KR102580009B1 - 의류 피팅 시스템 및 의류 피팅 시스템의 동작 방법 - Google Patents

의류 피팅 시스템 및 의류 피팅 시스템의 동작 방법 Download PDF

Info

Publication number
KR102580009B1
KR102580009B1 KR1020150109830A KR20150109830A KR102580009B1 KR 102580009 B1 KR102580009 B1 KR 102580009B1 KR 1020150109830 A KR1020150109830 A KR 1020150109830A KR 20150109830 A KR20150109830 A KR 20150109830A KR 102580009 B1 KR102580009 B1 KR 102580009B1
Authority
KR
South Korea
Prior art keywords
clothing
pattern information
user
clothing image
external
Prior art date
Application number
KR1020150109830A
Other languages
English (en)
Other versions
KR20170016578A (ko
Inventor
김민성
Original Assignee
주식회사 엘지유플러스
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 주식회사 엘지유플러스 filed Critical 주식회사 엘지유플러스
Priority to KR1020150109830A priority Critical patent/KR102580009B1/ko
Publication of KR20170016578A publication Critical patent/KR20170016578A/ko
Application granted granted Critical
Publication of KR102580009B1 publication Critical patent/KR102580009B1/ko

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
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Image Analysis (AREA)

Abstract

이하의 실시예는 의류 피팅 시스템과 그 동작 방법에 관한 것이다. 외부 사이트의 외부 의류 이미지 및 외부 의류 정보를 주기적으로 수집하는 크롤러; 사용자로부터 사용자 의류 이미지 및 사용자 의류 정보를 수집하는 저장소; 상기 외부 의류 이미지 및 상기 사용자 의류 이미지에 대한 특징점들을 추출하는 특징점 매퍼; 상기 특징점들을 이용하여 상기 외부 의류 이미지의 제1 패턴 정보 및 상기 사용자 의류 이미지의 제2 패턴 정보를 생성하는 학습기; 및 상기 사용자로부터 대상 의류 이미지를 수신하여 상기 학습기에서 상기 대상 의류 이미지에 대한 제3 패턴 정보를 제공받고, 상기 제1 패턴 정보 및 상기 제2 패턴 정보와 비교하여 상기 대상 의류 이미지에 대한 피팅 예상 결과를 도출하는 외부 인터페이스를 포함하는, 의류 피팅 시스템이 제공될 수 있다.

Description

의류 피팅 시스템 및 의류 피팅 시스템의 동작 방법{Clothes Fitting System And Operation Method of Threof}
이하의 실시예는 의류 피팅 시스템과 그 동작 방법에 관한 것이다.
온라인 의류 판매 업체 또는 오프라인 의류 판매 업체의 가장 큰 운영상 이슈 중 하나는 고객의 반품 처리와 관련된 것이다. 반품의 주요 원인은, 고객이 구매 후 이후 실제 착용했을 때 기대하던 핏(Fit)이 나오지 않는 경우가 첫 번째 원인이다. 여기서의 핏(fit)이란, 디자인적인 측면에서의 어울리는 정도를 얘기하는 것이 아니라, 가령 옷이 꽉 끼는지 헐렁한지 팔이 짧은지 다리가 긴지 등 자기 몸에 착용했을 때의 착용감을 말하는 것이다.
판매 업체 입장에서는 반품으로 인한 처리 비용은 곧 영업이익의 감소를 의미하며, 반면 고객 입장에서도 반품은 곧 원하는 상품을 제 때 사용할 수 없게 됨을 의미하고, 때로는 반품이 귀찮거나 개인적인 성향상 반품을 하지 않은 채 원하지 않는 상품을 만족 없이 금액을 지불하게 되는 경우도 빈번하게 발생하는 것이 다수이다.
하지만, 이러한 문제를 해결하기 위해 최근 기술의 발달과 함께 카메라에 기반한 증강현실(AR. Augmented Reality) 기술을 활용한 가상 피팅(Virtual Fitting) 솔루션이 일부 소개되고 있긴 하나, 이러한 대부분의 기술이 지향하는 바는 카메라에 잡히는 나의 실사에 미리 컴퓨터그래픽(CG. Computer Graphics)으로 모델링된 가상의 의류 이미지(Virtual Image)를 입어보듯 하는 것으로, 직접 의류를 착용해 보지 않고서도 디자인적인 측면에서 마치 착용했을 때의 느낌을 짐작하는 것이 주목적이다. 하지만, 이러한 기술은 그 의류가 나의 신체 특성(예. 배가 나온 경우, 팔이 평균보다 긴 경우)에 잘 어울리는지를 정확하게 판단할 수는 없는 한계가 있다. 즉, 기존에 소개된 증강현실 기반의 가상 피팅 솔루션을 사용한다고 하더라도, 반품의 주요 원인을 해결할 수는 없다.
그리고 온라인 의류 판매 업자의 경우 해당 온라인 쇼핑사이트 내에 수치정보를 기재함으로써 해당 의류의 각종 길이(팔 길이, 가슴 둘레 등)를 제공하기도 하나, 고객 입장에서는 자기 체형에 대한 수치적인 데이터를 보통 기억하고 있지 못하므로 핏(Fit) 적합도를 판단하는데 부족하다.
또한, 기존의 피팅 솔루션 중에는 정확하게 고객의 신체 특성을 인식하기 위해, 타이즈와 같은 가능한 몸에 착 붙는 옷을 입거나 또는 민소매 옷 등 최대한 몸매를 드러나게 한 다음 카메라 앞에서 마치 애니메이션 영화에서 사용하는 모션 캡쳐 기술처럼 사람 몸매를 캡쳐할 수 있도록 여러 일정 자세를 취하게 한 다음 360도를 돌아가면서 여러 장의 사진을 찍고 이 사진들을 조합하는 3D 리컨스트럭션(3D Reconstruction) 기술도 소개되고 있으나, 아직은 범용적으로 사용하기에 기술적인 완성도에서 한계가 있을 뿐만 아니라 고객에게 사전 준비 과정으로 많은 것을 요구하므로 일반 고객에게 범용적으로 사용되기에 불편을 초래할 수 있다.
실시예에 따르면, 앞서 설명한 문제점을 해결하고, 실물을 확인할 수 없는 온라인 쇼핑몰 등에서 기업 및 고객 입장에서 기존과 다른 의류 피팅 방식을 통해, 기업에게는 영업 이익의 감소를 줄이고, 고객에게는 불필요한 반품 과정을 줄이고 원하지 않는 상품을 이용하게 되는 상황의 발생을 줄이는 의류 피팅 시스템을 제공하도록 한다.
외부 사이트의 외부 의류 이미지 및 외부 의류 정보를 주기적으로 수집하는 크롤러; 사용자로부터 사용자 의류 이미지 및 사용자 의류 정보를 수집하는 저장소; 상기 외부 의류 이미지 및 상기 사용자 의류 이미지에 대한 특징점들을 추출하는 특징점 매퍼; 상기 특징점들을 이용하여 상기 외부 의류 이미지의 제1 패턴 정보 및 상기 사용자 의류 이미지의 제2 패턴 정보를 생성하는 학습기; 및 상기 사용자로부터 대상 의류 이미지를 수신하여 상기 학습기에서 상기 대상 의류 이미지에 대한 제3 패턴 정보를 제공받고, 상기 제1 패턴 정보 및 상기 제2 패턴 정보와 비교하여 상기 대상 의류 이미지에 대한 피팅 예상 결과를 도출하는 외부 인터페이스를 포함하는, 의류 피팅 시스템이 제공될 수 있다.
일측에 있어서, 상기 특징점 매퍼는, 상기 외부 의류 이미지 및 상기 사용자 의류 이미지에 대한 특징점들을 추출하고, 각각의 의류 이미지를 카테고리화할 수 있다.
또 다른 측면에 있어서, 상기 각각의 의류 이미지의 특징점들의 수 및 특징점들 간의 간격이나 각도를 이용하여 상기 각각의 의류 이미지를 카테고리화할 수 있다.
또 다른 측면에 있어서, 상기 학습기는, 상기 특징점 매퍼에서 추출된 특징점들을 제공받아 상기 외부 의류 이미지 및 상기 사용자 의류 이미지 각각의 이미지 기반으로 매핑할 수 있다.
또 다른 측면에 있어서, 상기 학습기는, 상기 외부 의류 이미지 및 상기 사용자 의류 이미지 각각의 특징점들 간의 상대 거리를 계산하여 각 의류 이미지의 상기 제1 패턴 정보 및 상기 제2 패턴 정보를 생성할 수 있다.
또 다른 측면에 있어서, 상기 저장소는, 상기 학습기로부터 상기 사용자 의류 이미지에 대한 상기 제2 패턴 정보를 제공받고, 상기 제2 패턴 정보를 이용하여 상기 사용자의 체형 정보 및 의류 선호 정보를 생성할 수 있다.
또 다른 측면에 있어서, 상기 외부 인터페이스는, 상기 제1 패턴 정보, 상기 제2 패턴 정보 및 상기 제3 패턴 정보에 대해서 각 특징점들 간의 상대거리를 비교하여 상기 피팅 예상 결과를 도출할 수 있다.
또 다른 측면에 있어서, 상기 외부 인터페이스는, 상기 제1 패턴 정보, 상기 제2 패턴 정보 및 상기 제3 패턴 정보의 특징점들 간 상대거리를 비교하기 위한 매핑 테이블(Mapping Table)을 포함할 수 있다.
외부 의류 이미지의 제1 패턴 정보를 획득하는 단계; 사용자 의류 이미지의 제2 패턴 정보를 획득하는 단계; 사용자로부터 대상 의류 이미지를 수신하는 단계; 상기 대상 의류 이미지에 대한 제3 패턴 정보를 생성하는 단계; 및 상기 제1 패턴 정보, 상기 제2 패턴 정보, 및 상기 제3 패턴 정보에 기초하여, 상기 대상 의류 이미지에 대한 피팅 예상 결과를 도출하는 단계를 포함하는, 의류 피팅 시스템의 동작 방법이 제공될 수 있다.
실시예에 따르면, 앞서 설명한 문제점을 해결하고, 실물을 확인할 수 없는 온라인 쇼핑몰 등에서 기업 및 고객 입장에서 기존과 다른 의류 피팅 방식을 통해, 기업에게는 영업 이익의 감소를 줄이고, 고객에게는 불필요한 반품 과정을 줄이고 원하지 않는 상품을 이용하게 되는 상황의 발생을 줄이는 의류 피팅 시스템을 제공할 수 있다.
실시예에 따른 의류 피팅 시스템을 통해, 온라인 쇼핑 의류 판매업자에게도 핏(Fit) 오류로 인한 반품을 줄임으로써 불필요한 운영비용을 감소시키고, 반품 고객의 부정적인 입소문으로 인한 영업 손해를 미연에 방지하고, 고객 입장에서도 온라인 의류 쇼핑에서의 경험을 기존보다 향상시킬 수 있고 온라인 의류 쇼핑에 대한 신뢰감을 증대시킬 수 있다.
도 1은 일실시예에 있어서, 의류 피팅 시스템의 구성을 설명하기 위한 블록도이다.
도 2는 일실시예에 있어서, 의류 이미지에서 특징점을 추출하는 예시이다.
도 3은 일실시예에 있어서, 의류 이미지의 특징점을 이용하여 패턴 정보를 생성하는 예시이다.
도 4는 일실시예에 있어서, 의류 피팅 시스템의 동작 방법을 설명하기 위한 흐름도이다.
이하, 본 발명의 실시예에 대해서 첨부된 도면을 참조하여 자세히 설명하도록 한다.
아래 설명하는 실시예들에는 다양한 변경이 가해질 수 있다. 아래 설명하는 실시예들은 실시 형태에 대해 한정하려는 것이 아니며, 이들에 대한 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
실시예에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 실시예를 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
본 발명에서는 기존과는 전혀 다른 관점에서, 이미지 인식(Image Recognition) 기술과 머신 러닝(Machine Learning) 기술을 응용하여, 의류를 실물로 확인하지 않고도 온라인 의류 쇼핑 시에 사용자의 몸에 적합한지를 사전적으로 판단할 수 있게 하는 플랫폼 기술을 제시한다.
구체적으로는, 사용자가 소유한 의류(상의 및 하의)를 카메라로 찍은 사진을 등록하면, 해당 의류에서의 특징점(feature-points)을 인식하고 그 특징점 분석으로부터 사용자의 체형에 대한 예측을 하고, 이후 여타 온라인 쇼핑으로 의류를 구입하고자 하는 경우 해당 의류 판매 업자가 제공하는 의류 사진을 입력하면, 사용자의 체형에 핏(Fit)이 맞는지를 자동으로 분석하여 구매 적합성에 대한 판단의 가이드라인을 제공할 수 있다. 사람을 촬영하는 것이 아니므로 사용상의 불편함을 줄일 수 있고 그리고 사용자의 체형을 정량적으로 고려하여 비교하므로 핏(Fit)에 대한 정확한 판단을 할 수 있게 된다.
도 1은 일실시예에 있어서, 의류 피팅 시스템의 구성을 설명하기 위한 블록도이다. 실시예에 따른 의류 피팅 시스템(100)은 크롤러(Crawler)(110), 저장소(120), 특징점 매퍼(Mapper)(130), 학습기(140) 및 외부 인터페이스(Interface)(150)를 포함할 수 있다.
크롤러(110)는 외부 사이트에서 외부 의류 이미지와 외부 의류 이미지에 대한 의류 정보를 백그라운드에서 주기적으로 수집한다.
외부 사이트는 주로 인터넷 상의 오픈 마켓, SPA(Specialty store retailer of Private label Apparel Brand) 브랜드와 같은 의류 업체 사이트, SNS, 카페나 블로그 등의 온라인 사이트를 의미하며, 외부 사이트에서 의류의 사진에 해당하는 외부 의류 이미지와 함께 의류 종류(상의, 티셔츠, 남방 등) 및 사이즈 정보를 함께 수집할 수 있다. 또는, 이러한 과정을 통해 구축되어 있을 수 있다.
저장소(120)는, 사용자로부터 사용자 의류 이미지 및 사용자 의류 정보를 수집한다.
예를 들어, 사용자로부터 실제 소유하고 있는 의류에 대해서 찍힌 사진을 수신하고, 각 의류에 대해서 사이즈 정보 등을 함께 수신할 수 있다. 이를 통해, 저장소(120)는 사용자 본인이 소유한 사용자 의류 이미지 및 사용자 의류 정보를 저장하는 일종의 데이터베이스로 제공될 수 있다.
저장소(120)는, 사용자 의류 이미지 및 사용자 의류 정보를 입력 받아 사용자의 체형 정보 및 의류 선호 정보를 분석할 수 있다. 실시예를 통해, 사용자는 자신이 소유하는 의상에 대한 분석 정보를 획득할 수 있다. 또는, 사용자로부터 사용자 의류 이미지 및 사용자 의류 정보를 입력 받아 분석된 정보가 구축되어 있을 수 있다.
특징점 매퍼(130)는 외부 의류 이미지 및 사용자 의류 이미지에 대한 특징점들을 추출한다.
실시예에서, 크롤러(110)에서 수집된 외부 의류 이미지 및 저장소(120)로부터 수집된 사용자 의류 이미지에 대해서 특징점들을 추출할 수 있는데, 추출된 특징점들은 의류 피팅 시스템(100)에서 중요한 메타 데이터(Meta Data)로 이용된다.
특징점 매퍼(130)는 외부 의류 이미지 및 사용자 의류 이미지에 대해서 의류의 카테고리를 분류할 수 있다. 실시예에서, 외부 의류 이미지 및 사용자 의류 이미지와 함께 입력된 의류 정보를 이용하여 카테고리를 분류하거나 추출된 특징점들을 이용하여 카테고리를 분류할 수 있다. 외부 의류 이미지 및 사용자 의류 이미지에 대한 카테고리는 아래의 표 1과 같이 분류될 수 있다.
Figure 112015075427106-pat00001
표 1에 도시된 카테고리는 실시예에 해당하는 것으로, 카테고리를 분류하는 데에 있어서 해당 실시예에 한정되지 않으며, 이외에도 통상적인 분류에 의해 더 많은 종류가 나열될 수 있으며, 세분화될 수 있다.
도시된 바와 같이, 단계 1에서 상의 및 하의로 구분하고, 단계 2에서 상의의 종류 및 하의의 종류를 분류하며, 각각의 종류에 대해서 단계 3에서 소매 길이나 기장에 따라 분류할 수 있다.
실시예에서, 외부 의류 이미지 및 사용자 의류 이미지와 함께 의류 정보로 카테고리에 대한 정보가 함께 입력되는 경우, 각 카테고리에 대해서 특징점들을 정의하는 방법을 달리할 수 있으며, 다른 실시예에서, 각 외부 의류 이미지 및 사용자 의류 이미지에 대해서 특징점들을 추출한 결과를 이용하여 표 1과 같이 카테고리를 분류할 수도 있다.
실시예에 따른 특징점 매퍼(130)에서 특징점을 매핑하는 방법에 대해 도 2를 통해 설명하도록 한다.
도 2는 일실시예에 있어서, 의류 이미지에서 특징점을 추출하는 예시이다.
도 2(a)는 표 1의 카테고리에 의하면, 긴 소매 셔츠/남방에 해당하는 의류 이미지에 대한 특징점들을 나타내고 있으며, 도 2(b)는 반 소매 셔츠/남방에 해당하는 의류 이미지에 대한 특징점들을 나타내고 있다.
도시된 바와 같이 특징점들은 각 의류 이미지의 특정 지점에 대해서 특징점을 추출하며, 카테고리에 따라 특징점들이 달리 추출되는 것을 도 2(a) 및 도 2(b)를 비교함으로써 알 수 있다.
실시예에 따른 의류 이미지에 카테고리 별 특징점의 분포에 대해서 표 2를 참조하여 설명할 수 있다.
Figure 112015075427106-pat00002
각 특징점은 도시된 바와 같이 각각 특징점 번호를 가질 수 있다. 특징점의 번호는 의류 이미지의 카테고리에 따라 다르게 추출될 수 있으며, 의류 이미지의 미리 정해진 위치에 대해서 특징점 번호를 미리 지정하고, 추출된 특징점에 대해서 번호를 붙일 수 있다.
도 2(a) 및 도 2(b)는 카라가 있는 의류에 해당하므로, 1번, 2번 및 3번의 특징점이 추출될 수 있다. 예를 들어, 카라가 없는 라운드 티셔츠 등의 의류 이미지에서는 1번 내지 3번의 특징점이 추출되지 않을 수 있다.
양 어깨와 팔이 겹쳐서 각도가 변경되는 지점에 대해서 4번, 19번으로 정의할 수 있고, 양 팔과 몸통 사이의 교차점으로 각도가 변경하는 지점에 대해서 9번, 14번으로 정의할 수 있다. 몸통 부분에 대해서 몸통의 최하단 양 끝점을 11번 12번으로 정의하고, 9번 및 14번과 11번 및 12번의 중간 지점을 10번 13번으로 정의할 수 있다. 단추가 인식되는 지점에 대해서는 20번 이후로 표시할 수 있고, 단추 개수에 따라서 특징점의 개수는 변경될 수 있다. 예를 들어, 긴 소매 셔츠/남방과 긴 소매 티셔츠 간에는 특징점 3번과 20번 이후 특징점들이 일직선으로 의류 하단부까지 이어지는지의 속성 여부를 가지고서 구분할 수 있다.
도시된 바와 같이, 각 의류 이미지에 대해서 특징점 번호가 달리 정의될 수 있으며, 상의가 아닌 하의의 경우에는 또 다른 방식으로 특징점 번호를 정의할 수 있다.
도 2(a)와 도 2(b)는 소매 길이에서 카테고리가 분류될 수 있다. 도 2(b)는 반 소매 의류 이미지로, 도 2(a)와 같이 긴 소매인 의류 이미지와 달리 특징점 6번, 7번, 16번, 17번이 발견되지 않는 것을 확인할 수 있다.
의류 카테고리 간에는, 정장 상의와 셔츠/남방처럼 특징점 개수는 같을 수 있으나, 특징점 1번 내지 3번 및 특징점 2번, 3번을 직선으로 연결했을 때 각도가 정장상의에서 각도가 더 크게 이루어지는 것이 보통이므로, 도 2(a)와 도 2(b)오 k같이 특징점 개수 자체가 다른 것으로 카테고리를 분류할 수도 있고, 특징점 간의 간격이나 각도 등의 속성 차이로도 분류할 수 있다.
상기와 같은 방식으로 표 1의 단계 3에 대해서 각 의류 이미지에 따라 중복되지 않고 명확하게 특징점들이 추출될 수 있으며, 특징점 매퍼(130)는 이러한 메타 데이터를 사전적으로 저장할 수 있다.
다시, 도 1에서 학습기(140)는, 특징점들을 이용하여 외부 의류 이미지의 제1 패턴 정보 및 사용자 의류 이미지의 제2 패턴 정보를 생성할 수 있다.
실시예에서, 크롤러(110)에서 입력되는 외부 의류 이미지 및 외부 의류 정보를, 해당 의류 카테고리에 대응하여 특징점 매퍼(130)에서 특징점들을 추출하고, 학습기(140)는 추출된 특징점들을 외부 의류 이미지에 대해서 이미지 인식 기반으로 매핑하고 특징점들 간의 속성을 획득하여 머신 러닝(Machine Learning) 기법으로 카테고리 내의 다양한 의류에 대해서 패턴을 저장할 수 있다.
예를 들어, 외부 의류 이미지로 입력되는 의류 이미지들 각각의 특징점들 간의 상대 거리를 계산하여 각 의류 이미지의 제1 패턴 정보를 생성할 수 있다.
이에, 특징점들 간의 상대 거리를 계산하여 카테고리 내 다양한 의류에 대한 패턴을 저장하는 실시예에 대해서 도 3을 참조하여 설명하도록 한다.
도 3은 일실시예에 있어서, 의류 이미지의 특징점을 이용하여 패턴 정보를 생성하는 예시이다.
도 3(a)는 특징점이 추출되어 의류 이미지에 매핑된 예시이고, 도 3(b)는 도 3(a)의 예시에 대해 계산된 상대 거리를 나타내고 있다.
특징점 1번에서 2번을 연결한 직선과 특징점 11번에서 12번을 연결한 직선을 수직으로 연결한 길이를 상대길이=1인 것으로 정의하고, 주요 특징점 간의 상대 거리를 구할 수 있다. 여기서, 특징점 간 거리는 결국 사람이 옷을 착용했을 때 착용감(예컨대, 목이 헐렁하다, 가슴이 조인다 등)에 영향을 미치는 주요 속성들을 의미할 수 있다. 이에, 도 3(b)는 도 3(a)의 예시를 기준으로 착용감을 예측하기 위해 계산된 특징점 간의 상대 거리를 나타내는 것이다.
실시예에서, 착용감의 예측을 위해 계산되어야 할 상대 거리는 목 둘레, 어깨 너비, 팔 길이, 팔 둘레, 가슴 둘레, 배 둘레 등에 해당하며, 이를 위해 각 특징점의 상대 거리를 이용할 수 있다. 예를 들어, 목 둘레에 대한 착용감 예측을 위해 1번 내지 3번 특징점 간의 상대 거리를 계산할 수 있고, 가슴 둘레에 대한 착용감 예측을 위해 9번, 14번 특징점 간의 상대 거리를 계산할 수 있다.
학습기(140)는 크롤러에 의해 입력되는 수 많은 외부 의류 이미지에 대해서 각 카테고리에 맞게 특징점 매퍼(130)에서 추출된 특징점들 및 특징점들의 속성을 획득하고, 이를 의류 이미지 상에 매핑한 후, 주요 특징점들 간의 상대 거리를 구하는 작업을 반복할 수 있다. 도 3(c)는 실시예에서, 수 많은 외부 의류 이미지에 대해서 반복적인 작업을 통해 얻은 상대 거리에 대한 데이터를 통계적으로 처리한 제1 패턴 정보, 예를 들어 분포(Distribution)에 해당할 수 있다.
실시예에서, 도 3(c)는 특징점 1번 내지 2번의 상대 거리에 대한 분포도를 도시한 것이다. 예를 들어, 도 3(c)의 분포도가 도 3(a)의 실시예의 카테고리에 대한 분포도인 경우, 도 3(a)에 대해서 특징점 1번 내지 2번의 상대 거리는 0.159이므로, 같은 카테고리 내에서 평균인 0.186 이하의 상대 거리를 가지는 의류 이미지로 인식할 수 있다.
학습기(140)는 크롤러(110)에 의해 입력된 외부 의류 이미지에 대해서뿐만 아니라 저장소(120)를 통해 사용자로부터 입력되는 사용자 의류 이미지에 대해서도 각 카테고리에 맞게 특징점 매퍼(130)에서 추출된 특징점들 및 특징점들의 속성을 획득하고, 이를 의류 이미지 상에 매핑한 후, 주요 특징점들 간의 상대 거리를 구하는 작업을 반복할 수 있다. 또한, 반복적인 작업을 통해 획득한 상대 거리에 대한 데이터를 통계적으로 처리하여 제2 패턴 정보에 해당하는 분포를 획득할 수 있다.
실시예에서, 이러한 방법으로 제1 패턴 정보 및 제2 패턴 정보를 획득할 수 있으며, 또는 이러한 방법으로 기획득한 분포 정보를 저장할 수 있다.
다시, 도 1에서 외부 인터페이스(150)는, 사용자로부터 대상 의류 이미지를 수신하여 학습기(140)를 통해 대상 의류 이미지에 대한 제3 패턴 정보를 제공받고, 제1 패턴 정보 및 제2 패턴 정보와 비교하여 대상 의류 이미지에 대한 피팅 예상 결과를 도출할 수 있다.
실시예에서, 학습기(140)의 동작을 통해 외부 의류 이미지에 대해서 획득한 제1 패턴 정보 및 사용자 의류 이미지에 대해서 획득한 제2 패턴 정보를 이용하여, 사용자가 구매하고자 하는 대상 의류 이미지에 대한 피팅 예상 결과를 획득할 수 있다.
실시예에서, 사용자가 저장소(120)로 입력되는 사용자 의류 이미지가 증가할수록 저장소(120)는 사용자에 대해서 체형 정보 및 의류 선호 정보를 분석할 수 있는데, 예를 들어, 사용자는 특징점 9번, 14번 사이(가슴 둘레)가 상의 셔츠의 평균보다 10% 작은 슬림핏(Slim Fit)을 선호하면서, 동시에 특징점 1번, 4번(특징점 2번, 19번 동일)의 상대 거리, 즉 어깨는 평균보다 10% 넓은 셔츠를 선호하는 등의 정보를 제2 패턴 정보와 더불어 획득할 수 있다.
외부 인터페이스(150)는 의류 피팅 시스템(100)을 활용하고자 할 때의 연동을 담당하는 역할을 수행할 수 있다. 예를 들어, 외부 인터페이스(150)에서 오픈 API(Application Programming Interface)를 제공하고, 외부 사이트에서는 이 API를 활용하여 플러그인(Plug-In) 형태로 의류 구매 시 사용자가 선택한 의류가 체형에 맞는지를 판단하는 버튼을 제공할 수 있는데, 고객이 구매하고자 하는 의류의 본인 체형에의 적합성을 알아보기 위해 버튼을 누르는 경우, 해당 외부 사이트에서는 고객 기본 정보와 현재 고객이 주시 중인 의류 이미지와 의류의 기본 정보를 API를 통해 의류 피팅 시스템(100)으로 전달할 수 있다. 이렇게 전달된 정보 중, 의류 이미지는 학습기(140)에 전달되어 해당 의류 카테고리에 속하는 특징점들과 특징점들 간의 속성을 기반으로 분석하여 제3 패턴 정보를 생성할 수 있다. 다른 실시예에서, 사용자의 체형 정보 및 의류 선호 정보를 저장소(120)에서 검색하여 추출한 다음, 추출된 정보를 특징점 간에 구체적으로 비교하여 착용감 적합성 여부를 외부 인터페이스(150)에서 외부 사이트로 응답하는 형식으로 제공될 수 있다.
실시예를 위한 표 3 내지 표 5를 이용하여 자세히 설명하도록 한다.
Figure 112015075427106-pat00003
Figure 112015075427106-pat00004
Figure 112015075427106-pat00005
표 3의 고객 특성은 저장소(120)를 통해 입력된 사용자 의류 이미지들에 통계적으로 처리된 제2 패턴 정보에 해당하고, 평균은 크롤러(110)를 통해 입력된 외부 의류 이미지들에 대해서 통계적으로 처리된 제1 패턴 정보에 해당할 수 있다. 이에, 외부 사이트 등을 통해 입력된 대상 의류 이미지에 대해서 학습기(140)를 통해 각 특징점에 대한 상대 거리를 계산한 것으로 제품 특성을 제공할 수 있다.
외부 인터페이스 모듈(150)은 표 3과 같이 외부 인터페이스 모듈(150)로 입력되는 결과에 대해서 사용자가 이해하기 쉬운 형태로 피팅 예측 결과에 대한 응답 메시지를 만들 수 있는 매핑 룰 테이블(Mapping Rule Table)을 포함할 수 있으며, 이는 표 4와 같은 형태로 제공될 수 있다.
표 4에 의하면, 목 둘레에 대해서 피팅 예측 결과를 예측하기 위해서 특징점 1번 내지 4번에 대해서 계산된 상대 거리를 이용할 수 있다. 조건 1은 평균과 고객 특성을 이용하여 사용자의 체형 정보나 선호 의류 정보를 획득하기 위한 조건이며, 조건 2는 입력된 대상 의류 이미지가 사용자 체형 정보나 선호 의류 정보에 부합하는지에 대한 조건을 의미할 수 있다. 예를 들어, 고객 특성이 평균보다 10%이상 작은 경우, 사용자는 평균보다 작은 목 둘레를 가지고 있거나 목이 약간 조이는 의류를 선호하는 것으로 판단 가능하며, 제품 특성을 고객 특성과 평균에 비교하여 사용자의 피팅 예측 결과를 획득할 수 있다.
실시예에서, 사용자에게 최종적으로 전달되는 메시지는 표 5와 같은 메시지 형태로 제공될 수 있으며, 최종 구매 여부는 사용자가 선택할 수 있다.
도 4는 일실시예에 있어서, 의류 피팅 시스템의 동작 방법을 설명하기 위한 흐름도이다.
단계(410)에서, 의류 피팅 시스템(100)은 외부 의류 이미지의 제1 패턴 정보를 획득한다.
실시예에서, 의류 피팅 시스템(100)은 외부 사이트에서 외부 의류 이미지와 외부 의류 이미지에 대한 의류 정보를 시스템의 백그라운드에서 주기적으로 수집할 수 있다.
외부 사이트는 주로 인터넷 상의 오픈 마켓, SPA(Specialty store retailer of Private label Apparel Brand) 브랜드와 같은 의류 업체 사이트, SNS, 카페나 블로그 등의 온라인 사이트를 의미하며, 외부 사이트에서 의류의 사진에 해당하는 외부 의류 이미지와 함께 의류 종류(상의, 티셔츠, 남방 등) 및 사이즈 정보를 함께 수집할 수 있다.
의류 피팅 시스템(100)은 수집된 외부 의류 이미지에 대해서 의류의 카테고리를 분류할 수 있다. 실시예에서, 외부 의류 이미지와 함께 입력된 의류 정보를 이용하여 카테고리를 분류하거나 추출된 특징점들을 이용하여 카테고리를 분류할 수 있다.
또한, 추출된 특징점들을 외부 의류 이미지에 대해서 이미지 인식 기반으로 매핑하고 특징점들 간의 속성을 획득하여 머신 러닝(Machine Learning) 기법으로 카테고리 내의 다양한 의류에 대해서 패턴을 저장할 수 있다.
예를 들어, 외부 의류 이미지로 입력되는 의류 이미지들 각각의 특징점들 간의 상대 거리를 계산하여 각 의류 이미지의 제1 패턴 정보를 생성할 수 있다.
입력된 외부 의류 이미지에 대해서 각 카테고리에 맞게 추출된 특징점들 및 특징점들의 속성을 획득하고, 이를 외부 의류 이미지 상에 매핑한 후, 주요 특징점들 간의 상대 거리를 구하는 작업을 반복할 수 있다. 또한, 반복적인 작업을 통해 획득한 상대 거리에 대한 데이터를 통계적으로 처리하여 제1 패턴 정보에 해당하는 분포를 획득할 수 있다.
또는 이러한 방법을 통해 생성되어 있는 제1 패턴 정보를 획득할 수 있다.
이에, 특징점들 간의 상대 거리를 계산하여 카테고리 내 다양한 의류에 대한 패턴을 저장하는 실시예에 대해서 앞서 설명된 도 3을 참조할 수 있다.
단계(420)에서 의류 피팅 시스템(100)은 사용자 의류 이미지의 제2 패턴 정보를 획득한다.
실시예에서, 의류 피팅 시스템(100)은 사용자로부터 사용자 의류 이미지 및 사용자 의류 정보를 수집할 수 있다. 예를 들어, 사용자로부터 실제 소유하고 있는 의류에 대해서 찍힌 사진을 수신하고, 각 의류에 대해서 사이즈 정보 등을 함께 수신할 수 있다. 이를 통해, 사용자 본인이 소유한 사용자 의류 이미지 및 사용자 의류 정보를 저장하는 일종의 데이터베이스가 제공될 수 있다.
의류 피팅 시스템(100)은 사용자 의류 이미지 및 사용자 의류 정보를 입력 받아 사용자의 체형 정보 및 의류 선호 정보를 분석할 수 있다. 실시예를 통해, 사용자는 자신이 소유하는 의상에 대한 분석 정보를 획득할 수 있다. 또는, 사용자로부터 사용자 의류 이미지 및 사용자 의류 정보를 입력 받아 분석된 정보가 구축되어 있을 수 있다.
의류 피팅 시스템(100)은, 앞서 외부 의류 이미지에 대한 제1 패턴 정보를 수집하는 유사한 실시예로, 수집된 사용자 의류 이미지에 대해서 의류의 카테고리를 분류할 수 있다. 실시예에서, 사용자 의류 이미지와 함께 입력된 의류 정보를 이용하여 카테고리를 분류하거나 추출된 특징점들을 이용하여 카테고리를 분류할 수 있다.
또한, 추출된 특징점들을 사용자 의류 이미지에 대해서 이미지 인식 기반으로 매핑하고 특징점들 간의 속성을 획득하여 머신 러닝(Machine Learning) 기법으로 카테고리 내의 다양한 의류에 대해서 패턴을 저장할 수 있다.
예를 들어, 사용자 의류 이미지로 입력되는 의류 이미지들 각각의 특징점들 간의 상대 거리를 계산하여 각 의류 이미지의 제2 패턴 정보를 생성할 수 있다.
의상 피팅 시스템(100)은 입력된 외부 의류 이미지에 대해서뿐만 아니라 사용자로부터 입력되는 사용자 의류 이미지에 대해서도 각 카테고리에 맞게 추출된 특징점들 및 특징점들의 속성을 획득하고, 이를 의류 이미지 상에 매핑한 후, 주요 특징점들 간의 상대 거리를 구하는 작업을 반복할 수 있다. 또한, 반복적인 작업을 통해 획득한 상대 거리에 대한 데이터를 통계적으로 처리하여 제2 패턴 정보에 해당하는 분포를 획득할 수 있다.
또는 이러한 방법을 통해 생성되어 있는 제2 패턴 정보를 획득할 수 있다.
단계(430)에서 의류 피팅 시스템(100)은 사용자로부터 대상 의류 이미지를 수신한다.
대상 의류 이미지는 사용자가 구매하고자 하는 의류에 대한 이미지에 해당할 수 있다.
실시예에서, 의류 피팅 시스템(100)은 외부 사이트로 오픈 API(Application Programming Interface)를 제공하고, 외부 사이트에서는 이 API를 활용하여 플러그인(Plug-In) 형태로 의류 구매 시 사용자가 선택한 의류가 체형에 맞는지를 판단하는 버튼을 제공할 수 있는데, 버튼사이트에서는 이 API를 활용하여 플러그인(Plug-In) 형태로 의류 구매 시 사용자가 선택한 의류가 체형에 맞는지를 판단하는 버튼을 제공할 수 있는데, 버튼에 대한 입력이 감지되는 경우, 해당 외부 사이트에서는 고객 기본 정보와 현재 고객이 주시 중인 대상 의류 이미지와 의류의 기본 정보를 API를 통해 의류 피팅 시스템(100)으로 전달할 수 있다.
단계(440)에서 의류 피팅 시스템(100)은 대상 의류 이미지에 대한 제3 패턴 정보를 생성한다.
전달된 정보 중, 의류 이미지는 해당 의류 카테고리에 속하는 특징점들과 특징점들 간의 속성을 기반으로 분석하여 제3 패턴 정보를 생성할 수 있다. 제3 패턴 정보를 생성하는 데에 있어서, 제1 패턴 정보 및 제2 패턴 정보를 생성하기 위한 단계(410) 및 단계(420)의 실시예를 참조할 수 있다.
단계(450)에서 의류 피팅 시스템(100)은 제1 패턴 정보, 제2 패턴 정보, 및 제3 패턴 정보에 기초하여, 대상 의류 이미지에 대한 피팅 예상 결과를 도출한다.
사용자로부터 대상 의류 이미지를 수신하여 대상 의류 이미지에 대한 제3 패턴 정보를 제공받고, 제1 패턴 정보 및 제2 패턴 정보와 비교하여 사용자가 구매하고자 하는 대상 의류 이미지에 대한 피팅 예상 결과를 도출할 수 있다.
실시예에서, 사용자의 체형 정보 및 의류 선호 정보를 검색하여 추출한 다음, 추출된 정보를 특징점 간에 구체적으로 비교하여 착용감 적합성 여부를 외부 사이트로 응답하는 형식이 포함될 수 있다. 예를 들어, 제품 특성을 고객 특성과 평균에 비교하여 사용자 의류 선호 정보에 기초한 대상 의류 이미지의 피팅 예측 결과를 획득할 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 비록 한정된 도면에 의해 실시예들이 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다. 그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (19)

  1. 외부 사이트의 외부 의류 이미지 및 외부 의류 정보를 주기적으로 수집하는 크롤러;
    사용자로부터 사용자 의류 이미지 및 사용자 의류 정보를 수집하는 저장소;
    상기 외부 의류 이미지 및 상기 사용자 의류 이미지에 대한 특징점들을 추출하는 특징점 매퍼;
    상기 특징점들을 이용하여 상기 외부 의류 이미지의 제1 패턴 정보 및 상기 사용자 의류 이미지의 제2 패턴 정보를 생성하는 학습기; 및
    상기 사용자로부터 대상 의류 이미지를 수신하여 상기 학습기에서 상기 대상 의류 이미지에 대한 제3 패턴 정보를 제공받고, 상기 제1 패턴 정보 및 상기 제2 패턴 정보와 비교하여 상기 대상 의류 이미지에 대한 피팅 예상 결과를 도출하는 외부 인터페이스
    를 포함하고,
    상기 특징점 매퍼는,
    상기 외부 의류 이미지 및 상기 사용자 의류 이미지에서 특정 지점들 각각에 대한 특징점들을 추출하고,
    상기 각각의 의류 이미지의 특징점들에 대해서 각 특징점에 대한 발견 여부, 상기 특징점들 간의 간격 및 상기 특징점들 사이에서 각도 변화 중 적어도 하나를 이용하여 상기 각각의 의류 이미지를 카테고리화하는,
    의류 피팅 시스템.
  2. 삭제
  3. 삭제
  4. 제1항에 있어서,
    상기 학습기는,
    상기 특징점 매퍼에서 추출된 특징점들을 제공받아 상기 외부 의류 이미지 및 상기 사용자 의류 이미지 각각의 이미지 기반으로 매핑하는,
    의류 피팅 시스템.
  5. 제1항에 있어서,
    상기 학습기는,
    상기 외부 의류 이미지 및 상기 사용자 의류 이미지 각각의 특징점들 간의 상대 거리를 계산하여 각 의류 이미지의 상기 제1 패턴 정보 및 상기 제2 패턴 정보를 생성하는,
    의류 피팅 시스템.
  6. 제1항에 있어서,
    상기 저장소는,
    상기 학습기로부터 상기 사용자 의류 이미지에 대한 상기 제2 패턴 정보를 제공받고, 상기 제2 패턴 정보를 이용하여 상기 사용자의 체형 정보 및 의류 선호 정보를 생성하는,
    의류 피팅 시스템.
  7. 제1항에 있어서,
    상기 외부 인터페이스는,
    상기 제1 패턴 정보, 상기 제2 패턴 정보 및 상기 제3 패턴 정보에 대해서 각 특징점들 간의 상대거리를 비교하여 상기 피팅 예상 결과를 도출하는,
    의류 피팅 시스템.
  8. 제1항에 있어서,
    상기 외부 인터페이스는,
    상기 제1 패턴 정보, 상기 제2 패턴 정보 및 상기 제3 패턴 정보의 특징점들 간 상대거리를 비교하기 위한 매핑 테이블(Mapping Table)을 포함하는,
    의류 피팅 시스템.
  9. 외부 의류 이미지의 제1 패턴 정보를 획득하는 단계;
    사용자 의류 이미지의 제2 패턴 정보를 획득하는 단계;
    사용자로부터 대상 의류 이미지를 수신하는 단계;
    상기 대상 의류 이미지에 대한 제3 패턴 정보를 생성하는 단계; 및
    상기 제1 패턴 정보, 상기 제2 패턴 정보, 및 상기 제3 패턴 정보에 기초하여, 상기 대상 의류 이미지에 대한 피팅 예상 결과를 도출하는 단계
    를 포함하고,
    상기 외부 의류 이미지의 제1 패턴 정보를 획득하는 단계는,
    상기 외부 의류 이미지 및 상기 사용자 의류 이미지에서 특정 지점들 각각에 대한 특징점들을 추출하는 단계; 및
    상기 각각의 의류 이미지의 특징점들에 대해서 각 특징점에 대한 발견 여부, 상기 특징점들 간의 간격 및 상기 특징점들 사이에서 각도 변화 중 적어도 하나를 이용하여 상기 각각의 의류 이미지를 카테고리화하는 단계
    를 포함하는,
    의류 피팅 시스템의 동작 방법.
  10. 제9항에 있어서,
    상기 외부 의류 이미지의 패턴 정보를 획득하는 단계는
    외부 사이트의 외부 의류 이미지 및 상기 외부 의류 이미지의 외부 의류 정보를 주기적으로 수집하는 단계; 및
    상기 외부 의류 이미지의 특징점들을 추출하여 상기 외부 의류 이미지의 패턴 정보를 생성하는 단계
    를 포함하는,
    의류 피팅 시스템의 동작 방법.
  11. 제9항에 있어서,
    상기 사용자 의류 이미지의 제2 패턴 정보를 획득하는 단계는,
    사용자로부터 상기 사용자 의류 이미지 및 사용자 의류 정보를 수집하는 단계; 및
    상기 사용자 의류 이미지에 대한 특징점들을 추출하여 상기 사용자 의류 이미지의 패턴 정보를 생성하는 단계
    를 포함하는,
    의류 피팅 시스템의 동작 방법.
  12. 삭제
  13. 삭제
  14. 제10항에 있어서,
    상기 외부 의류 이미지의 제1 패턴 정보를 획득하는 단계는,
    상기 추출된 특징점들을 이용하여 상기 외부 의류 이미지의 이미지 기반으로 매핑하는 단계
    를 포함하는,
    의류 피팅 시스템의 동작 방법.
  15. 제10항에 있어서,
    상기 외부 의류 이미지의 제1 패턴 정보를 획득하는 단계는,
    상기 외부 의류 이미지의 특징점들 간의 상대 거리를 계산하여 상기 외부 의류 이미지의 상기 제1 패턴 정보를 생성하는 단계
    를 포함하는,
    의류 피팅 시스템의 동작 방법.
  16. 제9항에 있어서,
    상기 사용자 의류 이미지의 제2 패턴 정보를 획득하는 단계는,
    상기 사용자 의류 이미지에 대한 상기 제2 패턴 정보를 이용하여 상기 사용자의 체형 정보 및 의류 선호 정보를 생성하는 단계
    를 포함하는,
    의류 피팅 시스템의 동작 방법.
  17. 제9항에 있어서,
    상기 대상 의류 이미지에 대한 피팅 예상 결과를 도출하는 단계는,
    상기 제1 패턴 정보, 상기 제2 패턴 정보 및 상기 제3 패턴 정보에 대해서 각 특징점들 간의 상대거리를 비교하여 상기 피팅 예상 결과를 도출하는 단계
    를 포함하는,
    의류 피팅 시스템의 동작 방법.
  18. 제9항에 있어서,
    상기 피팅 예상 결과는,
    상기 외부 의류 이미지, 상기 사용자 의류 이미지 및 상기 대상 의류 이미지 각각의 특징점들 간 상대거리를 비교하기 위한 매핑 테이블(Mapping Table)을 이용하여 생성되는,
    의류 피팅 시스템의 동작 방법.
  19. 하드웨어와 결합되어 제9항 내지 제11항 및 제14항 내지 제18항 중 어느 하나의 항의 방법을 실행시키기 위하여 매체에 저장된 컴퓨터 프로그램.
KR1020150109830A 2015-08-04 2015-08-04 의류 피팅 시스템 및 의류 피팅 시스템의 동작 방법 KR102580009B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020150109830A KR102580009B1 (ko) 2015-08-04 2015-08-04 의류 피팅 시스템 및 의류 피팅 시스템의 동작 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020150109830A KR102580009B1 (ko) 2015-08-04 2015-08-04 의류 피팅 시스템 및 의류 피팅 시스템의 동작 방법

Publications (2)

Publication Number Publication Date
KR20170016578A KR20170016578A (ko) 2017-02-14
KR102580009B1 true KR102580009B1 (ko) 2023-09-18

Family

ID=58121297

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020150109830A KR102580009B1 (ko) 2015-08-04 2015-08-04 의류 피팅 시스템 및 의류 피팅 시스템의 동작 방법

Country Status (1)

Country Link
KR (1) KR102580009B1 (ko)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102195190B1 (ko) 2018-08-29 2020-12-24 서울과학기술대학교 산학협력단 가상 의상 피팅 장치 및 방법
KR20200034028A (ko) 2018-09-13 2020-03-31 정형록 인공지능 기반 가상 피팅 시스템 및 방법
KR102319997B1 (ko) 2018-10-10 2021-11-01 이재갑 머신러닝 기반의 의류 핏 추천 장치
KR102382633B1 (ko) * 2019-11-29 2022-04-04 오드컨셉 주식회사 패션 정보 제공 방법, 장치 및 시스템
KR102326902B1 (ko) 2020-01-10 2021-11-17 (주)내스타일 멀티 포즈를 지원하는 이미지 기반 자세보존 가상피팅 시스템
KR102202843B1 (ko) * 2020-04-14 2021-01-14 이상철 3차원 아바타를 이용한 온라인 의류 시착 서비스 제공 시스템

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100514757B1 (ko) * 2000-05-09 2005-09-15 (주)모즐 통신망을 통해 영상 합성 및 인식 기술을 이용한 의류판매 시스템 및 방법
KR101100067B1 (ko) * 2010-08-09 2011-12-29 (주) 한턱 사용자별 치수 비교 장치 및 방법

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110123848A (ko) * 2010-05-10 2011-11-16 이경환 가상 피팅룸 서비스의 구현 방법 및 시스템

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100514757B1 (ko) * 2000-05-09 2005-09-15 (주)모즐 통신망을 통해 영상 합성 및 인식 기술을 이용한 의류판매 시스템 및 방법
KR101100067B1 (ko) * 2010-08-09 2011-12-29 (주) 한턱 사용자별 치수 비교 장치 및 방법

Also Published As

Publication number Publication date
KR20170016578A (ko) 2017-02-14

Similar Documents

Publication Publication Date Title
KR102580009B1 (ko) 의류 피팅 시스템 및 의류 피팅 시스템의 동작 방법
JP7171085B2 (ja) 画像処理システム
US10747826B2 (en) Interactive clothes searching in online stores
KR102425462B1 (ko) 패션 선호도 분석 기법
Liu et al. Fashion landmark detection in the wild
US20210287091A1 (en) Neural network training method and image matching method and apparatus
TWI559242B (zh) 視覺化服飾檢索
US9390315B1 (en) Image match for featureless objects
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
US11475500B2 (en) Device and method for item recommendation based on visual elements
US9396555B2 (en) Reference based sizing
US9996763B2 (en) Systems and methods for evaluating suitability of an article for an individual
Zhao et al. Clothing cosegmentation for shopping images with cluttered background
JP2019194625A (ja) プログラム、情報処理方法、及び情報処理装置
US9672436B1 (en) Interfaces for item search
US20160042233A1 (en) Method and system for facilitating evaluation of visual appeal of two or more objects
Hou et al. Particle-based perception of garment folding for robotic manipulation purposes
Lei et al. A new clothing image retrieval algorithm based on sketch component segmentation in mobile visual sensors
US11972466B2 (en) Computer storage media, method, and system for exploring and recommending matching products across categories
US20200372560A1 (en) Method for exploring and recommending matching products across categories
JP2022010108A (ja) 不正推定システム、不正推定方法、及びプログラム

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E601 Decision to refuse application
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant