色彩空间所定义的用于定义像素颜色的列表。局部服装特征可以是服装的局部特征，如袖子、领子或裤腿等。
可选的，在获取参考服装图像中参考服装的二维服装数据时，可以提取参考服装的关键轮廓特征，如参考服装在图像中的外围轮廓特征，并根据关键轮廓特征确定服装类别，如确定参考服装属于上衣还是裤子等。
需要说明的是，确定服装尺寸要依据生成3D人体模型的人体维度数据的类型。假设用于生成3D人体模型的人体维度数据为目标用户的真实人体数据，则可以根据所述参考服装图像中图像边缘与所述参考服装之间的距离以及参考服装图像的尺寸计算参考服装的二维空间参考距离，该二维空间参考距离可以为根据参考服装的实际尺寸换算得到的距离。然后可以根据二维空间参考距离，以及二维空间参考距离与人体数据之间的比例确定服装尺寸。
示例性的，假设参考服装图像的尺寸为：高10厘米，宽8厘米。参考服装图像中图像边缘与参考服装之间的距离分别为：在高度方向上，上边缘与参考服装之间的距离为1厘米，下边缘与参考服装之间的距离为1厘米。在宽度方向上，左边缘与参考服装之间的距离为1厘米，右边缘与参考服装之间的距离为2厘米，则计算得到的参考服装在图像中的尺寸为：高8厘米，宽5厘米。进一步的，可以根据参考服装图像中图像边缘与参考服装之间的距离(可以计算平均值)，以及参考服装在图像中的尺寸计算得到参考服装实际尺寸相符的二维空间参考距离为：高78厘米，宽50厘米。进一步的，假设二维空间参考距离与人体数据之间的比例为1:1.05，人体数据中人体维度数据为身高180厘米，体重150，肩宽40厘米，三围分别为胸围110厘米，腰围75厘米，臀围115厘米。则参考服装的服装类别，以及二维空间参考距离与人体数据之间的比例1:1.05，可以确定参考服装的肩宽42厘米，胸围115.5厘米，腰围78.75厘米，臀围120.75厘米，长度78厘米，宽度50厘米等相关尺寸作为服装尺寸。
需要说明的是，如果用于生成3D人体模型的人体维度数据为目标用户的真实人体数据按比例缩放得到数据，则可以采用上述按照目标用户的真实人体数据确定实际的服装尺寸后，根据人体数据的缩放比例进一步计算参考服装的服装尺寸。除了上述计算方式，还有很多计算服装处理的方法，本申请实施例并不对服装尺寸的计算方式进行限定。另外还需说明的是，服装尺寸确定后，还可以根据参考因素进行调整，如进一步扩大处理或缩小处理，使得服装尺寸能够真实贴近目标用户的3D人体模型。
在确定参考服装的服装颜色时，可以根据预设RGB色彩空间对参考服装图像中的每个像素点进行取值，以记录不同像素点的数值，然后根据获取的像素点的数值查询参考颜色分布列表，以确定参考服装图像中各像素点的像素颜色。例如，假设根据预设RGB色彩空间对参考服装图像中的像素点取值为256.256.256.256，查询参考颜色分布列表中数值为256.256.256.256的像素颜色为黑色，则该像素点的像素颜色为黑色。在得到参考服装图像中的每个像素点的像素颜色后，可以采用诸如对像素颜色取平均的方式来确定服装颜色。需要说明的是，为了保证服装颜色的准确性，可以在确定像素颜色之前，对参考服装图像进行预处理，如去除背景或图片增强处理等。
最后，还可以根据服装类别对参考服装进行分割，并根据分割得到的局部服装特征，确定服装款式。例如，服装类别是上衣，则可以按照上衣样式对参考服装图像进行分割，分割出衣领、衣袖及纽扣/拉锁等服装区域，对分割得到的不同服装区域进行款式风格匹配，总结出上衣的款式风格，比如是一件衬衫等。
上述技术方案中，通过确定参考服装的服装类别、服装尺寸、服装颜色以及服装款式等二维服装数据，可以根据二维服装数据生成精准的参考服装3D模型，使得参考服装3D模型更加贴近3D人体模型，保证利用参考服装3D模型得到的服饰搭配效果更加贴近真实穿搭效果。
在本申请的一个可选实施例中，所述根据所述目标用户针对所述备选服装的筛选操作确定所述目标服装，可以包括：以所述参考服装为基准，对各所述备选服装与所述参考服装进行匹配，从各所述备选服装中确定中间搭配服装；在确定所述目标用户选择所述参考服装作为所述目标服装的部分服装时，根据所述参考服装对所述中间搭配服装进行替换更新，得到所述目标服装。
其中，中间搭配服装可以是从各备选服装(不包括参考服装)中的其中一套备选服装。中间搭配服装的数量可以是一套，也可以是多套，本申请实施例对此并不进行限制。
在本申请实施例中，在确定目标服装时，可以参考参考服装的风格类型，从众多备选服装中进一步筛选中间搭配服装。由于备选服装是根据人体风格筛选的，所述中间搭配服装的风格也与目标用户的人体风格相匹配。在确定中间搭配服装后，如果目标用户选取参考服装作为目标服装的一部分，则可以根据参考服装对中间搭配服装进行替换更新，得到目标服装。例如，假设参考服装为白色衬衣，则可以根据白色衬衣从各备选服装中筛选中间搭配服装，该中间搭配服装的上衣应当与白色衬衣的风格相匹配。相应的，如果目标用户选择该白色衬衣作为目标服装的上衣。相应的，在可以将各中间搭配服装的上衣替换为该白色衬衣，形成目标服装。如果目标服装有多套，目标用户还可以进一步筛选最合适的一套，作为最终的目标服装。
上述方案中，通过将参考服装作为服饰搭配的参考因素，可以进一步满足用户的个性化搭配需求。
S250、采用深度卷积神经网络对所述目标服饰模型进行3D转换，得到3D服饰模型。
其中，3D服饰模型可以是最终生成的用于与3D人体模型进行服饰搭配的模型。
如果最终匹配得到的目标服饰模型中包括二维服饰模型，如服装数据库在线匹配的二维服饰模型，则可以采用深度卷积神经网络的卷积层中的大量滤波器对其中的二维服饰模型进行3D转换。在得到全部的3D模型后，再对所有的3D模型利用深度卷积神经网络进行3D转换，例如，对3D模型的旋转角度或视角等进行3D转换，从而得到与3D人体模型的3D姿态相匹配的3D服饰模型。如果最终匹配得到的目标服饰模型全部为3D模型，则可以直接采用深度卷积神经网络对目标服饰模型进行3D转换，得到与3D人体模型的3D姿态相匹配的3D服饰模型。
S260、对所述3D服饰模型和所述3D人体模型进行交叉覆盖。
相应的，在获取到与3D人体模型的3D姿态相匹配的3D服饰模型后，即可对3D服饰模型和3D人体模型进行交叉覆盖，达到一键换装的效果。
上述技术方案，通过获取目标用户的二维照片图像作为人体数据，采用深度卷积神经网络对所人体数据进行数据处理，以提取目标用户的人脸特征数据和人体维度数据，并根据人脸特征数据以及人体维度数据确定目标用户的人体风格和3D人体模型，同时在目标用户提供的参考服装图像的基础上，结合人体风格对3D人体模型进行服饰模型匹配，得到目标服饰模型，最后对目标服饰模型进行3D转换得到3D服饰模型，以利用3D服饰模型和3D人体模型进行交叉覆盖，可以实现一键换装的效果，为目标用户提供满足个性需求以及满足个人风格需求的服饰搭配建议。
在一个示例中，图3是本申请实施例提供的一种服饰搭配装置的结构图，本申请实施例可适用于根据用户的个性风格为用户进行服饰搭配的情况，该装置通过软件和/或硬件实现，并具体配置于电子设备中。该电子设备可以是智能手机、平板电脑或个人电脑等设备。
如图3所示的一种服饰搭配装置300，包括：人体数据获取模块310、风格模型生成模块320、目标服饰模型获取模块330和服饰交叉覆盖模块340。其中，
人体数据获取模块310，用于获取目标用户的人体数据；
风格模型生成模块320，用于根据所述人体数据生成所述目标用户的人体风格以及3D人体模型；
目标服饰模型获取模块330，用于根据所述目标用户的人体风格，对所述3D人体模型进行服饰模型匹配，得到目标服饰模型；
服饰交叉覆盖模块340，用于根据所述目标服饰模型对所述3D人体模型进行交叉覆盖。
本申请实施例通过根据获取的人体数据生成目标用户的人体风格以及3D人体模型，从而根据目标用户的人体风格，对3D人体模型进行服饰模型匹配，得到目标服饰模型，并利用匹配得到的目标服饰模型对3D人体模型进行交叉覆盖，实现了根据用户的个性风格进行服饰搭配，解决了用户不懂服饰搭配的问题，从而节省用户在服饰搭配问题上浪费的时间与精力。
可选的，人体数据获取模块310具体用于：获取所述目标用户的二维照片图像作为所述人体数据；其中，所述二维照片图像包括所述目标用户的全身图像。
可选的，风格模型生成模块320具体用于：采用深度卷积神经网络对所述人体数据进行数据处理，以提取所述目标用户的人脸特征数据和人体维度数据；根据所述人脸特征数据以及所述人体维度数据确定所述目标用户的人体风格；根据所述人脸特征数据生成所述目标用户的3D人脸模型，根据所述人体维度数据生成所述目标用户的3D姿态模型，并对所述3D人脸模型和所述3D姿态模型进行组合，得到所述3D人体模型。
可选的，目标服饰模型获取模块330具体用于：获取所述目标用户提供的参考服装图像；根据所述目标用户的人体风格以及所述参考服装图像，对所述3D人体模型进行服饰模型匹配，得到所述目标服饰模型。
可选的，目标服饰模型获取模块330具体用于：获取所述参考服装图像中参考服装的二维服装数据，根据所述二维服装数据生成所述参考服装图像的参考服装3D模型，并将所述参考服装3D模型存储至服装数据库中；根据所述目标用户的人体风格以及服装风格匹配规则在所述服装数据库中搜索匹配至少一套备选发型和至少一套备选服装；根据所述目标用户针对所述备选发型的筛选操作确定目标发型，根据所述目标用户针对所述备选服装的筛选操作确定所述目标服装，并对所述目标发型和所述目标服装进行组合，得到所述目标服饰模型；其中，所述服装风格匹配规则包括：针对每种人体风格，对应映射至少一种发型类型及至少一套备选服装。
可选的，所述二维服装数据包括服装类别、服装尺寸、服装颜色以及服装款式；目标服饰模型获取模块330具体用于：提取所述参考服装的关键轮廓特征，并根据所述关键轮廓特征确定所述服装类别；根据所述参考服装图像中图像边缘与所述参考服装之间的距离以及参考服装图像的尺寸计算二维空间参考距离，并根据所述二维空间参考距离，以及所述二维空间参考距离与所述人体数据之间的比例确定所述服装尺寸；根据预设RGB色彩空间以及参考颜色分布列表，确定所述参考服装图像中各像素点的像素颜色，并根据所述各像素点的像素颜色确定所述服装颜色；根据所述服装类别对所述参考服装进行分割，并根据分割得到的局部服装特征，确定所述服装款式。
可选的，目标服饰模型获取模块330具体用于：以所述参考服装为基准，对各所述备选服装与所述参考服装进行匹配，从各所述备选服装中确定中间搭配服装；在确定所述目标用户选择所述参考服装作为所述目标服装的部分服装时，根据所述参考服装对所述中间搭配服装进行替换更新，得到所述目标服装。
可选的，服饰交叉覆盖模块340具体用于：采用深度卷积神经网络对所述目标服饰模型进行3D转换，得到3D服饰模型；对所述3D服饰模型和所述3D人体模型进行交叉覆盖。
可选的，所述人体风格包括冷淡型、清纯型、热情型、性感型、甜美型、可爱型、气质型、奔放型、中性型、阳光型、嘻哈型及商务型。
上述服饰搭配装置可执行本申请任意实施例所提供的服饰搭配方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本申请任意实施例提供的服饰搭配方法。
由于上述所介绍的服饰搭配装置为可以执行本申请实施例中的服饰搭配方法的装置，故而基于本申请实施例中所介绍的服饰搭配方法，本领域所属技术人员能够了解本实施例的服饰搭配装置的具体实施方式以及其各种变化形式，所以在此对于该服饰搭配装置如何实现本申请实施例中的服饰搭配方法不再详细介绍。只要本领域所属技术人员实施本申请实施例中服饰搭配方法所采用的装置，都属于本申请所欲保护的范围。
在一个示例中，本申请还提供了一种电子设备和一种可读存储介质。
图4是用来实现本申请实施例的服饰搭配方法的电子设备的结构示意图。如图4所示，是根据本申请实施例的服饰搭配方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图4所示，该电子设备包括：一个或多个处理器401、存储器402，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图4中以一个处理器401为例。
存储器402即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的服饰搭配方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的服饰搭配方法。
存储器402作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的服饰搭配方法对应的程序指令/模块(例如，附图3所示的人体数据获取模块310、风格模型生成模块320、目标服饰模型获取模块330和服饰交叉覆盖模块340)。处理器401通过运行存储在存储器402中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的服饰搭配方法。
存储器402可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储实现服饰搭配方法的电子设备的使用所创建的数据等。此外，存储器402可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器402可选包括相对于处理器401远程设置的存储器，这些远程存储器可以通过网络连接至实现服饰搭配方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
实现服饰搭配方法的电子设备还可以包括：输入装置403和输出装置404。处理器401、存储器402、输入装置403和输出装置404可以通过总线或者其他方式连接，图4中以通过总线连接为例。
输入装置403可接收输入的数字或字符信息，以及产生与实现服饰搭配方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置404可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
本申请实施例通过根据获取的人体数据生成目标用户的人体风格以及3D人体模型，从而根据目标用户的人体风格，对3D人体模型进行服饰模型匹配，得到目标服饰模型，并利用匹配得到的目标服饰模型对3D人体模型进行交叉覆盖，实现了根据用户的个性风格进行服饰搭配，解决了用户不懂服饰搭配的问题，从而节省用户在服饰搭配问题上浪费的时间与精力。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (18)

1.一种服饰搭配方法，包括：
获取目标用户的人体数据；
根据所述人体数据生成所述目标用户的人体风格以及3D人体模型；
根据所述目标用户的人体风格，对所述3D人体模型进行服饰模型匹配，得到目标服饰模型；
根据所述目标服饰模型对所述3D人体模型进行交叉覆盖。
2.根据权利要求1所述的方法，其中，所述获取目标用户的人体数据，包括：
获取所述目标用户的二维照片图像作为所述人体数据；
其中，所述二维照片图像包括所述目标用户的全身图像。
3.根据权利要求1所述的方法，其中，所述根据所述人体数据生成所述目标用户的人体风格以及3D人体模型，包括：
采用深度卷积神经网络对所述人体数据进行数据处理，以提取所述目标用户的人脸特征数据和人体维度数据；
根据所述人脸特征数据以及所述人体维度数据确定所述目标用户的人体风格；
根据所述人脸特征数据生成所述目标用户的3D人脸模型，根据所述人体维度数据生成所述目标用户的3D姿态模型，并对所述3D人脸模型和所述3D姿态模型进行组合，得到所述3D人体模型。
4.根据权利要求1所述的方法，其中，所述根据所述目标用户的人体风格，对所述3D人体模型进行服饰模型匹配，得到目标服饰模型，包括：
获取所述目标用户提供的参考服装图像；
根据所述目标用户的人体风格以及所述参考服装图像，对所述3D人体模型进行服饰模型匹配，得到所述目标服饰模型。
5.根据权利要求4所述的方法，其中，所述根据所述目标用户的人体风格以及所述参考服装图像，对所述3D人体模型进行服饰模型匹配，得到所述目标服饰模型，包括：
获取所述参考服装图像中参考服装的二维服装数据，根据所述二维服装数据生成所述参考服装图像的参考服装3D模型，并将所述参考服装3D模型存储至服装数据库中；
根据所述目标用户的人体风格以及服装风格匹配规则在所述服装数据库中搜索匹配至少一套备选发型和至少一套备选服装；
根据所述目标用户针对所述备选发型的筛选操作确定目标发型，根据所述目标用户针对所述备选服装的筛选操作确定所述目标服装，并对所述目标发型和所述目标服装进行组合，得到所述目标服饰模型；
其中，所述服装风格匹配规则包括：针对每种人体风格，对应映射至少一种发型类型及至少一套备选服装。
6.根据权利要求5所述的方法，其中，所述二维服装数据包括服装类别、服装尺寸、服装颜色以及服装款式；
所述获取所述参考服装图像中参考服装的二维服装数据，包括：
提取所述参考服装的关键轮廓特征，并根据所述关键轮廓特征确定所述服装类别；
根据所述参考服装图像中图像边缘与所述参考服装之间的距离以及参考服装图像的尺寸计算二维空间参考距离，并根据所述二维空间参考距离，以及所述二维空间参考距离与所述人体数据之间的比例确定所述服装尺寸；
根据预设RGB色彩空间以及参考颜色分布列表，确定所述参考服装图像中各像素点的像素颜色，并根据所述各像素点的像素颜色确定所述服装颜色；
根据所述服装类别对所述参考服装进行分割，并根据分割得到的局部服装特征，确定所述服装款式。
7.根据权利要求5所述的方法，其中，所述根据所述目标用户针对所述备选服装的筛选操作确定所述目标服装，包括：
以所述参考服装为基准，对各所述备选服装与所述参考服装进行匹配，从各所述备选服装中确定中间搭配服装；
在确定所述目标用户选择所述参考服装作为所述目标服装的部分服装时，根据所述参考服装对所述中间搭配服装进行替换更新，得到所述目标服装。
8.根据权利要求1所述的方法，其中，所述根据所述目标服饰模型对所述3D人体模型进行交叉覆盖，包括：
采用深度卷积神经网络对所述目标服饰模型进行3D转换，得到3D服饰模型；
对所述3D服饰模型和所述3D人体模型进行交叉覆盖。
9.一种服饰搭配装置，包括：
人体数据获取模块，用于获取目标用户的人体数据；
风格模型生成模块，用于根据所述人体数据生成所述目标用户的人体风格以及3D人体模型；
目标服饰模型获取模块，用于根据所述目标用户的人体风格，对所述3D人体模型进行服饰模型匹配，得到目标服饰模型；
服饰交叉覆盖模块，用于根据所述目标服饰模型对所述3D人体模型进行交叉覆盖。
10.根据权利要求9所述的装置，其中，所述人体数据获取模块具体用于：
获取所述目标用户的二维照片图像作为所述人体数据；
其中，所述二维照片图像包括所述目标用户的全身图像。
11.根据权利要求9所述的装置，其中，所述风格模型生成模块具体用于：
采用深度卷积神经网络对所述人体数据进行数据处理，以提取所述目标用户的人脸特征数据和人体维度数据；
根据所述人脸特征数据以及所述人体维度数据确定所述目标用户的人体风格；
根据所述人脸特征数据生成所述目标用户的3D人脸模型，根据所述人体维度数据生成所述目标用户的3D姿态模型，并对所述3D人脸模型和所述3D姿态模型进行组合，得到所述3D人体模型。
12.根据权利要求9所述的装置，其中，所述目标服饰模型获取模块具体用于：
获取所述目标用户提供的参考服装图像；
根据所述目标用户的人体风格以及所述参考服装图像，对所述3D人体模型进行服饰模型匹配，得到所述目标服饰模型。
13.根据权利要求12所述的装置，其中，所述目标服饰模型获取模块具体用于：
获取所述参考服装图像中参考服装的二维服装数据，根据所述二维服装数据生成所述参考服装图像的参考服装3D模型，并将所述参考服装3D模型存储至服装数据库中；
根据所述目标用户的人体风格以及服装风格匹配规则在所述服装数据库中搜索匹配至少一套备选发型和至少一套备选服装；
根据所述目标用户针对所述备选发型的筛选操作确定目标发型，根据所述目标用户针对所述备选服装的筛选操作确定所述目标服装，并对所述目标发型和所述目标服装进行组合，得到所述目标服饰模型；
其中，所述服装风格匹配规则包括：针对每种人体风格，对应映射至少一种发型类型及至少一套备选服装。
14.根据权利要求13所述的装置，其中，所述二维服装数据包括服装类别、服装尺寸、服装颜色以及服装款式；所述目标服饰模型获取模块具体用于：
提取所述参考服装的关键轮廓特征，并根据所述关键轮廓特征确定所述服装类别；
根据所述参考服装图像中图像边缘与所述参考服装之间的距离以及参考服装图像的尺寸计算二维空间参考距离，并根据所述二维空间参考距离，以及所述二维空间参考距离与所述人体数据之间的比例确定所述服装尺寸；
根据预设RGB色彩空间以及参考颜色分布列表，确定所述参考服装图像中各像素点的像素颜色，并根据所述各像素点的像素颜色确定所述服装颜色；
根据所述服装类别对所述参考服装进行分割，并根据分割得到的局部服装特征，确定所述服装款式。
15.根据权利要求13所述的装置，其中，所述目标服饰模型获取模块具体用于：
以所述参考服装为基准，对各所述备选服装与所述参考服装进行匹配，从各所述备选服装中确定中间搭配服装；
在确定所述目标用户选择所述参考服装作为所述目标服装的部分服装时，根据所述参考服装对所述中间搭配服装进行替换更新，得到所述目标服装。
16.根据权利要求9所述的装置，其中，所述服饰交叉覆盖模块具体用于：
采用深度卷积神经网络对所述目标服饰模型进行3D转换，得到3D服饰模型；
对所述3D服饰模型和所述3D人体模型进行交叉覆盖。
17.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-8中任一项所述的服饰搭配方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-8中任一项所述的服饰搭配方法。
CN202010576072.6A 2020-06-22 2020-06-22 一种服饰搭配方法、装置、电子设备及存储介质 Active CN111767817B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010576072.6A CN111767817B (zh) 2020-06-22 2020-06-22 一种服饰搭配方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010576072.6A CN111767817B (zh) 2020-06-22 2020-06-22 一种服饰搭配方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN111767817A true CN111767817A (zh) 2020-10-13
CN111767817B CN111767817B (zh) 2023-08-01

Family

ID=72721436

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010576072.6A Active CN111767817B (zh) 2020-06-22 2020-06-22 一种服饰搭配方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN111767817B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110197155A (zh) * 2019-05-30 2019-09-03 广州英特力信息科技有限公司 一种在线实时试穿方法及系统
CN112417614A (zh) * 2020-11-06 2021-02-26 深圳市微琪思服饰有限公司 一种或服装制作工艺的优化方法
CN112685579A (zh) * 2021-01-22 2021-04-20 广西安怡臣信息技术有限公司 一种基于大数据的发型及着装匹配系统
CN114880057A (zh) * 2022-04-22 2022-08-09 北京三快在线科技有限公司 图像显示方法、装置、终端、服务器及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2012100999A4 (en) * 2012-07-03 2012-10-18 3Du Virtual Fitting-Room Application
US20130071816A1 (en) * 2011-09-19 2013-03-21 Sudhir Kumar Singh Methods and systems for building a universal dress style learner
CN108197574A (zh) * 2018-01-04 2018-06-22 张永刚 人物风格识别方法、终端及计算机可读存储介质
CN108596646A (zh) * 2018-03-15 2018-09-28 南京航空航天大学 一种融合人脸属性分析的服装搭配推荐方法
CN108596730A (zh) * 2018-04-26 2018-09-28 北京超满意科技有限责任公司 服饰信息的处理方法、装置及智能设备
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

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130071816A1 (en) * 2011-09-19 2013-03-21 Sudhir Kumar Singh Methods and systems for building a universal dress style learner
AU2012100999A4 (en) * 2012-07-03 2012-10-18 3Du Virtual Fitting-Room Application
CN108197574A (zh) * 2018-01-04 2018-06-22 张永刚 人物风格识别方法、终端及计算机可读存储介质
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
CN108596646A (zh) * 2018-03-15 2018-09-28 南京航空航天大学 一种融合人脸属性分析的服装搭配推荐方法
CN108596730A (zh) * 2018-04-26 2018-09-28 北京超满意科技有限责任公司 服饰信息的处理方法、装置及智能设备

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
张艺凡;刘国华;盛守祥;王国栋;王力民;: "基于深度学习的服装风格识别问题的研究", 智能计算机与应用, no. 05 *
张达文等: "人体三维形体模拟仿真试衣系统的研究", 电子技术与软件工程, no. 2 *
陈铭;华中伟;景涵;包明娅;: "基于3D图像建模的服装搭配及妆颜定制APP的设计研究", 民营科技, no. 12 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110197155A (zh) * 2019-05-30 2019-09-03 广州英特力信息科技有限公司 一种在线实时试穿方法及系统
CN112417614A (zh) * 2020-11-06 2021-02-26 深圳市微琪思服饰有限公司 一种或服装制作工艺的优化方法
CN112417614B (zh) * 2020-11-06 2024-05-03 深圳市微琪思服饰有限公司 一种服装制作工艺的优化方法
CN112685579A (zh) * 2021-01-22 2021-04-20 广西安怡臣信息技术有限公司 一种基于大数据的发型及着装匹配系统
CN114880057A (zh) * 2022-04-22 2022-08-09 北京三快在线科技有限公司 图像显示方法、装置、终端、服务器及存储介质

Also Published As

Publication number Publication date
CN111767817B (zh) 2023-08-01

Similar Documents

Publication Publication Date Title
US10964078B2 (en) System, device, and method of virtual dressing utilizing image processing, machine learning, and computer vision
US11227008B2 (en) Method, system, and device of virtual dressing utilizing image processing, machine learning, and computer vision
US10777021B2 (en) Virtual representation creation of user for fit and style of apparel and accessories
US11164240B2 (en) Virtual garment carousel
GB2564745B (en) Methods for generating a 3D garment image, and related devices, systems and computer program products
CN111767817B (zh) 一种服饰搭配方法、装置、电子设备及存储介质
US9940749B2 (en) Method and system for generating three-dimensional garment model
CN109840825A (zh) 基于用户的物理特征的推荐系统
JP2019510297A (ja) ユーザの真実の人体モデルへの仮想的な試着
JP2022510712A (ja) ニューラルネットワークの訓練方法及び画像マッチング方法、並びに装置
CN110021061A (zh) 搭配模型构建方法、服饰推荐方法、装置、介质及终端
KR20170073623A (ko) 고속 3d 모델 피팅 및 인체 측정법
CN112970047A (zh) 用于使用产品描述自动生成三维虚拟服装模型的系统和方法
WO2020203656A1 (ja) 情報処理装置、情報処理方法及びプログラム
US11200689B1 (en) Detailed 3D estimation from a single image
US11972466B2 (en) Computer storage media, method, and system for exploring and recommending matching products across categories
WO2020079235A1 (en) Method and apparatus for accessing clothing
WO2022081745A1 (en) Real-time rendering of 3d wearable articles on human bodies for camera-supported computing devices
CN111627118A (zh) 景物画像的展示方法、展示装置、电子设备及存储介质
CN114125271B (zh) 图像处理方法、装置及电子设备
Wickramarathne et al. Trenditex: An intelligent fashion designer
WO2024033943A1 (en) Method and system for displaying three-dimensional virtual apparel on three-dimensional avatar for real-time fitting
CN116266408A (zh) 体型估计方法、装置、存储介质及电子设备
CN117710581A (zh) 虚拟人服装生成方法、装置、设备及介质

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