CN116188729A - 衣物处理设备的试衣方法及衣物处理设备 - Google Patents
衣物处理设备的试衣方法及衣物处理设备 Download PDFInfo
- Publication number
- CN116188729A CN116188729A CN202111413639.9A CN202111413639A CN116188729A CN 116188729 A CN116188729 A CN 116188729A CN 202111413639 A CN202111413639 A CN 202111413639A CN 116188729 A CN116188729 A CN 116188729A
- Authority
- CN
- China
- Prior art keywords
- clothes
- model
- dimensional model
- target
- human body
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 239000000463 material Substances 0.000 claims description 25
- 230000009467 reduction Effects 0.000 claims description 15
- 230000001815 facial effect Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 239000004744 fabric Substances 0.000 claims description 8
- 230000002194 synthesizing effect Effects 0.000 claims description 6
- 238000009877 rendering Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 3
- 229920000742 Cotton Polymers 0.000 description 2
- 238000005314 correlation function Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 210000002414 leg Anatomy 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 210000000689 upper leg Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/5838—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/5854—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using shape and object relationship
-
- 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
Abstract
本发明涉及衣物处理设备的虚拟试衣技术,具体提供一种衣物处理设备的试衣方法及衣物处理设备,旨在解决现有的衣物护理机若采用三维衣服模型进行试衣,则会导致试衣效率低的问题。为此目的,本发明的试衣方法包括:响应于试衣指令,获取目标衣服三维模型;基于目标衣服三维模型和目标人体三维模型,获取试衣模型;展示试衣模型;其中,目标衣服三维模型是基于如下方法得到的:获取衣服的第一信息和第二信息;基于第一信息调取预先存储的初始衣服三维模型;基于第二信息处理初始衣服三维模型,以获取目标衣服三维模型。上述设置方式,大大减少CPU耗时,用户无需等待很长时间,提高试衣效率。
Description
技术领域
本发明涉及衣物处理设备的虚拟试衣技术领域,具体提供一种衣物处理设备的试衣方法及衣物处理设备。
背景技术
随着技术的发展,目前,已经研发出能够实现虚拟试衣的诸多方案。通过虚拟试衣技术,用户不必真实地穿上衣服,而仅需要将自己的诸如照片等信息提供给虚拟试衣系统就能够看到虚拟试衣的效果。虚拟试衣技术的应用十分广泛,比如,应用于衣物护理机上,衣物护理机的门体上会装有屏幕,从而通过屏幕来展示用户的试衣虚拟效果。
由于衣服往往被几千个甚至几万个质点代表,试衣过程非常消耗计算资源(即CPU耗时),如果在衣物护理机上完成则需要等待很长的时间,试衣的效率较低。
因此,现有的衣物护理机采用的衣服模型通常是二维模型,这类产品在与用户交互时就暴露了平面模型不真实的弊端,其试衣效果不形象,不能根据实际衣服特点来展示实际视觉效果。
相应地,本领域需要一种新的衣物处理设备的试衣方法及衣物处理设备来解决现有的衣物护理机若采用三维衣服模型进行试衣,则会导致试衣效率低的问题。
发明内容
本发明旨在解决上述技术问题,即,解决现有的衣物护理机若采用三维衣服模型进行试衣,则会导致试衣效率低的问题。
在第一方面,本发明提供一种衣物处理设备的试衣方法,其特征在于,所述试衣方法包括:响应于试衣指令,获取目标衣服三维模型;基于所述目标衣服三维模型和目标人体三维模型,获取试衣模型;展示所述试衣模型;其中,所述目标衣服三维模型是基于如下方法得到的:获取衣服的第一信息和第二信息;基于所述第一信息调取预先存储的初始衣服三维模型;基于所述第二信息处理所述初始衣服三维模型,以获取目标衣服三维模型。
在上述衣物处理设备的试衣方法的优选技术方案中,所述第一信息包括衣服类型和衣服廓形。
在上述衣物处理设备的试衣方法的优选技术方案中,所述第一信息还包括衣服领型;并且/或者所述第二信息包括衣服面料截图、衣服尺寸特征参数和衣服材质,“基于所述第二信息处理所述初始衣服三维模型,以获取目标衣服三维模型”的步骤进一步包括:基于所述衣服尺寸特征参数调节所述初始衣服三维模型,以获取调整衣服三维模型;根据所述衣服面料截图和所述衣服材质对所述调整衣服三维模型进行渲染,以获取目标衣服三维模型。
在上述衣物处理设备的试衣方法的优选技术方案中,“基于所述目标衣服三维模型和目标人体三维模型,获取试衣模型”的步骤之前,所述试衣方法还包括:获取人体图像;获取初始人体点云数据;基于所述人体图像获取人体去除衣服后的缩减量;基于所述初始人体点云数据与所述缩减量获取去除衣服后的实际人体点云数据;基于所述实际人体点云数据获取所述目标人体三维模型。
在上述衣物处理设备的试衣方法的优选技术方案中,“基于所述实际人体点云数据获取所述目标人体三维模型”的步骤进一步包括:基于所述实际人体点云数据获取人体特征参数;基于所述人体特征参数调节预先存储的初始人体模型,以获取所述目标人体三维模型。
在上述衣物处理设备的试衣方法的优选技术方案中,所述人体特征参数包括面部特征数据和身体特征数据。
在上述衣物处理设备的试衣方法的优选技术方案中,“基于所述目标衣服三维模型和目标人体三维模型,获取试衣模型”的步骤进一步包括:当所述目标衣服三维模型不需要进行搭配时,对所述目标衣服三维模型和目标人体三维模型进行合成,以获取试衣模型;所述试衣方法还包括:当所述目标衣服三维模型需要进行搭配时,计算所述目标衣服三维模型与预存的各搭配衣服模型进行搭配时的搭配属性的匹配度分值;基于所述匹配度分值对应的搭配结果确定推荐衣服搭配模型;对所述推荐衣服搭配模型和目标人体三维模型进行合成,以获取试衣模型。
在上述衣物处理设备的试衣方法的优选技术方案中,所述试衣方法还包括:当所述目标衣服三维模型为上装衣服模型,确定所述目标衣服三维模型需要进行搭配;当所述目标衣服三维模型为下装衣服模型,确定所述目标衣服三维模型需要进行搭配;当所述目标衣服三维模型为上装衣服模型和下装衣服模型时,计算所述上装衣服模型与下装衣服模型进行搭配时的搭配属性的匹配度分值;当所述匹配度分值大于预设分值时,确定所述目标衣服三维模型不需要进行搭配;当所述匹配度分值小于等于预设分值时,确定所述目标衣服三维模型需要进行搭配。
在上述衣物处理设备的试衣方法的优选技术方案中,所述搭配属性包括衣服颜色、衣服类型、衣服廓形、衣服材质中的至少一种。
在另一方面,本发明还提供了一种衣物处理设备,该衣物处理设备包括:处理器;存储器,所述存储器适于存储多条程序代码,所述程序代码适于由所述处理器加载并运行以执行上述实施方式中任一项所述的衣物处理设备的试衣方法。
本领域技术人员可以理解的是,本发明的试衣方法包括:响应于试衣指令,获取目标衣服三维模型;基于目标衣服三维模型和目标人体三维模型,获取试衣模型;展示试衣模型;其中,目标衣服三维模型是基于如下方法得到的:获取衣服的第一信息和第二信息;基于第一信息调取预先存储的初始衣服三维模型;基于第二信息处理初始衣服三维模型,以获取目标衣服三维模型。
通过上述设置方式,仅需要建立有限的初始衣服三维模型数据库,即预先存储有限的初始衣服三维模型,然后基于第一信息调取与用户选择的衣服相似的初始衣服三维模型,并通过第二信息对初始衣服三维模型进行处理即可拥有与选择的衣服相似度极高的目标衣服三维模型,大大减少CPU耗时,用户无需等待很长时间,提高试衣效率。
附图说明
下面结合附图来描述本发明的优选实施方式,附图中:
图1是本发明的衣物处理设备的试衣方法的主流程图;
图2是本发明的衣物处理设备的试衣方法的目标衣服三维模型获取的步骤流程图;
图3是本发明的衣物处理设备的试衣方法的目标人体三维模型获取的步骤流程图。
具体实施方式
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本发明的技术原理,并非旨在限制本发明的保护范围。本领域技术人员可以根据需要对其作出调整,以便适应具体的应用场合。
需要说明的是,在本发明的描述中,除非另有明确的规定和限定,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性。
本发明的衣物处理设备上设有图像采集装置,该图像采集装置可以为双目摄像机,也可以为多个摄像机,本发明的衣物处理设备可以为任何形式的衣物处理设备,例如,可以为衣物护理机,电子衣橱等。
如图1和图2所示,为了解决现有的衣物护理机若采用三维衣服模型进行试衣,则会导致试衣效率低的问题。本发明提供了一种衣物处理设备的试衣方法,该试衣方法包括如下步骤:
步骤S100:响应于试衣指令,获取目标衣服三维模型。
当用户想要试衣时,用户可以通过在衣物处理设备屏幕上或者与衣物处理设备相连的智能终端上进行操作,选择想要试穿的衣服信息,以使衣物处理设备能够获取试衣指令。具体地,衣服信息可以为文字标签,也可以为实体衣橱中的衣服图片或衣物处理设备已存衣服图片或网图等,文字标签或衣服图片等与目标衣服三维模型具有对应关系,从而当用户选择衣服信息时,能够获取到目标三维模型。其中,目标衣服三维模型可以为预先存储在衣物处理设备中的,也可以为用户选择试衣信息后直接生成的。上述智能终端,例如为移动设备、电脑等,或其任意组合。在一些实施例中,移动设备例如可以包括手机、智能家居设备、可穿戴设备、智能移动设备、虚拟现实设备等,或其任意组合。
其中,目标衣服三维模型是基于如下方法得到的:
步骤S101:获取衣服的第一信息和第二信息。
步骤S102:基于第一信息调取预先存储的初始衣服三维模型。
步骤S103:基于第二信息处理初始衣服三维模型,以获取目标衣服三维模型。
可能的,第一信息包括衣服类型和衣服廓形,进一步地,第一信息还包括衣服领型。此外可能的,第二信息包括衣服面料截图、衣服尺寸特征参数和衣服材质。也就是说,可以基于衣服类型和衣服廓形,或基于衣服类型、衣服廓形和衣服领型调取预先存储的初始衣服三维模型,基于衣服面料截图、衣服尺寸特征参数和衣服材质处理初始衣服三维模型,以获取目标衣服三维模型。
其中,衣物处理设备中预先存储有一定数量的不同类型的初始衣服三维模型,比如,上装模型包括西装类模型、衬衣类模型、大衣类模型等,每个类型里面根据廓形、领型不同建立几个初始衣服三维模型,如,西装类模型包括H廓形平驳头西装模型、O廓形平驳头西装模型、H廓形戗驳头西装模型、O廓形戗驳头西装模型等;衬衣类模型包括A廓形敞角领衬衣模型、H廓形纽扣领衬衣模型、O廓形长尖领衬衣模型等。如下装模型包括裙子类模型和裤子类模型等,每个类型里面根据廓形不同建立几个初始衣服三维模型,如裤子类模型包括高腰锥形裤模型、中腰喇叭裤模型等;裙子类模型包括直裙模型、A字裙模型等;从而可以基于衣服类型和衣服廓形从预先存储的模型库中调取初始下装三维模型,和/或基于衣服类型、衣服廓形和衣服领型从预先存储的模型库中调取初始上装三维模型,其具体的调取方式可以为,每个初始衣服模型可以具有类型标签,可以首先通过衣服类型查找到类型标签,进而根据进一步的廓形等信息获取与其匹配的初始衣服三维模型。
可以理解的是,虽然本发明的第一信息是以衣服类型和衣服廓形进行介绍的,但是这并不旨在于限制本发明的保护范围,其具体设置方式可以进行调整,如第一信息包括衣服类型、衣服款式和衣服口袋形状等。
当调取了初始衣服三维模型后,可以根据衣服尺寸特征参数调节初始衣服三维模型的参数,其中,该衣服尺寸特征参数可以为预先存储的,例如,衣服尺寸特征参数包括肩宽、袖长、胸围、袖围、腰围、衣长、臀围、大腿围、裤脚围、裤长等特征参数。其中,预先存储的初始衣服三维模型采用参数化建模的方式构建,调节衣服尺寸特征参数即可调节初始衣服三维模型,如,初始衣服三维模型包括多个关键特征参数,其中的一部分为衣服尺寸特征参数,将其作为自变量建立函数,其余关键特征参数作为因变量,通过全连接网络进行参数拟合,通过将各关键特征参数之间建立关联函数,能够保证调节的点与周围几个点之间平滑过度。进而,可以通过输入衣服尺寸特征参数,对预先存储的初始衣服三维模型进行调节,以获取调整衣服三维模型。
当得到调整衣服三维模型后,根据衣服面料截图和衣服材质对调整衣服三维模型进行渲染,以获取目标衣服三维模型。其中,衣服面料截图显示的图案及纹理作为渲染用的贴图,此外,不同的衣服材质与光泽度参数值具有映射关系,从而可以根据衣服材质来调节三维模型的光泽度参数,进而得到满足要求的目标衣服三维模型。
可以理解的是,虽然本发明的第二信息是以衣服面料截图、衣服尺寸特征参数和衣服材质进行介绍的,但是这并不旨在于限制本发明的保护范围,其具体设置方式可以进行调整,如第二信息可以仅为面料截图和衣服尺寸特征参数等,或者当第一信息的衣服类型为西裤时,第二信息可以为衣服尺寸特征参数、衣服颜色和衣服材质等。
其中,上述的衣服类型、衣服廓形、衣服领型和衣服材质可以是在用户将衣服放入衣物处理设备过程中时获取的,具体地,其获取方法为:通过双目摄像机拍摄衣服图像,然后基于衣服图像获取到衣服类型、衣服廓形、衣服领型和衣服材质。例如,衣服类型和衣服廓形的获取方法为:利用图象的边缘检测技术,确定衣服轮廓,提取衣服的颜色分量,比如,衣服的主要颜色为红色和绿色,例如可以选用MATLAB图像处理工具箱作为图像识别处理的技术平台,通过相应的程序编码设计,自动识别图象中的衣服类型,例如为上衣,然后测量图像中上衣的纵向尺寸如衣长L1、袖长L2,横向尺寸如肩宽W1、腰宽W2、臀部宽度W3等典型结构参数,根据预定义的廓形对应的形态值算法,计算各廓形对应的形态值,并根据预设标准范围判定上衣所属廓形,或者可以通过预先训练好的深度学习模型,并将衣服图像作为输入端,衣服类型和/或衣服廓形和/或衣服领型作为深度学习模型的输出端,以获取衣服类型和/或衣服廓形和/或衣服领型和/或衣服材质,如,可以采用SSD算法、Yolo系列算法、CornerNet算法和Detr算法等识别。当获取衣服图像后,可以从衣服图像上截图一块面料截图用于渲染,当然,上述衣服类型、衣服廓形、衣服领型和衣服材质可以为用户输入的,面料截图也可以为用户预先拍摄后上传至衣物处理设备上的,优选的,衣服尺寸特征参数也是为用户输入的。
上述设置方式,仅需要建立有限的初始衣服三维模型数据库,即预先存储有限的初始衣服三维模型,然后基于衣服领型、衣服类型和衣服廓形调取与用户选择的衣服相似的初始衣服三维模型,通过对初始衣服三维模型参数的调节,以及对模型的渲染即可拥有与衣物相似度极高的目标衣服三维模型,大大减少CPU耗时,用户无需等待很长时间,提高试衣效率。
步骤S200:基于目标衣服三维模型和目标人体三维模型获取试衣模型。
其中,如图3所示,目标人体三维模型是通过如下步骤获取的。
步骤S201:获取人体图像。
其中,人体图像是通过图像采集装置获取的。
步骤S202:获取初始人体点云数据。
获取初始人体点云数据的方式可以为,通过图像采集装置获取用户全身的正面及侧面的RGB-D图像,然后从图片中检测出人像,并将人像从背景中分割出来,得到人体分割图,其中,rgb图像提供了像素坐标系下的x,y坐标,而深度图直接提供了图像采集装置坐标系下的Z坐标,即深度信息,也就是图像采集装置与点的距离。因此,根据RGB-D图像的信息和图像采集装置的内参与外参,可以计算出任何一个像素点在世界坐标系下的坐标,从而可以获取到初始人体点云数据;也就是说,根据rgb格式的人体分割图获取二维坐标信息,然后结合深度信息可以得到初始人体点云数据。较为次之的,也可以在衣物处理设备上设置激光雷达,通过激光雷达来获取人体点云数据,由激光雷达获取人体点云数据的方式为现有技术,不再具体介绍。
步骤S203:基于人体图像获取人体去除衣服后的缩减量。
其中,可以通过深度网络模型获取去除衣服后的缩减量,通过建立的人体图像、去除衣服后的缩减量数据集来训练深度网络模型,令其学习图片中衣物特征与各参数缩减之间的对应关系,从而通过人体图像作为模型的输入端,去除衣服后的缩减量作为模型的输出端。作为一种较为具体的实施例,输入的是穿着不同厚度衣物的人体图像,输出是臂长、颈围、胸围、腰围、胴围等身体参数的缩减量。其中,可采用卷积+全连接的网络结构模型,例如,alexnet、vgg、resnet模型等。当然,也可以通过其他方法获取,例如,基于人体图像获取衣服类型,然后基于衣服类型获取衣服厚度,例如,每个衣服类型与衣服厚度之间均具有映射关系,通过衣服类型即可确定衣服厚度,从而可以将该衣服厚度结合人体尺寸进行适当的缩放后,得到缩减量。
步骤S204:基于初始人体点云数据与缩减量获取去除衣服后的实际人体点云数据。
其中,缩减量应该是衣服厚度方向的分段函数,为了便于介绍,将该方向称为y向,为了获取去除衣服后的实际人体点云数据具体可分为两步,第一步,减少边缘像素,当缩减量y值确定后,找到x方向的起始像素和终止像素,有多个连续区域时需要找到多组,例如,缩减量为颈围的缩减量时,颈部长度方向为x方向,x方向的起始像素和终止像素分别为靠近脑袋与肩部的颈部两端,根据缩减量计算y向对应像素个数n,然后由起始位置至终止位置去掉n行点云数据,进而基于该方法可以减少边缘像素。第二步,改变像素的深度信息,当缩减量y值确定后,依次处理本行像素的深度数据,在x方向遍历点云数据,深度值加上缩减量的对应值即为缩减后的深度信息,在经过第一步与第二步处理后便可以得到去除衣服后的实际人体点云数据。
步骤S205:基于实际人体点云数据获取目标人体三维模型。
可能地,可以先基于实际人体点云数据获取人体特征参数,然后基于人体特征参数调节预先存储的初始人体模型,以获取目标人体三维模型。优选地,人体特征参数包括面部特征数据和身体特征数据。
其中,基于实际人体点云数据获取人体特征参数的方式可以为:选取实际人体点云数据中去掉深度信息的数据,即利用rgb信息生成二维人体图像,然后通过深度学习模型获取人体特征参数,例如,采用DCNN、DAN等模型,通过建立的二维人体图像、面部特征数据和身体特征数据的数据集来训练学习模型,令其学习二维人体图像与面部特征数据和身体特征数据之间的对应关系,以对模型不断优化,从而能够将二维图像作为输入端输入模型中,输出面部特征数据和身体特征数据。由于双目摄像机可以获取用户与摄像机之间的距离,进而可以计算出拍摄的照片中人像的缩放比例,从而能够根据获取得到的面部特征数据和身体特征数据的关键点之间的距离计算出实际关键点之间的近似距离,从而选取适当的关键点即可计算想要测量得出的面部特征数据和身体特征数据。具体地,面部特征数据可以为眼睛、鼻子、嘴等器官的多个关键点位置参数,身体特征数据可以为脖子、肩膀、手臂、胯部、腿部等关键点位置参数。当然,基于实际人体点云数据获取人体特征参数的实施方式包括多种,例如,根据实际人体点云数据检测人脸鼻尖点;根据人脸鼻尖点,将中间三维人脸点云进行姿态矫正,以获得目标三维人脸点云;根据预设的人脸模型与目标三维人脸点云,建立优化模型,并根据优化模型生成拟合三维人脸图像;根据拟合三维人脸图像,确定人脸关键点等。
其中,预先存储的初始人体模型采用参数化建模的方式构建,调节面部特征数据和身体特征数据即可调节模型。初始人体模型包括多个关键点位置参数,其中的一部分为面部特征数据和身体特征数据,将其作为自变量建立函数,其余关键点位置参数作为因变量,通过全连接网络进行参数拟合,通过将各关键点位置参数之间建立关联函数,能够保证调节的点与周围几个点之间平滑过度。进而,可以通过输入面部特征数据和身体特征数据,对预先存储的初始人体模型进行调节,以获取目标人体三维模型。
当然,基于实际人体点云数据获取目标人体三维模型的方法不仅限于以上的实施方式,例如,可以直接基于实际人体点云数据生成目标人体三维模型等。此外,较为次之的,人体特征参数可以仅为身体特征参数。
通过上述设置方式,如基于初始人体点云数据与缩减量获取去除衣服后的实际人体点云数据,其中,由于去掉了衣服厚度部分,获取的实际人体点云数据更准确,从而能够准确的得到的人体特征参数,并基于此调节预先存储的初始人体模型,得到的目标人体三维模型更形象。
当获取到目标衣服三维模型和目标人体三维模型后,基于目标衣服三维模型和目标人体三维模型获取试衣模型的方法包括:
首先,判断获取到的目标衣服三维模型的归类,当目标衣服三维模型的归类为上装衣服模型时,则需要对上装衣服模型进行搭配,此时,则计算上装衣服模型与预存的各搭配衣服模型进行搭配时的搭配属性的匹配度分值;然后基于匹配度分值对应的搭配结果确定推荐衣服搭配模型;此种情况下,预存的各搭配衣服模型为各预存下装衣服模型。
当目标衣服三维模型的归类为下装衣服模型时,则需要对下装衣服模型进行搭配,此时,则计算下装衣服模型与预存的各搭配衣服模型进行搭配时的搭配属性的匹配度分值;然后基于匹配度分值对应的搭配结果确定推荐衣服搭配模型;此种情况下,预存的各搭配衣服模型为各预存上装衣服模型。
当目标衣服三维模型为上装衣服模型和下装衣服模型时,则计算上装衣服模型与下装衣服模型进行搭配时的搭配属性的匹配度分值;当匹配度分值大于预设分值时,目标衣服三维模型不需要进行搭配,当匹配度分值小于等于预设分值时,目标衣服三维模型需要进行搭配。当需要进行搭配时,则计算上装衣服模型与预存的各搭配衣服模型进行搭配时的搭配属性的匹配度分值,以及计算下装衣服模型与预存的各搭配衣服模型进行搭配时的搭配属性的匹配度分值,然后基于上述的匹配度分值对应的搭配结果确定推荐衣服搭配模型。此种情况下,预存的各搭配衣服模型包括预存上装衣服模型和预存下装衣服模型,即预存上装衣服模型与目标衣服三维模型的下装衣物模型进行搭配,预存下装衣服模型与目标衣服三维模型的上装衣物模型进行搭配。
其中,搭配属性包括衣服颜色、衣服类型、衣服廓形、衣服材质中的至少一种。
例如,上装衣服模型和下装衣服模型进行搭配时的搭配属性具有相对应的匹配度分值,如,上装衣服模型的衣服颜色为红色,下装衣服模型的衣服颜色为绿色时,匹配度分值为1,上装衣服模型的衣服颜色为红色,下装衣服模型的衣服颜色为白色时,匹配度分值为7;上装衣服模型的衣服类型为T恤,下装衣服模型的衣服类型为牛仔裤时,匹配度分值为7;上装衣服模型的衣服类型为T恤,下装衣服模型的衣服类型为休闲裤时,匹配度分值为9;上装衣服模型的衣服廓形为H型,下装衣服模型的衣服廓形为A型,匹配度分值为7;上装衣服模型的衣服廓形为H型,下装衣服模型的衣服廓形为X型,匹配度分值为8;上装衣服模型的衣服材质为纯棉,下装衣服模型的衣服材质为混纺时,匹配度分值为5,上装衣服模型的衣服材质为纯棉,下装衣服模型的衣服材质为牛仔时,匹配度分值为9等;当上装衣服模型和下装衣服模型进行搭配时,以上述的各搭配属性维度进行打分,并对各维度的分值进行求和,计算出总分值,然后可以将得分最高的搭配结果确定为推荐衣服搭配模型。
如,当目标衣服三维模型为上装衣服模型时,根据衣服颜色、衣服类型、衣服廓形、衣服材质中的至少一个维度计算该上装衣服模型与各下装衣服模型的匹配度分值,从而选出得分最高的下装衣服模型,并将该上装衣服模型和得分最高的下装衣服模型作为推荐衣服搭配模型;当目标衣服三维模型为下装衣服模型时,根据衣服颜色、衣服类型、衣服廓形、衣服材质中的至少一个维度计算该下装衣服模型与各上装衣服模型的匹配度分值,从而选出得分最高的上装衣服模型,并将该下装衣服模型和得分最高的上装衣服模型作为推荐衣服搭配模型;当目标衣服三维模型为上装衣服模型和下装衣服模型时,根据衣服颜色、衣服类型、衣服廓形、衣服材质中的至少一个维度计算目标衣服三维模型的上装衣服模型与各下装衣服模型的匹配度分值,和目标衣服三维模型的下装衣服模型与各上装衣服模型的匹配度分值,从而选出得分最高的推荐衣服搭配模型,例如,为目标衣服三维模型的上装衣服模型和得分最高的下装衣服模型;或者为目标衣服三维模型的下装衣服模型和得分最高的上装衣服模型。
此外,搭配属性还可以进一步包括用户年龄、用户肤色、用户发色等。例如,用户年龄为20-30时,上装衣服模型的颜色为红色时,匹配度分值为8;下装衣服模型的颜色为蓝色时,匹配度分值为6;上装衣服类型为T恤,匹配度分值为8,下装衣服类型为牛仔裤,匹配度分值为9;用户年龄大于60时,上装衣服模型的颜色为红色时,匹配度分值为4;下装衣服模型的颜色为蓝色时,匹配度分值为2;当用户肤色为白色时,上装衣服模型的颜色为蓝色的匹配度分值为7,下装衣服模型的颜色为黑色的匹配度分值为7;当用户肤色为偏黄时,上装衣服模型的颜色为蓝色时,匹配度分值为2;下装衣服模型的颜色为黑色时,匹配度分值为6;当用户发色为黑色时,上装衣服模型的衣服类型为T恤的匹配度分值为8,下装衣服模型的衣服类型为牛仔裤的匹配度分值为7;当用户发色为黄色时,上装衣服模型的衣服类型为吊带的匹配度分值为8,下装衣服模型的衣服类型为裙子的匹配度分值为7等,然后再结合用户年龄、用户肤色、用户发色这几个维度对分值进行求和,以确定推荐衣服搭配模型。
其中,用户年龄、用户肤色、用户发色均可以通过图像采集装置拍摄的用户图像获取,当然,也可以通过其他方式获取,例如,可以为用户输入的。
当确定了推荐衣服搭配模型后,则对推荐衣服搭配模型和目标人体三维模型进行合成,从而获取试衣模型。当目标衣服三维模型不需要进行搭配时,直接对目标衣服三维模型和目标人体三维模型进行合成,以获取试衣模型。其中,关于衣服三维模型和人体三维模型进行合成的方法可以为现有技术中的任何方法。
上述设置方式,能够为用户提供最佳的穿搭推荐,节约用户时间,提高用户形象。
步骤S300:展示试衣模型。
当获取到试衣模型后,则将试衣模型进行展示,如,在衣物处理设备的屏幕上,当然也可以将该试衣模型发送给用户终端,在用户终端上进行展示。
此外,本发明还提供了一种衣物处理设备,该衣物处理设备包括处理器;存储器,存储器适于存储多条程序代码,程序代码适于由处理器加载并运行以执行上述任一实施方式中的衣物处理设备的试衣方法。
本领域技术人员可以理解,上述衣物处理设备包括一些其他公知结构,例如处理器、控制器、存储器等,其中,存储器包括但不限于随机存储器、闪存、只读存储器、可编程只读存储器、易失性存储器、非易失性存储器、串行存储器、并行存储器或寄存器等,处理器包括但不限于CPLD/FPGA、DSP、ARM处理器、MIPS处理器等。
上述实施例中虽然将各个步骤按照上述先后次序的方式进行了描述,但是本领域技术人员可以理解,为了实现本实施例的效果,不同的步骤之间不必按照这样的次序执行,其可以同时(并行)执行或以颠倒的次序执行,例如,步骤S201和步骤S202可以颠倒执行或并行,这些简单的变化都在本发明的保护范围之内。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征作出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (10)
1.一种衣物处理设备的试衣方法,其特征在于,所述试衣方法包括:
响应于试衣指令,获取目标衣服三维模型;
基于所述目标衣服三维模型和目标人体三维模型,获取试衣模型;
展示所述试衣模型;
其中,所述目标衣服三维模型是基于如下方法得到的:
获取衣服的第一信息和第二信息;
基于所述第一信息调取预先存储的初始衣服三维模型;
基于所述第二信息处理所述初始衣服三维模型,以获取目标衣服三维模型。
2.根据权利要求1所述的衣物处理设备的试衣方法,其特征在于,
所述第一信息包括衣服类型和衣服廓形。
3.根据权利要求2所述的衣物处理设备的试衣方法,其特征在于,
所述第一信息还包括衣服领型;并且/或者
所述第二信息包括衣服面料截图、衣服尺寸特征参数和衣服材质,“基于所述第二信息处理所述初始衣服三维模型,以获取目标衣服三维模型”的步骤进一步包括:
基于所述衣服尺寸特征参数调节所述初始衣服三维模型,以获取调整衣服三维模型;
根据所述衣服面料截图和所述衣服材质对所述调整衣服三维模型进行渲染,以获取目标衣服三维模型。
4.根据权利要求1所述的衣物处理设备的试衣方法,其特征在于,
“基于所述目标衣服三维模型和目标人体三维模型,获取试衣模型”的步骤之前,所述试衣方法还包括:
获取人体图像;
获取初始人体点云数据;
基于所述人体图像获取人体去除衣服后的缩减量;
基于所述初始人体点云数据与所述缩减量获取去除衣服后的实际人体点云数据;
基于所述实际人体点云数据获取所述目标人体三维模型。
5.根据权利要求4所述的衣物处理设备的试衣方法,其特征在于,
“基于所述实际人体点云数据获取所述目标人体三维模型”的步骤进一步包括:
基于所述实际人体点云数据获取人体特征参数;
基于所述人体特征参数调节预先存储的初始人体模型,以获取所述目标人体三维模型。
6.根据权利要求5所述的衣物处理设备的试衣方法,其特征在于,
所述人体特征参数包括面部特征数据和身体特征数据。
7.根据权利要求1所述的衣物处理设备的试衣方法,其特征在于,
“基于所述目标衣服三维模型和目标人体三维模型,获取试衣模型”的步骤进一步包括:
当所述目标衣服三维模型不需要进行搭配时,对所述目标衣服三维模型和目标人体三维模型进行合成,以获取试衣模型;
所述试衣方法还包括:
当所述目标衣服三维模型需要进行搭配时,计算所述目标衣服三维模型与预存的各搭配衣服模型进行搭配时的搭配属性的匹配度分值;
基于所述匹配度分值对应的搭配结果确定推荐衣服搭配模型;
对所述推荐衣服搭配模型和目标人体三维模型进行合成,以获取试衣模型。
8.根据权利要求7所述的衣物处理设备的试衣方法,其特征在于,
所述试衣方法还包括:
当所述目标衣服三维模型为上装衣服模型,确定所述目标衣服三维模型需要进行搭配;
当所述目标衣服三维模型为下装衣服模型,确定所述目标衣服三维模型需要进行搭配;
当所述目标衣服三维模型为上装衣服模型和下装衣服模型时,计算所述上装衣服模型与下装衣服模型进行搭配时的搭配属性的匹配度分值;
当所述匹配度分值大于预设分值时,确定所述目标衣服三维模型不需要进行搭配;
当所述匹配度分值小于等于预设分值时,确定所述目标衣服三维模型需要进行搭配。
9.根据权利要求7或8所述的衣物处理设备的试衣方法,其特征在于,
所述搭配属性包括衣服颜色、衣服类型、衣服廓形、衣服材质中的至少一种。
10.一种衣物处理设备,其特征在于,所述衣物处理设备包括:
处理器;
存储器,所述存储器适于存储多条程序代码,所述程序代码适于由所述处理器加载并运行以执行权利要求1至9中任一项所述的衣物处理设备的试衣方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111413639.9A CN116188729A (zh) | 2021-11-25 | 2021-11-25 | 衣物处理设备的试衣方法及衣物处理设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111413639.9A CN116188729A (zh) | 2021-11-25 | 2021-11-25 | 衣物处理设备的试衣方法及衣物处理设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116188729A true CN116188729A (zh) | 2023-05-30 |
Family
ID=86450967
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111413639.9A Pending CN116188729A (zh) | 2021-11-25 | 2021-11-25 | 衣物处理设备的试衣方法及衣物处理设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116188729A (zh) |
-
2021
- 2021-11-25 CN CN202111413639.9A patent/CN116188729A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2718902B1 (en) | Generation of avatar reflecting player appearance | |
US10964078B2 (en) | System, device, and method of virtual dressing utilizing image processing, machine learning, and computer vision | |
Yamaguchi et al. | Parsing clothing in fashion photographs | |
CN105354876B (zh) | 一种基于移动终端的实时立体试衣方法 | |
Yamaguchi et al. | Paper doll parsing: Retrieving similar styles to parse clothing items | |
CN112970047A (zh) | 用于使用产品描述自动生成三维虚拟服装模型的系统和方法 | |
US20150248583A1 (en) | Image processing apparatus, image processing system, image processing method, and computer program product | |
TW202022782A (zh) | 一種神經網路的訓練方法及圖像匹配方法、裝置 | |
KR20170073623A (ko) | 고속 3d 모델 피팅 및 인체 측정법 | |
US20130170715A1 (en) | Garment modeling simulation system and process | |
CN110598017B (zh) | 一种基于自学习的商品详情页的生成方法 | |
US20160071321A1 (en) | Image processing device, image processing system and storage medium | |
CN111767817B (zh) | 一种服饰搭配方法、装置、电子设备及存储介质 | |
CN111862116A (zh) | 动漫人像的生成方法及装置、存储介质、计算机设备 | |
CN114067088A (zh) | 虚拟穿戴方法、装置、设备、存储介质及程序产品 | |
WO2020104990A1 (en) | Virtually trying cloths & accessories on body model | |
JP5293636B2 (ja) | モデル画像作成装置、およびモデル画像作成装置のモデル画像作成プログラム | |
CN109166172B (zh) | 服装模型的构建方法、装置、服务器和存储介质 | |
KR102468306B1 (ko) | 신체 치수 측정 방법 및 장치 | |
CN114119855A (zh) | 一种虚拟换装方法、装置、电子设备及存储介质 | |
CN116188729A (zh) | 衣物处理设备的试衣方法及衣物处理设备 | |
CN109040602B (zh) | 一种图像处理方法及移动终端 | |
Lin et al. | Automatic feature extraction from front and side images | |
CN111126179A (zh) | 信息的获取方法和装置、存储介质和电子装置 | |
CN114125271B (zh) | 图像处理方法、装置及电子设备 |
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 |