CN111858997A - 一种基于跨领域匹配的服装样板生成方法 - Google Patents

Abstract

本发明公开了一种基于跨领域匹配的服装样板生成方法，该方法通过联合训练编码‑解码神经网络学习潜在共享空间信息，将两个不同领域的特征在同一空间下进行匹配，使用L2范数进行匹配度的衡量，很好的解决了服装款式图与服装样板之间的跨域匹配问题。主要是通过分别将款式部件的特征描述子和样板特征描述子映射到统一的潜在共享空间中，通过训练编码‑解码神经网络同时学习两者与潜在共享空间之间的映射关系，通过潜在共享空间将部件与样板图进行跨域匹配，获得款式部件与样板的一一对应，完成跨域匹配的服装样板生成。

Description

一种基于跨领域匹配的服装样板生成方法

技术领域

本发明属于服装制板领域，具体涉及了一种基于跨领域匹配的服装样板生 成方法。

背景技术

服装款式图作为真实服装的一种平面效果表达，在服装生产中起到重要作 用。在传统的服装样板制作中，需要样板师从服装款式图及目标人体尺寸中提 取款式信息及制板数据，建立相应规格尺寸表进行样板制作。整个过程耗费时 间久，花费成本高，且对制版师的经验要求高。后续引入服装CAD进行样板制 作，一定程度上加快了样板制作速度，但整个制版过程中只是将制版师的笔替 换为鼠标，对制版师的经验依赖性依旧很高，自动化程度较低且操作复杂。目 前，在智能化与数字化的研究背景下，利用计算机模仿制版师识别款式信息完 成样板制作已成为服装样板生成的一个新兴方向。

基于款式图的样板生成发明，已有相关人员提出，如CN 110021028A公开 的一种基于服装款式图的自动制衣方法，其将款式图进行类别分类识别，结合 数据库，获得对应的结构图，完成自动制衣。在此发明中主要阐述了款式图的 分类识别过程，如何将样板生成与款式图类别联系起来，此发明并未进行阐述 说明。

将款式图与样板进行匹配是样板生成的另一种思路，然而款式图与样板属 于两个领域，无法直接通过将两者之间进行匹配，否则容易产生过拟合现象。 目前，在这方面的发明专利较少，大多聚焦于其它领域如草图与实物图之间的 匹配。如CN 107220277A公开的基于手绘草图的图像检索算法，其提出的跨域 检索解决了草图与实物图之间的匹配问题，但草图与实物图之间共性较多，两 者之间的匹配可以由突出共性特征，减少异性特征完成，但款式图与样板完全 属于两个领域，两者之间共性很少，所以此发明提出的方法不适用于本领域。 而CN 107788600A公开的一种二维数字化服装款式图设计系统，只是聚焦于如 何将款式图数字化，并未说明如何依据款式图信息进行样板制作。

发明内容

本发明的目的在于提供一种基于跨领域匹配的服装样板生成方法，针对现 有技术中存在的缺陷，引入潜在共享空间概念完成款式图与样板之间的跨域匹 配，从而形成依据款式图信息进行服装样板的制作。

为了解决上述技术问题，采用如下技术方案：

一种基于跨领域匹配的服装样板生成方法，其特征在于包括如下步骤：

(1)数据库构建：建立服装款式中各个服装部件及其对应的样板数据库；

(2)数据预处理：对服装款式图进行部件分割，得到相互独立的服装部件 款式图；对所述部件款式图进行预处理，得到待匹配部件款式图；

(3)跨领域匹配：对待匹配部件款式图，与待匹配样板分别进行特征提取； 分别将部件款式的特征描述子和样板特征描述子映射到统一的潜在共享空间中， 通过训练编码-解码神经网络同时学习两者与潜在共享空间之间的映射关系；

(4)样板生成：输入部件款式图，根据编码-解码神经网络通过潜在共享 空间将部件款式图与样板图进行跨域匹配，获得部件款式与样板的一一对应， 完成跨域匹配的服装样板生成。

优选后，款式图与对应样板的来源主要是两种方式，一种是应用AutoCAD 的绘图工具完成款式图的设计，并完成对应样板的数字化构建；另一种是由日 常积累的服装款式图，并与其部件样板是一一对应的关系。

优选后，所述步骤(2)中部件款式图的预处理方式为：

1)部件款式图数据增强：所有的部件款式图被居中裁剪为大小224*224的 正方形图像，首先将裁剪后的图像进行预处理，获取轮廓边缘，RGB图像转换为 灰度图像，然后利用最大类间方差法对灰度图像进行阈值化分割，转化为二值 化图像，最后利用Canny算子对二值图像进行边缘检测，获取图像的外部轮廓， 并进行曲线平顺等处理，得到大小一致、且线条清晰的部件款式图；

2)部件分割：采用步进检测方法，检测衣身和袖子之间的不连续性，在找 到左袖、右袖与衣身之间的连接点后，提取衣袖部件；然后依据连接点的位置， 预估找到衣领与衣身的上连接点，并在二进制掩码的情况下将部件款式图分为 左右衣袖、左右衣身及衣领五个相互独立的服装部件。

优选后，所述步骤(3)中的部件款式图特征提取的步骤为：对相互独立的 每一个服装部件，分别提取59-D LBP特征、1984-D HOG特征、75-D边缘分布 以及170-D小波特征，用以形成2208-D描述每个部件的特征描述子。

优选后，所述步骤(3)样板特征提取的步骤为：样板通过参数进行表征， 通过横向参数、纵向参数表征具体的样板信息；衣身样板采用胸围、腰围、衣 长、肩宽4个特征参数表征；衣领样板采用领座高、领面宽、领前造型线长度、 领前造型线角度4个特征参数表征；衣袖样板采用袖长、袖口宽、前、后袖窿 弧线及袖山高5个特征参数进行表征；通过编码器，将代表样板的特征参数映 射到6个线性模块100维的潜在共享空间中，其中第一个线性模块维度大小固 定，第二个线性模块维度设置为100。

优选后，上述编码-解码神经网络的构建步骤为：通过编码器输入款式图 2208-D特征描述子，映射到10个线性模块100维的潜在共享空间中，其中前6 个线性模块维度大小固定，后四个线性模块维度以1000，500，200，100维度 逐次递减；通过解码器输入100-D潜在共享空间向量，映射到服装样板参数中， 其中，解码器前5个线性模块尺寸固定，最后一个线性模块依据部件类别进行 调整；

在编码-解码神经网络构建中，首先，输入两幅图像：部件款式图、样板图， 组成2元组像对{S,P}，其中S代表部件款式图特征描述子、P代表样板参数；将 每一个部件款式图特征描述子S＝(S1,S2,S3,……,Sn)依次映射到潜在的共享空 间中，完成部件款式图与潜在共享空间的映射关系，即f_S2L；进一步，将表征服 装样板信息的样板参数映射到潜在的共享空间中，即f_L2P；进一步，完成部件款 式图特征描述子-潜在共享空间-样板参数之间的对应匹配关系。

优选后，所述步骤(4)使用编码-解码神经网络进行跨域匹配的模型建立 过程中，需要通过大量数据进行学习，具体包括数据扩展、数据训练与基于编 码-解码神经网络的样板匹配生成。

优选后，数据扩展步骤包括：

①通过公式x＝reshape(X)将二维图片

转化为一维向量矩阵x∈R^N×1，其中N＝I_c×I_r；

②将一维向量矩阵x进行离散余弦变换，公式如下：x＝ψΘ，其中Θ是映射系 数向量，ψ是系数离散矩阵，ψ∈R^N×N；

③将离散余弦变换后的系数作为观测向量y，基于各种不同的测量矩阵进行 数据扩展，扩展如下：

其中观测向量y的维度为M×1，M为通 过观察原始信号得到的向量长度；φ为测量矩阵，φ∈R^M×N，A＝φψ为压缩感知矩 阵；

④为了获得图像空间的观测矢量图，构造算法的重建精度在很大程度上受 到采样率和压缩观测噪声的影响，本专利中，我们采用线性映射方法来避免重 建算法的设计，公式如下：

其中，

是观测向量y的一维向量，将被映 射到图像空间中；φ^T是测量矩阵φ的转置矩阵；

⑤将

转换为压缩感知后的图像，转换公式为

优选后，数据训练步骤包括：

将整个2元组图像对{S,P}划分为训练数据和测试数据，其中95％为训练数 据，5％作为测试数据；训练编码-解码神经网络学习潜在共享空间与两个领域之 间的匹配关系训练过程中，初始化学习率为0.1，网络最大迭代次数为20000， 批处理大小为64，采用随机梯度下降应对网络反向传播，以最小化损失函数L 为目标修正神经网络参数；输入服装部件款式图，将其映射到潜在共享空间， 通过潜在共享空间映射服装参数，完成服装样板的输出，其中，两个领域在匹 配时造成的损失函数为：

L(P,S)＝w₁||P-f_L2P(f_S2L(S))||₂+w₂||P-f_L2P(f_P2L(P))||₂

式中，{w₁,w₂}作为单个误差的相对权重，本专利实施中，w₁＝40w₂，S为部件款式图特征描 述子，P为样板参数，f为特征映射。

优选后，基于编码-解码神经网络的样板匹配生成步骤包括：

通过部件款式图特征描述子-潜在共享空间-样板参数之间的对应匹配关系的不断学习，使用5％的测试数据进行样板匹配，使用L2范数作为衡量匹配准确度 指标；经实验可得，本专利L2范数变化区间为[4.99％,8.47％]，基本满足匹配 需求，匹配时间约为140s。

由于采用上述技术方案，具有以下有益效果：

1.本发明提出的潜在共享空间学习解决了跨领域匹配中存在的过度匹配问 题，通过将不同领域的特征向量映射到共享潜在空间中，联合训练多重编码-解 码网络完成跨领域之间的相互匹配。经实验证明，这种匹配方法可以在新的数 据情况下可以产生真实的结果，达到很好的匹配效果。

2.本发明通过编码-解码神经网络进行训练，是一种全新的网络结构，通过 编码、解码器降低特征维度、优化网络结构，很好的在保证精度的同时提高运 行速度。

3.本发明以压缩感知扩大数据库，有效的解决了小样本数据扩展问题。传 统的数据扩展，主要通过旋转、缩放等方式进行数据的扩展，但针对旋转不变 的特征而言，这些数据扩展方法无法成功。应用于不同测量方法后得到的样本， 相对于原样本而言，通过数据转化，进一步进行了数据重构。在扩展数据的多 样性方面达到目前本领域的先进水平。

附图说明

下面结合附图对本发明作进一步说明：

图1为本发明服装样板生成方法的流程框图；

图2为步进检测方法进行部件分割的示意图；

图3为映射示意图。

具体实施方式

根据如图1至图3，对本发明作进一步说明：

一种基于跨领域匹配的服装样板生成方法，包括如下步骤：

(1)数据库构建：

建立服装款式中各个服装部件及其对应的样板数据库；

款式图与对应样板的来源主要是两种方式，一种是应用AutoCAD的绘图工 具完成款式图的设计，并完成对应样板的数字化构建；另一种是由积累的服装 款式图，并与其部件样板是一一对应的关系。

(2)数据预处理：

对服装款式图进行部件分割，得到相互独立的服装部件款式图；对所述部 件款式图进行预处理，得到待匹配部件款式图；

由于服装款式图位置变化且大小不一，会对后续的特征提取带来影响，因 此需要对款式图进行预处理，以便得到大小一致、且线条清晰的款式图，具体 的预处理步骤为：

1)部件款式图数据增强：所有的部件款式图被居中裁剪为大小224*224的 正方形图像，首先将裁剪后的图像进行预处理，获取轮廓边缘，RGB图像转换为 灰度图像，然后利用最大类间方差法对灰度图像进行阈值化分割，转化为二值 化图像，最后利用Canny算子对二值图像进行边缘检测，获取图像的外部轮廓， 并进行曲线平顺等处理，得到大小一致、且线条清晰的部件款式图；

2)部件分割：采用步进检测方法，检测衣身和袖子之间的不连续性，在找 到左袖、右袖与衣身之间的连接点后，提取衣袖部件；然后依据连接点的位置， 预估找到衣领与衣身的上连接点，并在二进制掩码的情况下将部件款式图分为 左右衣袖、左右衣身及衣领五个相互独立的服装部件,如图2所示。

(3)跨领域匹配：

对待匹配部件款式图，与待匹配样板分别进行特征提取；分别将部件款式 的特征描述子和样板特征描述子映射到统一的潜在共享空间中，通过训练编码- 解码神经网络同时学习两者与潜在共享空间之间的映射关系；

1)部件款式图特征提取：对相互独立的每一个服装部件，分别提取59-D LBP特征、1984-D HOG特征、75-D边缘分布以及170-D小波特征，用以形成 2208-D描述每个部件的特征描述子。

2)样板特征提取：样板通过参数进行表征，通过横向参数、纵向参数表征 具体的样板信息；衣身样板采用胸围、腰围、衣长、肩宽4个特征参数表征； 衣领样板采用领座高、领面宽、领前造型线长度、领前造型线角度4个特征参 数表征；衣袖样板采用袖长、袖口宽、前、后袖窿弧线及袖山高5个特征参数 进行表征；通过编码器，将代表样板的特征参数映射到6个线性模块100维的 潜在共享空间中，其中第一个线性模块维度大小固定，第二个线性模块维度设 置为100。

3)编码-解码神经网络的构建步骤为：通过编码器输入款式图2208-D特征 描述子，映射到10个线性模块100维的潜在共享空间中，其中前6个线性模块 维度大小固定，后四个线性模块维度以1000，500，200，100维度逐次递减； 通过解码器输入100-D潜在共享空间向量，映射到服装样板参数中，其中，解 码器前5个线性模块尺寸固定，最后一个线性模块依据部件类别进行调整；

在编码-解码神经网络构建中，首先，输入两幅图像：部件款式图、样板图， 组成2元组像对{S,P}，其中S代表部件款式图特征描述子、P代表样板参数；将 每一个部件款式图特征描述子S＝(S1,S2,S3,……,Sn)依次映射到潜在的共享空 间中，完成部件款式图与潜在共享空间的映射关系，即f_S2L；进一步，将表征服 装样板信息的样板参数映射到潜在的共享空间中，即f_L2P；进一步，完成部件款 式图特征描述子-潜在共享空间-样板参数之间的对应匹配关系，如图3所示。

(4)样板生成：

输入部件款式图，根据编码-解码神经网络通过潜在共享空间将部件款式图 与样板图进行跨域匹配，获得部件款式与样板的一一对应，完成跨域匹配的服 装样板生成。

以衣袖部件为例，建立衣袖部件款式图数据量共400张，对应4类衣袖样 板。使用编码-解码神经网络进行跨域匹配的模型建立过程中，需要通过大量数 据进行学习，具体包括数据扩展、数据训练与基于编码-解码神经网络的样板匹 配生成。本发明采用采用表征信号稀疏的压缩感知进行数据扩展，由于压缩感 知主要处理一维向量，所以需要将二维图片矩阵转化为一维向量。

1)数据扩展步骤包括：

①通过公式x＝reshape(X)将二维图片

转化为一维向量矩阵x∈R^N×1，其中N＝I_c×I_r；

②将一维向量矩阵x进行离散余弦变换，公式如下：x＝ψΘ，其中Θ是映射系 数向量，ψ是系数离散矩阵，ψ∈R^N×N；

③将离散余弦变换后的系数作为观测向量y，基于各种不同的测量矩阵进行 数据扩展，扩展如下：

其中观测向量y的维度为M×1，M为通 过观察原始信号得到的向量长度；φ为测量矩阵，φ∈R^M×N，A＝φψ为压缩感知矩 阵；

④为了获得图像空间的观测矢量图，构造算法的重建精度在很大程度上受 到采样率和压缩观测噪声的影响，本专利中，我们采用线性映射方法来避免重 建算法的设计，公式如下：

其中，

是观测向量y的一维向量，将被映 射到图像空间中；φ^T是测量矩阵φ的转置矩阵；

⑤将

转换为压缩感知后的图像，转换公式为

2)数据训练步骤包括：

将整个2元组图像对{S,P}划分为训练数据和测试数据，其中95％为训练数 据，5％作为测试数据；训练编码-解码神经网络学习潜在共享空间与两个领域之 间的匹配关系训练过程中，初始化学习率为0.1，网络最大迭代次数为20000， 批处理大小为64，采用随机梯度下降应对网络反向传播，以最小化损失函数L 为目标修正神经网络参数；输入服装部件款式图，将其映射到潜在共享空间， 通过潜在共享空间映射服装参数，完成服装样板的输出，其中，两个领域在匹 配时造成的损失函数为：

L(P,S)＝w₁||P-f_L2P(f_S2L(S))||₂+w₂||P-f_L2P(f_P2L(P))||₂

式中，{w₁,w₂}作为单个误差的相对权重，本专利实施中，w₁＝40w₂，S为部件款式图特征描 述子，P为样板参数，f为特征映射。

3)基于编码-解码神经网络的样板匹配生成步骤包括：

通过部件款式图特征描述子-潜在共享空间-样板参数之间的对应匹配关系的不断学习，使用5％的测试数据进行样板匹配，使用L2范数作为衡量匹配准确度 指标；经实验可得，本专利L2范数变化区间为[4.99％,8.47％]，基本满足匹配 需求，匹配时间约为140s。本发明的在MATLAB R2012b操作平台中实现，实 验环境为Intel(R)2.5GHz处理器和16.0GB RAM。

以上仅为本发明的具体实施例，但本发明的技术特征并不局限于此。任何 以本发明为基础，为解决基本相同的技术问题，实现基本相同的技术效果，所 作出地简单变化、等同替换或者修饰等，皆涵盖于本发明的保护范围之中。

Claims (10)

1.一种基于跨领域匹配的服装样板生成方法，其特征在于包括如下步骤：

(1)数据库构建：建立服装款式中各个服装部件及其对应的样板数据库；

(2)数据预处理：对服装款式图进行部件分割，得到相互独立的服装部件款式图；对所述部件款式图进行预处理，得到待匹配部件款式图；

(3)跨领域匹配：对待匹配部件款式图，与待匹配样板分别进行特征提取；分别将部件款式的特征描述子和样板特征描述子映射到统一的潜在共享空间中，通过训练编码-解码神经网络同时学习两者与潜在共享空间之间的映射关系；

(4)样板生成：输入部件款式图，根据编码-解码神经网络通过潜在共享空间将部件款式图与样板图进行跨域匹配，获得部件款式与样板的一一对应，完成跨域匹配的服装样板生成。

2.根据权利要求1所述的一种基于跨领域匹配的服装样板生成方法，其特征在于：款式图与对应样板的来源主要是两种方式，一种是应用AutoCAD的绘图工具完成款式图的设计，并完成对应样板的数字化构建；另一种是由日常积累的服装款式图，并与其部件样板是一一对应的关系。

3.根据权利要求1所述的一种基于跨领域匹配的服装样板生成方法，其特征在于：所述步骤(2)中部件款式图的预处理方式为：

1)部件款式图数据增强：所有的部件款式图被居中裁剪为大小224*224的正方形图像，首先将裁剪后的图像进行预处理，获取轮廓边缘，RGB图像转换为灰度图像，然后利用最大类间方差法对灰度图像进行阈值化分割，转化为二值化图像，最后利用Canny算子对二值图像进行边缘检测，获取图像的外部轮廓，并进行曲线平顺等处理，得到大小一致、且线条清晰的部件款式图；

2)部件分割：采用步进检测方法，检测衣身和袖子之间的不连续性，在找到左袖、右袖与衣身之间的连接点后，提取衣袖部件；然后依据连接点的位置，预估找到衣领与衣身的上连接点，并在二进制掩码的情况下将部件款式图分为左右衣袖、左右衣身及衣领五个相互独立的服装部件。

4.根据权利要求1所述的一种基于跨领域匹配的服装样板生成方法，其特征在于：所述步骤(3)中的部件款式图特征提取的步骤为：对相互独立的每一个服装部件，分别提取59-DLBP特征、1984-D HOG特征、75-D边缘分布以及170-D小波特征，用以形成2208-D描述每个部件的特征描述子。

5.根据权利要求4所述的一种基于跨领域匹配的服装样板生成方法，其特征在于：所述步骤(3)样板特征提取的步骤为：样板通过参数进行表征，通过横向参数、纵向参数表征具体的样板信息；衣身样板采用胸围、腰围、衣长、肩宽4个特征参数表征；衣领样板采用领座高、领面宽、领前造型线长度、领前造型线角度4个特征参数表征；衣袖样板采用袖长、袖口宽、前、后袖窿弧线及袖山高5个特征参数进行表征；通过编码器，将代表样板的特征参数映射到6个线性模块100维的潜在共享空间中，其中第一个线性模块维度大小固定，第二个线性模块维度设置为100。

6.根据权利要求1、4、5任意一项所述的一种基于跨领域匹配的服装样板生成方法，其特征在于：上述编码-解码神经网络的构建步骤为：通过编码器输入款式图2208-D特征描述子，映射到10个线性模块100维的潜在共享空间中，其中前6个线性模块维度大小固定，后四个线性模块维度以1000，500，200，100维度逐次递减；通过解码器输入100-D潜在共享空间向量，映射到服装样板参数中，其中，解码器前5个线性模块尺寸固定，最后一个线性模块依据部件类别进行调整；

在编码-解码神经网络构建中，首先，输入两幅图像：部件款式图、样板图，组成2元组像对{S,P}，其中S代表部件款式图特征描述子、P代表样板参数；将每一个部件款式图特征描述子S＝(S1,S2,S3,……,Sn)依次映射到潜在的共享空间中，完成部件款式图与潜在共享空间的映射关系，即f_S2L；进一步，将表征服装样板信息的样板参数映射到潜在的共享空间中，即f_L2P；进一步，完成部件款式图特征描述子-潜在共享空间-样板参数之间的对应匹配关系。

7.根据权利要求1所述的一种基于跨领域匹配的服装样板生成方法，其特征在于：所述步骤(4)使用编码-解码神经网络进行跨域匹配的模型建立过程中，需要通过大量数据进行学习，具体包括数据扩展、数据训练与基于编码-解码神经网络的样板匹配生成。

8.根据权利要求7所述的一种基于跨领域匹配的服装样板生成方法，其特征在于：数据扩展步骤包括：

①通过公式x＝reshape(X)将二维图片

转化为一维向量矩阵x∈R^N×1，其中N＝I_c×I_r；

②将一维向量矩阵x进行离散余弦变换，公式如下：x＝ψΘ，其中Θ是映射系数向量，ψ是系数离散矩阵，ψ∈R^N×N；

③将离散余弦变换后的系数作为观测向量y，基于各种不同的测量矩阵进行数据扩展，扩展如下：

其中观测向量y的维度为M×1，M为通过观察原始信号得到的向量长度；φ为测量矩阵，φ∈R^M×N，A＝φψ为压缩感知矩阵；

④为了获得图像空间的观测矢量图，构造算法的重建精度在很大程度上受到采样率和压缩观测噪声的影响，本专利中，我们采用线性映射方法来避免重建算法的设计，公式如下：

其中，

是观测向量y的一维向量，将被映射到图像空间中；φ^T是测量矩阵φ的转置矩阵；

⑤将

转换为压缩感知后的图像，转换公式为

9.根据权利要求8所述的一种基于跨领域匹配的服装样板生成方法，其特征在于：数据训练步骤包括：

将整个2元组图像对{S,P}划分为训练数据和测试数据，其中95％为训练数据，5％作为测试数据；训练编码-解码神经网络学习潜在共享空间与两个领域之间的匹配关系训练过程中，初始化学习率为0.1，网络最大迭代次数为20000，批处理大小为64，采用随机梯度下降应对网络反向传播，以最小化损失函数L为目标修正神经网络参数；输入服装部件款式图，将其映射到潜在共享空间，通过潜在共享空间映射服装参数，完成服装样板的输出，其中，两个领域在匹配时造成的损失函数为：

L(P,S)＝w₁||P-f_L2P(f_S2L(S))||₂+w₂||P-f_L2P(f_P2L(P))||₂

式中，{w₁,w₂}作为单个误差的相对权重，本专利实施中，w₁＝40w₂，S为部件款式图特征描述子，P为样板参数，f为特征映射。

10.根据权利要求9所述的一种基于跨领域匹配的服装样板生成方法，其特征在于：基于编码-解码神经网络的样板匹配生成步骤包括：

通过部件款式图特征描述子-潜在共享空间-样板参数之间的对应匹配关系的不断学习，使用5％的测试数据进行样板匹配，使用L2范数作为衡量匹配准确度指标；经实验可得，本专利L2范数变化区间为[4.99％,8.47％]，基本满足匹配需求，匹配时间约为140s。

Images