KR102593305B1 - 인공지능 기반 의류 사이즈 추천 방법 및 시스템 - Google Patents

Abstract

본 발명은 인공지능 기반의 의류 사이즈 추천 방법에 관한 것이다. 인공지능 기반의 의류 사이즈 추천 방법은 사용자로부터 설문에 대한 응답을 제공받는 단계, 상기 사용자의 신체 치수를 제공받는 단계, 상기 설문에 대한 응답으로부터 상기 사용자의 선호 여유량을 결정하는 단계, 상기 사용자의 신체 치수를 기초로 제1 의류 사이즈를 결정하는 단계, 상기 제1 의류 사이즈 및 상기 사용자의 선호 여유량을 이용하여, 제2 의류 사이즈를 결정하는 단계 및 상기 제2 의류 사이즈를 상기 사용자에게 제공하는 단계를 포함한다.

Description

인공지능 기반 의류 사이즈 추천 방법 및 시스템{Method and system for recommending clothing size based on artificial intelligence}

본 발명은 인공지능 기반의 의류 사이즈 추천 방법 및 시스템에 대해 설명한다. 구체적으로, 본 발명은 사용자의 선호 여유량을 기초로 사용자가 선호하는 맞음새의 의류 사이즈를 추천하는 방법 및 시스템에 대해 설명한다.

최근 온라인을 이용한 의류 등의 구매량이 폭발적으로 증가하고 있다. 온라인을 통한 쇼핑은 소비자가 직접 의류 등을 착용해 볼 수 없기 때문에 정확한 사이즈를 선정하여 구매하는 것이 필요하다. 이를 위해, 소비자는 직접 본인의 신체 치수를 측정하여, 이와 매칭되는 사이즈의 의류 등을 구매하거나, 온라인 쇼핑 플랫폼 등에 측정된 신체 치수를 기입하여, 온라인 쇼핑 플랫폼에서 추천해주는 사이즈의 의류 등을 구매하는 방식을 이용하고 있다.

종래의 의류 사이즈의 추천 방법은 단순히 사용자가 입력한 신체 치수와 의류의 실측 사이즈를 비교하여 가장 적합한 사이즈를 추천한다. 그러나, 의류의 형태나 종류에 따라 사용자의 신체에 타이트하게 착의하거나, 사용자의 신체에 여유있게 착의하는 것이 적합한 맞음새일 수 있다. 따라서, 단순히 신체 치수 기반의 의류 사이즈 추천 방법을 통하여는, 의류의 형태나 종류를 반영하지 못하므로 적합한 맞음새의 의류 사이즈를 추천할 수 없다.

뿐만 아니라, 특정 사용자는 의류를 타이트하게 착의하는 것을 선호할 수도 있고, 다른 특정 사용자는 의류를 여유있게 착의하는 것을 선호할 수도 있고, 또 다른 특정 사용자는 의류를 본인의 신체에 딱 맞게 착의하는 것을 선호할 수도 있다. 따라서, 종래의 의류 사이즈 추천 방법은 이러한 사용자의 선호도를 반영할 수 없다는 단점이 있다.

또한, 일반적인 소비자의 경우 신체 치수를 측정하는 방법을 정확히 숙지하고 있지는 않으므로, 소비자가 측정하는 신체 위치가 정확하지 않거나, 측정기구의 잘못된 사용으로 신체 치수 측정의 정확도가 떨어질 수 있다. 이러한 잘못 측정된 신체 치수를 이용하여 의류 등의 사이즈를 결정한 경우, 맞음새에 대한 만족도가 떨어지고 이는 곧 교환 및 반품으로 이어지므로, 시간적, 금전적 비용이 발생된다.

상술한 문제점들로 인해, 사용자의 의류 사이즈를 결정할 때 사용자의 신체 치수 외의 더욱 복합적인 요소를 고려하는 새로운 의류 사이즈 추천 방법 및 시스템에 대한 개발이 필요한 실정이다.

본 발명의 과제는, 전문가의 맞음새 평가 데이터에 기초한 의류 사이즈 추천 방법 및 시스템을 제공하는 것이다.

본 발명의 다른 과제는, 사용자의 선호 여유량에 기초한 의류 사이즈 추천 방법 및 시스템을 제공하는 것이다.

본 발명의 또 다른 과제는, 사용자의 신체 치수를 정확히 측정하여 이를 반영한 의류 사이즈 추천 방법 및 시스템을 제공하는 것이다.

본 발명의 목적들은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 발명의 실시예에 의해 보다 분명하게 이해될 것이다. 또한, 본 발명의 목적 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 쉽게 알 수 있을 것이다.

상기 과제를 해결하기 위한 본 발명의 몇몇 실시예에 따른 인공지능 기반 의류 사이즈 추천 방법은, 사용자로부터 설문에 대한 응답을 제공받는 단계, 상기 사용자의 신체 치수를 제공받는 단계, 상기 설문에 대한 응답으로부터 상기 사용자의 선호 여유량을 결정하는 단계, 상기 사용자의 신체 치수를 기초로 제1 의류 사이즈를 결정하는 단계, 상기 제1 의류 사이즈 및 상기 사용자의 선호 여유량을 이용하여, 제2 의류 사이즈를 결정하는 단계 및 상기 제2 의류 사이즈를 상기 사용자에게 제공하는 단계를 포함한다.

몇몇 실시예에서, 상기 사용자가 선택한 제3 의류 사이즈 및 상기 사용자의 구매 후기 중 적어도 하나를 피드백하는 단계를 더 포함할 수 있다.

몇몇 실시예에서, 상기 사용자로부터 설문에 대한 응답을 제공받는 단계는, 상기 사용자에게 가상 착의 데이터의 정면, 측면 및 후면 이미지 중 적어도 하나의 평가 이미지를 제공하는 단계 및 상기 사용자가 상기 적어도 하나의 평가 이미지에 대한 평가항목별 평가점수를 부여하는 단계를 포함할 수 있다.

몇몇 실시예에서, 상기 설문에 대한 응답으로부터 상기 사용자의 선호 여유량을 결정하는 단계는, 상기 평가항목별 평가점수와, 미리 결정된 평가항목별 가중치를 기초로 상기 사용자의 선호 여유량을 결정하는 단계를 포함할 수 있다.

몇몇 실시예에서, 상기 설문은 복수의 평가항목을 포함하고, 상기 복수의 평가항목은 전문가에 의해 생성된 제1 맞음새 평가 데이터와, 일반 소비자에 의해 생성된 제2 맞음새 평가 데이터를 비교하여 결정될 수 있다.

몇몇 실시예에서, 상기 복수의 평가항목 각각에 대한 가중치는 상기 제1 맞음새 평가 데이터와 상기 제2 맞음새 평가 데이터를 비교하여 결정될 수 있다.

몇몇 실시예에서, 상기 제1 맞음새 평가 데이터는 제1 가상 착의 데이터 및 제2 가상 착의 데이터의 맞음새에 대한 전문가의 평가 결과를 포함하고, 상기 제2 맞음새 평가 데이터는 상기 제1 가상 착의 데이터 및 상기 제2 가상 착의 데이터의 맞음새에 대한 일반 소비자의 평가 결과를 포함하고, 상기 제1 가상 착의 데이터는 제1 삼차원 모델링 형상 데이터에 제1 가상 의류를 가상으로 착의하여 생성하고, 상기 제2 가상 착의 데이터는 상기 제1 삼차원 모델링 형상 데이터에 상기 제1 가상 의류와 다른 제2 가상 의류를 가상으로 착의하여 생성하되, 상기 제1 가상 의류와 상기 제2 가상 의류의 디자인은 서로 동일하고, 사이즈는 서로 다를 수 있다.

몇몇 실시예에서, 상기 사용자의 신체 치수를 제공받는 단계는, 상기 사용자가 직접 상기 사용자의 신체 치수를 입력하거나, 인공지능 기반의 사용자 신체 치수 추정 방법을 이용하여 상기 사용자의 신체 치수를 추정하는 단계를 포함하되, 상기 인공지능 기반의 사용자 신체 치수 추정 방법은, 훈련 데이터 셋을 생성하는 단계, 상기 훈련 데이터 셋을 이용하여 신체 치수 추정모델을 훈련하는 단계, 사용자를 제1 방향에서 촬상한 제1 이미지와, 상기 제1 방향과 다른 제2 방향에서 촬상한 제2 이미지를 상기 신체 치수 추정모델에 제공하는 단계 및 상기 제1 이미지 및 상기 제2 이미지를 이용하여, 상기 사용자의 신체 치수를 적어도 하나 추정하는 단계를 포함하되, 상기 훈련 데이터 셋을 생성하는 단계는, 미리 측정되어 저장된 삼차원 인체 데이터로부터 제1 삼차원 모델링 형상을 추출하는 단계 및 상기 제1 삼차원 모델링 형상을 이용하여, 서로 다른 방향에서 촬상된 제1 훈련 이미지 및 제2 훈련 이미지를 생성하는 단계를 포함할 수 있다.

몇몇 실시예에서, 상기 제1 이미지 및 상기 제2 이미지를 이용하여, 상기 사용자의 신체 치수를 적어도 하나 추정하는 단계는, 상기 제1 이미지 및 상기 제2 이미지에 대한 전처리 동작을 수행하여 유효 신체 폭 데이터를 생성하는 단계 및 상기 유효 신체 폭 데이터를 상기 훈련된 신체 치수 추정모델에 제공하여, 상기 사용자의 신체 치수를 적어도 하나 추정하는 단계를 포함할 수 있다.

상기 과제를 해결하기 위한 본 발명의 몇몇 실시예에 따른 인공지능 기반 의류 사이즈 추천 시스템은, 사용자의 설문에 대한 응답을 기초로, 상기 사용자의 선호 여유량을 결정하는 선호 여유량 평가 모듈, 상기 사용자의 신체 치수를 제공받고, 상기 사용자의 신체 치수에 최적 맞음새를 갖는 제1 의류 사이즈를 결정하는 맞음새 결정 모듈 및 상기 사용자의 선호 여유량과 상기 제1 의류 사이즈를 기초로, 상기 사용자의 선호 맞음새를 갖는 제2 의류 사이즈를 결정하는 사이즈 결정 모듈을 포함한다.

본 발명의 인공지능 기반의 의류 사이즈 추천 방법 및 시스템은 의류의 종류별로 적정 맞음새에 대해 전문가가 평가한 전문가 평가 데이터를 이용하여, 의류 사이즈를 결정하기 때문에, 의류의 종류에 구애받지 않고 적정 맞음새의 의류 사이즈를 추천하므로, 더욱 더 적절한 의류 사이즈를 추천할 수 있고, 이에 따라 사용자의 만족도가 더 증가할 수 있다.

또한, 본 발명의 인공지능 기반의 의류 사이즈 추천 방법 및 시스템은 사용자의 선호 여유량에 기초하여, 의류 사이즈를 결정하기 때문에 사용자 중심의 의류 사이즈를 추천할 수 있고, 이에 따라 사용자의 만족도가 더 증가할 수 있다.

또한, 본 발명의 인공지능 기반의 의류 사이즈 추천 방법 및 시스템은 복잡한 측정 장치가 없이도 사용자의 신체 치수를 정확하게 측정할 수 있으므로, 더욱 더 적절한 의류 사이즈를 추천할 수 있고, 이에 따라 사용자의 만족도가 더 증가할 수 있다.

상술한 내용 외에도, 본 발명의 구체적인 효과는 이하 발명을 실시하기 위한 구체적인 사항을 설명하면서 함께 기술한다.

도 1은 본 발명의 몇몇 실시예에 따른 인공지능 기반의 의류 사이즈 추천 시스템의 구성을 개략적으로 설명하기 위한 도면이다.
도 2는 본 발명의 몇몇 실시예에 따른 사이즈 추천 모델의 개략적인 구성을 설명하기 위한 도면이다.
도 3은 본 발명의 몇몇 실시예에 따른 사이즈 추천 모델의 전체적인 동작을 설명하기 위한 도면이다.
도 4는 본 발명의 몇몇 실시예에 다른 사이즈 추천 모델의 구체적인 구조를 설명하기 위한 도면이다.
도 5는 본 발명의 몇몇 실시예에 따른 선호 여유량 결정 모듈의 동작을 구체적으로 설명하기 위한 도면이다.
도 6은 본 발명의 몇몇 실시예에 따른 선호 여유량 결정 모듈에서 제공하는 설문을 예시적으로 도시한 도면이다.
도 7은 본 발명의 몇몇 실시예에 따른 설문에 포함된 평가 항목 및 이들에 대한 가중치를 결정하는 방법을 설명하기 위한 도면이다.
도 8은 본 발명의 다른 몇몇 실시예에 따른 인공지능 기반의 의류 사이즈 추천 시스템의 구성을 개략적으로 설명하기 위한 도면이다.
도 9는 본 발명의 몇몇 실시예에 따른 신체 치수 추정모델의 구성을 설명하기 위한 도면이다.
도 10은 본 발명의 몇몇 실시예에 따른 인공지능 기반의 사용자 신체 치수 측정 방법의 전체 흐름을 설명하기 위한 도면이다.
도 11은 본 발명의 몇몇 실시예에 따른 신체 치수 추정모델의 훈련 모듈의 구성을 설명하기 위한 도면이다.
도 12는 본 발명의 몇몇 실시예에 따른 훈련 모듈이 훈련 데이터 셋을 생성하는 과정을 설명하기 위한 도면이다.
도 13 내지 도 17은 도 12의 훈련 데이터 셋을 생성하는 과정을 예시적으로 설명하기 위한 도면이다.
도 18은 본 발명의 몇몇 실시예에 따른 훈련 모듈(121)이 신체 치수 알고리즘을 최적화하는 과정을 설명하기 위한 도면이다.
도 19는 본 발명의 몇몇 실시예에 따른 훈련 이미지를 전처리하는 과정을 설명하기 위한 도면이다.
도 20 내지 도 22는 도 19의 훈련 이미지의 전처리 과정을 예시적으로 설명하기 위한 도면이다.
도 23은 본 발명의 몇몇 실시예에 따른 추정 모듈의 구성을 설명하기 위한 도면이다.
도 24는 본 발명의 몇몇 실시예에 따른 추정 모듈의 동작을 설명하기 위한 도면이다.
도 25는 본 발명의 다른 몇몇 실시예에 따른 인공지능 기반의 사용자 신체 치수 측정 방법의 전체 흐름을 설명하기 위한 도면이다.
도 26은 본 발명의 다른 몇몇 실시예에 따른 신체 치수 추정모델의 훈련 모듈의 구성을 설명하기 위한 도면이다.
도 27은 본 발명의 다른 몇몇 실시예에 따른 신체 치수 추정모델의 추정 모듈의 구성을 설명하기 위한 도면이다.
도 28은 본 발명의 다른 몇몇 실시예에 따른 이미지를 전처리하는 과정을 설명하기 위한 도면이다.

본 명세서 및 청구범위에서 사용된 용어나 단어는 일반적이거나 사전적인 의미로 한정하여 해석되어서는 아니된다. 발명자가 그 자신의 발명을 최선의 방법으로 설명하기 위해 용어나 단어의 개념을 정의할 수 있다는 원칙에 따라, 본 발명의 기술적 사상과 부합하는 의미와 개념으로 해석되어야 한다. 또한, 본 명세서에 기재된 실시예와 도면에 도시된 구성은 본 발명이 실현되는 하나의 실시예에 불과하고, 본 발명의 기술적 사상을 전부 대변하는 것이 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형 및 응용 가능한 예들이 있을 수 있음을 이해하여야 한다.

본 명세서 및 청구범위에서 사용된 제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. '및/또는' 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.

본 명세서 및 청구범위에서 사용된 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서 "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 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 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해서 일반적으로 이해되는 것과 동일한 의미를 가지고 있다.

일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

또한, 본 발명의 각 실시예에 포함된 각 구성, 과정, 공정 또는 방법 등은 기술적으로 상호 간 모순되지 않는 범위 내에서 공유될 수 있다.

이하, 도 1 내지 도 7을 이용하여 인공지능 기반 의류 사이즈 추천 시스템 및 방법을 설명한다.

도 1은 본 발명의 몇몇 실시예에 따른 인공지능 기반의 의류 사이즈 추천 시스템의 구성을 개략적으로 설명하기 위한 도면이다.

도 1을 참조하면, 인공지능 기반의 의류 사이즈 추천 시스템은 서버(100), 사용자 단말(200) 및 통신망(300)을 포함할 수 있다.

서버(100)는 통신망(300)을 통해 사용자 단말(200)과 데이터를 교환할 수 있다. 예를 들어, 서버(100)는 통신망(300)을 통해 사용자 단말(200)에 평가 설문을 제공할 수 있다. 또한, 서버(100)는 통신망(300)을 통해 사용자 단말(200)로부터 평가 설문에 대한 응답을 제공받을 수 있다.

서버(100)는 사이즈 추천 모델(110)을 포함할 수 있다. 사이즈 추천 모델(110)은 인공지능 기반의 의류 사이즈 결정 모델이며, 사용자의 선호 여유량, 전문가로부터의 맞음새 평가 데이터 및 사용자의 신체 치수를 기반으로 추천 의류 사이즈를 결정할 수 있다. 사이즈 추천 모델(110)은 실제 사용자가 선택한 의류 사이즈와, 사용자의 피드백을 이용하여 이를 지속적으로 학습 및 갱신할 수 있다. 구체적인 설명은 후술한다.

비록, 도면 상에는 하나의 서버(100)만을 도시하였으나, 이는 서버(100)가 단 하나의 서버로 구성된다는 것을 의미하지는 않는다. 예를 들어, 서버(100)는 복수개의 서버를 포함하고 있으며, 이하에서 설명하는 인공지능 기반의 의류 사이즈 방법의 적어도 일부 단계는 서로 다른 서버에서 수행될 수 있다. 다시 말해서, 서버(100)는 본 발명의 몇몇 실시예에 따른 인공지능 기반의 의류 사이즈 추천 방법을 수행하는 하나 이상의 서버를 의미할 수 있다.

또한, 비록 본 명세서에서는 설명의 편의를 위해 '의류' 사이즈 추천 방법 및 시스템에 대해 설명하나 실시예들이 이에 제한되지는 않는다. 본 발명의 기술 분야에서 통상의 지식을 가진 자는 본 발명의 범위를 벗어나지 않고 본 발명의 '의류'사이즈 추천 방법을 신발, 모자, 안경 등 다양한 아이템들의 사이즈 추천 방법에 적용할 수 있을 것이다. 다시 말해서, 본 발명의 '의류'는 신발, 모자, 안경 등 사이즈 결정이 필요한 다양한 아이템들을 모두 포함하는 의미로 이해하여야 할 것이다.

전술한 바와 같이, 사용자 단말(200)은 통신망(300)을 통해 서버(100)와 데이터 통신을 수행할 수 있다. 사용자 단말(200)은 통신망(300)을 통해 서버(100)로부터 평가 설문을 제공받을 수 있고, 이에 대한 응답을 서버(100)로 제공할 수 있다.

사용자 단말(200)은 유무선 통신 환경에서 어플리케이션을 동작시킬 수 있는 통신 단말을 의미한다. 사용자 단말(200)은 어플리케이션을 동작시킬 수 있는 장치에 제한없이 적용될 수 있다. 예를 들어, 사용자 단말(200)은 퍼스널 컴퓨터(PC), 노트북, 태블릿, 휴대폰, 스마트폰, 웨어러블 디바이스 등의 다양한 형태의 전자 장치를 포함할 수 있다. 용어 '어플리케이션'은, 컴퓨팅 장치에서 실행되는 모든 일련의 단계 또는 소프트웨어를 의미할 수 있다. 예를 들어, 어플리케이션은 모바일 어플리케이션, 웹 어플리케이션 및 웹 페이지 등을 포함할 수 있다.

부가적으로, 사용자 단말(200)은 사용자의 입력을 수신하는 입력부, 비주얼 정보를 디스플레이 하는 디스플레이부, 외부와 신호를 송수신하는 통신부, 사용자의 얼굴을 촬영하는 카메라부, 사용자의 음성을 디지털 데이터로 변환하는 마이크부, 및 데이터를 프로세싱하고 사용자 단말(200) 내부의 각 유닛들을 제어하며 유닛들 간의 데이터 송/수신을 제어하는 제어부를 포함할 수 있다.

또한, 도면 상에는 하나의 사용자 단말(200)만을 도시하였으나, 본 발명이 이에 한정되는 것은 아니며, 서버(100)는 복수의 사용자 단말(200)과 연동하여 동작할 수 있다.

한편, 통신망(300)은 서버(100) 및 사용자 단말(200)을 연결하는 역할을 수행한다. 즉, 통신망(300)은 사용자 단말(200)이 서버(100)에 접속한 후 데이터를 송수신할 수 있도록 접속 경로를 제공하는 통신망을 의미한다. 통신망(300)은 예컨대 LANs(Local Area Networks), WANs(Wide Area Networks), MANs(Metropolitan Area Networks), ISDNs(Integrated Service Digital Networks) 등의 유선 네트워크나, 무선 LANs, CDMA, 블루투스, 위성 통신 등의 무선 네트워크를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.

서버(100)에 포함된 사이즈 추천 모델(110)의 구성에 대해 설명하기 위해, 도 2를 더 참조한다.

도 2는 본 발명의 몇몇 실시예에 따른 사이즈 추천 모델의 개략적인 구성을 설명하기 위한 도면이다.

도 2를 참조하면, 사이즈 추천 모델(110)은 선호 여유량 평가 모듈(111), 맞음새 결정 모듈(112) 및 사이즈 결정 모듈(113)을 포함할 수 있다. 용어 '모듈'은 특정 기능을 수행하는 구성요소를 의미한다. 따라서, 서로 다른 '모듈'은 서로 다른 기능을 수행하는 구성요소를 의미하는 것이지, 반드시 하드웨어적으로 서로 다른 것을 의미하지는 않는다. 예를 들어, 선호 여유량 평가 모듈(111), 맞음새 결정 모듈(112) 및 사이즈 결정 모듈(113)의 적어도 일부는 서로 다른 하드웨어로 구성될 수도 있다. 다른 예를 들어, 선호 여유량 평가 모듈(111), 맞음새 결정 모듈(112) 및 사이즈 결정 모듈(113)은 모두 동일한 하드웨어로 구성되고, 소프트웨어/펌웨어에 의해 그 기능이 구분될 수도 있다. 사이즈 추천 모델(110)의 구성 및 방법에 대한 더욱 구체적인 설명을 위해 도 3 및 도 4를 더 참조한다.

도 3은 본 발명의 몇몇 실시예에 따른 사이즈 추천 모델의 전체적인 동작을 설명하기 위한 도면이다. 도 4는 본 발명의 몇몇 실시예에 다른 사이즈 추천 모델의 구체적인 구조를 설명하기 위한 도면이다. 본 명세서에서 순서도로 도시한 것은 설명의 편의를 위한 것이며, 순서도의 각 단계의 순서는 시계열적으로 나열된 것은 아니다. 다시 말해서, 순서도에 도시된 각 단계들은 서로 순서가 뒤바뀔수도 있고, 적어도 일부의 단계들은 동시에 수행될 수도 있을 것이다.

도 3 및 도 4를 참조하면, 선호 여유량 평가 모듈(111)은 통신망(300)을 통해 사용자 단말(200)에 선호 여유량 결정을 위한 설문을 제공할 수 있다. 사용자는 사용자 단말(200)을 통해 설문에 대해 응답하고, 설문에 대한 응답(Rsp)은 통신망(300)을 통해 서버(100), 즉 사이즈 추천 모델(110)의 선호 여유량 평가 모듈(111)에 제공될 수 있다. 설문은 가상 착의 이미지와, 해당 가상 착의 이미지에 대한 평가 항목으로 구성될 수 있으며, 구체적 설명은 후술한다.

선호 여유량 평가 모듈(111)은 사용자 단말(200)에서 제공받은 설문에 대한 응답(Rsp)을 기초로, 사용자의 선호 여유량(PM)을 결정할 수 있다(S100). 선호 여유량이란 사용자가 신체에 타이트하게 착의하는 것을 선호하는지, 딱 맞게 착의하는 것을 선호하는지 또는 여유있게 착의하는 것을 선호하는지에 대한 요소이다.

선호 여유량을 사용자가 자의적으로 판단하여 결정하면, 사용자의 주관적인 판단으로 인해 선호 여유량에 대한 데이터를 객관화할 수 없다는 단점이 있다. 다시 말해서, 특정 사용자는 본인이 여유있게 착의하는 것을 선호한다고 생각하나, 다른 사용자는 이를 보고 타이트하게 착의한다고 판단할 수도 있다. 본 발명의 몇몇 실시예에 따른 선호 여유량 평가 모듈(111)은 각 사용자에게 가상 착의 이미지와 이들에 대한 평가 항목을 포함하는 설문을 제공하고, 설문에 대한 응답(Rsp)을 기초로 선호 여유량(PM)을 결정하기 때문에, 사용자 각각의 선호 여유량(PM)을 객관적으로 데이터화할 수 있다는 장점이 있다.

맞음새 결정 모듈(112)은 사용자의 신체 치수(User_size)를 수신할 수 있다(S110). 사용자의 신체 치수(User_size)는 사용자에 의해 직접 제공될 수도 있고, 후술하는 사용자 신체 치수 추정 방법을 통해 제공될 수도 있다. 이에 대한 구체적인 설명은 후술한다. 맞음새 결정 모듈(112)은 사용자의 신체 치수(User_size)를 기초로 제1 의류 사이즈(Size_1)를 결정할 수 있다. 제1 의류 사이즈(Size_1)는 사용자의 신체 치수(User_size)에 가장 적합한 맞음새의 의류 사이즈를 의미한다. 맞음새 결정 모듈(112)은 인공지능 기반의 결정 모듈일 수 있다. 맞음새 결정 모듈(112)은 전문가에 의한 제1 맞음새 평가 데이터에 의해 학습될 수 있다. 제1 맞음새 평가 데이터는 전문가가 복수의 가상 착의 이미지의 맞음새에 대해 평가한 데이터일 수 있다. 제1 맞음새 평가 데이터에 대한 구체적 설명은 후술한다.

선호 여유량 평가 모듈(111)에서 결정된 사용자의 선호 여유량(PM)은 사이즈 결정 모듈(113)에 제공될 수 있다. 또한, 맞음새 결정 모듈(112)에서 결정된 제1 의류 사이즈(Size_1)는 사이즈 결정 모듈(113)에 제공될 수 있다. 사이즈 결정 모듈(113)은 제공받은 선호 여유량(PM)과 제1 의류 사이즈(Size_1)를 기초로, 사용자에게 추천할 제2 의류 사이즈(Size_2)를 결정할 수 있다(S130). 즉, 사용자에게 추천될 제2 의류 사이즈(Size_2)는 사용자 각각의 선호 여유량(PM)과, 전문가에 의한 제1 맞음새 평가 데이터를 반영한 제1 의류 사이즈(Size_1)를 모두 고려하여 결정될 수 있다. 다시 말해서, 사용자에게 추천될 제2 의류 사이즈(Size_2)는 전문가의 사이즈 평가와, 사용자 본인의 선호도를 모두 반영될 수 있다. 따라서, 단순히 신체 치수에 1:1로 대입하여 추천하는 종래의 사이즈 추천 방법과는 달리, 본 발명의 몇몇 실시예에 따른 의류 사이즈 추천 방법 및 시스템은 의류별로 전문가가 맞음새에 대해 평가한 데이터와, 사용자 개인의 취향까지 모두 반영하므로, 사이즈 추천의 정확/적합도가 증가될 수 있으며, 이에 따른 사용자의 만족도가 증가될 수 있다.

이어서, 사용자가 실제 선택한 제3 의류 사이즈(Size_3) 및 사용자에 의한 구매 후기(RV)는 사이즈 추천 모델(110)에 피드백될 수 있다. 사이즈 추천 모델(110)은 제3 의류 사이즈(Size_3) 및 사용자에 의한 구매 후기 중 적어도 하나를 이용하여, 사이즈 추천 모델(110)의 알고리즘을 갱신/재훈련할 수 있다(S140).

선호 여유량 평가 모듈(111)의 선호 여유량 결정 과정에 대한 더욱 구체적인 설명을 위해, 도 5 및 도 6을 참조한다.

도 5는 본 발명의 몇몇 실시예에 따른 선호 여유량 결정 모듈의 동작을 구체적으로 설명하기 위한 도면이다. 도 6은 본 발명의 몇몇 실시예에 따른 선호 여유량 결정 모듈에서 제공하는 설문을 예시적으로 도시한 도면이다.

도 5 및 도 6을 참조하면, 선호 여유량 평가 모듈(111)은 사용자 단말(200)에 평가 이미지(IMG_Ev) 및 평가표(TBL_Ev)를 포함하는 설문(SV)을 제공할 수 있다. 평가 이미지(IMG_Ev)는 삼차원 모델링 데이터에 가상의 의류를 착의하여 생성된 가상 착의 데이터의 정면, 측면 및 후면 이미지 중 적어도 하나를 포함할 수 있다. 평가표(TBL_Ev)는 평가 이미지(IMG_Ev)에 대한 평가 항목과 평가 항목 각각에 대한 점수 항목을 포함할 수 있다(S101).

사용자는 제공된 설문(SV)에 포함된 평가 이미지(IMG_Ev)에 대한 평가를 수행하여, 평가 항목 각각에 따른 점수를 부여하고(S102), 이를 설문에 대한 응답(Rsp)으로 선호 여유량 평가 모듈(111)에 제공할 수 있다. 예를 들어, 사용자는 '1. 전체 맞음새는 적절한가?'라는 평가 항목에 대해, 정면 이미지, 측면 이미지, 후면 이미지 및 전체 평가에 대해 각각 점수를 부여하고, 이를 선호 여유량 평가 모듈(111)에 제공할 수 있다. 단, 도 6에 도시된 설문(SV)은 단순히 예시적인 것이며, 실시예들이 이에 제한되는 것은 아니다.

선호 여유량 평가 모듈(111)은 평가 항목별 가중치와, 사용자에게 제공받은 평가 항목별 점수에 기초하여 사용자의 선호 여유량(PM)을 결정할 수 있다(S103).

몇몇 실시예에 따르면, 설문(SV)은 복수의 평가 항목을 포함할 수 있다. 복수의 평가 항목 각각은 사용자의 선호 여유량을 결정할 때 서로 다른 가중치로 반영될 수 있다. 즉, 사용자가 평가한 신체 부위나 평가 항목 각각은 선호 여유량을 결정할 때 서로 다른 가중치로 반영될 수 있다. 이는 사용자가 여유량을 느끼는 항목이 신체 부위에 따라 달라질 수 있기 때문이다. 예를 들어, 사용자는 허리의 맞음새에 대해서는 민감하게 느낄 수 있으나, 발목의 맞음새에 대해서는 둔감하게 느낄 수 있다. 따라서, 설문(SV)에 포함된 복수의 평가 항목의 적어도 일부는 서로 다른 가중치를 가질 수 있다. 설문(SV)에 포함된 복수의 평가 항목 각각과, 이들에 대한 가중치를 결정하는 방법에 대해서는 도 7을 참조하여 설명한다.

도 7은 본 발명의 몇몇 실시예에 따른 설문에 포함된 평가 항목 및 이들에 대한 가중치를 결정하는 방법을 설명하기 위한 도면이다.

도 7을 참조하면, 삼차원 모델링 형상 데이터에 제1 사이즈의 제1 가상 의류를 착의한 제1 가상 착의 데이터를 생성할 수 있다(S200). 삼차원 모델링 형상 데이터는 인체를 삼차원으로 모델링한 형상일 수 있다. 삼차원 모델링 형상 데이터는 예를 들어, 사이즈 코리아(한국인 인체치수 조사 사업)에서 추출된 데이터일 수 있다.

이어서, 삼차원 모델링 형상 데이터에 제2 사이즈의 제2 가상 의류를 착의한 제2 가상 착의 데이터를 생성할 수 있다(S210). 제2 가상 의류는 제1 가상 의류와 디자인이 동일하고, 사이즈만 서로 다른 가상 의류일 수 있다.

제1 가상 착의 데이터와 제2 가상 착의 데이터 각각에 대한 제1 맞음새 평가 데이터가 생성될 수 있다. 전술한 바와 같이, 제1 맞음새 평가 데이터는 전문가에 의해 맞음새가 평가되어 생성된 데이터일 수 있다(S220). 전문가는 디자인이 동일하고, 사이즈가 서로 다른 제1 가상 착의 데이터와 제2 가상 착의 데이터에 대해 맞음새를 각각 평가하고, 이를 제1 맞음새 평가 데이터로 생성할 수 있다. 예를 들어, 전문가는 제1 가상 착의 데이터에 대해 '사이즈 작음'으로 평가하고, 제2 가상 착의 데이터에 대해 '사이즈 맞음'으로 평가하여 제1 맞음새 평가 데이터로 생성할 수 있다. 제1 맞음새 평가 데이터를 통해, 전문가가 맞음새를 평가할 때, 신체의 어느 부위를 집중해서 판단하는지 또한 어떤 기준으로 판단하는지 등을 알 수 있다.

제1 가상 착의 데이터와 제2 가상 착의 데이터 각각에 대한 제2 맞음새 평가 데이터가 생성될 수 있다. 제2 맞음새 평가 데이터는 일반 소비자에 의해 맞음새가 평가되어 생성된 데이터일 수 있다(S230). 제2 맞음새 평가 데이터를 통해, 일반 소비자는 맞음새를 평가할 때, 신체의 어느 부위를 집중해서 판단하는지 또한 어떤 기준으로 판단하는지 등을 알 수 있다.

제1 맞음새 평가 데이터와 제2 맞음새 평가 데이터를 비교하여, 설문(SV)의 평가 항목과 평가 항목별 가중치를 결정할 수 있다(S240). 즉, 전문가와 일반 소비자 두 집단이 맞음새를 평가할 때, 신체의 어느 주위를 집중해서 판단하는지 또한 어떤 기준으로 판단하는지 등을 비교하여 평가 항목 및 가중치를 결정할 수 있다.

일반 소비자는 맞음새에 대한 판단을 정확히 할 수 없을 수 있다. 맞음새에 대한 판단은 일반 소비자의 입장에서 주관적인 판단일 수 있기 때문이다. 따라서, 몇몇 실시예에 따른 선호 여유량 평가 모듈(111)에서 제공하는 설문(SV)은 최대한 객관적인 데이터를 수집할 수 있도록, 객관화된 평가 항목 및 가중치를 결정하는 것이 중요하다. 따라서, 전문가에 의한 제1 맞음새 평가 데이터와, 일반 소비자에 의한 제2 맞음새 평가 데이터를 서로 비교하여, 일반 소비자에 의한 판단이 전문가에 의한 판단과 유사한 항목을 평가 항목으로 결정할 수 있다. 또한, 일반 소비자에 의한 판단과 전문가에 의한 판단이 유사한 정도를 기준으로 평가 항목에 대한 가중치를 결정할 수 있다. 따라서, 몇몇 실시예에 따른 설문(SV)에 포함된 평가 항목을 일반 소비자가 판단하여 응답하더라도, 전문가의 판단과 가장 유사하게 판단할 수 있도록 설문(SV)이 구성될 수 있고, 이에 따라 데이터의 객관화가 가능하다.

전술한 바와 같이, 도 3의 단계 S110은 사용자에 의해 직접 입력될 수도 있고, 아래의 신체 치수 추정 방법을 이용하여 제공될 수도 있다. 몇몇 실시예에 따른 신체 치수 추정 방법을 이하에서 설명한다.

도 8은 본 발명의 다른 몇몇 실시예에 따른 인공지능 기반의 의류 사이즈 추천 시스템의 구성을 개략적으로 설명하기 위한 도면이다. 설명의 편의를 위해 전술한 내용과 동일하거나 유사한 내용은 생략하거나 간단히 설명한다.

도 8을 참조하면, 서버(100)는 사이즈 추천 모델(110) 및 신체 치수 추정 모델(120)을 포함할 수 있다. 비록 도면에는 사이즈 추천 모델(110)과 신체 치수 추정 모델(120)이 서로 동일한 서버(100)에 포함된 것으로 도시하였으나, 실시예들이 이에 제한되지는 않는다. 즉, 사이즈 추천 모델(110)과 신체 치수 추정 모델(120)은 서로 다른 서버에 포함되어 관리될 수 있다. 사이즈 추천 모델(110)에 대한 설명은 생략하고, 신체 치수 추정 모델(120)에 대한 설명을 위해 도 9를 더 참조한다.

도 9는 본 발명의 몇몇 실시예에 따른 신체 치수 추정모델의 구성을 설명하기 위한 도면이다.

도 9를 참조하면, 신체 치수 추정 모델(120)은 훈련 모듈(121) 및 추정 모듈(122)을 포함할 수 있다.

훈련 모듈(121)은 추정 모듈(122)에 사용되는 사용자 신체 치수 추정 알고리즘의 파라미터를 최적화하기 위한 훈련이 수행될 수 있다. 훈련 모듈(121)은 훈련 데이터 셋을 이용하여, 지도학습 또는 비지도학습을 통해 사용자 신체 치수 추정 알고리즘의 파라미터를 최적화할 수 있다. 구체적 설명은 후술한다.

추정 모듈(122)은 훈련 모듈(121)에서 최적화된 파라미터를 이용하여, 사용자 신체 치수 추정 알고리즘을 설계하고, 이를 통해 사용자 신체 치수를 추정할 수 있다. 예를 들어, 추정 모듈(122)은 사용자의 제1 이미지(Img_1) 및 제2 이미지(Img_2)를 최적화된 사용자 신체 치수 추정 알고리즘에 입력하여, 사용자 신체 치수를 적어도 하나 추정할 수 있다. 구체적 설명은 후술한다.

도 10은 본 발명의 몇몇 실시예에 따른 인공지능 기반의 사용자 신체 치수 측정 방법의 전체 흐름을 설명하기 위한 도면이다.

도 8 내지 도 10을 참고하면, 신체 치수 추정 모델(120)의 훈련 모듈(121)은 훈련 데이터 셋을 생성할 수 있다(S500). 훈련 모듈(121)은 미리 저장된 삼차원 신체 데이터를 가공하여 훈련 데이터 셋을 생성할 수 있다. 구체적인 설명을 위해, 도 11 내지 도 17을 더 참조한다.

도 11은 본 발명의 몇몇 실시예에 따른 신체 치수 추정모델의 훈련 모듈의 구성을 설명하기 위한 도면이다. 도 12는 본 발명의 몇몇 실시예에 따른 훈련 모듈이 훈련 데이터 셋을 생성하는 과정을 설명하기 위한 도면이다. 도 13 내지 도 17은 도 12의 훈련 데이터 셋을 생성하는 과정을 예시적으로 설명하기 위한 도면이다.

도 11 및 도 12를 참조하면, 훈련 모듈(121)은 훈련 데이터 셋 생성 모듈(DGM), 제1 전처리 모듈(PPM_1) 및 신체 치수 추정 알고리즘 최적화 모듈(AOM)을 포함할 수 있다.

훈련 데이터 셋 생성 모듈(DGM)은 삼차원 신체 데이터(3D_d)를 수신할 수 있다(S301). 삼차원 신체 데이터(3D_d)는 제1 삼차원 모델링 형상(3DM_1) 및 이와 관련된 제1 신체 치수정보(Info_size)를 포함할 수 있다. 제1 삼차원 모델링 형상(3DM_1)은 인체를 삼차원 스캔하여 삼차원으로 도시한 모델링 형상일 수 있다. 제1 신체 치수정보(Info_size)는 제1 삼차원 모델링 형상(3DM_1)의 가슴 둘레, 허리 둘레 및 엉덩이 둘레 등 신체 치수에 관한 정보를 적어도 하나 포함할 수 있다.

도 13에 도시된 바와 같이, 훈련 데이터 셋 생성 모듈(DGM)은 삼차원 신체 데이터(3D_d)에서 제1 삼차원 모델링 형상(3DM_1)을 추출할 수 있다(S302). 몇몇 실시예에 따르면, 제1 삼차원 모델링 형상(3DM_1)은 실제 인체를 스캔하여 얻은 모델링 형상이기 때문에, 나체의 형상이거나 속옷만 착장한 형상일 수 있다.

훈련 데이터 셋 생성 모듈(DGM)은 삼차원 신체 데이터(3D_d)에서 제1 삼차원 모델링 형상(3DM_1)의 제1 신체 치수정보(Info_size)를 추출할 수 있다(S303).

도 14에 도시된 바와 같이, 훈련 데이터 셋 생성 모듈(DGM)은 제1 신체 치수정보(Info_size)를 이용하여, 제1 가상 의류(CTH_1)를 생성할 수 있다(S304). 제1 가상 의류(CTH_1)는 제1 삼차원 모델링 형상(3DM_1)에 착장하더라도, 제1 삼차원 모델링 형상(3DM_1)의 신체 굴곡 및 체형 정보가 표현될 수 있도록, 타이트하게 생성될 수 있다.

도 15 및 도 16에 도시된 바와 같이, 훈련 데이터 셋 생성 모듈(DGM)은 제1 삼차원 모델링 형상(3DM_1) 및 제1 가상 의류(CTH_1)를 이용하여 제2 삼차원 모델링 형상(3DM_2)을 생성할 수 있다(S305). 훈련 데이터 셋 생성 모듈(DGM)은 제1 삼차원 모델링 형상(3DM_1)에 제1 가상 의류(CTH_1)를 착장할 수 있다. 제1 가상 의류(CTH_1)를 착장한 제1 삼차원 모델링 형상(3DM_1)을 편의상 제2 삼차원 모델링 형상(3DM_2)으로 정의한다.

도 16에 도시된 바와 같이, 훈련 데이터 셋 생성 모듈(DGM)은 제2 삼차원 모델링 형상(3DM_2)을 제1 방향에서 촬상하여, 제1 훈련 이미지(tImg_1)를 생성할 수 있다(S306). 제1 훈련 이미지(tImg_1)는 이차원 이미지일 수 있다. 예를 들어, 훈련 데이터 셋 생성 모듈(DGM)은 제2 삼차원 모델링 형상(3DM_2)을 정면 방향에서 촬상하여, 이를 제1 훈련 이미지(tImg_1)로 생성할 수 있다.

도 17에 도시된 바와 같이, 훈련 데이터 셋 생성 모듈(DGM)은 제2 삼차원 모델링 형상(3DM_2)을 제1 방향과 다른 제2 방향에서 촬상하여, 제2 훈련 이미지(tImg_2)를 생성할 수 있다(S307). 마찬가지로, 제2 훈련 이미지(tImg_2)는 이차원 이미지일 수 있다. 예를 들어, 훈련 데이터 셋 생성 모듈(DGM)은 제2 삼차원 모델링 형상(3DM_2)을 측면 방향에서 촬상하여, 이를 제2 훈련 이미지(tImg_2)로 생성할 수 있다.

훈련 데이터 셋 생성 모듈(DGM)은 제1 훈련 이미지(tImg_1), 제2 훈련 이미지(tImg_2) 및 제1 신체 치수정보(Info_size)를 훈련 데이터 셋에 저장할 수 있다(S308).

몇몇 실시예에 따르면, 제1 삼차원 모델링 형상(3DM_1)은 나체의 형상이거나 속옷만 착장한 형상일 수 있다. 그러나, 후술하는 바와 같이, 사용자 신체 치수 추정 모델(120)은 사용자를 촬상한 이미지를 입력 데이터로 한다. 만약, 제1 삼차원 모델링 형상(3DM_1)을 그대로 훈련 데이터로 사용하는 경우, 사용자 신체 치수 추정 모델(120)은 나체 또는 속옷만 착장한 상태로 훈련된다. 이 경우, 사용자는 본인의 신체 치수를 측정하기 위해, 나체 또는 속옷만 착장한 상태로 본인의 이미지를 촬상하여야 하고, 이는 해킹 등의 외부 공격에 의해 사용자의 민감한 이미지가 외부로 유출될 위험이 있다.

그러나, 본 발명의 몇몇 실시예에 따른 훈련 데이터 셋 생성 모듈(DGM)은 제1 가상 의류(CTH_1)를 생성하고, 이를 제1 삼차원 모델링 형상(3DM_1)에 착장시킴으로써, 의류를 착장한 상태인 제2 삼차원 모델링 형상(3DM_2)을 생성할 수 있다. 훈련 데이터 셋 생성 모듈(DGM)은 제2 삼차원 모델링 형상(3DM_2)을 촬상하여 훈련 데이터 셋을 생성하고, 신체 치수 추정 모델(120)은 이를 통해 훈련하므로, 사용자는 의류를 착장한 상태로 신체 치수 추정 모델(120)을 이용할 수 있다.

몇몇 실시예에 따르면, 삼차원 신체 데이터(3D_d)는 실제 인체를 스캔하여 도시한 삼차원 모델링 형상과, 해당 인체에 대한 치수 정보를 미리 측정하여 저장한 데이터일 수 있다. 다시 말해서, 삼차원 신체 데이터(3D_d)는 정책적인 요구에 따라 또는 통계적인 필요에 따라 또는 연구 목적으로 미리 측정되어 저장된 데이터 베이스일 수 있다. 예를 들어, 삼차원 신체 데이터(3D_d)는 사이즈 코리아(한국인 인체치수 조사 사업)의 삼차원 신체 데이터일 수 있다. 즉, 본 발명의 몇몇 실시예에 따른 훈련 데이터 셋을 생성하는 과정은 미리 측정되어 저장된 데이터 베이스를 가공하여 활용하므로, 훈련 데이터 셋의 마련을 위해 새로 훈련 데이터를 수집하는 과정이 필요 없어, 이에 소요되는 비용 및 시간을 획기적으로 감소시킬 수 있다.

다시 도 10을 참조하면, 훈련 모듈(121)은 훈련 데이터 셋을 이용하여, 신체 치수 추정 알고리즘을 최적화할 수 있다(S510). 신체 치수 추정 알고리즘의 최적화 과정을 설명하기 위해, 도 18을 더 참조한다.

도 18은 본 발명의 몇몇 실시예에 따른 훈련 모듈(121)이 신체 치수 알고리즘을 최적화하는 과정을 설명하기 위한 도면이다.

도 11 및 도 18을 참조하면, 제1 전처리 모듈(PPM_1)은 훈련 데이터 셋 생성 모듈(DGM)로부터 제1 훈련 이미지(tImg_1) 및 제2 훈련 이미지(tImg_2)를 수신할 수 있다(S311).

제1 전처리 모듈(PPM_1)은 제1 훈련 이미지(tImg_1)와 제2 훈련 이미지(tImg_2)를 전처리하여, 유효 신체 폭 훈련 데이터(T_AW)를 생성할 수 있다(S312). 제1 훈련 이미지(tImg_1)와 제2 훈련 이미지(tImg_2)의 전처리 과정을 설명하기 위해, 도 19 내지 도 22를 더 참조한다.

도 19는 본 발명의 몇몇 실시예에 따른 훈련 이미지를 전처리하는 과정을 설명하기 위한 도면이다. 도 20 내지 도 22는 도 19의 훈련 이미지의 전처리 과정을 예시적으로 설명하기 위한 도면이다.

도 11, 도 19 및 도 20을 참조하면, 제1 전처리 모듈(PPM_1)은 제1 훈련 이미지(tImg_1) 및 제2 훈련 이미지(tImg_2)를 수신할 수 있다. 제1 전처리 모듈(PPM_1)은 제1 훈련 이미지(tImg_1) 및 제2 훈련 이미지(tImg_2)에 대한 전처리 동작을 수행할 수 있다. 이하에서는, 설명의 편의를 위해, 제1 훈련 이미지(tImg_1)에 대한 전처리 과정에 대해서만 설명한다. 제2 훈련 이미지(tImg_2)에 대한 전처리 과정은 이하에서 설명하는 제1 훈련 이미지(tImg_1)에 대한 전처리 과정과 동일하거나 유사할 수 있다. 제1 전처리 모듈(PPM_1)은 제1 훈련 이미지(tImg_1)에서 제1 특징점(FP_1)을 추출할 수 있다(S312_1). 제1 특징점(FP_1)은 제1 훈련 이미지(tImg_1)에서 상대적으로 용이하게 분류될 수 있는 포인트일 수 있다. 예를 들어, 제1 특징점(FP_1)은 코, 어깨, 손목 및 골반 중 적어도 하나일 수 있으나, 실시예들이 이에 제한되는 것은 아니다. 제1 특징점(FP_1)을 추출하는 것은 예를 들어, 자세 추정(pose estimation) 모델을 이용할 수 있으나, 실시예들이 이에 제한되는 것은 아니다.

도 21을 더 참조하면, 제1 전처리 모듈(PPM_1)은 제1 특징점(FP_1)을 기초로 제2 특징점(FP_2)을 추출할 수 있다(S312_2). 제2 특징점(FP_2)은 제1 훈련 이미지(tImg_1)에서 상대적으로 분류가 어려운 포인트일 수 있다. 예를 들어, 제2 특징점(FP_2)은 겨드랑이 밑점, 샅점 중 적어도 하나를 포함할 수 있다. 제1 전처리 모듈(PPM_1)은 상대적으로 분류가 용이한 제1 특징점(FP_1)의 주변 영역을 샘플링하여, 제2 특징점(FP_2)을 추출할 수 있다. 예를 들어, 제1 전처리 모듈(PPM_1)은 제1 특징점(FP_1)으로 양 어깨의 위치를 추출하고, 양 어깨의 위치 주변 영역을 샘플링하여, 겨드랑이 밑점을 제2 특징점(FP_2)으로 추출할 수 있다.

도 22를 더 참조하면, 제1 전처리 모듈(PPM_1)은 제2 특징점(FP_2)을 이용하여 관심 영역(IR)을 추출할 수 있다(S312_3). 관심 영역(IR)은 추정할 신체 치수와 연관된 영역일 수 있다. 예를 들어, 관심 영역(IR)은 제2 특징점(FP_2)인 겨드랑이 밑점과, 다른 제2 특징점(FP_2)인 샅점 사이의 영역일 수 있다.

제1 전처리 모듈(PPM_1)은 관심 영역(IR)을 하나 이상의 측정 영역(MR)으로 분할할 수 있다(S312_4). 측정 영역(MR)은 신체 치수와 연관된 신체 폭(W)을 측정하는 영역일 수 있다.

제1 전처리 모듈(PPM_1)은 하나 이상의 측정 영역(MR) 각각에 대한 신체 폭(W)을 측정하고(S312_5), 하나 이상의 측정 영역(MR) 각각에 대한 신체 폭(W) 중 유효 신체 폭 훈련 데이터(T_AW)를 결정할 수 있다(S312_6). 유효 신체 폭 훈련 데이터(T_AW)란 추정하고자 하는 신체 치수와 가장 관련있는 신체 폭을 의미한다. 예를 들어, 하나 이상의 신체 폭 중 겨드랑이 밑점 사이의 신체 폭은 가슴둘레와 가장 연관도가 높으므로, 가슴둘레에 대한 유효 신체 폭 훈련 데이터(T_AW)는 겨드랑이 밑점 사이의 신체 폭으로 결정될 수 있다. 제1 전처리 모듈(PPM_1)은 결정된 유효 신체 폭 훈련 데이터(T_AW)를 신체 치수 추정 알고리즘 최적화 모듈(AOM)에 제공할 수 있다(S312_7).

몇몇 실시예에 따르면, 유효 신체 폭 훈련 데이터(T_AW)를 결정하는 것은 다양한 알고리즘에 따라 결정될 수 있다. 예를 들어, 유효 신체 폭 훈련 데이터(T_AW)는 복수의 신체 폭 중 가장 큰 값으로 결정될 수도 있고, 유효 신체 폭 훈련 데이터(T_AW)를 결정하기 위한 회귀식에 의해 결정될 수도 있다. 본 발명의 기술 분야에서 통상의 지식을 가진 자는 본 발명의 범위를 벗어나지 않고 다양한 유효 신체 폭 훈련 데이터(T_AW)를 결정하기 위한 방안을 마련할 수 있을 것이다.

몇몇 실시예에 따르면, 제2 특징점(FP_2)은 제1 특징점(FP_1)에 기초하여 결정될 수 있다. 제2 특징점(FP_2)은 배경과 구분이 어려워 분류의 정확성이 낮기 때문에, 분류가 상대적으로 용이한 제1 특징점(FP_1)을 먼저 추출하고, 이를 기초로 제2 특징점(FP_2)을 추출할 수 있다. 따라서, 본 발명의 몇몇 실시예에 따르면 제2 특징점(FP_2)의 추출을 단계별로 수행함으로써, 제2 특징점(FP_2)에 대한 분류의 정확성을 증가시킬 수 있다.

다시 도 11 및 도 18을 참조하면, 신체 치수 추정 알고리즘 최적화 모듈(AOM)은 제1 전처리 모듈(PPM_1)로부터 유효 신체 폭 훈련 데이터(T_AW)를 수신할 수 있다. 또한, 신체 치수 추정 알고리즘 최적화 모듈(AOM)은 훈련 데이터 셋 생성 모듈(DGM)로부터 제1 신체 치수정보(Info_size)를 수신할 수 있다. 신체 치수 추정 알고리즘 최적화 모듈(AOM)은 유효 신체 폭 훈련 데이터(T_AW)와 제1 신체 치수정보(Info_size)를 이용하여, 신체 치수 추정 알고리즘을 최적화할 수 있다(S313). 신체 치수 추정 알고리즘은 유효 신체 폭 훈련 데이터(T_AW)와 제1 신체 치수정보(Info_size)와의 관계식에 관한 알고리즘일 수 있다. 신체 치수 추정 알고리즘 최적화 모듈(AOM)은 유효 신체 폭 훈련 데이터(T_AW)으로부터 도출되는 추정 신체 치수와, 제1 신체 치수정보(Info_size)에 대한 손실함수를 계산하고, 이를 이용하여 알고리즘에 대한 파라미터를 조정함으로써 신체 치수 추정 알고리즘을 최적화할 수 있다.

다시 도 10을 참조하면, 사용자를 촬상한 제1 이미지(Img_1)와 제2 이미지(Img_2)는 신체 치수 추정 모델(120)의 추정 모듈(122)에 제공될 수 있다(S520). 제1 이미지(Img_1)는 사용자를 제1 방향에서 촬상한 이미지이고, 제2 이미지(Img_2)는 사용자를 제2 방향에서 촬상한 이미지일 수 있다. 전술한 바와 같이, 제1 이미지(Img_1)와 제2 이미지(Img_2)는 사용자가 의류를 착장한 상태에서 촬상한 이미지일 수 있다.

신체 치수 추정 모델(120)의 추정 모듈(122)은 수신한 제1 이미지(Img_1) 및 제2 이미지(Img_2)를 이용하여, 사용자의 신체 치수를 추정할 수 있다(S530). 추가적인 설명을 위해, 도 23 및 도 24를 더 참조한다.

도 23은 본 발명의 몇몇 실시예에 따른 추정 모듈의 구성을 설명하기 위한 도면이다. 도 24는 본 발명의 몇몇 실시예에 따른 추정 모듈의 동작을 설명하기 위한 도면이다. 설명의 편의를 위해, 전술한 내용과 동일하거나 유사한 내용은 생략하거나 간단히 설명한다.

도 23 및 도 24를 참조하면, 추정 모듈(122)은 제2 전처리 모듈(PPM_2) 및 신체 치수 추정 알고리즘 실행 모듈(SEM)을 포함할 수 있다. 제2 전처리 모듈(PPM_2)은 제1 전처리 모듈(PPM_1)과 실질적으로 동일한 기능을 수행할 수 있다. 신체 치수 추정 알고리즘 실행 모듈(SEM)은 신체 치수 추정 알고리즘 최적화 모듈(AOM)에서 최적화된 알고리즘 파라미터(O_para)를 제공받아 이를 이용할 수 있다.

제2 전처리 모듈(PPM_2)은 사용자를 촬상한 제1 이미지(Img_1)와 제2 이미지(Img_2)를 수신할 수 있다(S331). 제2 전처리 모듈(PPM_2)은 제1 이미지(Img_1)와 제2 이미지(Img_2)를 전처리하여, 적어도 하나의 유효 신체 폭 데이터(AW)를 결정할 수 있다(S332). 제2 전처리 모듈(PPM_2)은 결정된 적어도 하나의 유효 신체 폭 데이터(AW)를 신체 치수 추정 알고리즘 실행 모듈(SEM)에 제공할 수 있다(S333). 신체 치수 추정 알고리즘 실행 모듈(SEM)은 최적화된 알고리즘 파라미터(O_para)와, 적어도 하나의 유효 신체 폭 데이터(AW)를 이용하여, 사용자의 신체 치수를 적어도 하나 추정할 수 있다(S334).

몇몇 실시예에 따르면, 사용자는 별도의 측정 기구나 별도의 지식 없이, 단순히 사용자의 이미지를 촬상하여 신체 치수 추정모델에 제공하는 것만으로, 비교적 정확한 신체 치수를 측정할 수 있다. 또한, 신체 치수 추정모델은 가상 의류를 착장한 훈련 데이터를 이용하여 훈련되기 때문에, 사용자는 의류를 모두 착장한 상태로 이미지를 촬상할 수 있으며, 민감한 이미지의 유출을 걱정하지 않아도 된다. 이하 도 25 내지 도 28을 참조하여, 본 발명의 다른 몇몇 실시예들에 따른 인공지능 기반의 신체 치수 측정 방법에 대해 설명한다

도 25는 본 발명의 다른 몇몇 실시예에 따른 인공지능 기반의 사용자 신체 치수 측정 방법의 전체 흐름을 설명하기 위한 도면이다. 도 26은 본 발명의 다른 몇몇 실시예에 따른 신체 치수 추정모델의 훈련 모듈의 구성을 설명하기 위한 도면이다. 도 27은 본 발명의 다른 몇몇 실시예에 따른 신체 치수 추정모델의 추정 모듈의 구성을 설명하기 위한 도면이다. 설명의 편의를 위해, 전술한 내용과 동일하거나 유사한 내용은 생략하거나 간단히 설명한다.

도 25 내지 도 26을 참조하면, 훈련 데이터 셋 생성 모듈(DGM)은 훈련 데이터 셋을 생성할 수 있다(S400). 훈련 모듈(121)은 미리 저장된 삼차원 신체 데이터(3D_d)를 가공하여 훈련 데이터 셋을 생성할 수 있다. 삼차원 신체 데이터(3D_d)는 제1 삼차원 모델링 형상(3DM_1), 제1 삼차원 모델링 형상(3DM_1)과 관련된 제1 신체 치수정보(Info_size), 및 제1 삼차원 모델링 형상(3DM_1)과 관련된 제1 참고 정보(Info_user)를 포함할 수 있다. 제1 참고 정보(Info_user)는 제1 삼차원 모델링 형상(3DM_1)의 키, 몸무게, 성별 및 연령 등을 포함할 수 있다.

훈련 모듈(121)은 훈련 데이터 셋 생성 모듈(DGM)에서 생성된 훈련 데이터 셋을 이용하여, 신체 치수 추정 모델(120)을 훈련할 수 있다(S410). 훈련 데이터 셋 생성 모듈(DGM)은 제1 훈련 이미지(tImg_1), 제2 훈련 이미지(tImg_2) 및 제1 참고 정보(Info_user)를 제1 전처리 모듈(PPM_1)에 제공할 수 있다. 또한, 훈련 데이터 셋 생성 모듈(DGM)은 제1 신체 치수정보(Info_size)를 신체 치수 추정 알고리즘 최적화 모듈(AOM)에 제공할 수 있다. 제1 전처리 모듈(PPM_1)은 제1 훈련 이미지(tImg_1), 제2 훈련 이미지(tImg_2) 및 제1 참고 정보(Info_user)를 이용하여 전처리 동작을 수행할 수 있다.

사용자가 촬상된 제1 이미지(Img_1)와 제2 이미지(Img_2)가 신체 치수 추정 모델(120)에 제공될 수 있다(S420). 또한, 사용자의 제1 참고 정보(Info_user) 역시 신체 치수 추정 모델(120)에 제공될 수 있다(S430). 신체 치수 추정 모델(120)은 제1 이미지(Img_1), 제2 이미지(Img_2) 및 제1 참고 정보(Info_user)를 이용하여, 사용자의 신체 치수를 추정할 수 있다(S440).

도 27을 더 참조하면, 제2 전처리 모듈(PPM_2)은 제1 이미지(Img_1), 제2 이미지(Img_2) 및 제1 참고 정보(Info_user)를 제공받을 수 있다. 즉, 제2 전처리 모듈(PPM_2)은 제1 이미지(Img_1), 제2 이미지(Img_2) 및 제1 참고 정보(Info_user)를 이용하여 전처리 동작을 수행할 수 있다.

즉, 몇몇 실시예에 따르면, 제1 참고 정보(Info_user)는 이미지를 전처리하는데 추가적으로 이용될 수 있다. 구체적 설명을 위해 도 28을 더 참조한다.

도 28은 본 발명의 다른 몇몇 실시예에 따른 이미지를 전처리하는 과정을 설명하기 위한 도면이다.

도 28을 참조하면, 전처리 모듈(제1 전처리 모듈(PPM_1), 제2 전처리 모듈(PPM_2))은 이미지에서 제1 특징점을 추출할 수 있다(S500). 전처리 모듈은 제1 특징점을 기초로 제2 특징점을 추출할 수 있다(S510). 전처리 모듈은 추출된 제2 특징점을 이용하여, 관심 영역을 추출할 수 있다(S520). 전처리 모듈은 관심 영역을 복수의 측정 영역으로 분할하고(S530), 복수의 측정 영역 각각에 대한 신체 폭을 측정할 수 있다(S540). 전처리 모듈은 제1 참고 정보(Info_user)를 이용하여 유효 신체 폭(W)을 결정할 수 있다(S550).

전처리 모듈이 유효 신체 폭(W)을 결정할 때, 제1 참고 정보(Info_user)를 이용할 수 있다. 몇몇 실시예에 따르면, 유효 신체 폭 데이터(AW)에 대한 성별, 연령별, 키, 몸무게 등에 관한 통계자료를 통해, 유효 신체 폭 데이터(AW) 결정 회귀식을 도출할 수 있다. 전처리 모듈은 유효 신체 폭 데이터(AW) 결정 회귀식과 제1 참고 정보(Info_user)를 이용하여, 사용자의 유효 신체 폭 데이터(AW)를 효과적으로 결정할 수 있다.

이상의 설명은 본 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 실시예는 본 실시예의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 실시예의 기술 사상의 범위가 한정되는 것은 아니다. 본 실시예의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 실시예의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (10)

1. 사용자 단말과 통신하는 서버에서 수행되는 사이즈 추천 방법에 있어서,
   상기 사용자 단말로부터 설문에 대한 응답을 제공받는 단계;
   상기 응답에 대응되는 사용자의 신체 치수를 제공받는 단계;
   상기 설문에 대한 응답으로부터 상기 사용자의 선호 여유량을 결정하는 단계;
   인공지능 기반의 사이즈 추천 모델을 이용하여, 상기 사용자의 신체 치수를 기초로 제1 의류 사이즈를 결정하고, 상기 제1 의류 사이즈 및 상기 사용자의 선호 여유량을 이용하여, 제2 의류 사이즈를 결정하는 단계;
   상기 제2 의류 사이즈를 상기 사용자 단말에게 제공하는 단계; 및
   상기 사용자가 구매를 위해 실제로 선택한 제3 의류 사이즈 및 상기 사용자의 구매 후기 중 적어도 하나를 피드백하여 상기 사이즈 추천 모델을 학습하는 단계를 포함하고,
   상기 설문은 복수의 평가항목을 포함하고,
   상기 복수의 평가항목은 전문가에 의해 생성된 제1 맞음새 평가 데이터와, 일반 소비자에 의해 생성된 제2 맞음새 평가 데이터를 비교하여 결정되고,
   상기 제1 맞음새 평가 데이터는 제1 가상 착의 데이터 및 제2 가상 착의 데이터의 맞음새에 대한 전문가의 평가 결과를 포함하고, 상기 제2 맞음새 평가 데이터는 상기 제1 가상 착의 데이터 및 상기 제2 가상 착의 데이터의 맞음새에 대한 일반 소비자의 평가 결과를 포함하고, 상기 제1 가상 착의 데이터는 제1 삼차원 모델링 형상 데이터에 제1 가상 의류를 가상으로 착의하여 생성하고, 상기 제2 가상 착의 데이터는 상기 제1 삼차원 모델링 형상 데이터에 상기 제1 가상 의류와 다른 제2 가상 의류를 가상으로 착의하여 생성하되, 상기 제1 가상 의류와 상기 제2 가상 의류의 디자인은 서로 동일하고, 사이즈는 서로 다른
   인공지능 기반 의류 사이즈 추천 방법.
   
2. 삭제
3. 제1 항에 있어서,
   상기 사용자 단말로부터 설문에 대한 응답을 제공받는 단계는,
   상기 사용자에게 가상 착의 데이터의 정면, 측면 및 후면 이미지 중 적어도 하나의 평가 이미지를 제공하는 단계; 및
   상기 사용자가 상기 적어도 하나의 평가 이미지에 대한 평가항목별 평가점수를 부여하는 단계를 포함하는 인공지능 기반 의류 사이즈 추천 방법.
   
4. 제3 항에 있어서,
   상기 설문에 대한 응답으로부터 상기 사용자의 선호 여유량을 결정하는 단계는,
   상기 평가항목별 평가점수와, 미리 결정된 평가항목별 가중치를 기초로 상기 사용자의 선호 여유량을 결정하는 단계를 포함하는 인공지능 기반 의류 사이즈 추천 방법.
   
5. 삭제
6. 제1 항에 있어서,
   상기 복수의 평가항목 각각에 대한 가중치는 상기 제1 맞음새 평가 데이터와 상기 제2 맞음새 평가 데이터를 비교하여 결정되는 인공지능 기반 의류 사이즈 추천 방법.
   
7. 삭제
8. 제1 항에 있어서,
   상기 사용자의 신체 치수를 제공받는 단계는,
   상기 사용자가 직접 상기 사용자의 신체 치수를 입력하거나, 인공지능 기반의 사용자 신체 치수 추정 방법을 이용하여 상기 사용자의 신체 치수를 추정하는 단계를 포함하되,
   상기 인공지능 기반의 사용자 신체 치수 추정 방법은,
   훈련 데이터 셋을 생성하는 단계;
   상기 훈련 데이터 셋을 이용하여 신체 치수 추정모델을 훈련하는 단계;
   사용자를 제1 방향에서 촬상한 제1 이미지와, 상기 제1 방향과 다른 제2 방향에서 촬상한 제2 이미지를 상기 신체 치수 추정모델에 제공하는 단계; 및
   상기 제1 이미지 및 상기 제2 이미지를 이용하여, 상기 사용자의 신체 치수를 적어도 하나 추정하는 단계를 포함하되,
   상기 훈련 데이터 셋을 생성하는 단계는,
   미리 측정되어 저장된 삼차원 인체 데이터로부터 제1 삼차원 모델링 형상을 추출하는 단계; 및
   상기 제1 삼차원 모델링 형상을 이용하여, 서로 다른 방향에서 촬상된 제1 훈련 이미지 및 제2 훈련 이미지를 생성하는 단계를 포함하는 인공지능 기반 의류 사이즈 추천 방법.
   
9. 제8 항에 있어서,
   상기 제1 이미지 및 상기 제2 이미지를 이용하여, 상기 사용자의 신체 치수를 적어도 하나 추정하는 단계는,
   상기 제1 이미지 및 상기 제2 이미지에 대한 전처리 동작을 수행하여 유효 신체 폭 데이터를 생성하는 단계; 및
   상기 유효 신체 폭 데이터를 상기 훈련된 신체 치수 추정모델에 제공하여, 상기 사용자의 신체 치수를 적어도 하나 추정하는 단계를 포함하는 인공지능 기반 의류 사이즈 추천 방법.
   
10. 사용자의 설문에 대한 응답을 기초로, 상기 사용자의 선호 여유량을 결정하는 선호 여유량 평가 모듈;
    상기 사용자의 신체 치수를 제공받고, 상기 사용자의 신체 치수에 최적 맞음새를 갖는 제1 의류 사이즈를 결정하는 맞음새 결정 모듈; 및
    상기 사용자의 선호 여유량과 상기 제1 의류 사이즈를 기초로, 상기 사용자의 선호 맞음새를 갖는 제2 의류 사이즈를 결정하는 사이즈 결정 모듈을 포함하고,
    상기 사이즈 결정 모듈은, 상기 사용자가 구매를 위해 실제로 선택한 제3 의류 사이즈 및 상기 사용자의 구매 후기 중 적어도 하나를 기초로 업데이트되는 인공지능 기반 사이즈 추천 모델이고,
    상기 설문은 복수의 평가항목을 포함하고,
    상기 복수의 평가항목은 제1 맞음새 평가 데이터와, 일반 소비자에 의해 생성된 제2 맞음새 평가 데이터를 비교하여 결정되고,
    상기 제1 맞음새 평가 데이터는 제1 가상 착의 데이터 및 제2 가상 착의 데이터의 맞음새에 대한 전문가의 평가 결과를 포함하고, 상기 제2 맞음새 평가 데이터는 상기 제1 가상 착의 데이터 및 상기 제2 가상 착의 데이터의 맞음새에 대한 일반 소비자의 평가 결과를 포함하고, 상기 제1 가상 착의 데이터는 제1 삼차원 모델링 형상 데이터에 제1 가상 의류를 가상으로 착의하여 생성하고, 상기 제2 가상 착의 데이터는 상기 제1 삼차원 모델링 형상 데이터에 상기 제1 가상 의류와 다른 제2 가상 의류를 가상으로 착의하여 생성하되, 상기 제1 가상 의류와 상기 제2 가상 의류의 디자인은 서로 동일하고, 사이즈는 서로 다른,
    인공지능 기반 의류 사이즈 추천 시스템.