CN112164013A - 人像换装方法、系统及介质 - Google Patents

人像换装方法、系统及介质 Download PDF

Info

Publication number
CN112164013A
CN112164013A CN202011097338.5A CN202011097338A CN112164013A CN 112164013 A CN112164013 A CN 112164013A CN 202011097338 A CN202011097338 A CN 202011097338A CN 112164013 A CN112164013 A CN 112164013A
Authority
CN
China
Prior art keywords
module
image
clothes
portrait
graph
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
CN202011097338.5A
Other languages
English (en)
Other versions
CN112164013B (zh
Inventor
张鹏飞
林立
曹烈安
邓海峰
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.)
Shanghai Yingzhuo Information Technology Co ltd
Original Assignee
Shanghai Yingzhuo Information 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 Shanghai Yingzhuo Information Technology Co ltd filed Critical Shanghai Yingzhuo Information Technology Co ltd
Priority to CN202011097338.5A priority Critical patent/CN112164013B/zh
Publication of CN112164013A publication Critical patent/CN112164013A/zh
Application granted granted Critical
Publication of CN112164013B publication Critical patent/CN112164013B/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
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G06T5/30—Erosion or dilatation, e.g. thinning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • G06T2207/20036—Morphological image processing
    • 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]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • G06T2207/30201—Face
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种人像换装方法系统及介质，包括：步骤S1：基于人脸检测技术，分割原人像图a，得到服装图b；步骤S2：对服装图b进行灰度化处理得到灰度图c；步骤S3：对灰度图c通过Canny边缘检测得到人像边缘外轮廓二值图d，并记录图d的外接矩形e；步骤S4：对图d做形态学开运算处理得到图f；步骤S5：使用GrabCut算法迭代预设次数，分割出衣服图g。本发明通过采用边缘检测和计算偏转角度，解决了传统换装无法完全覆盖和素材贴合违和的问题。

Description

人像换装方法、系统及介质
技术领域
本发明涉及图片处理技术领域，具体地，涉及人像换装方法、系统及介质。
背景技术
图像分割技术,是指把人们感兴趣的某个特定区域从图像的背景中分离并且提取出来的一种处理方法,它是数字图像处理领域的一项关键技术,也是进行图像分析与理解的基础,在众多图像分割算法中,GrabCut算法是一种能够有效从图像的复杂背景中提取出前景目标物的交互式图像分割算法。如今的网购越来越受人们欢迎,因此图像检索系统的研究便很快成为了该领域重点。
专利文献CN110276768A(申请号：CN201910576833.5)公开了一种图像分割方法、图像分割装置、图像分割设备及介质，所述图像分割方法包括：对于视频图像当前帧，提取人体三维骨架的骨架二维估计和骨架三维估计；基于所述骨架二维估计和所述骨架三维估计，得到目标三维骨架；基于所述目标三维骨架，实现图像分割。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种人像换装方法、系统及介质。
根据本发明提供的一种人像换装方法，包括：
步骤S1：基于人脸检测技术，分割原人像图a，得到服装图b；
步骤S2：对服装图b进行灰度化处理得到灰度图c；
步骤S3：对灰度图c通过Canny边缘检测得到人像边缘外轮廓二值图d，并记录图d的外接矩形e；
步骤S4：对图d做形态学开运算处理得到图f；
步骤S5：使用GrabCut算法迭代预设次数，分割出衣服图g；
步骤S6：将图g从-60度到+60度旋转处理，得到最小外接矩形，确定服装偏转角度f；
步骤S7：基于卷积神经网络CNN，对衣服样本数据进行服装分类网络模型训练；
步骤S8：基于训练后的服装分类网络模型判断原图照片的衣服构成类别；
步骤S9：根据衣服构成类别自动推荐衣服素材；
步骤S10：将衣服素材根据偏转角度f做偏转处理，在原图衣服区域外接矩形e内先后覆盖轮廓二值图d和衣服素材；
步骤S11：衣服素材变形操作，按比例单向或者双向撑满衣服区域。
优选地，所述步骤S3包括：
步骤S3.1：图像降噪，通过高斯滤波对图c做处理；
步骤S3.2：计算图像梯度，得到人像边缘；
步骤S3.3：对得到的人像边缘图做非极大值抑制和双阈值筛选，增强人像边缘，得到人像边缘的二值图d。
优选地，所述步骤S4包括：
步骤S4.1：对图d做形态学腐蚀操作，去除衣物黏连；
步骤S4.2：再做形态学膨胀操作，填充轮廓图内部空白，得到图f。
优选地，所述步骤S6包括：
步骤S6.1：图g每旋转1度，计算一次外接矩形的大小并插入浮点数列表中；
步骤S6.2：旋转结束后，计算矩形大小值列表中的最小值，并根据该值的索引，得到旋转角度f，此时服装无倾斜。
优选地，所述步骤S9包括：
步骤S9.1：将衣服构成类别传给服务器，由服务器进行匹配组合；
步骤S9.2：将结果返回给客户端，展示可供选择的衣服素材组合。
优选地，所述步骤S11包括：
步骤S11.1：素材覆盖区域对比原图服装外接矩形e和轮廓二值图d
步骤S11.2：根据素材类型，分别进行微变形处理，在外接矩形e内完全覆盖轮廓二值图d。
根据本发明提供的一种人像换装系统，包括：
模块S1：基于人脸检测技术，分割原人像图a，得到服装图b；
模块S2：对服装图b进行灰度化处理得到灰度图c；
模块S3：对灰度图c通过Canny边缘检测得到人像边缘外轮廓二值图d，并记录图d的外接矩形e；
模块S4：对图d做形态学开运算处理得到图f；
模块S5：使用GrabCut算法迭代预设次数，分割出衣服图g；
模块S6：将图g从-60度到+60度旋转处理，得到最小外接矩形，确定服装偏转角度f；
模块S7：基于卷积神经网络CNN，对衣服样本数据进行服装分类网络模型训练；
模块S8：基于训练后的服装分类网络模型判断原图照片的衣服构成类别；
模块S9：根据衣服构成类别自动推荐衣服素材；
模块S10：将衣服素材根据偏转角度f做偏转处理，在原图衣服区域外接矩形e内先后覆盖轮廓二值图d和衣服素材；
模块S11：衣服素材变形操作，按比例单向或者双向撑满衣服区域。
优选地，所述模块S3包括：
模块S3.1：图像降噪，通过高斯滤波对图c做处理；
模块S3.2：计算图像梯度，得到人像边缘；
模块S3.3：对得到的人像边缘图做非极大值抑制和双阈值筛选，增强人像边缘，得到人像边缘的二值图d；
所述模块S4包括：
模块S4.1：对图d做形态学腐蚀操作，去除衣物黏连；
模块S4.2：再做形态学膨胀操作，填充轮廓图内部空白，得到图f。
优选地，所述模块S6包括：
模块S6.1：图g每旋转1度，计算一次外接矩形的大小并插入浮点数列表中；
模块S6.2：旋转结束后，计算矩形大小值列表中的最小值，并根据该值的索引，得到旋转角度f，此时服装无倾斜；所述模块S9包括：
模块S9.1：将衣服构成类别传给服务器，由服务器进行匹配组合；
模块S9.2：将结果返回给客户端，展示可供选择的衣服素材组合；
所述模块S11包括：
模块S11.1：素材覆盖区域对比原图服装外接矩形e和轮廓二值图d
模块S11.2：根据素材类型，分别进行微变形处理，在外接矩形e内完全覆盖轮廓二值图d。
根据本发明提供的一种存储有计算机程序的计算机可读存储介质，所述计算机程序被处理器执行时实现上述中任一项所述的人像换装方法的步骤。
与现有技术相比，本发明具有如下的有益效果：
(1)通过采用边缘检测和计算偏转角度，解决了传统换装无法完全覆盖和素材贴合违和的问题。
(2)通过采用深度学习判断衣服构成，解决了传统轮廓判断不那么准确的问题。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明提供的人像换装方法流程示意图。
图2为本发明提供的卷积神经网络原理示意图。
图3为本发明提供的使用服装分类网络模型进行服装分类的流程示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
下面通过实施例，对本发明进行更为具体地说明。
实施例：
如图1所示，包括：
步骤1：基于现有人脸检测技术(如：使用OpenCV库提供的人脸识别功能)，分割原人像图a，得到服装图b
步骤2：对服装图b进行灰度化处理得到灰度图c
步骤3：对灰度图c通过Canny边缘检测得到人像边缘外轮廓二值图d，并记录图d的外接矩形e
步骤4：对图d做形态学开运算处理得到图f
步骤5：使用GrabCut算法迭代三次，分割出衣服图g
步骤6：将图g从-60度到+60度旋转处理，得到最小外接矩形，确定服装偏转角度f
步骤7：基于卷积神经网络(CNN)，参见图2(依托于TensorFlow，现实基于卷积神经网络(CNN)，对衣服样本数据进行分类网络模型训练)，对衣服样本数据进行服装分类网络模型训练，衣服样本数据是通过网络收集的各类衣服图片10000张，再经过统一处理，不是前文步骤中所获得的的数据
步骤8：基于训练后的服装分类网络模型判断原图照片的衣服构成类别(通过服装分类网络模型来对图片上衣服分类，构成类别包括：上衣(长袖、短袖、无袖)，下衣(半身裙、短裙、裤子、短裤)，裙装。只需要知道宽泛的类型)
步骤9：根据衣服构成类别自动推荐衣服素材(能够进行覆盖原服装的衣服贴图)
步骤10：将衣服素材根据偏转角度f做偏转处理，在原图衣服区域外接矩形e内先后覆盖轮廓二值图d和衣服素材
步骤11：衣服素材变形操作，按比例单向或者双向撑满衣服区域
所述步骤3包括如下步骤：
步骤3.1：图像降噪，通过高斯滤波对图c做处理
步骤3.2：计算图像梯度，得到人像边缘
步骤3.3：对得到的人像边缘图做非极大值抑制和双阈值筛选，增强人像边缘，得到人像边缘的二值图d
所述步骤4包括如下步骤：
步骤4.1：对图d做形态学腐蚀操作，去除衣物黏连
步骤4.2：再做形态学膨胀操作，填充轮廓图内部空白
所述步骤6包括如下步骤：
步骤6.1：图g每旋转1度，计算一次外接矩形的大小并插入浮点数列表中
步骤6.2：旋转结束后，计算矩形大小值列表中的最小值，并根据该值的索引，得到旋转角度f，此时服装无倾斜
所述步骤9包括如下步骤：
步骤9.1：将衣服构成类别传给服务器，由服务器进行匹配组合
步骤9.2：将结果返回给客户端，展示可供选择的衣服素材组合
所述步骤11包括如下步骤：
步骤11.1：素材覆盖区域对比原图服装外接矩形e和轮廓二值图d
步骤11.2：根据素材类型，分别进行微变形处理，在外接矩形e内完全覆盖轮廓二值图d
基于OpenCV库提供的人脸检测功能(JNI)，在移动端可以进行人脸检测操作，框出人脸范围。
根据图2卷积神经网络(CNN)原理，对衣服样本数据(网络收集的各类衣服图片10000张，再经过统一处理)进行服装分类网络模型训练，得到训练好的服装分类网络模型，通过该模型对图片上的衣服进行识别分类。使用服装分类网络模型进行服装分类的流程图为图3。
灰度化公式：Gray＝0.299R+0.587G+0.114B
Canny边缘检测算法：
(1)高斯滤波，本方法使用3*3的高斯滤波器核。
Figure BDA0002724178040000061
(2)计算图像梯度
Figure BDA0002724178040000062
θ＝arctan(Gy/Gx)
其中G为梯度强度，θ表示梯度方向，使G取得局部最大值的方向角θ反映了边缘的方向。
形态学开运算算法：
(1)腐蚀(X用S腐蚀的结果是所有使S平移x后仍在X中的x的集合)
Figure BDA0002724178040000063
(2)膨胀(腐蚀的对偶运算)
Figure BDA0002724178040000064
(3)开运算(先腐蚀后膨胀)
Figure BDA0002724178040000065
基于opencv的GrabCut实现：
void cv::grabCut(InputArray img,InputOutputArray mask,Rect rect,InputOutputArray bgdModel,InputOutputArray fgdModel,int iterCount,int mode)
参数说明：
img——待分割的源图像
mask——掩码图像，如果使用掩码进行初始化，那么mask保存初始化掩码信息；在执行分割的时候，也可以将用户交互所设定的前景与背景保存到mask中，然后再传入grabCut函数；在处理结束之后，mask中会保存结果。mask只能取以下四种值：GC_BGD(＝0)，背景；GC_FGD(＝1)，前景；
GC_PR_BGD(＝2)，可能的背景；GC_PR_FGD(＝3)，可能的前景。
rect——用于限定需要进行分割的图像范围，只有该矩形窗口内的图像部分才被处理；
bgdModel——背景模型，如果为null，函数内部会自动创建一个bgdModel；bgdModel必须是单通道浮点型(CV_32FC1)图像，且行数只能为1，列数只能为13x5；
fgdModel——前景模型，如果为null，函数内部会自动创建一个fgdModel；fgdModel必须是单通道浮点型(CV_32FC1)图像，且行数只能为1，列数只能为13x5；
iterCount——迭代次数，必须大于0；
mode——用于指示grabCut函数进行什么操作，可选的值有：
GC_INIT_WITH_RECT(＝0)，用矩形窗初始化GrabCut；
GC_INIT_WITH_MASK(＝1)，用掩码图像初始化GrabCut；
GC_EVAL(＝2)，执行分割。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (10)

1.一种人像换装方法，其特征在于，包括：
步骤S1：基于人脸检测技术，分割原人像图a，得到服装图b；
步骤S2：对服装图b进行灰度化处理得到灰度图c；
步骤S3：对灰度图c通过Canny边缘检测得到人像边缘外轮廓二值图d，并记录图d的外接矩形e；
步骤S4：对图d做形态学开运算处理得到图f；
步骤S5：使用GrabCut算法迭代预设次数，分割出衣服图g；
步骤S6：将图g从-60度到+60度旋转处理，得到最小外接矩形，确定服装偏转角度f；
步骤S7：基于卷积神经网络CNN，对衣服样本数据进行服装分类网络模型训练；
步骤S8：基于训练后的服装分类网络模型判断原图照片的衣服构成类别；
步骤S9：根据衣服构成类别自动推荐衣服素材；
步骤S10：将衣服素材根据偏转角度f做偏转处理，在原图衣服区域外接矩形e内先后覆盖轮廓二值图d和衣服素材；
步骤S11：衣服素材变形操作，按比例单向或者双向撑满衣服区域。
2.根据权利要求1所述的人像换装方法，其特征在于，所述步骤S3包括：
步骤S3.1：图像降噪，通过高斯滤波对图c做处理；
步骤S3.2：计算图像梯度，得到人像边缘；
步骤S3.3：对得到的人像边缘图做非极大值抑制和双阈值筛选，增强人像边缘，得到人像边缘的二值图d。
3.根据权利要求1所述的人像换装方法，其特征在于，所述步骤S4包括：
步骤S4.1：对图d做形态学腐蚀操作，去除衣物黏连；
步骤S4.2：再做形态学膨胀操作，填充轮廓图内部空白，得到图f。
4.根据权利要求1所述的人像换装方法，其特征在于，所述步骤S6包括：
步骤S6.1：图g每旋转1度，计算一次外接矩形的大小并插入浮点数列表中；
步骤S6.2：旋转结束后，计算矩形大小值列表中的最小值，并根据该值的索引，得到旋转角度f，此时服装无倾斜。
5.根据权利要求1所述的人像换装方法，其特征在于，所述步骤S9包括：
步骤S9.1：将衣服构成类别传给服务器，由服务器进行匹配组合；
步骤S9.2：将结果返回给客户端，展示可供选择的衣服素材组合。
6.根据权利要求1所述的人像换装方法，其特征在于，所述步骤S11包括：
步骤S11.1：素材覆盖区域对比原图服装外接矩形e和轮廓二值图d
步骤S11.2：根据素材类型，分别进行微变形处理，在外接矩形e内完全覆盖轮廓二值图d。
7.一种人像换装系统，其特征在于，包括：
模块S1：基于人脸检测技术，分割原人像图a，得到服装图b；
模块S2：对服装图b进行灰度化处理得到灰度图c；
模块S3：对灰度图c通过Canny边缘检测得到人像边缘外轮廓二值图d，并记录图d的外接矩形e；
模块S4：对图d做形态学开运算处理得到图f；
模块S5：使用GrabCut算法迭代预设次数，分割出衣服图g；
模块S6：将图g从-60度到+60度旋转处理，得到最小外接矩形，确定服装偏转角度f；
模块S7：基于卷积神经网络CNN，对衣服样本数据进行服装分类网络模型训练；
模块S8：基于训练后的服装分类网络模型判断原图照片的衣服构成类别；
模块S9：根据衣服构成类别自动推荐衣服素材；
模块S10：将衣服素材根据偏转角度f做偏转处理，在原图衣服区域外接矩形e内先后覆盖轮廓二值图d和衣服素材；
模块S11：衣服素材变形操作，按比例单向或者双向撑满衣服区域。
8.根据权利要求7所述的人像换装系统，其特征在于，所述模块S3包括：
模块S3.1：图像降噪，通过高斯滤波对图c做处理；
模块S3.2：计算图像梯度，得到人像边缘；
模块S3.3：对得到的人像边缘图做非极大值抑制和双阈值筛选，增强人像边缘，得到人像边缘的二值图d；
所述模块S4包括：
模块S4.1：对图d做形态学腐蚀操作，去除衣物黏连；
模块S4.2：再做形态学膨胀操作，填充轮廓图内部空白，得到图f。
9.根据权利要求7所述的人像换装系统，其特征在于，所述模块S6包括：
模块S6.1：图g每旋转1度，计算一次外接矩形的大小并插入浮点数列表中；
模块S6.2：旋转结束后，计算矩形大小值列表中的最小值，并根据该值的索引，得到旋转角度f，此时服装无倾斜；所述模块S9包括：
模块S9.1：将衣服构成类别传给服务器，由服务器进行匹配组合；
模块S9.2：将结果返回给客户端，展示可供选择的衣服素材组合；
所述模块S11包括：
模块S11.1：素材覆盖区域对比原图服装外接矩形e和轮廓二值图d
模块S11.2：根据素材类型，分别进行微变形处理，在外接矩形e内完全覆盖轮廓二值图d。
10.一种存储有计算机程序的计算机可读存储介质，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的人像换装方法的步骤。
CN202011097338.5A 2020-10-14 2020-10-14 人像换装方法、系统及介质 Active CN112164013B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011097338.5A CN112164013B (zh) 2020-10-14 2020-10-14 人像换装方法、系统及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011097338.5A CN112164013B (zh) 2020-10-14 2020-10-14 人像换装方法、系统及介质

Publications (2)

Publication Number Publication Date
CN112164013A true CN112164013A (zh) 2021-01-01
CN112164013B CN112164013B (zh) 2023-04-18

Family

ID=73868258

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011097338.5A Active CN112164013B (zh) 2020-10-14 2020-10-14 人像换装方法、系统及介质

Country Status (1)

Country Link
CN (1) CN112164013B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112837255A (zh) * 2021-04-13 2021-05-25 上海影卓信息科技有限公司 在图像中添加浮世绘海浪倒影的方法和系统
CN113781571A (zh) * 2021-02-09 2021-12-10 北京沃东天骏信息技术有限公司 图像处理方法和装置
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

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102542260A (zh) * 2011-12-30 2012-07-04 中南大学 一种面向无人驾驶车的道路交通标志识别方法
CN105117739A (zh) * 2015-07-29 2015-12-02 南京信息工程大学 一种基于卷积神经网络的服装分类方法
GB201613955D0 (en) * 2015-08-14 2016-09-28 Metail Ltd Method and system for generating an image file of a 3d garment model on a 3d body model
CN106384126A (zh) * 2016-09-07 2017-02-08 东华大学 基于轮廓曲率特征点和支持向量机的服装款式识别方法
GB201703129D0 (en) * 2017-02-27 2017-04-12 Metail Ltd Quibbler
CN108230297A (zh) * 2017-11-30 2018-06-29 复旦大学 一种基于服装替换的色彩搭配评估方法
CN111223108A (zh) * 2019-12-31 2020-06-02 上海影卓信息科技有限公司 基于背景幕抠图和融合的方法和系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102542260A (zh) * 2011-12-30 2012-07-04 中南大学 一种面向无人驾驶车的道路交通标志识别方法
CN105117739A (zh) * 2015-07-29 2015-12-02 南京信息工程大学 一种基于卷积神经网络的服装分类方法
GB201613955D0 (en) * 2015-08-14 2016-09-28 Metail Ltd Method and system for generating an image file of a 3d garment model on a 3d body model
CN106384126A (zh) * 2016-09-07 2017-02-08 东华大学 基于轮廓曲率特征点和支持向量机的服装款式识别方法
GB201703129D0 (en) * 2017-02-27 2017-04-12 Metail Ltd Quibbler
CN108230297A (zh) * 2017-11-30 2018-06-29 复旦大学 一种基于服装替换的色彩搭配评估方法
CN111223108A (zh) * 2019-12-31 2020-06-02 上海影卓信息科技有限公司 基于背景幕抠图和融合的方法和系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113781571A (zh) * 2021-02-09 2021-12-10 北京沃东天骏信息技术有限公司 图像处理方法和装置
WO2022170895A1 (zh) * 2021-02-09 2022-08-18 北京沃东天骏信息技术有限公司 图像处理方法和装置
CN112837255A (zh) * 2021-04-13 2021-05-25 上海影卓信息科技有限公司 在图像中添加浮世绘海浪倒影的方法和系统
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

Also Published As

Publication number Publication date
CN112164013B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
CN112164013B (zh) 人像换装方法、系统及介质
CN110135424B (zh) 倾斜文本检测模型训练方法和票证图像文本检测方法
Liu et al. Tracking objects using shape context matching
CN110751154B (zh) 一种基于像素级分割的复杂环境多形状文本检测方法
CN109376631A (zh) 一种基于神经网络的回环检测方法及装置
CN112435278B (zh) 一种基于动态目标检测的视觉slam方法及装置
CN110570442A (zh) 一种复杂背景下轮廓检测方法、终端设备及存储介质
CN111553247A (zh) 一种基于改进骨干网络的视频结构化系统、方法及介质
Meus et al. Embedded vision system for pedestrian detection based on HOG+ SVM and use of motion information implemented in Zynq heterogeneous device
CN110796108A (zh) 一种人脸质量检测的方法、装置、设备及存储介质
CN111951283A (zh) 一种基于深度学习的医学图像识别方法及系统
CN111160358B (zh) 一种图像二值化方法、装置、设备、介质
CN113454649B (zh) 目标检测方法、装置、电子设备和计算机可读存储介质
CN111178200A (zh) 一种仪表盘指示灯的识别方法及计算设备
CN110472490A (zh) 基于改进VGGNet的动作识别方法及装置、存储介质和终端
CN108875501B (zh) 人体属性识别方法、装置、系统及存储介质
Truong et al. Single object tracking using particle filter framework and saliency-based weighted color histogram
Barbu Automatic edge detection solution using anisotropic diffusion-based multi-scale image analysis and fine-to-coarse tracking
CN106030658A (zh) 用于确定视频的方位的方法及装置
CN115619924A (zh) 用于光估计的方法与装置
CN108121963B (zh) 视频数据的处理方法、装置及计算设备
CN115984316B (zh) 一种复杂环境的工业图像边缘提取方法及装置
Zhang et al. Recent reviews on dynamic target detection based on vision
Yan et al. Real-Time Moving Object Detection based on Regional Background Modeling under a Moving Camera.
CN113706384A (zh) 一种改进的gms特征匹配图像拼接方法

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
GR01 Patent grant
GR01 Patent grant