CN114745985A - 根据乳房的3d形状优化文胸尺寸确定 - Google Patents
根据乳房的3d形状优化文胸尺寸确定 Download PDFInfo
- Publication number
- CN114745985A CN114745985A CN202080084244.6A CN202080084244A CN114745985A CN 114745985 A CN114745985 A CN 114745985A CN 202080084244 A CN202080084244 A CN 202080084244A CN 114745985 A CN114745985 A CN 114745985A
- Authority
- CN
- China
- Prior art keywords
- image
- region
- interest
- processor
- images
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0641—Shopping interfaces
- G06Q30/0643—Graphical representation of items or shoppers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0621—Item configuration or customization
-
- 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
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
- G06V20/653—Three-dimensional objects by matching three-dimensional models, e.g. conformal mapping of Riemann surfaces
-
- 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
- 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
- G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
-
- A—HUMAN NECESSITIES
- A41—WEARING APPAREL
- A41C—CORSETS; BRASSIERES
- A41C3/00—Brassieres
-
- A—HUMAN NECESSITIES
- A41—WEARING APPAREL
- A41H—APPLIANCES OR METHODS FOR MAKING CLOTHES, e.g. FOR DRESS-MAKING OR FOR TAILORING, NOT OTHERWISE PROVIDED FOR
- A41H1/00—Measuring aids or methods
- A41H1/02—Devices for taking measurements on the human body
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2219/00—Indexing scheme for manipulating 3D models or images for computer graphics
- G06T2219/012—Dimensioning, tolerancing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2219/00—Indexing scheme for manipulating 3D models or images for computer graphics
- G06T2219/20—Indexing scheme for editing of 3D models
- G06T2219/2004—Aligning objects, relative positioning of parts
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Multimedia (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Human Computer Interaction (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Graphics (AREA)
- Architecture (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Vascular Medicine (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Dental Tools And Instruments Or Auxiliary Dental Instruments (AREA)
- Image Generation (AREA)
Abstract
描述了用于通过分类和选择原型来开发尺寸确定系统的方法和系统,所述原型可以被视为最合适的拟合模型。一旦被分类并且选择了原型,就可以发出对目标身体部位的尺寸确定的推荐。
Description
相关申请的交叉引用
本申请根据35 U.S.C.§120要求于2019年10月3日提交的美国临时申请第62/910,063号的优先权。该申请的整个主题通过引用并入本文。
背景技术
除非本文另有说明,否则此部分中所描述的材料不是本申请中的权利要求书的现有技术,并且并不因为包括在此部分中就被认可为现有技术。
在一些实例中,用于成衣合身服装的尺寸确定系统可以基于身体测量结果或卷尺测量结果。例如,用于文胸的尺寸确定系统可以基于诸如胸周长(bust circumference)和下胸周长(underbust circumference)等身体测量结果。进一步地,将文胸尺寸确定系统分布到离散数量的不同下胸围尺寸(band size)和罩杯尺寸(cup size)中,而不管女性乳房的形状和形式如何。
发明内容
在本公开的一方面,所公开的是一种用于为身体部位开发尺寸确定方案的方法。所述方法可以包括:由处理器接收多个三维(3D)图像。所述多个3D图像可以包括不同个体的身体的身体部位;对于所述多个3D图像中的每个3D图像,所述方法可以包括:标识所述3D图像中的所关注的第一区域;以及由所述处理器使所述所关注的第一区域移位以将所述所关注的第一区域的中心轴线与3D参考点对齐。所述中心轴线可以与个体的身体的纵轴平行。而且,对于所述多个3D图像中的每个3D图像,所述方法可以包括由所述处理器使所述所关注的第一区域在竖直方向上移位。所述竖直方向可以与所述身体的纵轴平行以将所述所关注的第一区域中的标志特征与所述3D参考点对齐。对于所述多个3D图像中的每个3D图像,所述方法还可以包括:标识所述所关注的第一区域中的所关注的第二区域;由所述处理器标识所述所关注的第二区域的表面上的多个数据点;由所述处理器确定所述多个数据点与所述3D参考点之间的多个距离;以及由所述处理器将所述多个距离与针对其它3D图像中的每一个3D图像中的相同数据点在所述相同数据点处确定的距离进行比较,使得将所述3D图像与所述多个3D图像中的每个其它3D图像成对地进行比较。所述方法可以进一步包括由所述处理器确定所述多个3D图像中3D图像对的每种可能组合关于所述所关注的第二区域的拟合损失值。每个拟合损失值可以指示对应的3D图像对之间关于所述所关注的第二区域的差异,并且每个3D图像对的所述拟合损失值的所述确定可以是基于所述3D图像对之间关于所述所关注的第二区域的距离比较的结果来进行的。所述方法可以进一步包括:由所述处理器使用针对每个3D图像对确定的所述拟合损失值生成相异度矩阵;以及由所述处理器基于所述相异度矩阵将所述多个3D图像聚类成多个组,其中每个组对应于所述身体部位的尺寸。
在一些方面,所述身体部位可以是一对乳房。
在一些方面,所述方法可以进一步包括响应于标识所述所关注的第一区域,所述所关注的第一区域包括整个躯干:确定所述所关注的第一区域中的图像点在第一方向上的第一平均值,所述第一方向可以与所述身体的所述纵轴正交;确定所述所关注的第一区域中的图像点在第二方向上的第二平均值,所述第二方向与所述第一方向正交并且与所述身体的所述纵轴正交;将所述所关注的第一区域的所述中心轴线定义为与所述第一平均值和所述第二平均值相交,所述中心轴线可以与所述第一方向和所述第二方向正交。
在一些方面,使所述所关注的第一区域在所述竖直方向上移位可以包括使所述所关注的第一区域移位,直到与所述中心轴线正交的平面在所述3D参考点处与所述中心轴线相交,其中所述平面与所述标志特征相交。
在一些方面,所述标志特征可以是通过在所述竖直方向上定义一对乳头之间的中点来确定的,其中所述平面与所述中点相交。
在一些方面,标识所述所关注的第二区域可以包括去除位于与所述身体的冠状平面平行并且与所述3D参考点相交的平面的第一侧的图像点。所述身体部位可以位于与所述冠状平面平行的所述平面的与所述第一侧相对的第二侧。
在一些方面,标识所述所关注的第二区域可以包括:将所述所关注的第一区域旋转到形成摩尔纹(Moirépattern)的角度;基于所形成的摩尔纹标识所述所关注的第二区域的上界;以及标识所述所关注的第一区域中的突出区域的最接近的起皱处以标识所述所关注的第二区域的下界。
在一些方面,在每个3D图像的所述所关注的第二区域的所述表面上标识的所述多个数据点的数量可以是固定数。
在一些方面,所述多个数据点可以是基于预定义的序列来标识的。
在一些方面,标识所述多个数据点可以包括:由所述处理器将所述所关注的第二区域分割成与所述中心轴线正交的多个均匀分布的切片;由所述处理器基于固定角度间隔将每个切片分割成多个部分。每个部分可以对应于一个角度值,并且每个部分可以包括一组点。对于每个切片上的每个部分:所述方法可以包括由所述处理器确定所述一组点相对于所述3D参考点的距离中的平均距离;并且由所述处理器将与所述平均距离相关联的点设置为由与所述部分相对应的所述角度值表示的数据点。所述数据点可以是所标识的所述多个数据点之一。
在一些方面,所述方法可以进一步包括:确定在所述切片的特定部分中缺失图像点,其中缺失的图像点是在所述所关注的第一区域的所述标识期间从所述3D图像中去除的;将一组未定义的值分配给所述特定部分中的所述缺失的图像点作为数据点。
在一些方面,确定所述拟合损失值可以是基于来自每个3D图像对的位于同一切片上并且与相同角度值相关联的数据点之间的差异来进行的。
在一些方面,确定所述拟合损失值包括使用量化3D图像对之间关于所述所关注的第二区域的形状差异的相异度函数。
在一些方面,所述相异度函数可以被表示为:
其中:
d1表示第一3D图像;
d2表示第二3D图像;
d1i表示所述第一3D图像中的第i个数据点;
d2i表示所述第二3D图像中的第i个数据点;
n表示数据点的总数;
m表示其中两个数据点都不包括未定义的值的数据点对的数量。
在一些方面,在所述多个图像中有N个3D图像并且其中对所述3D图像进行聚类包括:由所述处理器对所述相异度矩阵应用一种或多种聚类算法,其中所述一种或多种聚类算法中的每种聚类算法的应用可以使得将所述多个3D图像分组成k个3D图像聚类组,其中k在1到N的范围内。在k=1个聚类组中,在所述一个组中有N个3D图像。在k=N个聚类组中,在每个组中可以有一个3D图像。针对所述一种或多种聚类算法中的每种聚类算法,所述方法可以包括确定每个k的总体聚合拟合损失,其中k在1到N的范围内。k的所述总体聚合拟合损失可以是通过将所述k中每个组的聚合拟合损失相加来确定的,所述聚合拟合损失是在已经为所述k中每个组选择原型之后针对所述k中每个组来确定的。所述处理器可以标识所述一种或多种聚类算法中的特定聚类算法,所述特定聚类算法使得对于从k=1到k=N中的最多个k,所述特定聚类算法的总体聚合拟合损失可以是所有聚类算法的总体聚合拟合损失中最低的总体聚合拟合损失。
在一些方面,所述方法可以进一步包括:标识表示在1到N个3D图像聚类组中跨所述1到N个聚类组中的相应聚类组的聚合拟合损失值满足某一标准的聚类组的数量的值m;以及将所标识的值m设置为用于所述身体部位的所述尺寸的组数。
在一些方面,所述方法可以进一步包括对于3D图像组中的每个3D图像:将所述3D图像指定为所述组的候选原型图像;将所述组中包括所述候选原型图像的每个不同3D图像对关于所述所关注的第二区域的拟合损失值聚合,其中不同对可以不具有相同的两个3D图像;标识在与每个候选原型相关联的聚合拟合损失值中具有最低聚合拟合损失值的一个候选原型图像;以及将所标识的候选原型图像分配为所述组的原型图像。
在一些方面,所述多个3D图像可以是从一个或多个3D扫描仪接收的。
在一些方面,所述一个或多个3D扫描仪可以是以下各项中的一个或多个:移动电话、销售点终端、3D人体扫描仪、手持式3D扫描仪和固定式3D扫描仪。
在其它方面,所公开的是一种用于将身体部位分配到尺寸确定方案中的某一尺寸的方法。所述方法可以包括:由处理器接收包括个体的身体的所述身体部位的三维(3D)图像;标识所述3D图像中的所关注的第一区域;由所述处理器使所述所关注的第一区域移位以将所述所关注的第一区域的中心轴线与3D参考点对齐。所述中心轴线可以与个体的身体的纵轴平行。所述方法还可以包括由所述处理器使所述所关注的第一区域在竖直方向上移位,所述竖直方向可以与所述身体的纵轴平行以将所述所关注的第一区域中的标志特征与所述3D参考点对齐。所述方法还可以包括:标识所述所关注的第一区域中的所关注的第二区域;由所述处理器标识所述所关注的第二区域的表面上的多个数据点;由所述处理器确定所述多个数据点与所述3D参考点之间的多个距离;以及由所述处理器从存储器中提取多个原型图像。所述多个原型图像分别表示多个尺寸组。所述方法还可以包括:由所述处理器关于所述所关注的第二区域将针对所接收到的3D图像确定的所述多个距离与针对所述原型图像中的每一个原型图像中的相同数据点确定的距离进行比较,使得可以关于所述所关注的第二区域将所接收到的3D图像与所述多个原型图像中的每个原型图像成对地进行比较;由所述处理器基于所述比较确定所接收到的3D图像与所提取的原型图像中的每一个原型图像之间关于所述所关注的第二区域的拟合损失值;由所述处理器标识所确定的拟合损失值中的最低拟合损失值;以及将所接收到的3D图像分配到由与所述最低拟合损失值相对应的所述原型图像表示的尺寸组。
在一些方面,所述身体部位可以是一对乳房。
在一些方面,所述方法可以进一步包括响应于标识所述所关注的第一区域,其中所述所关注的第一区域包括整个躯干:确定所述所关注的第一区域中的图像点在第一方向上的第一平均值,所述第一方向与所述身体的纵轴正交;确定所述所关注的第一区域中的图像点在第二方向上的第二平均值,所述第二方向与所述第一方向正交并且与所述身体的纵轴正交;并且将所述所关注的第一区域的所述中心轴线定义为与所述第一平均值和所述第二平均值相交。所述中心轴线可以与所述第一方向和所述第二方向正交。
在一些方面,所述使所述所关注的第一区域在所述竖直方向上移位可以包括使所述所关注的第一区域移位,直到与所述中心轴线正交的平面在所述3D参考点处与所述中心轴线相交,其中所述平面与所述标志特征相交。
在一些方面,所述标志特征可以是通过在所述竖直方向上定义一对乳头之间的中点来确定的,并且其中所述平面与所述中点相交。
在一些方面,标识所述所关注的第二区域可以包括去除位于与所述身体的冠状平面平行并且与所述3D参考点相交的平面的第一侧的图像点,并且所述身体部位可以位于与所述冠状平面平行的所述平面的与所述第一侧相对的第二侧。
在一些方面,所述标识所述所关注的第二区域可以包括:将所述所关注的第一区域旋转到形成摩尔纹的角度;基于所形成的摩尔纹标识所述所关注的第二区域的上界;以及标识所述所关注的第一区域中的突出区域的最接近的起皱处以标识所述所关注的第二区域的下界。
在一些方面,所述多个尺寸组可以基于相异度矩阵,所述相异度矩阵是使用与多个3D图像中3D图像对的每种可能组合相对应的多个拟合损失值来生成的。所述多个3D图像可以包括不同个体的所述身体部位。
在一些方面,所述多个拟合损失值可以是基于量化3D图像对之间关于所述所关注的第二区域的形状差异的相异度函数来确定的。
在一些方面,所述3D图像可以是从一个或多个3D扫描仪接收的。
在一些方面,所述一个或多个3D扫描仪可以是以下各项中的一个或多个:移动电话、销售点终端、3D人体扫描仪、手持式3D扫描仪和固定式3D扫描仪。
在一些方面,所述方法可以进一步包括:将所接收到的3D图像指定为所分配的尺寸组的候选原型图像;基于所接收到的3D图像被指定为所述候选原型图像来确定所分配的尺寸组的聚合拟合损失值;将所确定的聚合拟合损失值与所分配的尺寸组的原始聚合拟合损失值加上所接收到的3D图像与所述原型图像之间的拟合损失值进行比较。响应于所确定的聚合拟合损失值小于所述原始聚合拟合损失值加上所接收到的3D图像与所述原型图像之间的所述拟合损失值,所述方法可以进一步包括将所接收到的3D图像分配为所述尺寸组中的新原型图像,并且响应于所确定的聚合拟合损失值大于或等于所述原始聚合拟合损失值加上所接收到的3D图像与所述原型图像之间的所述拟合损失值,所述方法可以进一步包括保持所述原型图像作为所述尺寸组的原型图像。
在其它方面,所公开的是一种用于将身体部位分配到用于所述身体部位的尺寸确定方案中的某一尺寸的方法。所述方法可以包括:由处理器接收包括个体的身体的身体部位的三维(3D)图像;标识所述3D图像中的所关注的第一区域;由所述处理器使所述所关注的第一区域移位以将所述所关注的第一区域的中心轴线与3D参考点对齐。所述中心轴线可以与个体的身体的纵轴平行。所述方法可以进一步包括由所述处理器使所述所关注的第一区域在竖直方向上移位。所述竖直方向可以与所述身体的纵轴平行以将所述所关注的第一区域中的标志特征与所述3D参考点对齐。所述方法可以进一步包括由所述处理器基于所述所关注的第一区域中所述身体部位的下界的周长的尺寸参数来确定下胸围尺寸。所述下胸围尺寸可以在多个下胸围尺寸中。所述方法可以进一步包括:由所述处理器从存储器中提取多个原型图像,其中所述多个原型图像表示与所确定的下胸围尺寸相对应的多个形状组;标识所述所关注的第一区域中的所关注的第二区域;由所述处理器标识所述所关注的第二区域的表面上的多个数据点;由所述处理器确定所述多个数据点与所述3D参考点之间的多个距离;以及由所述处理器关于所述所关注的第二区域将针对所接收到的3D图像确定的所述多个距离与针对表示与所确定的下胸围尺寸相对应的所述多个形状组的所提取的原型图像中的每一个原型图像中的相同数据点确定的距离进行比较,使得可以关于所述所关注的第二区域将所接收到的3D图像与所述多个原型图像中的每个所提取的原型图像成对地进行比较。所述方法可以进一步包括:由所述处理器基于所述比较确定所接收到的3D图像与所提取的原型图像中的每一个原型图像之间关于所述所关注的第二区域的拟合损失值;由所述处理器标识所确定的拟合损失值中的最低拟合损失值;以及将所接收到的3D图像分配到由与所述最低拟合损失值相对应的所述原型图像表示的所述形状组。推荐的尺寸组可以包括所确定的下胸围尺寸和所述形状组。
在一些方面,所述身体部位可以是一对乳房。
在一些方面,所述方法可以进一步包括响应于标识所述所关注的第一区域而确定所述所关注的第一区域中的图像点在第一方向上的第一平均值,其中所述所关注的第一区域包括整个躯干。所述第一方向可以与所述身体的纵轴正交。所述方法可以包括确定所述所关注的第一区域中的图像点在第二方向上的第二平均值,所述第二方向与所述第一方向正交并且与所述身体的纵轴正交;并且将所述所关注的第一区域的所述中心轴线定义为与所述第一平均值和所述第二平均值相交。所述中心轴线可以与所述第一方向和所述第二方向正交。
在一些方面,所述使所述所关注的第一区域在所述竖直方向上移位可以包括使所述所关注的第一区域移位,直到与所述中心轴线正交的平面在所述3D参考点处与所述中心轴线相交,其中所述平面与所述标志特征相交。
在一些方面,所述标志特征可以是通过在所述竖直方向上定义一对乳头之间的中点来确定的,并且其中所述平面与所述中点相交。
在一些方面,所述标识所述所关注的第二区域可以包括:去除位于与所述身体的冠状平面平行并且与所述3D参考点相交的平面的第一侧的图像点,并且所述身体部位可以位于与所述冠状平面平行的所述平面的与所述第一侧相对的第二侧。
在一些方面,所述标识所述所关注的第二区域可以包括:将所述所关注的第一区域旋转到形成摩尔纹的角度;基于所形成的摩尔纹标识所述所关注的第二区域的上界;以及标识所述所关注的第一区域中的突出区域的最接近的起皱处以标识所述所关注的第二区域的下界。
在一些方面,所述尺寸参数可以是从另一装置接收的。
在一些方面,所述确定所述下胸围尺寸可以包括:确定所述所关注的第一区域中所述身体部位的所述下界的所述周长;以及标识包括所确定的周长的尺寸参数范围;以及将表示所述尺寸参数范围的所述下胸围尺寸分配为所述3D图像中所述身体部位的所述下胸围尺寸。
在一些方面,所述多个下胸围尺寸中的每个下胸围尺寸中的所述多个形状组可以基于相异度矩阵,所述相异度矩阵是使用关于所述所关注的第二区域的与分配到相应的下胸围尺寸的多个3D图像中3D图像对的每种可能组合相对应的多个拟合损失值来生成的。所述多个3D图像可以包括不同个体的所述身体部位。
在一些方面,所述多个拟合损失值可以是基于量化3D图像对之间关于所述所关注的第二区域的形状差异的相异度函数来确定的。
在一些方面,所述3D图像可以是从一个或多个3D扫描仪接收的。
在一些方面,所述一个或多个3D扫描仪可以是以下各项中的一个或多个:移动电话、销售点终端、3D人体扫描仪、手持式3D扫描仪和固定式3D扫描仪。
在一些方面,所述方法可以进一步:将所接收到的3D图像指定为所确定的下胸围尺寸内的所分配的形状组的候选原型图像;基于所接收到的3D图像被指定为所述候选原型图像来确定所分配的形状组的聚合拟合损失值;以及将所确定的聚合拟合损失值与所分配的形状组的原始聚合拟合损失值加上所接收到的3D图像与所述原型图像之间的拟合损失值进行比较。响应于所确定的聚合拟合损失值小于所述原始聚合拟合损失值加上所接收到的3D图像与所述原型图像之间的所述拟合损失值,所述方法可以包括将所接收到的3D图像分配为所述形状组中的新原型图像,并且响应于所确定的聚合拟合损失值大于或等于所述原始聚合拟合损失值加上所接收到的3D图像与所述原型图像之间的所述拟合损失值,所述方法可以包括保持所述原型图像作为所述形状组的原型图像。
在一些方面,所公开的是一种用于为身体部位开发尺寸确定方案的方法。所述方法可以包括由处理器接收多个三维(3D)图像。所述多个3D图像可以包括不同个体的身体的身体部位。对于所述多个3D图像中的每个3D图像,所述方法可以包括:标识所述3D图像中的所关注的第一区域;确定与所述所关注的第一区域中所述身体部位的下界的周长相对应的尺寸参数;以及基于所述尺寸参数将所述3D图像分配到下胸围尺寸。所述方法可以进一步包括对于所述多个3D图像中的每个3D图像:由所述处理器使所述所关注的第一区域移位以将所述所关注的第一区域的中心轴线与3D参考点对齐,其中所述中心轴线可以与个体的身体的纵轴平行;以及由所述处理器使所述所关注的第一区域在竖直方向上移位以将所述所关注的第一区域中的标志特征与所述3D参考点对齐。所述竖直方向可以与所述身体的纵轴平行。对于所述多个3D图像中的每个3D图像,所述方法可以进一步包括:标识所述所关注的第一区域中的所关注的第二区域;由所述处理器标识所述所关注的第二区域的表面上的多个数据点;由所述处理器确定所述多个数据点与所述3D参考点之间的多个距离;以及由所述处理器将所述多个距离与针对分配到同一下胸围尺寸的其它3D图像中的每一个3D图像中的相同数据点确定的距离进行比较,使得可以将所述3D图像与分配到同一下胸围尺寸的所述3D图像中每个其它3D图像成对地进行比较。对于每个下胸围尺寸,所述方法可以包括由所述处理器确定分配到同一下胸围尺寸的所述3D图像中3D图像对的每种可能组合关于所述所关注的第二区域的拟合损失值,其中每个拟合损失值可以指示对应的3D图像对之间关于所述所关注的第二区域的差异,并且每个3D图像对的所述拟合损失值的所述确定可以是基于所述3D图像对之间关于所述所关注的第二区域的距离比较的结果来进行的。对于每个下胸围尺寸,所述方法可以进一步包括:由所述处理器使用针对分配到同一下胸围尺寸的每个3D图像对确定的所述拟合损失值生成相异度矩阵;以及由所述处理器基于所述相异度矩阵将分配到所述下胸围尺寸的所述3D图像聚类成多个形状组。每个形状组可以对应于所述身体部位的形状。
在一些方面,所述身体部位可以是一对乳房。
在一些方面,所述方法可以进一步包括响应于标识所述所关注的第一区域,其中所述所关注的第一区域包括整个躯干:确定所述所关注的第一区域中的图像点在第一方向上的第一平均值,所述第一方向可以与所述身体的纵轴正交;确定所述所关注的第一区域中的图像点在第二方向上的第二平均值,所述第二方向与所述第一方向正交并且与所述身体的纵轴正交;并且将所述所关注的第一区域的所述中心轴线定义为与所述第一平均值和所述第二平均值相交。所述中心轴线可以与所述第一方向和所述第二方向正交。
在一些方面,所述使所述所关注的第一区域在所述竖直方向上移位包括使所述所关注的第一区域移位,直到与所述中心轴线正交的平面在所述3D参考点处与所述中心轴线相交,其中所述平面与所述标志特征相交。
在一些方面,所述标志特征可以是通过在所述竖直方向上定义一对乳头之间的中点来确定的,并且其中所述平面与所述中点相交。
在一些方面,所述标识所述所关注的第二区域可以包括去除位于与所述身体的冠状平面平行并且与所述3D参考点相交的平面的第一侧的图像点,并且所述身体部位可以位于与所述冠状平面平行的所述平面的与所述第一侧相对的第二侧。
在一些方面,所述标识所述所关注的第二区域可以包括:将所述所关注的第一区域旋转到形成摩尔纹的角度;基于所形成的摩尔纹标识所述所关注的第二区域的上界;以及标识所述所关注的第一区域中的突出区域的最接近的起皱处以标识所述所关注的第二区域的下界。
在一些方面,所述多个数据点可以在每个3D图像的所述所关注的第二区域的所述表面上标识并且所述多个数据点的数量可以是固定数。
在一些方面,所述多个数据点可以是基于预定义的序列来标识的。
在一些方面,所述标识所述多个数据点可以包括:由所述处理器将所述所关注的第二区域分割成与所述中心轴线正交的多个均匀分布的切片;以及由所述处理器基于固定角度间隔将每个切片分割成多个部分。每个部分对应于一个角度值,并且每个部分包括一组点。对于每个切片上的每个部分,所述方法可以进一步包括:由所述处理器确定所述一组点相对于所述3D参考点的距离中的平均距离;以及由所述处理器将与所述平均距离相关联的点设置为由与所述部分相对应的所述角度值表示的数据点。所述数据点可以是所标识的所述多个数据点之一。
在一些方面,所述方法可以包括:确定在所述切片的特定部分中缺失图像点,其中缺失的图像点是在所述所关注的第一区域的所述标识期间从所述3D图像中去除的;以及将一组未定义的值分配给所述特定部分中的所述缺失的图像点作为数据点。
在一些方面,所述确定所述拟合损失值可以是基于来自每个3D图像对的位于同一切片上并且与相同角度值相关联的数据点之间的差异来进行的。
在一些方面,所述确定所述拟合损失值可以包括使用量化3D图像对之间关于所述所关注的第二区域的形状差异的相异度函数。
在一些方面,所述相异度函数可以被表示为:
其中:
d1表示下胸围尺寸组中的第一3D图像;
d2表示所述下胸围尺寸组中的第二3D图像;
d1i表示所述第一3D图像中的第i个数据点;
d2i表示所述第二3D图像中的第i个数据点;
n表示数据点的总数;
m表示其中两个数据点都不包括未定义的值的数据点对的数量。
在一些方面,可以有N个3D图像被分配到所述下胸围尺寸,并且其中对下胸围尺寸的所述3D图像进行聚类可以包括:由所述处理器对所述下胸围尺寸的所述相异度矩阵应用一种或多种聚类算法,其中所述一种或多种聚类算法中的每种聚类算法的应用可以使得将所述多个3D图像分组成k个3D图像聚类形状组,其中k在1到N的范围内。在k=1个聚类形状组中,在所述一个形状组中可以有N个3D图像。在k=N个聚类形状组中,在每个形状组中可以有一个3D图像。所述对所述下胸围尺寸的所述3D图像进行聚类可以进一步包括:针对所述一种或多种聚类算法中的每种聚类算法,确定每个k的总体聚合拟合损失,其中k在1到N的范围内,并且其中k的所述总体聚合拟合损失可以是通过将所述k中每个聚类形状组的聚合拟合损失相加来确定的。所述聚合拟合损失可以是在已经为所述k中每个形状组选择原型之后针对所述k中每个聚类形状组来确定的。所述处理器可以标识所述一种或多种聚类算法中的特定聚类算法,所述特定聚类算法使得对于从k=1到k=N中的最多个k,所述特定聚类算法的总体聚合拟合损失是所有聚类算法的总体聚合拟合损失中最低的总体聚合拟合损失。
在一些方面,所述方法可以进一步包括确定每个下胸围尺寸的形状组的数量。
在一些方面,所述确定每个下胸围尺寸的形状组的数量可以包括:标识表示在1到N个3D图像聚类形状组中跨所述1到N个聚类形状组中的相应聚类形状组的聚合拟合损失值满足某一标准的聚类形状组的数量的值m;以及将所标识的值m设置为所述形状组的数量。
在一些方面,所述方法可以进一步包括确定跨所有下胸围尺寸的形状组总数,并且当所确定的形状组总数大于预设最大值时,可以减少所述形状组总数。
在一些方面,可以将所确定的形状组总数减少到所述预设最大值。所述形状组在不同下胸围尺寸中的分布可以是基于针对j'确定的最低总体聚合拟合损失来进行的,其中j'从最小值到所述预设最大值变化。所述最小值可以是所述下胸围尺寸的数量。所述最低总体聚合拟合损失可以是针对每个j'从跨所述下胸围尺寸的j'个形状组的不同组合的多个总体聚合拟合损失来确定的。所述不同组合可以是通过将形状组迭代地添加到所述下胸围尺寸之一,然后从所述下胸围尺寸之一去除所述形状组,同时将形状组添加到另一个下胸围尺寸而保持j'来生成的。
在一些方面,所述多个3D图像可以是从一个或多个3D扫描仪接收的。
在一些方面,所述一个或多个3D扫描仪可以是以下各项中的一个或多个:移动电话、销售点终端、3D人体扫描仪、手持式3D扫描仪和固定式3D扫描仪。
在一些方面,可以有M个3D图像被分配到所有下胸围尺寸。对下胸围尺寸的所述3D图像进行聚类可以包括:由所述处理器对所有下胸围尺寸的相异度矩阵应用一种或多种聚类算法,其中所述一种或多种聚类算法中的每种聚类算法的应用使得对于所有下胸围尺寸,将所述多个3D图像分组成总共j个3D图像聚类形状组,其中j在h到M的范围内。h是下胸围尺寸的数量。当j=h时,每个下胸围尺寸可以有一个形状组;并且当j=M时,在每个形状组中可以有一个3D图像。针对所述一种或多种聚类算法中的每种聚类算法,所述方法可以进一步包括确定每个j的总体聚合拟合损失,其中j在h到M的范围内,并且其中j的所述总体聚合拟合损失可以是通过将所述j中每个聚类形状组的聚合拟合损失相加来确定的。所述聚合拟合损失可以是在已经为所述j中每个形状组选择原型之后针对所述j中每个聚类形状组来确定的。所述处理器可以标识所述一种或多种聚类算法中的特定聚类算法,所述特定聚类算法使得对于从j=h到j=M中的最多个j,所述特定聚类算法的总体聚合拟合损失是所有聚类算法的总体聚合拟合损失中最低的总体聚合拟合损失。
还公开的是具有用于执行一个或多个方面的指令的一种或多种计算机可读介质。
还公开的是用于执行一个或多个方面的一种或多种系统。
前述概述仅是说明性的,并且不旨在以任何方式进行限制。除了上文描述的说明性方面、实施例和特征之外,通过参考附图和以下详细描述,另外的方面、实施例和特征将变得明显。在附图中,相似的附图标记表示相同或功能类似的元件。
附图说明
本专利或申请文件含有至少一幅彩色附图。在请求并支付必要的费用后,官方将会提供带有彩色附图的本专利或专利申请公开物的副本。
图1A是展示了根据本公开的各方面的系统的图。
图1B是展示了根据本公开的各方面的过程的图。
图1C是展示了根据本公开的各方面的图像的预处理的实例的图。
图2A是展示了根据本公开的各方面的所关注的第一区域和预处理所关注的第一区域的实例的图。
图2B是展示了根据本公开的各方面的标识所关注的第二区域的实例的图。
图2C是展示了根据本公开的各方面的用于移位的过程的图。
图2D是展示了根据本公开的各方面的用于标识所关注的第二区域的过程的图。
图3A-3B是展示了根据本公开的各方面的标识表面上的数据点的实例的图。
图3C是展示了根据本公开的各方面的用于标识数据点的过程的图。
图4是展示了根据本公开的各方面的相异度矩阵的图。
图5A是展示了根据本公开的各方面的用于确定不同聚类组的过程的图。
图5B是展示了根据本公开的各方面的用于确定组数的过程的图。
图6A是展示了根据本公开的各方面的用于将新的图像分配到尺寸确定方案的过程的图。
图6B描绘了根据本公开的各方面的用于确定是否更新原型的过程。
图7A是展示了根据本公开的各方面的用于在具有约束条件的情况下开发尺寸确定系统的过程的图。
图7B是展示了根据本公开的各方面的用于确定最佳聚类算法的过程的图。
图7C是展示了根据本公开的各方面的用于确定不同下胸围尺寸组内子组(形状组)的最佳分布的过程的图。
图7D是展示了根据本公开的各方面的用于将新的图像分配到尺寸确定方案的过程的图。
图8A是展示了根据本公开的各方面的相异度矩阵的实例的图。
图8B是展示了根据本公开的各方面的形状组的实例的图。
图9是展示了根据本公开的各方面的可以用于标识最佳形状组数的多个总体AFL值的图。
图10是展示了根据本公开的各方面的通过应用多种聚类算法获得的多个总体AFL值的图。
图11是展示了根据本公开的各方面的可以用于将新的3D图像分配到某一形状组的表的图。
图12是展示了根据传统方法进行的示例分组的图。
图13展示了根据本公开的各方面描述的利用AFL的方法和系统与使用下胸的传统方法的比较结果。
图14展示了根据本公开的各方面描述的利用AFL的方法和系统与使用ΔB的传统方法的比较结果。
图15A是展示了示出使用根据本公开的各方面描述的方法和系统对45个扫描图进行的下胸围尺寸分组的表的图。
图15B是展示了示出在给定45个扫描图的形状组(子组)总数的情况下使用根据本公开的各方面描述的方法和系统确定某一下胸围尺寸内的形状组数的处理的表的图。
图16A是根据本公开的各方面描述的利用AFL的方法和系统与使用下胸的传统方法的比较结果。
图16B是根据本公开的各方面描述的利用AFL的方法和系统与使用ΔB的传统方法的比较结果。
图17是展示了根据本公开的各方面的可以用于开发尺寸确定方案的身体部位的图。
图18是展示了根据本公开的各方面的可以用于开发尺寸确定方案的身体部位的图。
具体实施方式
在以下描述中,阐述了许多具体细节,如特定结构、组件、材料、尺寸、处理步骤和技术等,以提供对本申请的各个方面的理解。然而,本领域普通技术人员将理解,本申请的各个方面可以在没有这些具体细节的情况下实践。在其它情况下,为免模糊本申请,没有详细地描述众所周知的结构或处理步骤。
成衣的合身问题非常常见并且这是线上零售的退货运费的主要原因之一。与定制不同,成衣取决于尺寸确定系统的设计。所采用的大多数尺寸确定系统使用如胸周长和下胸周长等身体测量结果,该身体测量结果可能不代表复杂的3D体型,尤其是对于女性乳房。另外,身体测量结果的提取可以取决于身体标志的位置或活动放置,但是标志的定义和标识对柔软的乳房组织来说可能是真正的挑战(然而胸点(bust point)可能是例外)。因此,代替使用传统的乳房测量结果,本文所描述的方法和系统可以捕获诸如乳房但不限于乳房等目标身体部位的三维(3D)图像,并且获得表面上所有点的位置以获得形状信息。形状信息可以进一步由计算装置处理以开发尺寸确定方案或尺寸确定系统,该尺寸确定方案或尺寸确定系统可以基于跨诸如乳房但不限于乳房等目标身体部位的广泛分布表面的精确测量,使得如胸周长和下胸周长等测量结果以及乳房的形状都被考虑在内(不需要人来物理测量长度)。
进一步地,不同的服装公司可以修改其产品以相对较好地适应某些所选尺寸的人体试装模特。例如,每个公司可以雇佣其自己的试装模特,这使得产生不一致性并且可能使消费者迷惑。例如,来自不同品牌的某一尺寸的服装在彼此比较时尺寸可能不同。而且,不同的公司可能很难雇用可以视为具有“理想”身体测量结果的试装模特。例如,关于文胸尺寸确定,可能相对容易找到具有34英寸胸周长的人,但是可能相对较难找到具有34英寸胸周长和28英寸下胸周长的人,或者可能难以找到具有34英寸胸周长、28英寸下胸周长和30英寸腰周长测量结果的人。此外,符合所有标准测量需求的“理想”试装模特可能不是尺寸组最具有代表性的体型。使用卷尺测量结果的组合来定义尺寸确定系统的尺寸种类的方法可能是有问题的,因为用于表示一个尺寸的一种组合可能不适合于可能处于中间尺寸的人。本文所描述的方法和系统可以促进如合身服装等服装的尺寸确定系统的开发,所述尺寸确定系统可以提供关于如何基于身体部位(例如,乳房)的3D形状而非身体测量结果的组合来选择试装模特或原型形状的解决方案。
此外,本文所描述的方法和系统处理来自多个个体的如乳房等目标身体部位的3D形状以优化尺寸确定系统。个体消费者与其尺寸的试装模特或原型之间的体型差异可以导致某种程度上的拟合损失。在一实例中,聚合拟合损失(AFL:aggregate-fit-loss)是试图量化并且估计群体可能遇到的累积拟合损失的概念。然而,过去所估计的拟合损失经常基于身体测量结果或卷尺测量结果。本文所描述的方法和系统可以提供新型拟合损失函数,该拟合损失函数通过对扫描表面上固定数量的点的点与参考点(如,原点等)之间的距离的逐点比较来计算任何两个3D身体扫描之间的相异度。另外,本文所描述的方法和系统利用目标以通过形状分类和对所分类的组的原型(例如,最合适的试装模特或标准服装模特)的优化选择来最小化如文胸等服装的尺寸确定系统的AFL。
仍进一步地,本文所描述的方法和系统可以为消费者提供识别其自身尺寸的解决方案。本文所描述的方法和系统可以实施从3D形状的表面获得的点和新型拟合损失函数以正确地且快速地向消费者推荐尺寸。
而且,本文所描述的方法和系统可以提供改善现有文胸尺寸确定方案的解决方案。例如,传统的下胸围尺寸可以作为约束条件与新型拟合损失函数的实施方案一起用于向消费者推荐尺寸。因此,该方法和系统可以以相对方便的方式整合到现有的尺寸确定系统。
图1A是展示了根据本公开的各方面的系统100的图。在图1A所示的实例中,装置110可以从多个装置101接收多个图像103。例如,装置110可以是如位于数据中心中的服务器等计算装置。在本公开的一方面,计算装置可以位于商店中。在本公开的一方面,图像103可以是三维(3D)图像。多个装置101可以是如移动电话、销售点终端、3D人体扫描仪、手持式3D扫描仪和固定式3D扫描仪等3D扫描仪。多个装置101彼此可以位于相同或不同位置。在本公开的一方面,装置110和装置101可以是同一装置。在其它方面,多个装置101可以被配置成通过如因特网、无线网、局域网、蜂窝数据网等网络与装置110进行通信。在一些实例中,图像103可以是由一个或多个二维(2D)图像的转换所产生的3D图像。例如,装置101中的一个可以是可以运行应用以捕获多个2D图像并且将所捕获的2D图像转换成3D图像的移动电话。在一些实例中,图像103可以被加密以保护图像103的拥有者的隐私。
装置110可以包括处理器112和存储器114。处理器112可以被配置成与存储器114通信。例如,处理器112可以是装置110的中央处理单元(CPU)或图形处理单元(GPU)、微处理器、片上系统和/或其它类型的硬件处理单元。存储器114可以被配置成存储指令集113,其中指令113可以包括如源代码和/或可执行代码等代码。处理器112可以被配置成执行存储在存储器114中的指令集113以实施本文所描述的方法和功能。在一些实例中,指令集113可以包括与各种图像处理技术、加密和解密算法、聚类算法和/或可以应用以实施本文所描述的方法和功能的其它类型的技术和算法相关的代码。
在一实例中,处理器112可以执行指令集113以执行图1B中所示的过程150。聚焦于过程150,在框151处,处理器112可以从装置101接收多个3D图像,如N个3D图像。在图1A中所示的实例中,图像103中的图像104可以从装置102被发送到装置110。图像104可以是个体的身体的3D图像。所接收到的图像可以存储在存储器114中。过程150可以从框151进行到框152,其中处理器112可以执行一组图像预处理步骤。例如,在图1A的实例中,处理器112可以对接收到的图像104执行一系列预处理步骤(对每个接收到的3D图像执行预处理)。该一系列预处理步骤被示出为图1C中的子过程160。
在图1C中,子过程160可以从框161开始,其中处理器112可以标识所关注的第一区域。过程160可以从框161进行到框162,其中处理器112可以使所关注的第一区域移位以将中心轴线与3D参考点对齐,其中中心轴线可以与3D图像中所示的身体的纵轴(图2A中的201)平行。在一实例中,纵轴可以称为纵向延伸通过人身体的轴线。子过程160可以从框162进行到框163,其中处理器112可以使所关注的第一区域移位以将所关注的第一区域中的标志特征与3D参考点对齐。子过程160可以从框163进行到框164,其中处理器112可以标识所关注的第二区域。例如,所关注的第二区域可以是所关注的第一区域的一部分。在其它方面,处理器112可以从所接收到的图像中直接标识所关注的第二区域。如上所述,处理器112可以对所接收到的图像103中的每一个图像执行预处理步骤152和子过程160。框162和框164的细节分别在图2C和图2D中示出。
返回到图1B,过程150可以从框152进行到框153,其中处理器112可以执行数据点确定。例如,在图1A所示的实例中,处理器可以标识所关注的第二区域的表面上的多个数据点。过程150可以从框153进行到框154,其中处理器112可以确定每个所标识的数据点与参考点之间的相对距离。例如,处理器112可以确定在框153中的每个所标识的数据点与参考点之间的距离。过程150可以从框154进行到框155,其中处理器112可以比较N个3D图像中每个可能的图像对的所确定的距离以确定图像对的拟合损失值。例如,在图1A中,处理器112可以确定图像103中每个可能的图像对之间的拟合损失值。
过程150可以从框155进行到框156,其中处理器112可以使用针对N个3D图像的所有可能的对的组合确定的拟合损失值生成相异度矩阵。相异度矩阵可以指示图像103中每个可能图像对之间的差异。图4中呈现了相异度矩阵的实例。过程150可以从框156进行到框157,其中处理器112可以基于相异度矩阵将N个3D图像聚类成组。框157的细节可以见于例如图5A-5B。处理器112可以基于聚类组定义用于图像103中示出的身体部位的尺寸确定系统140。处理器112可以将尺寸确定系统140存储在存储器114中。每个组可以表示用于身体部位的尺寸,并且每个组可以由原型形状或图像表示,该原型形状或图像可以由处理器112标识。在一实例中,图像103中的每个图像可以是女性的3D图像,从图像标识的所关注的第一区域可以是女性的躯干,并且所关注的第二区域可以示出如女性乳房等身体部位。基于由图像103产生的聚类组的尺寸确定系统140可以是如文胸等用于乳房的合身服装的尺寸确定系统。
图2A是展示了根据本公开的各方面的图像中的所关注的第一区域120、中心轴线和某些线的实例的图。在一实例中,响应于接收到图像(如图像104),处理器112可以执行指令113以通过执行数据清理(如去除噪声图像点、去除四肢、脖颈和头部)以标识所关注的第一区域120。在本公开的一方面,预处理还可以包括使所接收到的3D图像旋转到特定旋度或方向。例如,可以旋转3D图像使得图像直立并且朝向前方。所关注的第一区域120的此标识是基于目标身体部位来进行的,并且去除的具体身体部位对于不同身体部位可以不同。在目标身体部位是乳房的情况下示出了所关注的第一区域120的实例。然而,当目标身体部位是与衬衫相关的部位时,脖颈和手臂可以保留。头部和腿部可以被去除。在图2A所示的实例中,所关注的第一区域120可以包括例如,包括一对乳房的女性的躯干的3D图像。在本公开的一方面,所关注的第一区域120可以投影到图2A中所示的由x轴、y轴和z轴定义的3D笛卡尔坐标(Cartesian coordinate)上。然而,坐标系不限于笛卡尔坐标系并且可以使用其它坐标系。处理器112可以标识所关注的第一区域120中的中心轴线210,并且将中心轴线210与3D参考点对齐,处理器112可以在图1C的框162中执行移位。图2C示出了用于执行图1C的框162中的移位的过程250的实例。在图2C中,过程250可以包括框251,其中处理器112可以确定关于第一方向的平均值。例如,处理器112可以计算所关注的第一区域的所有图像点的x分量的平均值以确定第一平均值。过程250可以从框251进行到框252,其中处理器112可以确定关于第二方向的平均值。例如,处理器112可以计算所关注的第一区域的所有图像点的y分量的平均值以确定第二平均值。中心轴线210可以被定义为与第一平均值和第二平均值相交的轴线。如图2A的实例中所示,中心轴线210可以与x-y平面正交并且与x-z平面和y-z平面平行(例如,竖直)。
过程250可以从框252进行到框253,其中处理器112可以使所关注的第一区域120移位,使得中心轴线可以与参考点(例如,原点)相交。这有效地使平均值移动到参考点。例如,处理器112可以使所关注的第一区域120水平地(例如,沿着x-y平面或与身体的纵轴201正交的横向平面(transverse plane)203)移位,直到将中心轴线210与(3D)参考点220的x分量和y分量对齐。在一些实例中,横向平面203可以称为将身体划分为上部分和下部分的平面。参考点220在所关注的第一区域120的侧视图204中示出。在一实例中,参考点220可以是3D笛卡尔坐标系的原点(例如,坐标(0,0,0))。因此,可以执行水平移位以使由所关注的第一区域上的所有图像点的平均x坐标和y坐标所定义的中心轴线210与x=0和y=0对齐或相交。对每个接收到的3D图像103执行过程152。
处理器112可以使所关注的第一区域120竖直地(例如,沿着z轴向上或向下或沿着身体的纵轴)移位以使胸平面(bust plane)212与参考点220的z分量对齐。在一实例中,胸平面212可以通过平均至少一个标志特征213(例如,左乳头和右乳头)的z分量,并且将胸平面与平均z分量对齐来定义。可以执行竖直移位以使胸平面212与z=0相交。在水平移位和竖直移位之后,中心轴线210和胸平面212可以与参考点220对齐,如侧视图204所示。在本公开的一方面,移位的顺序可以相反。
图2B是展示了根据本公开的各方面的标识所关注的第二区域的实例的图,其中第二区域包括乳房。通过将中心轴线210和胸平面212与参考点220对齐,处理器112可以执行图1C的框164以标识所关注的第二区域122。图2D示出了用于执行图1C的框164以标识所关注的第二区域122的过程260的实例。图2D中,过程260可以从框261开始,其中处理器112可以确定与3D参考点相交的竖直平面,如x-z平面(例如,y=0)。在一些方面,根据目标身体部位,可以省略框261和262。过程260可以从框261进行到框262,其中处理器可以去除图像数据中在x-z平面后面的一部分图像数据。在图2B所示的实例中,可以去除所关注的第一区域的后部部分(例如,y<0的所有图像点)。可以在标识上界216和下界214之前或之后去除所关注的第一区域的后部部分。在一实例中,竖直x-z平面可以平行于所关注的第一区域中的乳头并且可以与参考点220相交,从而乳房的3D图像位于x-z平面的前侧(例如,正侧)。处理器112可以标识x-z平面的与前侧相对的后部尺寸(例如,负侧)并且去除位于x-z平面的后侧的所有图像点。在另一个实例中,处理器112可以标识与3D参考点220相交并且平行于身体的冠状(coronal)(或额状(frontal))平面202的平面。可以去除此标识的平面与身体的背部之间的图像点以标识所关注的第二区域122。在一些实例中,冠状平面可以称为从一侧延伸到另一侧的平面,并且将身体或其部位中的任何部位划分为前部部分和后部部分。
过程260可以从框262进行到框263,所关注的第二区域的上界和下界。在图2A所示的实例中,上界216和下界214可以定义所关注的第二区域122的顶部边界和底部边界。在一些实例中,操作系统100的用户可以目测地定义上界216和下界214。在一些实例中,处理器112可以执行指令113以标识上界216和下界214的位置。当乳房是目标身体部位时,为了聚焦于乳房形状,可以去除所关注的第一区域120的在下胸线(underbust line)(例如,下界214)之下并且在乳房的上部边界(例如,上界216)之上的部分。在图2B所示的实例中,处理器112可以使所关注的第一区域120旋转到不同角度,直至达到摩尔纹(Moirépatterns)被形成或在特定平面上可见的角度,如图2B中视图220所示。指令113可以包括用于处理器112基于摩尔纹标识上界216的标准。例如,指令可以将上界216定义为与第m个轮廓的上边缘相切的水平线,如图2B所示。在一些实例中,如视图220中的“j英寸”等分离高度或占身体高度或上部躯干长度的百分比可以由处理器112确定,并且在此分离高度之下的区段可以保留用于所关注的第二区域122。在一些实例中,分离高度可以由指令113定义。处理器112可以进一步通过标识所关注的第一区域中的突出区域的最接近的起皱处(immediate crease)215以标识所关注的第二区域122的下界214来标识下界214。在去除所关注的第一区域120的后部部分、去除上界216之上的部分并且去除下界214之下的部分后,可以标识所关注的第二区域122。图2B示出了所关注的第二区域122的3D图像和所关注的第二区域122的侧视图230。框262和263可以以任意顺序执行。
图3A是展示了根据本公开的各方面的标识表面上的数据点的实例的图。在图3A中,目标身体部位是乳房,数据点位于乳房的表面上。处理器112可以处理所关注的第二区域122以在所关注的第二区域122的表面上标识固定数量的数据点,如P个数据点。例如,P可以是9000,范围为从i=1到i=P,使得处理器112可以在图像103中的每个图像的所关注的第二区域122的表面上标识9000个点。9000个点可以被布置成以相同顺序标识,而不会使由处理器112执行的扫描图失真。数量9000仅出于说明性目的而描述并且可以使用其它固定数量的数据点。
对于每个图像,处理器112可以将所关注的第二区域122分割成S个均匀分布的水平切片320。在一些实例中,水平切片可以与身体的纵轴正交。S个水平切片可以按照其z坐标,如从底部到顶部或从s=1到s=S来进行布置。水平切片的厚度在同一所关注的第二区域122内可以相同,但是在不同图像103之间可以不同。例如,第一图像和第二图像可以各自具有50个相同厚度的水平切片,但是第一图像的水平切片的厚度与第二图像的水平切片的厚度可以不同。水平切片的数量不限于50并且50只是出于说明性目的。进一步地,可以在每个图像中的每个水平切片上标识固定数量的点,如180个点,例如每度1个点。然而,在本公开的其它方面,每度可以有更多的点。在其它方面,每5度可以有一个点。这可以取决于目标身体部位。
在一实例中,为了标识180个点,处理器112可以从-180°到0°、以1°的角增量标识水平切片上的数据点,如图3A中的视图306所示。换句话说,从-180°开始到0°(-n到0),在每度处可以标识一个数据点。例如,第1个点可以是位于最底部切片s=1处在-180°的角度下的点i=1。第10个点是位于最底部切片s=1上在-171°的角度下的点i=10。聚焦于视图306,胸线(z=0)可以是例如水平切片s=23,使得数据点i=4180可以以距离r在相对于-180°的角度a'下定位并且另一个数据点i=4300可以以距离r'在相对于-180°的角度a"下定位。数据点i的x坐标、y坐标、z坐标可以由处理器112确定并且以范围为从i=1到i=9000的序列记录,并且记录的位置或坐标可以存储在存储器114中。
在一实例中,如果在所关注的第一区域或所关注的第二区域中某个图像点丢失,则其坐标可以由如非数字(NaN)值等未定义的值定义或替代,以保留所述点的空间,并且保留所述序列和对i=1到i=9000中的其它点的索引。点的丢失可能是在标识所关注的第一区域120时去除四肢(例如,手臂)所引起的,并且所丢失的点可以位于如在其处去除手臂的袖孔等位置处。使用所关注的第二区域122的视图308作为实例,最顶部切片s=S可以包括从i=8821到i=9000的数据点,并且多个点A、B、C、D、E可以在切片s=S上的这些数据点中。点A和E可以分别是数据点i=8821和i=9000。点A和E可以位于在其处去除手臂的袖孔区域,并且因此,点A和E可以用未定义的值替代。进一步地,通过用未定义的值替代点A,处理器112可以响应于未能标识像素值或图像点而不跳过点i=8821,从而使得保持了从i=1到i=9000的序列。如上所述,从50个水平切片标识9000个数据点以及在每个水平切片上以1°增量标识180个点仅仅是实例。可以从其它数量的水平切片和角增量标识其它数量的数据点,这取决于如目标身体部位的类型等系统100的期望实施方案。
图3B是展示了根据本公开的各方面的在图3A中标识表面上的数据点的另外的细节的图。在一实例中,为了在每个水平切片上标识180个数据点,处理器112可以执行图3C中所示的过程350以从-180°到0°以1°增量(预设增量)跨水平切片“扫掠”以标识180个数据点。过程350可以在框351处,其中处理器112可以将所关注的第二区域分割或划分成S个水平切片。过程350可以从框351进行到框352,其中处理器112可以将s的值初始化到1以开始序列以从最底部水平切片(s=1)标识数据点。处理器可以包括计数器以对所处理的切片进行计数。在其它方面,处理器可以使用指针或标记来标识切片。
过程350可以从框352进行到框353,其中处理器112可以将水平切片s分割或划分成由角度值a表示的多个部分。为了改善180个数据点的位置的x坐标、y坐标、z坐标的准确性,指令113可以定义与每个数据点的角度公差相对应的阈值t。例如,对于角度值a=40°和阈值t=1.5,处理器112可以基于由角度值a和阈值t定义的固定的角度间隔将每个水平切片s分割成多个部分。例如,每个部分的范围可以是角度a-t到角度a+t。如图3B的实例中所示,由角度a=40°表示的部分的范围可以为38.5°到41.5°,并且所述部分可以包括多个图像点。
过程350可以从框353进行到框354,其中处理器112可以将角度值a初始化到a=-180°。过程350可以从框354进行到框355,其中处理器112可以确定沿着水平切片s的图像点与参考点之间的距离(在所述角度处并且在所述公差内的所有图像点)。过程350可以从框355进行到框356,其中处理器112可以确定在框355中确定的距离的平均值。对于每个部分,处理器112可以确定多个图像点与参考点220的距离,并且确定这些确定的距离中的平均值。过程350可以从框356进行到框357,其中处理器112可以将具有在框356处确定的平均距离的图像点与角度值a相关联。在图3B中所示的实例中,处理器112可以标识以所述平均距离和相对于参考点220的角度40.05°定位的图像点330。处理器112可以将此图像点330设置为由角度值a=40°表示的数据点i=4179。图像点和相关联的角度(和切片)的值可以存储在存储器114中。
过程350可以从框357进行到框358,其中处理器112可以确定角度值a是否为零。在其它方面,该过程并非从180度开始下降到零度,而是可以从零度开始,可以递增直到180度。如果角度值a不是0,则处理器112可以使a的值以一递增(例如,-180+1=-179),并且过程350可以返回框355,其中处理器112可以针对同一水平切片中的下一部分执行框355、356、357。在框358处,如果角度值a是0,则过程350可以进行到框359,其中处理器112可以确定切片s是否为固定数量S(例如,50)。如果切片s不等于S,则处理器112可以使s以一递增,并且过程350可以返回到框353,其中处理器112可以针对下一个水平切片执行框353、354、355、356、357、358。如果s的值是S(例如,50),则这意味着所有水平切片被处理并且处理器112可以结束过程350。在本公开的其它方面,该处理可以从最高数量的切片开始并且向下工作,而不是从切片S=1开始并且向上工作。
图4是展示了根据本公开的各方面的可以用于聚类以确定尺寸组或形状组的相异度矩阵的图。在预处理图像103中的每个图像后,处理器112可以确定图像103中的每个可能的图像对之间的拟合损失值。处理器112可以进一步基于所确定的拟合损失值生成相异度矩阵130,其中相异度矩阵130可以指示图像103中的每个可能的图像对之间的差异。
在已知系统中,使用如周长、长度等身体测量结果来计算拟合损失值。然而,由于乳房形状的复杂性,传统的乳房测量结果可能未完全描述乳房表面上的凹度、凸度和细微波动,所有这些都可能显著影响乳房的形态。另外,身体测量结果的提取取决于身体标志的实际放置,但是标志的定义和标识对柔软的乳房组织来说可能是真正的挑战(其中胸点可能是例外)。
然而,根据本公开的各方面,使用以上关于图3A-3C所述的预定义的序列标识所关注的第二区域122的表面上的数据点可以提供扫描表面(例如,由装置101或3D扫描仪扫描的表面)上点相对于3D参考点220(例如,原点(0,0,0))的位置的直接使用。因为数据点的坐标或位置分类为相同顺序(例如,从i=1到i=9000,从最底部切片到最顶部切片,并且每个切片上从-180°到0°),可以避免在身体测量期间对于身体标志的需要。因为所有扫描图已经水平移位到x=0和y=0处的中心,并且胸点水平现在竖直位于z=0处,因此每个点与原点(0,0,0)的距离可以通过以下等式(等式1)计算:
其中(xi,yi,zi)是扫描表面点中的第i个点的坐标(i的范围为1到9000),并且di是第i个点与原点(0,0,0)或参考点220的距离。如果点的坐标包括未定义的(例如,NaN)值,则所述点与参考点之间的距离将被记录为NaN。
基于根据等式1计算的距离,任何两个扫描图(例如,图像103中的图像对)之间的成对拟合损失函数由以下等式(等式2)给出:
其中d1、d2表示两个不同的图像或扫描图,d1i是指第一扫描图或图像上的第i个点,而d2i是指第二扫描图或图像上的相同第i个点。变量n是总点数,其在这里所描述的实例中是9000。任何值减NaN值或NaN值减任何值将产生NaN值,但是所有NaN值在添加前可以由处理器112去除。变量m是其中两个点都不包括未定义的值的点对的总数。
等式2是量化两个图像或扫描图之间的形状差异的相异度函数的实例。如果选择两个扫描图中的一个扫描图作为形状(例如,目标身体部位形状)的原型,则所述等式计算另一扫描图的拟合损失量。处理器112可以基于针对每个图像对确定的成对拟合损失值生成相异度矩阵130。
例如,如果存在4个3D图像,则存在4C2个不同的可能拟合损失值。例如,在存在图像A、图像B、图像C和图像D的情况下,组合是AB、AC、AD、BC、BD、CD。相异度矩阵130将是4×4矩阵并且将关于对角线对称(例如,L(d1,d2)=L(d2,d1)),并且在对角线上的值一致地为零,因为扫描图与其自身的拟合损失是零(例如,L(d1,d1)=0)。例如,对A-A的成对拟合损失值或L(A,A)是0,因为图像A与其自身相比较并且不存在差异。对之间的拟合损失值越大,对的形状差异性越大。处理器112可以用针对图像中的每个图像对基于等式2确定的成对拟合损失值如L(A,B)、L(A,C)等填充相异度矩阵130的条目。如图4中所示,存在N个3D图像。出于说明性目的,仅示出了图像A、图像B、图像C和图像N,然而,矩阵将包括所有N个图像的拟合损失值。
处理器112可以根据相异度矩阵130确定聚合拟合损失(AFL)。AFL是组的成员相对于所述组的具体原型的拟合损失值的总和,其中所述图像与具体原型进行比较。例如,如果聚类结果(聚类将在下面更详细地描述)将图像A、B、C分组在同一形状组中并且将A分配为此组的原型形状,则AFL可以通过将如图4中的矩阵130中所示的列1的行2和行3中的值相加来获得。然后,处理器112可以确定总计所有组的每个组内AFL的总体AFL。在一实例中,可以通过将图像中的身体部位(例如,乳房)分类成适当的组(在以下描述)来减少总体AFL。因此,AFL可以由处理器112使用以标识每组中的原型并且总体AFL可以用于标识聚类算法,所述聚类算法可以产生图像103在不同的组中的最佳分布以及用于尺寸确定方案的组数。
图5A是展示了根据本公开的各方面的用于确定可以用于将多个图像聚类成组的不同聚类组的过程500的图。在一实例中,处理器112可以在相异度矩阵130上运行多于一种聚类算法以基于参数k生成组的不同组合,其中参数k指示组数。例如,对于k的特定值,N个图像可以被分布到k个组中,其中每个组可以具有任意数量的图像(只要所有图像的总数是N即可)。如果k=1,则所有N个图像将聚类成一个组,并且如果k=N,则在N个组中的每一个组中将有一个图像。处理器112可以标识多于一种聚类算法中的聚类算法以基于与组的不同组合相关的标准来对图像103进行聚类。对于每种聚类算法并且对于每个k,处理器112可以标识k个组中的每个组的原型并且针对k的每个值确定总体AFL。处理器可以比较k的所有值的所确定的总体AFL并且标识一种聚类算法。
处理器112可以执行过程500以针对k的所有值并且针对多种聚类算法确定总体AFL值,以标识或选择聚类算法(并且对图像进行聚类)。过程500可以从框501开始,其中处理器112可以从多于一种聚类算法中设置待用于相异度矩阵130的一种聚类算法。例如,K中心点聚类(K-medoid clustering)和分级聚类(Hierarchical clustering)(包括离差平方和方法(Ward's method)、完全连锁聚类(Complete-linkage clustering)或质心连锁聚类(Centroid-linkage clustering))是可以用于使用相异度矩阵130对图像进行聚类的聚类算法中的一些聚类算法。过程500可以从框501进行到框502,其中k的值可以初始化为k=1。如上所述,当k=1时,所有N个图像将被聚类成一个组。过程500可以从框502进行到框503,其中处理器112可以针对每个组将一个图像设置为候选原型图像。如果k=1,则可以将N个图像之一设置为候选原型图像。
过程500可以从框503进行到框504,其中处理器112可以针对每个组基于如上所述在框503处设置的候选原型图像确定组内(以及跨组)AFL,例如,将所述组中的每个图像对的拟合损失相加,其中所述候选原型是所述对中的图像之一。在第一遍中,组内AFL等于总体AFL,因为只有一个组。过程500可以从框504进行到框505,其中处理器112可以存储与候选原型图像相关联的所确定的组内AFL。过程500可以从框505进行到框506,其中处理器112可以确定每个组中的所有图像是否已经被设置为候选原型图像。如果所有组中的所有图像已经被设置为候选原型图像,则过程500可以进行到框508。如果并非所有组中的所有图像已经被设置为候选原型图像,则过程500可以进行到框507,其中可以设置下一个候选原型图像,并且处理器112可以针对所述下一个候选原型图像及其各自组执行框503、504、505。在k=1的实例中,因为只有一个组并且所述一个组中有N个图像,所以包括框503、504、505的循环可以执行N次。
在框508处,处理器112可以使k的值递增,如从k=1递增到k=2,使得图像现在分组成两个组。处理器500可以从框508进行到框509,其中处理器112可以确定递增后的k值是否大于N。如果k小于N,则在框510处,处理器112可以使用在框501处设置的聚类算法来聚类成k个组。所述过程可以从框510返回到框503,使得处理器112可以针对递增后的k值执行框503、504、505、506、507。如果k大于N,则过程500可以返回到框501,其中处理器112可以设置下一种聚类算法并且使用所述下一种聚类算法重复过程500。
通过针对所有聚类算法并针对k的所有值在框510处执行聚类,处理器112可以针对k的每个值和每种聚类算法确定总体AFL。一旦已经针对所有组和k的所有值确定了原型,就进行所述确定总体AFL。在一实例中,处理器112可以通过将组内的每个图像设置为候选原型来确定所述组的原型,然后针对每个候选原型确定所述组的组内AFL值。处理器112可以标识产生最低组内AFL的候选原型作为原型图像。处理器112可以被配置成分析从不同聚类算法所得的总体AFL值并且标识对于多于一个K,产生最低总体AFL的聚类算法。在一些实例中,可以在比较聚类算法之前可以敲定每个组的原型。在比较聚类算法之前敲定原型可以允许处理器112将所敲定的原型存储在存储器114中,而不需要存储每个候选原型。例如,所述处理器可以针对每种聚类算法生成k与总体AFL之间的关系的图表。在本公开的一方面,可以显示所述图表。例如,所述图表的x轴可以是k,其表示创建的组数,并且y轴可以是每个k和每种聚类算法的总体AFL。对于k=1,因为没有进行分类(例如,所有N个图像在同一组中),所以总体AFL最大。然后,对于k=N,因为每个组只有一个图像,所以总体AFL结果是零。
进一步地,处理器112可以确定k的最佳值,或用于对图像进行聚类的最佳组数。在一些实例中,当开发尺寸确定系统时,标识要提供给消费者的合适的尺寸数量可能是有挑战的。较少的尺寸数量可以具有相对较高的成本效益并且零售空间越友好,但较多的尺寸数量可以适应更高比例的人群并且提供更佳的合身性。然而,太多尺寸还可以使消费者感到困惑。图5B展示了可以由处理器112执行以标识k的最佳值或不同尺寸的最佳数量的过程550。过程550可以从框551开始,其中处理器112可以针对k的每个值确定每个组和每个候选原型图像的组内AFL。处理器112可以针对每个组比较每个候选原型图像的组内AFL值。过程550可以从框551进行到框552,其中处理器112基于所述比较确定每个组的原型图像。处理器112可以将产生最低组内AFL的候选原型图像分配为所述组的原型图像。
过程550可以从框552进行到框553,其中所述处理器可以将每个组的所分配的原型图像的组内AFL值组合以生成总体AFL(针对每个k)。例如,对于值k=2,如果组1的AFL是A(相对于原型)并且组2的AFL是B(相对于原型),则k=2的总体AFL是A+B。对于从1到N的每个k重复此操作。过程550可以从框553进行到框554,其中处理器112可以根据在相应的一组原型图像的情况下k的所有值的所得总体AFL值来标识k的最佳值。例如,标准可以例如基于总体AFL随k值的变化而变化的速率,如导数或二阶导数。在其它方面,查看以上所述的图表的人可以标识最佳k。
图6A是展示了根据本公开的各方面的用于将新的图像分配到尺寸确定方案的过程600的图。过程600可以从框601开始,其中处理器112可以从扫描仪接收新的3D图像。3D图像可以是同一身体部位的不在由处理器112先前接收到的多个图像103中的3D图像。过程600可以从框601进行到框602,其中处理器112可以对新的3D图像执行图像预处理步骤。例如,处理器112可以根据以上图1C-2D的描述预处理新的3D图像。过程600可以从框602进行到框603,其中处理器112可以标识新的3D图像的所关注的第二区域中的多个数据点(例如,P个数据点)。例如,处理器112可以根据以上图3A-3C的描述标识新的3D图像中的数据点,使得处理器112以如上所述的相同序列(例如,从i=1到i=P)标识新的3D图像的数据点。数据点可以存储在存储器114中。
过程600可以从框603进行到框604,其中处理器112可以确定新的3D图像中的所标识的数据点与新的3D图像中的3D参考点之间的距离(例如,使用等式1)。过程600可以从框604进行到框605,其中处理器112可以从存储器检索或提取尺寸确定方案中每个尺寸或形状组的原型图像(以如上所述的方式确定原型)。例如,如果存在k个尺寸或形状组,则处理器112可以从存储器检索k个原型图像。过程600可以从框605进行到框606,其中处理器112可以确定成对的新的3D图像与所检索的原型图像中的每一个原型图像之间的拟合损失值。例如,处理器112可以针对在新的3D图像的所关注的第二区域中标识的数据点和在所检索的原型图像中的每一个原型图像中的相同索引i处的数据点使用等式2以确定新的3D图像相对于原型图像的拟合损失值。可以将每个比较的拟合损失值存储在存储器114中。
过程600可以从框606进行到框607,其中处理器112可以比较在框606处确定的拟合损失值。基于所述比较,处理器112可以例如标识在框606处确定的拟合损失值中的最低拟合损失值。最低拟合损失值可以指示新的3D图像与在框606中产生最低拟合损失值的原型图像最为类似。过程600可以从框607进行到框608,其中处理器112可以标识由在框606中相对于新的3D图像具有最低拟合损失的原型图像表示的尺寸或形状组。处理器112可以将新的3D图像分配到所标识的尺寸或形状组。在一实例中,新的3D图像可以是个体的3D图像并且新的3D图像可以包括如乳房等身体部位。处理器112可以执行过程600以标识个体的文胸的合适尺寸,并且可以向个体的用户装置传输指示所标识的尺寸的推荐。所述推荐可以显示在用户装置上。用户装置可以是传输新的3D图像的相同装置。在本公开的一些方面,用户可以登录装置以获得所述推荐。在本公开的其它方面,并非将所述推荐传输到用户装置(或除此之外),所述装置可以将所述推荐传输到服装的商店或设计者。
响应于新的3D图像被分配到所标识的尺寸或形状组,可以做出决定以确定是否可以更新原型。这可以进行以使得所述组持续更新以保持最佳原型图像。这可以针对分配到尺寸或形状组的每个新的3D图像进行。在本公开的其它方面,处理器112可以定期确定是否可以更新原型。例如,周期可以是每周一次、每月一次、每两周一次、一季一次等。在本公开的其它方面,可以在预设数量的3D图像被分配到尺寸或形状组之后进行所述确定。例如,预设数量可以是5个、10个、15个图像等。
图6B描绘了根据本公开的各方面的用于确定是否更新原型的过程650。处理器112考虑到所述组的新成员而更新所述组的AFL。例如,在框651处,所述处理器从存储器114检索针对当前原型确定的所述尺寸或形状组的当前AFL。所述处理器将针对3D图像对,例如新接收到的3D图像和当前原型确定的拟合损失值与所检索的当前AFL相加。这是所述组关于(WRT)当前原型的新AFL。所述新AFL可以存储在存储器114中。所述过程可以移动到框652,其中处理器112确定所述尺寸或形状组的AFL,其中每个新接收到的图像是候选者。针对每个新接收到的图像重复此确定。例如,对于每个图像,将所述图像设置为候选者并且将在所述候选者是所述对的成员的情况下的所有拟合损失值相加。如上描述了AFL的确定。
所述过程可以从框652移动到框653,其中处理器112将框651中确定的AFL与框652中确定的AFL进行比较。当关于当前原型的AFL小于或等于关于候选原型(每一个)的AFL时,则处理器112确定应该保持当前原型(在653处为是)。这意味着当前原型比任何新接收到的图像更能代表所述尺寸或形状组。另一方面,当新接收到的图像(候选原型)的AFL时,所述处理器确定所述新图像之一应该是所述尺寸或形状组的新原型(在653处为否)。所述过程可以移动到框655。如果仅一个新图像,例如候选原型满足所述确定(在框653处为否),则将此图像分配为所述尺寸或形状组的原型以供后续使用。例如,标记可以与此图像相关联。在本公开的其它方面,另一类型的指示可以存储在存储器114中以标识原型图像。然而,当多于一个图像(例如候选原型图像)具有更低的AFL时,所述处理器首先确定哪个候选图像具有最低AFL并且将对应的图像分配为所述组的新原型图像。以上过程随后在实例中称为完整AFL方法。
在本公开的其它方面,可以确定尺寸确定方案而无需如上所述的聚类技术。例如,根据此方面,可以测量图像的特征中的一个或多个特征。例如,在目标身体图像可以是乳房的情况下,可以在所关注的第一区域中测量下胸周长。此测量可以在如上所述的移位之前进行。3D图像最初可以基于此测量分组成尺寸或形状组。在其它方面,所述测量可以基于胸周长与下胸周长的测量结果之间的差异(DeltaB:ΔB)。测量可以不限于这些特征。例如,在尺寸确定用于衬衫的情况下,测量可以是腰周长或上部躯干的长度。在本公开的一方面,分组可以是基于尺寸或形状组的预设定义来进行的。预设定义可以是从服装制造商或商店接收的。在本公开的其它方面,尺寸或形状组可以被定义成在预设最小尺寸参数和预设最大尺寸参数内均匀间隔开。最小和最大尺寸参数可以是从制造商或商店接收的。尺寸或形状组之间的间隔,例如间距可以基于组数。较少的组将在尺寸或形状组之间具有较高的间距。组数可以基于从制造商或商店接收到的信息。
一旦基于一个或多个测量结果将图像分类成组,就以如上所述的方式确定每个组内的原型。例如,可以如上所述预处理组内的每个图像,标识数据点并且在组内的所有可能的图像对之间确定拟合损失值。在图像对的每个组合关于所关注的区域的拟合损失值之后,处理器112针对所述尺寸或形状组以如上所述的方式确定AFL,其中每个图像是候选图像。可以选择原型图像,其中所述原型图像在所有候选原型图像中具有最低AFL。可以针对每个尺寸或形状组执行此选择过程。此过程在本文中称为部分AFL方法。
图7A是展示了根据本公开的各方面的用于在具有约束条件的情况下开发尺寸确定系统的过程700的图。所述过程在所述实例中称为混合AFL方法。在一实例中,处理器112可以被配置成开发受尺寸约束条件影响的尺寸确定系统。尺寸约束条件可以基于目标身体部位或服装。例如,处理器112可以开发具有固定的一组下胸围尺寸和每个下胸围尺寸下的一个或多个子组的文胸尺寸确定系统,所述一个或多个子组用于表示每个下胸围尺寸下乳房的不同形状。下胸围尺寸可以由制造商或商店预定义。过程700可以从框701开始,其中处理器112可以从装置101接收多个3D图像,如N个3D图像。图像的接收可以类似于上文所描述的那样。过程700可以从框701进行到框702,其中处理器112可以对所接收到的3D图像执行图像预处理步骤。例如,处理器112可以根据以上图1C-2D的描述预处理N个3D图像中的每个3D图像。在本公开的其它方面,可以直接从3D图像测量下胸围尺寸而无需上述预处理的所有特征。例如,下胸围尺寸的测量可以在标识所关注的第二区域之前进行。另外,下胸围尺寸的测量可以在移位之前。
过程700可以从框702进行到框703,其中处理器112可以将某一下胸围尺寸分配给N个3D图像中的每个3D图像。在一实例中,为了以下更详细地描述,处理器112可以确定子组的总数的最佳数量或尺寸组的总数量m,其中m个尺寸组中的每一个尺寸组可以用下胸围尺寸和形状组进行分类。例如,如果有j个下胸围尺寸并且在每个下胸围尺寸内有x个形状组,则有k=jx个总尺寸组。在另一个实例中,如果j个下胸围尺寸组具有不同形状组,则k=x1+x2+…。处理器112可以将N个3D图像分布在j个下胸围尺寸组中,然后进行到框704以对N个3D图像中的每个3D图像执行数据点确定。例如,处理器112可以根据以上图3A-3C的描述标识N个3D图像中的每个3D图像的数据点。处理器112可以使用以上所述的相同序列(例如,从i=1到i=P)标识N个3D图像中的每个3D图像的数据点。
过程700可以从框704进行到框705,其中所述处理器可以确定框704中每个所标识的数据点与3D参考点之间的距离。过程700可以从框705进行到框706,其中对于每个下胸围尺寸组,处理器112可以比较所述下胸围尺寸组中每个可能的3D图像对的所确定的距离以确定分配到所述下胸围尺寸组的3D图像对的拟合损失值。例如,将分配到下胸围尺寸组j=1的图像A可以与分配到下胸围尺寸组j=1的每个其它3D图像进行比较,但是将不会与分配到下胸围尺寸组j=2的3D图像进行比较。处理器112可以针对对于每个下胸围尺寸组确定分配到同一下胸围尺寸组的每个可能的3D图像对的拟合损失值。过程700可以从框706进行到框707,其中处理器112可以使用在框706处确定的拟合损失值生成每个下胸围尺寸组的相异度矩阵。每个下胸围尺寸组的相异度矩阵可以指示所述下胸围尺寸组中的图像中的每个可能的图像对之间的差异。700可以从框707进行到框708,其中对于每个下胸围尺寸组,处理器112可以基于所述下胸围尺寸组的相异度矩阵将所述下胸围尺寸组中的图像聚类成子组。所述聚类可以根据图5A-5B的描述由处理器112执行(包括确定下胸围尺寸组内每个子组的原型),然而,可以针对所有下胸围尺寸组确定最佳聚类算法,使得同一聚类算法可以用于同一组。图7B中示出了确定最佳聚类算法的方法。在本公开的其它方面,可以针对每个组重复上述确定来确定每个下胸围尺寸组的最佳聚类算法。在这方面,不同的最佳聚类算法可以用于不同的下胸围尺寸组。
基于在框708处的聚类,处理器112可以定义受约束条件影响的尺寸确定系统,如具有传统下胸围尺寸的文胸尺寸确定系统。受保持使用传统下胸围尺寸的约束条件的影响的基于3D图像上的表面点的标识的文胸尺寸确定系统可以允许制造商利用本文所述的尺寸确定系统而不用对现有技术进行大幅修改。
在其它方面,在服装是衬衫的情况下,颈围或臂长可以替代下胸围尺寸组。
在本公开的一些方面,下胸围尺寸内的形状尺寸的数量可以以如上所述,如图5B所描述的方式进行确定。可以针对每个下胸围尺寸进行所述确定。在确定下胸围尺寸组内的形状尺寸的数量之后,在一些方面,所述处理器可以确定所有下胸围尺寸中形状尺寸的总数。如果所述总数较大,则可以将此数量减少。在本公开的一方面,可以减少到预设最大数量。这是因为在实践中制造商或商店可能不想要太多的尺寸组。在本公开的其它方面,所述处理器反而可以查看每个下胸围尺寸内的组数。预设最大值可以是从制造商或商店接收的。
图7B是展示了根据本公开的各方面的用于确定最佳聚类算法的过程的图。过程730从框731开始,其中设置一种或多种聚类算法之一以用于进行处理。针对一种或多种聚类算法中的所有聚类算法执行框732到框740。在框732处,处理器112初始化值k,所述值k为所有下胸围尺寸组内的总尺寸组数。k的初始值是下胸围尺寸(下胸围尺寸组)的数量。这是因为对于初始确定,每个下胸围尺寸组被分配一个形状组。在框733处,处理器112将3D图像聚类成k个子组,例如每个下胸围尺寸中一个形状组。在框734处,处理器734可以针对将N个3D图像分布到总共k个子组中来确定总体AFL值。通过将下胸围尺寸中的组的AFL与来自其它下胸围尺寸的所有其它AFL相加来确定总体AFL。例如,如果有五个下胸围尺寸组,并且下胸围尺寸组1的AFL是A,下胸围尺寸组2的AFL是B,下胸围尺寸组3的AFL是C,下胸围尺寸组4的AFL是D并且下胸围尺寸组5的AFL是E,则总体AFL是A+B+C+D+E。可以存储总体AFL(例如,在存储器114中)。
在框735处,处理器112可以确定k是否达到N,其中N是3D图像的数量。在k为N的情况下,每个3D图像是其自身的子组(形状组)。如果在框735处,处理器112确定k小于N(是),则在框736处,处理器112使k的值以1递增。在框736处,处理器112可以随机地选择与下胸围尺寸组相关联的值之一来使其以1递增,如设置j=j+1,其中j是下胸围尺寸(开始的一个下胸围尺寸)的子组(形状组)的数量。在其它方面,处理器112可以基于不同选择方案(例如,轮询)选择所述值之一以使其以1递增。在一实例中,处理器112可以迭代地使一个值递增,如通过首先使j1递增到j+1,其中j1是下胸围尺寸1中子组(形状组)的数量,并且然后将递增返回到j并且使j2从j递增到j+1等。例如,对于第二遍并且在下胸围尺寸组的数量为5的情况下,下胸围尺寸组中的一个下胸围尺寸组将具有两个形状组,而其它下胸围尺寸组只有一个形状组。对于此分组,以如上所述类似的方式确定总体AFL。下胸围尺寸组之一的AFL将通过对两个形状组的AFL求和来确定(当k为6时)。重复所述过程,直到每个下胸围尺寸组具有另外的形状组(其它下胸围尺寸组不具有另外的形状组)。因此,当有五个下胸围组时,可以重复所述过程五次,从而产生五个总体AFL。这还假定了下胸围尺寸组中图像的数量大于框736中所分配的形状组。当下胸围尺寸组中图像的数量等于所分配的形状组的数量(并且每个3D图像是其自身形状组)时,可能不会有其它(子组)形状组分配到所述下胸围尺寸组。
过程730可以从框737进行到框738,其中处理器112可以从k的总体AFL值(每个下胸围尺寸一个)中标识最低总体AFL。最低总体AFL指示总体AFL与针对少一个子组(形状组)的k-1确定的总体AFL下降更大。
过程730可以从框738进行到框739,其中处理器112将与所确定的最低总体AFL相关联的下胸围尺寸组存储在存储器114中。处理器112还可以将框738中标识的最低AFL值与k的当前值相关联,并且将与当前k相关联的最低总体AFL存储在存储器114中。此信息可以存储在表中。最低总体AFL和k可以用于确定最佳算法。
每个下胸围尺寸组中形状组的所分配数量可能不会回复,例如,所述另外的形状组保持在对于当前k具有最低总体AFL的下胸围尺寸中。过程730可以返回到框735以标识k的每个值的最低AFL,直到达到N(在框735处为否)。重复框736到框739。每个k的迭代次数,例如,分配到不同下胸围尺寸的数量可以随着k数量的增加而减少,因为k可以大于分配到下胸围尺寸的3D图像的数量。
一旦对于聚类算法,k等于N(3D图像的总数),则在框740处,处理器112确定是否存在尚未处理的另一种聚类算法。当存在尚未处理的另一种聚类算法时,过程730返回到框731并且设置另一种聚类算法。当所有聚类算法都已经被处理时,过程730移动到框742。在框742处,所述处理器确定一种或多种算法中的哪一种算法是最佳算法。在本公开的一方面,处理器112可以针对每种聚类算法基于与k相关联的最低总体AFL之间的关系标识聚类算法的最佳值。处理器112可以在示出最低总体AFL与k之间关系的图上生成一个或多个曲线,其中k可以位于x轴上并且最低总体AFL可以位于y轴上。使用此图表,处理器112可以自动确定最佳聚类算法。在其它方面,查看图表的人可以基于某一标准来确定最佳聚类算法。例如,所述标准可以是在k的大多数值上在所有聚类算法中的最低总体AFL,其中k值为从最小值(例如下胸围组的数量)到3D图像的总数N。
图7C是展示了根据本公开的各方面的用于当子组的总数大于预设最大值时,确定不同下胸围尺寸组内子组(形状组)的最佳分布的过程的图。用于确定子组(形状组)的最佳分布的多个框中的许多框类似于用于确定最佳聚类算法的框。例如,框751到753类似于框732到734。在框752处,处理器112还可以将每个下胸围尺寸组中子组(形状组)的数量存储在存储器114中。在这种情况下,每个下胸围尺寸组具有一个子组(形状组)。这些值可以如以下所阐述的那样递增。在框754处,处理器112可以确定k的当前值是否小于预设最大值,而不是确定k(当前值)是否小于N。框755到757类似于框736到738。在框757后,过程750移动到框758。在框758处,处理器112将产生框757中的确定的每个下胸围尺寸组中的子组的数量记录在存储器112中。例如,在有五个下胸围尺寸组并且确定组1中的另外的子组(形状组)满足框757的情况下,所述处理器将1与和下胸围尺寸组相关联的子组相加并且将其存储在存储器114中。子组(形状组)的数量对于其它子组保持相同。每当确定K小于预设最大值时重复框755到758。每次重复,只要下胸围尺寸组中3D图像的数量大于下胸围尺寸组中子组的数量(当相等时,每个3D图像是其自身子组(形状组)),处理器112就记录一个下胸围尺寸组的子组的数量的增加(框758处)。当在框754处,处理器112确定当前k等于最大值时,在框759处完成子组(形状组)的分布,并且在框758处记录(递增)的值表示下胸围尺寸组中子组(形状组)的分布。
图7D是展示了根据本公开的各方面的用于将新的图像分配到尺寸确定的过程780的图。过程780可以从框781开始,其中处理器112可以从扫描仪接收新的3D图像。3D图像可以是同一身体部位的不在由处理器112先前接收到的多个图像103中的3D图像。过程780可以从框781进行到框782,其中处理器112可以对新的3D图像执行图像预处理步骤。例如,处理器112可以根据以上图1C-2D的描述预处理新的3D图像。过程780可以从框782进行到框783,其中处理器112获得新的3D图像中所示的身体部位(例如,乳房)的下胸围尺寸。在一些实例中,处理器112可以通过在框782中分析从新的3D图像标识的所关注的第一区域来确定下胸围尺寸。在一些方面,所述处理器可以在标识所关注的第一区域之前从所接收到的3D确定下胸围尺寸。在一些实例中,处理器112可以从用户输入(例如,从具有新的3D图像中的身体部位的用户)获得下胸围尺寸。新的图像被分配到与测量的或接收到的值相对应的下胸围尺寸。处理器112将3D图像分配到所述下胸围尺寸,其中所述下胸围尺寸最接近于测量的或接收到的值。在本公开的一方面,当测量的或接收到的值相对于多个下胸围尺寸等距时,处理器112可以将3D图像分配到多个下胸围尺寸。
过程780可以从框783进行到框784,其中处理器112可以标识新的3D图像的所关注的第二区域中的多个数据点(例如,P个数据点)。例如,处理器112可以根据以上图3A-3C的描述标识新的3D图像中的数据点,使得处理器112以如上所述的相同序列(例如,从i=1到i=P)标识新的3D图像的数据点。
过程780可以从框784进行到框785,其中处理器112可以确定新的3D图像中的所标识的数据点与新的3D图像中的3D参考点之间的距离(例如,使用等式1)。过程780可以从框785进行到框786,其中处理器112可以从存储器(例如114)中检索或提取在所获得的下胸围尺寸之下每个尺寸组的原型图像。例如,如果有j个下胸围尺寸组,在每个下胸围尺寸组之下有k个尺寸组,并且所获得的下胸围尺寸是j=2,则处理器112可以从存储器中检索与j=2下胸围尺寸组相关联的k个原型图像。过程780可以从框786进行到框787,其中处理器112可以确定成对的新的3D图像与所检索的原型图像中的每一个原型图像之间的拟合损失值。例如,处理器112可以针对在新的3D图像的所关注的第二区域中标识的数据点和在所获得的下胸围尺寸组的所检索的原型图像中的每一个原型图像中的相同索引i处的数据点使用等式2以确定新的3D图像相对于所获得的下胸围尺寸组的原型图像的拟合损失值。所确定的拟合损失值可以存储在存储器114中。
过程780可以从框787进行到框788,其中处理器112可以比较在框787处确定的拟合损失值。基于所述比较,处理器112可以例如标识在框787处确定的拟合损失值中的最低拟合损失值。最低拟合损失值可以指示新的3D图像与在框787中产生最低拟合损失值的原型图像最为类似。过程780可以从框788进行到框789,其中处理器112可以标识由在框787中相对于新的3D图像具有最低拟合损失的原型图像表示的尺寸组。处理器112可以将新的3D图像分配到所标识的尺寸组和所获得的下胸围尺寸。在一实例中,新的3D图像可以是个体的3D图像并且新的3D图像可以包括如乳房等身体部位。处理器112可以执行过程780以标识具有所获得的下胸围尺寸和所标识的尺寸组的文胸,并且可以向个体的用户装置传输指示所标识的尺寸的推荐。所述推荐可以以如上所述类似的方式分发给个体和/或制造商和/商店。
当将新的图像分配到下胸围尺寸内的具体子组时,处理器112可以以类似于上述过程650的方式(对于相应的子组)确定新的图像是否应该是所述子组的原型。这可以针对具有新图像的每个子组来执行。
测试
测试了本公开的各方面。招募了总共46名女性参与者进行3D身体扫描。参与者都是非肥胖型(BMI低于30)、年龄为18到45岁的白种人(Caucasian)。参与者以标准站姿在其上部身体裸露的情况下被扫描。使用了Human Solutions VITUS/XXL 3D身体扫描仪(技术:激光三角测量;输出格式:ASCII、DXF、OBJ、STL;平均围长误差<1mm)。
以如上所述的方式预处理每个图像,使得定义了如胸或下胸等某些平面。这些平面的定义如本文所描述的那样进行定义(不根据传统定义)以确保整个乳房被包括在内而不是被截断。扫描图上的小孔也预先基于周围曲率而被填充。在(R2018b版本)中处理扫描图,其中去除了四肢、脖颈、头部和下胸平面以下的部分。
还如以上所述的那样处理扫描图,使得其中每个扫描图具有精确的9000个点,所述点以精确的相同顺序布置而不使扫描图失真。具体地,每个扫描图含有按其z坐标布置的50个等距水平切片(或横向平面)。每个切片具有180个点。角增量是1度,这意味着从-180°开始到0°,每度处有一个点。进一步地,如上所述,如果丢失了某个点,则所述点的坐标由NaN(表示了未定义的值)替代以保留所述点的空间,并且更重要的是,保持其它点的序列和索引。
从46个扫描图中随机选择一个乳房扫描图并且将其保留用于之后展示。将剩余45个扫描图进行成对拟合损失计算。生成45乘45的相异度矩阵(在图8A中示出),所述相异度矩阵含有所有扫描图对的根据拟合损失函数计算的值。所述矩阵关于其对角线对称(即,L(d1,d2)=L(d2,d1)),并且在对角线上的值一致地为零,因为扫描图与其自身的拟合损失是零(即,L(d1,d1)=0)。
对之间的拟合损失值越大,对的形状差异性越大。例如,相异度矩阵800可以显示出,图像P1中的身体部位似乎比P3中所示的身体部位更类似于P2中所示的身体部位(P1-P2拟合损失小于P1-P3拟合损失)。
在一实例中,可以将相异度矩阵800聚类成组。在图8B所示的实例中,可以将图像P1、P2、P3、P4聚类成同一形状组802。为了标识原型图像,处理器迭代地将组802中的每个图像分配为候选原型图像,并且确定每个候选原型图像的组内AFL。例如,当将P1分配为候选原型图像时,通过可以通过将列1的行2、行3、行4中的值相加来获得组内AFL,如184.02+378.31+130.28=692.61。作为候选原型的P2、P3和P4的组内AFL分别是622.12、893.17和407.52。处理器可以标识407.52作为最低组内AFL。然后,处理器可以标识P4作为形状组802的原型图像。
图9是展示了可以用于标识最佳形状组数的多个总体AFL值的图。在一实例中,图9中所示的图可以是针对N=45(45个3D图像)执行过程550(图5B)的示例结果。所述图的水平轴表示组数k,并且所述图的竖直轴表示k的每个值的总体AFL。在所述图中,总体AFL曲线在开始时(例如,从k=1到k=4)相对更显著地下降,使得当k=4时曲线的斜率似乎陡峭得多。进一步地,在k=4之后,曲线的下降似乎越来越不显著。因此,当k的值相对较小时,增加组数或k值似乎更有效。在一实例中,在k=4处,总体AFL中的累积降低似乎达到初始AFL值(当k=1时)的大约60%。而且,当k≥13时,累积降低似乎达到初始值的大约80%,并且当k≥24时,累积降低似乎达到大约90%。因此,可以选择k=4作为最佳值,并且由于选择k=4作为最佳组数,处理器可以将图像聚类成4个组。然后,可以开发用于图像的尺寸确定系统,其中尺寸确定系统包括4个不同的尺寸组。
图10是展示了通过应用多种聚类算法获得的多个总体AFL值的图。在一实例中,图10中所示的图可以是针对k的所有值对45个3D图像应用多种聚类算法的示例结果。在图10所示的图中,水平轴是创建的组数(k)并且竖直轴是每个k的总体AFL。组数(k)的范围为1到45,其中k=1是没有进行分类时的情况,并且其是总体AFL最大时的情况;并且k=45是每个对象具有其自己的组时的情况。其还是总体AFL等于零时的情况。
可以通过将乳房分类到合适的组来减少总体AFL。可以通过选择正确的原型乳房形状来最小化组内AFL。为了找到给定组的最佳原型乳房形状,可以将所述组中的多个图像中的每个图像分配为原型形状,并且可以计算对应的AFL,将结果进行比较并且可以标识最低值。为了对乳房形状进行分类,测试了直接使用相异度矩阵作为其分组标准的几种聚类算法。然而,不是所有聚类算法都适用。例如,K均值聚类(K-means clustering)需要变量的原始值。在测试中,考虑了K中心点聚类和分级聚类。可以有许多不同方法来进行分级聚类,如离差平方和方法、完全连锁聚类和质心连锁聚类。在图10所示的图中比较了三种分级聚类方法和K中心点聚类方法。可以选择最终获得最低AFL的算法来执行聚类。在图10所示的图中,在四种聚类方法中,对于大部分k,K中心点聚类产生最低总体AFL。因此,可以选择K中心点聚类来执行本文所公开的聚类(例如,图5A),所述K中心点聚类也称为完整AFL方法。
图11是展示了可以用于将身体部位分配到形状组的表的图。图11中的表基于45个3D图像的聚类结果,其中聚类结果可以视为尺寸确定系统的基础。新的3D图像(例如,第46个图像)可以由所述系统接收,并且新的3D图像可能需要被分配到尺寸确定系统中的某个尺寸形状。进一步地,新的3D图像可以并入以更新尺寸确定系统。在一些实例中,存在可用于将从不同角度针对同一物体拍摄的一系列2D照片转换成3D模型的软件。因此,消费者可以上载其3D扫描图到线上商店,或者走向实体商店中的3D扫描仪以进行扫描并非难以置信。试装模特或服装模特,例如通过聚类和优化获得的原型乳房,是产品开发的基础。通常服装公司将开发其产品以使得完美适合这些试装模特。保持原型可以确保产品在合身方面的一致性。将新的3D图像分配到某一尺寸或形状组可以包括计算新的实例或新的3D图像与多个原型中的每个原型之间的拟合损失;并且将新的实例指定到组,所述组的原型具有如上所述相关联的最低拟合损失值。
因为原型保持不变,所以所有其它实例都不受影响,因此总体AFL中的增加与新的实例与组的原型之间的拟合损失相同。图11的表示出了保留实例(第46个实例)与多个原型中的每个原型的拟合损失,其中与对象c的拟合损失最低。因此,新的实例应该被指定到组3。由于包括此新的实例而引起的总体AFL增加可以低至104.7(在新的实例与原型之间的拟合损失的差异)。这证实了将反向实例指定到组3是明智的选择。组1的对象a(其为组1的原型)具有第二低的拟合损失值(130.3)。
然而,如果相当多的新的实例已经添加到数据库中,则改变原型将是更优的。保留实例也用于展示如何分配新的实例,同时允许所述新的实例自身作为组的新原型。新的实例可能适合或不适合作为新原型,这取决于其带来的组内AFL的量。此方法仍是聚类结果的直接应用,因为分类的原始结构保持不变。再次地,其它组仍不受影响,因此被分配新的实例的一个组的组内AFL中的改变与总体AFL中的改变相同。
当新的实例被分配到某个组并且同时暂时作为所述组的原型时,计算总体AFL的增加。如图中所示,对于大多数实例,AFL的增加非常大,远远大于当新的实例不作为原型时的结果。因此,对于此特定对象,仅使其成为普通的组成员更为合适。然而,对于另一个对象,使其成为特定组的原型将可能使得AFL的增加较小。另外,与图10中组4的对象d相关联的两个值恰好相同(1578.0)。这是因为起初组4只含有一个对象(即,对象d)。无论新的实例是否成为原型,AFL的增加总是两者之间的拟合损失值。这也显示出原始聚类并不被每个组中包括的对象的数量所限制(一个对象仍可以成为一个组)。然而,可以去除仅具有一个或非常少数量的对象的组以进一步减少总组数,这牺牲了群体的适应率。
此外,可以简化计算。仍然需要新的实例与多个原型中的每个原型之间的拟合损失值,以靶向最低拟合损失值和对应的组。然后不必用新的实例替代除了目标组以外的任何组的原型。
此外,在其中新对象的乳房形状与多于一个原型具有相同拟合损失量的稀有实例情形下,可以将所述对象的扫描图分类到对应的组中的任一组中,并且所述对象自身可以试穿所有对应的尺寸并且基于其主观偏好做出判断。
所述测试还使用传统的测量结果对45个扫描图进行分类。这形成了与完整AFL方法(和所公开的其它方法)进行比较的基础。分别测量扫描图的胸和下胸平面上的胸周长和下胸周长。通常用于确定罩杯尺寸的胸周长与下胸周长之间的差异在本文中被称为ΔB。针对数据内下胸周长的全范围创建均匀间隔开的间隔,并且间隔的数量也是k(1≤k≤45)。
图12分别示出了k=2、4、5和6时的四个实例,其假定下胸周长的全范围为28到40英寸(假定使用整数值而非实际值以获得更好的易读性)。另外,将(间隔的)组的原型形状设置为下胸周长最接近于中间间隔值的形状(如图12所示)。对于ΔB参数执行同一过程。分类的此方法在本文中称为传统方法。
测试了部分AFL方法,其中基于所测量的下胸周长或ΔB来创建组,但是根据本公开的各方面,例如与最低组内聚合拟合损失相关联的组的成员来选择原型。
图13-14展示了传统方法、部分AFL方法和完整AFL方法之间关于聚合拟合损失的比较。图13示出了基于下胸周长的分类,而图14示出了基于ΔB的分类。将传统方法中组的原型设置为下胸周长最接近于中间间隔值的成员(图12)并且关于ΔB同样地进行设置(图14)。以如上所述的方式计算拟合损失。同样地对于部分AFL和完整AFL,以如上所述的方式计算每个k的AFL,其中k从1到45变化。完整AFL方法使用K中心点聚类来聚类成组。
传统方法、部分AFL方法和使用K中心点聚类的完整AFL方法分别由黑色曲线、蓝色曲线和红色曲线表示。
在两种情况下(由下胸周长或ΔB分类),与黑色曲线相比,可以在蓝色曲线中观察到总体聚合拟合损失的显著减少。这证实了根据本公开的各方面优化原型的改善。可以在红色曲线中观察到明显得多的减少。这证实了根据本公开的各方面聚类和优化原型的改善。
本文所描述的方法和系统可以应用于不受如乳房尺寸和形状等先决条件所约束的图像群体,并且还可以在具有如下胸围尺寸等约束条件的情况下应用于所述群体。在此测试部分中,将下胸围尺寸作为约束条件引入分类中被称为混合AFL方法。45个对象首先基于其下胸测量结果分类成下胸围尺寸组,然后在每个尺寸组内进行AFL的优化。涉及总共五个下胸围尺寸,即尺寸28、尺寸30、尺寸32、尺寸34和尺寸大于34(参见图15A中的表)。下胸测量比胸测量更合适,因为胸腔的尺寸不那么多地受如激素水平等因素的影响。对于每个下胸围尺寸,进行优化分组(使用K中心点聚类和找到最佳原型的算法)j次,其中j是所述下胸围尺寸组中的对象的总数(例如,对于尺寸32,j=12)。子组的总数由k表示并且满足以下等式(等式3):
k=j1+j2+j3+j4+j5 (等式3)
其中j1到j5分别对应于尺寸28、30、32、34和大于34的子组的数量。ji≥1(i=1到5)以维持下胸围尺寸的结构(换句话说,考虑了所有下胸围尺寸)。在此实例中,k为至少5并且至多45(当每个对象形成子组时)。当k落入6与44之间时,可以执行另外的计算以将k分布到五个j中。
为了将k分布到五个j中,按1计量的j中的任何一个j可以以1增加,这还意味着使k以1增加。这将使得总体AFL减少。通常存在一个特定的j,其对应于五个j中总体AFL的最大减少。因此,本文所描述的方法和系统可以运行程序或指令集(例如,指令113)以获得下胸围尺寸组,当j如上所述以1增加时,所述下胸围尺寸组的j对应于总体AFL的最大减少。所述过程可以被设置成从k=5开始(当所有j等于1时),每次添加一个子组,同时记录AFL值,并且最终在k=45(当所有j达到其最大值时)时终止。图15B中的表示出了结果的一部分。所述表示出了从k=5增加到k=6并且然后以5为增量增加直到45。
图16A示出了当在基于下胸周长的传统分类中应用时混合AFL方法、完整AFL方法、部分AFL方法和传统方法的示例比较。图16B示出了当在基于ΔB(例如,胸与下胸之间的差异)的传统分类中应用时混合AFL方法、完整AFL方法、部分AFL方法和传统方法的示例比较。以本文中所述的方式生成混合AFL方法的曲线。在图16A和16B中示出的示例比较结果中,绿色曲线示出了混合AFL方法的结果。相对于黑色和蓝色曲线(传统方法和部分AFL方法),AFL的降低仍相当明显。混合AFL方法可以为文胸的尺寸确定系统提供更现实的应用,因为混合方法保持了下胸围尺寸的结构,并且仍可以实现尺寸确定的显著改善。可以维持所述聚类结果,并且如前所述添加新的实例。此外,当k=20时(这意味着总体AFL从k=1减少86.8%),平均每个下胸围尺寸仅需要四个罩杯尺寸(4×5=20)。考虑到市场中各种罩杯尺寸(从A罩杯到G罩杯或者更多),四是可接受的数量。
建立或改进尺寸确定系统可能需要相对较大的数据集。在一实例中,系统100可以通过线上平台收集数据,其中向消费者提供了上载其自身身体扫描图的选项(已经存在一些可购得的廉价3D扫描仪,并且也许在不久的将来,每个家庭拥有3D扫描仪将是非常常见的。还可以开发某些移动app并且所述app允许人们使用其电话扫描自己)。另一种方法是在实体商店处设立3D身体扫描仪。然后不仅可以使用计算机程序向消费者推荐尺寸,还可以持续更新数据库以确保不断提供与消费者的良好合身性。在一些实例中,如等软件可以用于处理3D扫描图并且生成相异度矩阵,并且使用R来进行统计分析(聚类分析等)。然而,可以使用可以实现所述功能的任何软件或编程语言。“传统方法”中的术语“传统”的使用并非承认所述方法是已知的,而是用来指代每个组的原型是如何选择的。
向拟合损失函数分配权重
本文所描述的方法和系统可以不考虑对合身的看法,并且主观合身评估的客观性可以因个体的不同而变化很大。然而,不能忽视的是,相较于过小的服装,穿戴者对于过大的服装的感觉可能相当不同(可能对较大的服装比对较小的服装具有更大的容忍度)。因此,根据本公开的方面,处理器112可以相较于较小的形状为大于原型形状的形状设置不同的罚分。这可以通过针对正和负形状差异将不同权重分配给拟合损失函数来进行。另外,身体上的某些区域可能比其它区域更加敏感。这也可以通过基于位于身体上的区域将权重分配给拟合损失函数而被考虑在内(因为扫描平面上的9000个点都以相同方式分类,因此不难以定位区域)。
其它聚类方法
虽然在本文描述的测试中比较了K中心点聚类和基于离差平方和方法、完全连锁和质心连锁的分级聚类,但还可以使用其它聚类方法,只要这些方法使用相异度矩阵来进行分类即可。
在量化形状差异时包括肩膀
虽然本公开聚焦于乳房形状并且对于文胸罩杯设计而言可以提供更多的信息,但如上所述,还可以确定其它身体部位和/或另外的身体部位的尺寸。例如,本公开的各方面可以用于改善套领文胸的设计和尺寸确定。例如,所关注的第二区域可以包括肩膀和身体后部(参见图17中的3D图像1702)。另外,可以增加数据点的数量以考虑另外的区域。例如,数据点的数量可以是18000个点,具有100个水平切片并且每个切片上从-180°到180°(-n到n)每隔一度一个点。(参见图17中的切片1704)。处理器112可以基于18000个点确定相异度矩阵。
这里所描述的方法和系统还可以应用于其它类型的服装产品,如短上衣、t恤、连衣裙、游泳装备等。示出臀部以上的区域的3D图像可以包括36000个点,具有200个水平切片并且每个切片上从-180°到180°(-n到n)每隔一度一个点。(参见图18中的3D图像1802和切片1804)。处理器112可以基于36000个点确定相异度矩阵。在这方面,可以以如上所述的类似方式使扫描图竖直地移位以在腰部水平处对齐(即,腰部平面位于平面z=0处)。
总之,本文所描述的方法和系统可以向消费者推荐现有尺寸确定框架的尺寸。可以根据本公开的各方面选择试装模特或原型以使尺寸推荐方法起作用。仍然将服装产品设计成完美适合试装模特,因此为了确定消费者的最合适的尺寸,计算所述消费者与试装模特之间的拟合损失是仍然有意义的。进一步地,在不修改尺寸确定系统的情况下,可以选择原型形状的人类试装模特或构建服装模特。
通常,服装公司仅在试装模特上进行一个或非常少的几个尺寸的合身测试,然后使用比例分级以获得其它尺寸的样片。这种实践给“其它”尺寸的消费者带来了许多合身问题。进一步地,可以从消费者中选择试装模特,这可能需要建立上载和收集身体扫描图的平台,以能够标识最具有代表性的形状。在标识具有非常代表性的乳房形状(或其它服装应用的一般体型)的消费者并且获得其同意之后,服装公司可以为其建立服装模特或向其发送样品服装并且请求试穿和进行合身测试。即使其并非合身评估的专家,其也可以简单地拍摄自己的照片并且提供舒适度的反馈等。这可以是来回的过程,因为可能有几个版本的样品服装(现在对于服装开发具有多次迭代是非常常见的,并且这是非常费时的步骤,因为通常服装公司需要从其工厂接收样品服装),但是本文描述的方法和系统可以提供节省时间和成本的实际应用。而且,服装公司不需要雇佣并且保留其试装模特。(换句话说,邀请到这一过程的消费者将积极参加,因为其将接收到免费定制合身服装)。
而且,本文描述的方法和系统可以使用或不使用从3D扫描图中提取(沿着扫描图的表面测量)的传统测量结果来执行。本发明方法测量了每个点距原点的距离并且不以传统的方法来提取测量结果。以传统方法执行的测量中的一些测量是沿着表面的曲率进行的,其它测量是基于标志的线性测量:例如,计算两个身体标志之间的距离,或者计算由三个身体标志构建的三角形的面积或角度。
本文所使用的术语仅出于描述特定方面的目的并且不旨在限制本公开。如本文所使用的,除非上下文另外清楚地指明,否则单数形式“一个/种(a/an)”和“所述(the)”旨在也包括复数形式。将进一步理解,术语“包括(comprises)”和/或“包括(comprising)”在本说明书中使用时指定所陈述的特征、整数、步骤、操作、元件和/或组件的存在,但不排除存在或添加一个或多个其它特征、整数、步骤、操作、元件、组件和/或其组。
如本文所使用的,术语“处理器”可以包括单核处理器、多核处理器、位于单个装置上的多个处理器或彼此有线或无线地通信并且分布在装置的网络、因特网或云上的多个处理器。因此,如本文所使用的,由“处理器”执行的或被配置成由“处理器”执行的功能、特征或指令可以包括由单核处理器执行所述功能、特征或指令,可以包括由多核处理器的多个核共同或协作地执行所述功能、特征或指令,或者可以包括由多个处理器共同或协作地执行所述功能、特征或指令,其中每个处理器或核不需要单独执行每个功能、特征或指令。
本文参考根据本发明的实施例的方法、设备(系统)和计算机程序产品的流程图说明和/或框图描述了本公开的各方面。应当理解,流程图和/或框图的每个框以及流程图和/或框图中的框的组合可以通过计算机可读程序指令来实施。
以下的权利要求书中的所有装置或步骤加功能要素的对应结构、材料、操作以及等同物(如果有的话)旨在包括任何用于与明确要求保护的其它声明的要素组合地执行功能的结构、材料或动作。已出于说明和描述的目的呈现本公开的描述,但本公开的描述并非旨在是详尽的或限于所公开形式的发明。在不偏离本公开的范围和精神的情况下,多种修改和改变对本领域普通技术人员而言是显而易见的。选择和描述了各方面以最佳地解释原理和实际应用,并且当适合于所构想的特定用途时,使本领域的其它普通技术人员能够针对具有各种修改的各个实施例理解本发明。
Claims (67)
1.一种用于为身体部位开发尺寸确定方案的方法,所述方法包括:
由处理器接收多个三维3D图像,其中所述多个3D图像包括不同个体的身体的身体部位;
对于所述多个3D图像中的每个3D图像:
标识所述3D图像中的所关注的第一区域;
由所述处理器使所述所关注的第一区域移位以将所述所关注的第一区域的中心轴线与3D参考点对齐,所述中心轴线与个体的身体的纵轴平行;
由所述处理器使所述所关注的第一区域在竖直方向上移位以将所述所关注的第一区域中的标志特征与所述3D参考点对齐,所述竖直方向与所述身体的纵轴平行;
标识所述所关注的第一区域中的所关注的第二区域;
由所述处理器标识所述所关注的第二区域的表面上的多个数据点;
由所述处理器确定所述多个数据点与所述3D参考点之间的多个距离;
由所述处理器将所述多个距离与针对其它3D图像中的每一个3D图像中的相同数据点在所述相同数据点处确定的距离进行比较,使得将所述3D图像与所述多个3D图像中的每个其它3D图像成对地进行比较;
由所述处理器确定所述多个3D图像中3D图像对的每种可能组合关于所述所关注的第二区域的拟合损失值,其中每个拟合损失值指示对应的3D图像对之间关于所述所关注的第二区域的差异,并且每个3D图像对的所述拟合损失值的所述确定是基于所述3D图像对之间关于所述所关注的第二区域的距离比较的结果来进行的;
由所述处理器使用针对每个3D图像对确定的所述拟合损失值生成相异度矩阵;以及
由所述处理器基于所述相异度矩阵将所述多个3D图像聚类成多个组,其中每个组对应于所述身体部位的尺寸。
2.根据权利要求1所述的方法,其中所述身体部位是一对乳房。
3.根据权利要求1所述的方法,其进一步包括响应于标识所述所关注的第一区域,所述所关注的第一区域包括整个躯干:
确定所述所关注的第一区域中的图像点在第一方向上的第一平均值,所述第一方向与所述身体的所述纵轴正交;
确定所述所关注的第一区域中的图像点在第二方向上的第二平均值,所述第二方向与所述第一方向正交并且与所述身体的所述纵轴正交;并且
将所述所关注的第一区域的所述中心轴线定义为与所述第一平均值和所述第二平均值相交,其中所述中心轴线与所述第一方向和所述第二方向正交。
4.根据权利要求1所述的方法,其中使所述所关注的第一区域在所述竖直方向上移位包括使所述所关注的第一区域移位,直到与所述中心轴线正交的平面在所述3D参考点处与所述中心轴线相交,其中所述平面与所述标志特征相交。
5.根据权利要求4所述的方法,其中所述标志特征是通过在所述竖直方向上定义一对乳头之间的中点来确定的,并且其中所述平面与所述中点相交。
6.根据权利要求1所述的方法,其中标识所述所关注的第二区域包括去除位于与所述身体的冠状平面平行并且与所述3D参考点相交的平面的第一侧的图像点,并且所述身体部位位于与所述冠状平面平行的所述平面的与所述第一侧相对的第二侧。
7.根据权利要求6所述的方法,其中标识所述所关注的第二区域包括:
将所述所关注的第一区域旋转到形成摩尔纹的角度;
基于所形成的摩尔纹标识所述所关注的第二区域的上界;以及
标识所述所关注的第一区域中的突出区域的最接近的起皱处以标识所述所关注的第二区域的下界。
8.根据权利要求1所述的方法,其中在每个3D图像的所述所关注的第二区域的所述表面上标识的所述多个数据点的数量是固定数。
9.根据权利要求1所述的方法,其中所述多个数据点是基于预定义的序列来标识的。
10.根据权利要求1所述的方法,其中标识所述多个数据点包括:
由所述处理器将所述所关注的第二区域分割成与所述中心轴线正交的多个均匀分布的切片;
由所述处理器基于固定角度间隔将每个切片分割成多个部分,其中每个部分对应于一个角度值,并且每个部分包括一组点;
对于每个切片上的每个部分:
由所述处理器确定所述一组点相对于所述3D参考点的距离中的平均距离;并且
由所述处理器将与所述平均距离相关联的点设置为由与所述部分相对应的所述角度值表示的数据点,其中所述数据点是所标识的所述多个数据点之一。
11.根据权利要求10所述的方法,其进一步包括:
确定在所述切片的特定部分中缺失图像点,其中缺失的图像点是在所述所关注的第一区域的所述标识期间从所述3D图像中去除的;以及
将一组未定义的值分配给所述特定部分中的所述缺失的图像点作为数据点。
12.根据权利要求10所述的方法,其中确定所述拟合损失值是基于来自每个3D图像对的位于同一切片上并且与相同角度值相关联的数据点之间的差异来进行的。
13.根据权利要求1所述的方法,其中确定所述拟合损失值包括使用量化3D图像对之间关于所述所关注的第二区域的形状差异的相异度函数。
15.根据权利要求1所述的方法,其中在所述多个图像中有N个3D图像并且其中对所述3D图像进行聚类包括:
由所述处理器对所述相异度矩阵应用一种或多种聚类算法,其中所述一种或多种聚类算法中的每种聚类算法的应用使得将所述多个3D图像分组成k个3D图像聚类组,其中k在1到N的范围内,并且:
在k=1个聚类组中,在所述一个组中有N个3D图像;并且
在k=N个聚类组中,在每个组中有一个3D图像;以及
针对所述一种或多种聚类算法中的每种聚类算法,确定每个k的总体聚合拟合损失,其中k在1到N的范围内,并且其中k的所述总体聚合拟合损失是通过将所述k中每个组的聚合拟合损失相加来确定的,所述聚合拟合损失是在已经为所述k中每个组选择原型之后针对所述k中每个组来确定的;并且
其中所述处理器标识所述一种或多种聚类算法中的特定聚类算法,所述特定聚类算法使得对于从k=1到k=N中的最多个k,所述特定聚类算法的总体聚合拟合损失是所有聚类算法的总体聚合拟合损失中最低的总体聚合拟合损失。
16.根据权利要求15所述的方法,其进一步包括:
标识表示在1到N个3D图像聚类组中跨所述1到N个聚类组中的相应聚类组的聚合拟合损失值满足某一标准的聚类组的数量的值m;以及
将所标识的值m设置为用于所述身体部位的所述尺寸的组数。
17.根据权利要求1所述的方法,其进一步包括:
对于3D图像组中的每个3D图像:
将所述3D图像指定为所述组的候选原型图像;并且
将所述组中包括所述候选原型图像的每个不同3D图像对关于所述所关注的第二区域的拟合损失值聚合,其中不同对不具有相同的两个3D图像;
标识在与每个候选原型相关联的聚合拟合损失值中具有最低聚合拟合损失值的一个候选原型图像;以及
将所标识的候选原型图像分配为所述组的原型图像。
18.根据权利要求1所述的方法,其中所述多个3D图像是从一个或多个3D扫描仪接收的。
19.根据权利要求18所述的方法,其中所述一个或多个3D扫描仪是以下各项中的一个或多个:移动电话、销售点终端、3D人体扫描仪、手持式3D扫描仪和固定式3D扫描仪。
20.一种用于将身体部位分配到用于所述身体部位的尺寸确定方案中的某一尺寸的方法,所述方法包括:
由处理器接收包括个体的身体的所述身体部位的三维3D图像;
标识所述3D图像中的所关注的第一区域;
由所述处理器使所述所关注的第一区域移位以将所述所关注的第一区域的中心轴线与3D参考点对齐,所述中心轴线与个体的身体的纵轴平行;
由所述处理器使所述所关注的第一区域在竖直方向上移位以将所述所关注的第一区域中的标志特征与所述3D参考点对齐,所述竖直方向与所述身体的纵轴平行;
标识所述所关注的第一区域中的所关注的第二区域;
由所述处理器标识所述所关注的第二区域的表面上的多个数据点;
由所述处理器确定所述多个数据点与所述3D参考点之间的多个距离;
由所述处理器从存储器中提取多个原型图像,其中所述多个原型图像分别表示多个尺寸组;
由所述处理器关于所述所关注的第二区域将针对所接收到的3D图像确定的所述多个距离与针对所述原型图像中的每一个原型图像中的相同数据点确定的距离进行比较,使得关于所述所关注的第二区域将所接收到的3D图像与所述多个原型图像中的每个原型图像成对地进行比较;
由所述处理器基于所述比较确定所接收到的3D图像与所提取的原型图像中的每一个原型图像之间关于所述所关注的第二区域的拟合损失值;
由所述处理器标识所确定的拟合损失值中的最低拟合损失值;以及
将所接收到的3D图像分配到由与所述最低拟合损失值相对应的所述原型图像表示的尺寸组。
21.根据权利要求20所述的方法,其中所述身体部位是一对乳房。
22.根据权利要求20所述的方法,其进一步包括响应于标识所述所关注的第一区域,所述所关注的第一区域包括整个躯干:
确定所述所关注的第一区域中的图像点在第一方向上的第一平均值,所述第一方向与所述身体的纵轴正交;
确定所述所关注的第一区域中的图像点在第二方向上的第二平均值,所述第二方向与所述第一方向正交并且与所述身体的纵轴正交;并且
将所述所关注的第一区域的所述中心轴线定义为与所述第一平均值和所述第二平均值相交,其中所述中心轴线与所述第一方向和所述第二方向正交。
23.根据权利要求20所述的方法,其中使所述所关注的第一区域在所述竖直方向上移位包括使所述所关注的第一区域移位,直到与所述中心轴线正交的平面在所述3D参考点处与所述中心轴线相交,其中所述平面与所述标志特征相交。
24.根据权利要求23所述的方法,其中所述标志特征是通过在所述竖直方向上定义一对乳头之间的中点来确定的,并且其中所述平面与所述中点相交。
25.根据权利要求20所述的方法,其中标识所述所关注的第二区域包括去除位于与所述身体的冠状平面平行并且与所述3D参考点相交的平面的第一侧的图像点,并且所述身体部位位于与所述冠状平面平行的所述平面的与所述第一侧相对的第二侧。
26.根据权利要求20所述的方法,其中标识所述所关注的第二区域包括:
将所述所关注的第一区域旋转到形成摩尔纹的角度;
基于所形成的摩尔纹标识所述所关注的第二区域的上界;以及
标识所述所关注的第一区域中的突出区域的最接近的起皱处以标识所述所关注的第二区域的下界。
27.根据权利要求20所述的方法,其中所述多个尺寸组基于相异度矩阵,所述相异度矩阵是使用与多个3D图像中3D图像对的每种可能组合相对应的多个拟合损失值来生成的,其中所述多个3D图像包括不同个体的所述身体部位。
28.根据权利要求27所述的方法,其中所述多个拟合损失值是基于量化3D图像对之间关于所述所关注的第二区域的形状差异的相异度函数来确定的。
29.根据权利要求20所述的方法,其中所述3D图像是从一个或多个3D扫描仪接收的。
30.根据权利要求29所述的方法,其中所述一个或多个3D扫描仪是以下各项中的一个或多个:移动电话、销售点终端、3D人体扫描仪、手持式3D扫描仪和固定式3D扫描仪。
31.根据权利要求20所述的方法,其进一步包括:
将所接收到的3D图像指定为所分配的尺寸组的候选原型图像;
基于所接收到的3D图像被指定为所述候选原型图像来确定所分配的尺寸组的聚合拟合损失值;
将所确定的聚合拟合损失值与所分配的尺寸组的原始聚合拟合损失值加上所接收到的3D图像与所述原型图像之间的拟合损失值进行比较;
响应于所确定的聚合拟合损失值小于所述原始聚合拟合损失值加上所接收到的3D图像与所述原型图像之间的所述拟合损失值而将所接收到的3D图像分配为所述尺寸组中的新原型图像;以及
响应于所确定的聚合拟合损失值大于或等于所述原始聚合拟合损失值加上所接收到的3D图像与所述原型图像之间的所述拟合损失值而保持所述原型图像作为所述尺寸组的原型图像。
32.一种用于将身体部位分配到用于所述身体部位的尺寸确定方案中的某一尺寸的方法,所述方法包括:
由处理器接收包括个体的身体的身体部位的三维3D图像;
标识所述3D图像中的所关注的第一区域;
由所述处理器使所述所关注的第一区域移位以将所述所关注的第一区域的中心轴线与3D参考点对齐,所述中心轴线与个体的身体的纵轴平行;
由所述处理器使所述所关注的第一区域在竖直方向上移位以将所述所关注的第一区域中的标志特征与所述3D参考点对齐,所述竖直方向与所述身体的纵轴平行;
由所述处理器基于所述所关注的第一区域中所述身体部位的下界的周长的尺寸参数来确定下胸围尺寸,其中所述下胸围尺寸在多个下胸围尺寸中;
由所述处理器从存储器中提取多个原型图像,其中所述多个原型图像表示与所确定的下胸围尺寸相对应的多个形状组;
标识所述所关注的第一区域中的所关注的第二区域;
由所述处理器标识所述所关注的第二区域的表面上的多个数据点;
由所述处理器确定所述多个数据点与所述3D参考点之间的多个距离;
由所述处理器关于所述所关注的第二区域将针对所接收到的3D图像确定的所述多个距离与针对表示与所确定的下胸围尺寸相对应的所述多个形状组的所提取的原型图像中的每一个原型图像中的相同数据点确定的距离进行比较,使得关于所述所关注的第二区域将所接收到的3D图像与所述多个原型图像中的每个所提取的原型图像成对地进行比较;
由所述处理器基于所述比较确定所接收到的3D图像与所提取的原型图像中的每一个原型图像之间关于所述所关注的第二区域的拟合损失值;
由所述处理器标识所确定的拟合损失值中的最低拟合损失值;以及
将所接收到的3D图像分配到由与所述最低拟合损失值相对应的所述原型图像表示的所述形状组,其中推荐的尺寸组包括所确定的下胸围尺寸和所述形状组。
33.根据权利要求32所述的方法,其中所述身体部位是一对乳房。
34.根据权利要求32所述的方法,其进一步包括响应于标识所述所关注的第一区域,所述所关注的第一区域包括整个躯干:
确定所述所关注的第一区域中的图像点在第一方向上的第一平均值,所述第一方向与所述身体的纵轴正交;
确定所述所关注的第一区域中的图像点在第二方向上的第二平均值,所述第二方向与所述第一方向正交并且与所述身体的纵轴正交;并且
将所述所关注的第一区域的所述中心轴线定义为与所述第一平均值和所述第二平均值相交,其中所述中心轴线与所述第一方向和所述第二方向正交。
35.根据权利要求32所述的方法,其中使所述所关注的第一区域在所述竖直方向上移位包括使所述所关注的第一区域移位,直到与所述中心轴线正交的平面在所述3D参考点处与所述中心轴线相交,其中所述平面与所述标志特征相交。
36.根据权利要求32所述的方法,其中所述标志特征是通过在所述竖直方向上定义一对乳头之间的中点来确定的,并且其中所述平面与所述中点相交。
37.根据权利要求32所述的方法,其中标识所述所关注的第二区域包括去除位于与所述身体的冠状平面平行并且与所述3D参考点相交的平面的第一侧的图像点,并且所述身体部位位于与所述冠状平面平行的所述平面的与所述第一侧相对的第二侧。
38.根据权利要求32所述的方法,其中标识所述所关注的第二区域包括:
将所述所关注的第一区域旋转到形成摩尔纹的角度;
基于所形成的摩尔纹标识所述所关注的第二区域的上界;以及
标识所述所关注的第一区域中的突出区域的最接近的起皱处以标识所述所关注的第二区域的下界。
39.根据权利要求32所述的方法,其中所述尺寸参数是从另一装置接收的。
40.根据权利要求32所述的方法,其中确定所述下胸围尺寸包括:
确定所述所关注的第一区域中所述身体部位的所述下界的所述周长;以及
标识包括所确定的周长的尺寸参数范围;以及
将表示所述尺寸参数范围的所述下胸围尺寸分配为所述3D图像中所述身体部位的所述下胸围尺寸。
41.根据权利要求32所述的方法,其中所述多个下胸围尺寸中的每个下胸围尺寸中的所述多个形状组基于相异度矩阵,所述相异度矩阵是使用关于所述所关注的第二区域的与分配到相应的下胸围尺寸的多个3D图像中3D图像对的每种可能组合相对应的多个拟合损失值来生成的,其中所述多个3D图像包括不同个体的所述身体部位。
42.根据权利要求41所述的方法,其中所述多个拟合损失值是基于量化3D图像对之间关于所述所关注的第二区域的形状差异的相异度函数来确定的。
43.根据权利要求32所述的方法,其中所述3D图像是从一个或多个3D扫描仪接收的。
44.根据权利要求43所述的方法,其中所述一个或多个3D扫描仪是以下各项中的一个或多个:移动电话、销售点终端、3D人体扫描仪、手持式3D扫描仪和固定式3D扫描仪。
45.根据权利要求32所述的方法,其进一步包括:
将所接收到的3D图像指定为所确定的下胸围尺寸内的所分配的形状组的候选原型图像;
基于所接收到的3D图像被指定为所述候选原型图像来确定所分配的形状组的聚合拟合损失值;
将所确定的聚合拟合损失值与所分配的形状组的原始聚合拟合损失值加上所接收到的3D图像与所述原型图像之间的拟合损失值进行比较;
响应于所确定的聚合拟合损失值小于所述原始聚合拟合损失值加上所接收到的3D图像与所述原型图像之间的所述拟合损失值而将所接收到的3D图像分配为所述形状组中的新原型图像;以及
响应于所确定的聚合拟合损失值大于或等于所述原始聚合拟合损失值加上所接收到的3D图像与所述原型图像之间的所述拟合损失值而保持所述原型图像作为所述形状组的原型图像。
46.一种用于为身体部位开发尺寸确定方案的方法,所述方法包括:
由处理器接收多个三维3D图像,其中所述多个3D图像包括不同个体的身体的身体部位;
对于所述多个3D图像中的每个3D图像:
标识所述3D图像中的所关注的第一区域;
确定与所述所关注的第一区域中所述身体部位的下界的周长相对应的尺寸参数;
基于所述尺寸参数将所述3D图像分配到下胸围尺寸;
由所述处理器使所述所关注的第一区域移位以将所述所关注的第一区域的中心轴线与3D参考点对齐,所述中心轴线与个体的身体的纵轴平行;
由所述处理器使所述所关注的第一区域在竖直方向上移位以将所述所关注的第一区域中的标志特征与所述3D参考点对齐,所述竖直方向与所述身体的纵轴平行;
标识所述所关注的第一区域中的所关注的第二区域;
由所述处理器标识所述所关注的第二区域的表面上的多个数据点;
由所述处理器确定所述多个数据点与所述3D参考点之间的多个距离;以及
由所述处理器将所述多个距离与针对分配到同一下胸围尺寸的其它3D图像中的每一个3D图像中的相同数据点确定的距离进行比较,使得将所述3D图像与分配到同一下胸围尺寸的所述3D图像中每个其它3D图像成对地进行比较;
对于每个下胸围尺寸:
由所述处理器确定分配到同一下胸围尺寸的所述3D图像中3D图像对的每种可能组合关于所述所关注的第二区域的拟合损失值,其中每个拟合损失值指示对应的3D图像对之间关于所述所关注的第二区域的差异,并且每个3D图像对的所述拟合损失值的所述确定是基于所述3D图像对之间关于所述所关注的第二区域的距离比较的结果来进行的;
由所述处理器使用针对分配到同一下胸围尺寸的每个3D图像对确定的所述拟合损失值生成相异度矩阵;并且
由所述处理器基于所述相异度矩阵将分配到所述下胸围尺寸的所述3D图像聚类成多个形状组,其中每个形状组对应于所述身体部位的形状。
47.根据权利要求46所述的方法,其中所述身体部位是一对乳房。
48.根据权利要求46所述的方法,其进一步包括响应于标识所述所关注的第一区域,所述所关注的第一区域包括整个躯干:
确定所述所关注的第一区域中的图像点在第一方向上的第一平均值,所述第一方向与所述身体的纵轴正交;
确定所述所关注的第一区域中的图像点在第二方向上的第二平均值,所述第二方向与所述第一方向正交并且与所述身体的纵轴正交;并且
将所述所关注的第一区域的所述中心轴线定义为与所述第一平均值和所述第二平均值相交,其中所述中心轴线与所述第一方向和所述第二方向正交。
49.根据权利要求46所述的方法,其中使所述所关注的第一区域在所述竖直方向上移位包括使所述所关注的第一区域移位,直到与所述中心轴线正交的平面在所述3D参考点处与所述中心轴线相交,其中所述平面与所述标志特征相交。
50.根据权利要求49所述的方法,其中所述标志特征是通过在所述竖直方向上定义一对乳头之间的中点来确定的,并且其中所述平面与所述中点相交。
51.根据权利要求46所述的方法,其中标识所述所关注的第二区域包括去除位于与所述身体的冠状平面平行并且与所述3D参考点相交的平面的第一侧的图像点,并且所述身体部位位于与所述冠状平面平行的所述平面的与所述第一侧相对的第二侧。
52.根据权利要求51所述的方法,其中标识所述所关注的第二区域包括:
将所述所关注的第一区域旋转到形成摩尔纹的角度;
基于所形成的摩尔纹标识所述所关注的第二区域的上界;以及
标识所述所关注的第一区域中的突出区域的最接近的起皱处以标识所述所关注的第二区域的下界。
53.根据权利要求46所述的方法,其中在每个3D图像的所述所关注的第二区域的所述表面上标识的所述多个数据点的数量是固定数。
54.根据权利要求46所述的方法,其中所述多个数据点是基于预定义的序列来标识的。
55.根据权利要求46所述的方法,其中标识所述多个数据点包括:
由所述处理器将所述所关注的第二区域分割成与所述中心轴线正交的多个均匀分布的切片;
由所述处理器基于固定角度间隔将每个切片分割成多个部分,其中每个部分对应于一个角度值,并且每个部分包括一组点;
对于每个切片上的每个部分:
由所述处理器确定所述一组点相对于所述3D参考点的距离中的平均距离;并且
由所述处理器将与所述平均距离相关联的点设置为由与所述部分相对应的所述角度值表示的数据点,其中所述数据点是所标识的所述多个数据点之一。
56.根据权利要求55所述的方法,其进一步包括:
确定在所述切片的特定部分中缺失图像点,其中缺失的图像点是在所述所关注的第一区域的所述标识期间从所述3D图像中去除的;以及
将一组未定义的值分配给所述特定部分中的所述缺失的图像点作为数据点。
57.根据权利要求56所述的方法,其中确定所述拟合损失值是基于来自每个3D图像对的位于同一切片上并且与相同角度值相关联的数据点之间的差异来进行的。
58.根据权利要求46所述的方法,其中确定所述拟合损失值包括使用量化3D图像对之间关于所述所关注的第二区域的形状差异的相异度函数。
60.根据权利要求46所述的方法,其中有N个3D图像被分配到所述下胸围尺寸,并且其中对下胸围尺寸的所述3D图像进行聚类包括:
由所述处理器对所述下胸围尺寸的所述相异度矩阵应用一种或多种聚类算法,其中所述一种或多种聚类算法中的每种聚类算法的应用使得将所述多个3D图像分组成k个3D图像聚类形状组,其中k在1到N的范围内,并且:
在k=1个聚类形状组中,在所述一个形状组中有N个3D图像;并且
在k=N个聚类形状组中,在每个形状组中有一个3D图像;以及
针对所述一种或多种聚类算法中的每种聚类算法,确定每个k的总体聚合拟合损失,其中k在1到N的范围内,并且其中k的所述总体聚合拟合损失是通过将所述k中每个聚类形状组的聚合拟合损失相加来确定的,所述聚合拟合损失是在已经为所述k中每个形状组选择原型之后针对所述k中每个聚类形状组来确定的;并且
其中所述处理器标识所述一种或多种聚类算法中的特定聚类算法,所述特定聚类算法使得对于从k=1到k=N中的最多个k,所述特定聚类算法的总体聚合拟合损失是所有聚类算法的总体聚合拟合损失中最低的总体聚合拟合损失。
61.根据权利要求46所述的方法,其进一步包括:
确定每个下胸围尺寸的形状组的数量。
62.根据权利要求61所述的方法,其中所述确定每个下胸围尺寸的形状组的数量包括:
标识表示在1到N个3D图像聚类形状组中跨所述1到N个聚类形状组中的相应聚类形状组的聚合拟合损失值满足某一标准的聚类形状组的数量的值m;以及
将所标识的值m设置为所述形状组的数量。
63.根据权利要求62所述的方法,其进一步包括确定跨所有下胸围尺寸的形状组总数,并且其中当所确定的形状组总数大于预设最大值时,减少所述形状组总数。
64.根据权利要求63所述的方法,其中将所确定的形状组总数减少到所述预设最大值,并且其中所述形状组在不同下胸围尺寸中的分布是基于针对j'确定的最低总体聚合拟合损失来进行的,其中j'从最小值到所述预设最大值变化,所述最小值是所述下胸围尺寸的数量,其中所述最低总体聚合拟合损失是针对每个j'从跨所述下胸围尺寸的j'个形状组的不同组合的多个总体聚合拟合损失来确定的,所述不同组合是通过将形状组迭代地添加到所述下胸围尺寸之一,然后从所述下胸围尺寸之一去除所述形状组,同时将形状组添加到另一个下胸围尺寸而保持j'来生成的。
65.根据权利要求46所述的方法,其中所述多个3D图像是从一个或多个3D扫描仪接收的。
66.根据权利要求65所述的方法,其中所述一个或多个3D扫描仪是以下各项中的一个或多个:移动电话、销售点终端、3D人体扫描仪、手持式3D扫描仪和固定式3D扫描仪。
67.根据权利要求46所述的方法,其中有M个3D图像被分配到所有下胸围尺寸,并且其中对下胸围尺寸的所述3D图像进行聚类包括:
由所述处理器对所有下胸围尺寸的相异度矩阵应用一种或多种聚类算法,其中所述一种或多种聚类算法中的每种聚类算法的应用使得对于所有下胸围尺寸,将所述多个3D图像分组成总共j个3D图像聚类形状组,其中j在h到M的范围内,其中h是下胸围尺寸的数量,并且:
当j=h时,每个下胸围尺寸有一个形状组;并且
当j=M时,在每个形状组中有一个3D图像;以及
针对所述一种或多种聚类算法中的每种聚类算法,确定每个j的总体聚合拟合损失,其中j在h到M的范围内,并且其中j的所述总体聚合拟合损失是通过将所述j中每个聚类形状组的聚合拟合损失相加来确定的,所述聚合拟合损失是在已经为所述j中每个形状组选择原型之后针对所述j中每个聚类形状组来确定的;并且
其中所述处理器标识所述一种或多种聚类算法中的特定聚类算法,所述特定聚类算法使得对于从j=h到j=M中的最多个j,所述特定聚类算法的总体聚合拟合损失是所有聚类算法的总体聚合拟合损失中最低的总体聚合拟合损失。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201962910063P | 2019-10-03 | 2019-10-03 | |
US62/910,063 | 2019-10-03 | ||
PCT/US2020/054172 WO2021067888A1 (en) | 2019-10-03 | 2020-10-03 | Optimizing bra sizing according to the 3d shape of breasts |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114745985A true CN114745985A (zh) | 2022-07-12 |
Family
ID=75338594
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080084244.6A Pending CN114745985A (zh) | 2019-10-03 | 2020-10-03 | 根据乳房的3d形状优化文胸尺寸确定 |
Country Status (7)
Country | Link |
---|---|
US (2) | US11430246B2 (zh) |
EP (1) | EP4037515A4 (zh) |
CN (1) | CN114745985A (zh) |
AU (1) | AU2020357051A1 (zh) |
CA (1) | CA3156832A1 (zh) |
MX (1) | MX2022004070A (zh) |
WO (1) | WO2021067888A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140379515A1 (en) * | 2013-06-25 | 2014-12-25 | Stantt LLC | Method For Providing A Custom-Like Fit In Ready-To-Wear Apparel |
JP7189440B2 (ja) * | 2019-03-05 | 2022-12-14 | 株式会社ワコール | カップ付き衣類のサイズ判定装置およびサイズ判定方法 |
US12070093B1 (en) * | 2022-03-11 | 2024-08-27 | Amazon Technologies, Inc. | Custom garment pattern blending based on body data |
Family Cites Families (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100442314C (zh) * | 2006-09-28 | 2008-12-10 | 东华大学 | 三维虚拟胸形环境中个性化文胸罩杯省量的设计方法 |
CA2711702C (en) | 2008-01-09 | 2018-05-01 | Precision Light, Inc. | Anatomical recognition and dimensional analysis to assist breast surgery |
US9189886B2 (en) | 2008-08-15 | 2015-11-17 | Brown University | Method and apparatus for estimating body shape |
US9091536B2 (en) | 2009-06-01 | 2015-07-28 | Dentsply International Inc. | Method and device for three-dimensional surface detection with a dynamic reference frame |
US11640672B2 (en) * | 2010-06-08 | 2023-05-02 | Styku Llc | Method and system for wireless ultra-low footprint body scanning |
US9251591B2 (en) * | 2010-12-01 | 2016-02-02 | Cornell University | Body shape analysis method and system |
US9788759B2 (en) * | 2010-12-27 | 2017-10-17 | Joseph Ralph Ferrantelli | Method and system for postural analysis and measuring anatomical dimensions from a digital three-dimensional image on a mobile device |
JP5745444B2 (ja) * | 2012-03-05 | 2015-07-08 | 富士フイルム株式会社 | 医用画像表示装置および医用画像表示方法、並びに、医用画像表示プログラム |
US20140019087A1 (en) | 2012-07-11 | 2014-01-16 | Bradley Bengtson | Tools, Systems and Methods for Standardization of Bra Cup Measurements |
US8754887B2 (en) | 2012-07-20 | 2014-06-17 | Google Inc. | Determining three-dimensional (3D) object data models based on object movement |
WO2014020921A1 (ja) * | 2012-07-31 | 2014-02-06 | 独立行政法人科学技術振興機構 | 物体配置推定装置 |
JP6392756B2 (ja) * | 2012-09-05 | 2018-09-19 | ボディ パス リミテッド | 2次元画像シーケンスから正確な身体サイズ測定値を得るためのシステム及び方法 |
US10582730B2 (en) * | 2014-06-04 | 2020-03-10 | Laurie BRAVERMAN | Brassiere |
US10018466B2 (en) | 2013-04-18 | 2018-07-10 | Van De Velde Nv | Bra fitting method |
US10109048B2 (en) | 2013-06-28 | 2018-10-23 | Koninklijke Philips N.V. | Linking breast lesion locations across imaging studies |
TWI488071B (zh) | 2013-08-30 | 2015-06-11 | Nat Univ Tsing Hua | 非接觸式三度空間人體資料擷取系統及方法 |
US9436987B2 (en) | 2014-04-30 | 2016-09-06 | Seiko Epson Corporation | Geodesic distance based primitive segmentation and fitting for 3D modeling of non-rigid objects from 2D images |
US9652871B2 (en) | 2015-01-28 | 2017-05-16 | Impac Medical Systems, Inc. | Three dimensional localization of a moving target for adaptive radiation therapy |
US10515259B2 (en) | 2015-02-26 | 2019-12-24 | Mitsubishi Electric Research Laboratories, Inc. | Method and system for determining 3D object poses and landmark points using surface patches |
WO2016151691A1 (ja) * | 2015-03-20 | 2016-09-29 | 株式会社 東芝 | 画像処理装置、画像処理システム、画像処理方法及びプログラム |
US10402994B2 (en) | 2015-05-13 | 2019-09-03 | Naked Labs Austria Gmbh | 3D body scanner data processing flow |
US10366524B2 (en) * | 2015-05-29 | 2019-07-30 | Nike, Inc. | Three-dimensional body scanning and apparel recommendation |
DE102015210453B3 (de) | 2015-06-08 | 2016-10-13 | Bitmanagement Software GmbH | Verfahren und vorrichtung zum erzeugen von daten für eine zwei- oder dreidimensionale darstellung zumindest eines teils eines objekts und zum erzeugen der zwei- oder dreidimensionalen darstellung zumindest des teils des objekts |
US10796480B2 (en) * | 2015-08-14 | 2020-10-06 | Metail Limited | Methods of generating personalized 3D head models or 3D body models |
US10176275B1 (en) * | 2016-03-28 | 2019-01-08 | Luvlyu, Inc. | Breast shape visualization and modeling tool |
CN108885797B (zh) | 2016-04-04 | 2023-06-13 | 皇家飞利浦有限公司 | 成像系统和方法 |
US10380796B2 (en) | 2016-07-19 | 2019-08-13 | Usens, Inc. | Methods and systems for 3D contour recognition and 3D mesh generation |
CN113749317A (zh) | 2016-10-20 | 2021-12-07 | 株式会社新日本科学 | 文胸的制造方法 |
EP3594889A1 (en) * | 2017-03-08 | 2020-01-15 | Xiamen Brana Design Co., Ltd | Method for taking human chest measurement and method for selecting and providing bra size |
US10460512B2 (en) * | 2017-11-07 | 2019-10-29 | Microsoft Technology Licensing, Llc | 3D skeletonization using truncated epipolar lines |
US20200275862A1 (en) * | 2019-03-01 | 2020-09-03 | Wiivv Wearables Inc. | Multiple physical conditions embodied in body part images to generate an orthotic |
US11883206B2 (en) * | 2019-07-29 | 2024-01-30 | Hologic, Inc. | Personalized breast imaging system |
AU2021342157A1 (en) * | 2020-09-11 | 2023-04-20 | Inseer, Inc. | Methods and apapratus for machine learning to analyze musculo-skeletal rehabilitation from images |
-
2020
- 2020-10-03 CN CN202080084244.6A patent/CN114745985A/zh active Pending
- 2020-10-03 MX MX2022004070A patent/MX2022004070A/es unknown
- 2020-10-03 AU AU2020357051A patent/AU2020357051A1/en active Pending
- 2020-10-03 CA CA3156832A patent/CA3156832A1/en active Pending
- 2020-10-03 EP EP20871926.0A patent/EP4037515A4/en active Pending
- 2020-10-03 WO PCT/US2020/054172 patent/WO2021067888A1/en unknown
-
2022
- 2022-01-07 US US17/571,066 patent/US11430246B2/en active Active
- 2022-07-22 US US17/871,501 patent/US20220366715A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
US11430246B2 (en) | 2022-08-30 |
US20220130164A1 (en) | 2022-04-28 |
EP4037515A4 (en) | 2023-08-23 |
CA3156832A1 (en) | 2021-04-08 |
AU2020357051A1 (en) | 2022-05-05 |
US20220366715A1 (en) | 2022-11-17 |
EP4037515A1 (en) | 2022-08-10 |
MX2022004070A (es) | 2022-05-18 |
WO2021067888A1 (en) | 2021-04-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10813715B1 (en) | Single image mobile device human body scanning and 3D model creation and analysis | |
US10706262B2 (en) | Intelligent body measurement | |
CN114745985A (zh) | 根据乳房的3d形状优化文胸尺寸确定 | |
CN107111833B (zh) | 快速3d模型适配和人体测量 | |
US10460517B2 (en) | Mobile device human body scanning and 3D model creation and analysis | |
US20100319100A1 (en) | Simple techniques for three-dimensional modeling | |
Luximon et al. | Sizing and grading for wearable products | |
CN109003331A (zh) | 一种图像重构方法 | |
CN106164978A (zh) | 使用参数化可变形网状物来构造个性化具体化的方法和系统 | |
KR20150079585A (ko) | 일련의 2d 이미지로부터 정확한 신체 사이즈 치수를 도출하는 시스템 및 방법 | |
CN108898673A (zh) | 一种重构脚部三角网格模型处理方法及系统 | |
CN109102569A (zh) | 一种重构脚部点云模型处理方法及系统 | |
Bragança et al. | Current state of the art and enduring issues in anthropometric data collection | |
Bragança et al. | An overview of the current three-dimensional body scanners for anthropometric data collection | |
CN108898663A (zh) | 一种脚部特征参数驱动标准鞋楦变形方法及系统 | |
Buxton et al. | Reconstruction and interpretation of 3D whole body surface images | |
CN106910180B (zh) | 一种图像质量评估方法及装置 | |
US7218752B2 (en) | Feature based data structure for computer manikin | |
Zhu et al. | Predicting realistic and precise human body models under clothing based on orthogonal-view photos | |
Domingo et al. | Modeling of female human body shapes for apparel design based on cross mean sets | |
Seo et al. | A breast modeler based on analysis of breast scans | |
CN111783182A (zh) | 一种三维虚拟人台的建模方法及系统 | |
CN109086294A (zh) | 一种鞋楦数据库构建及管理方法及系统 | |
CN109035404A (zh) | 一种脚部模型定位变形方法及系统 | |
Certain et al. | Automatic body measurement for mass customization of garments |
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 |