CN116883599B - 一种基于三维建模技术的服装试穿*** - Google Patents
一种基于三维建模技术的服装试穿*** Download PDFInfo
- Publication number
- CN116883599B CN116883599B CN202310909264.8A CN202310909264A CN116883599B CN 116883599 B CN116883599 B CN 116883599B CN 202310909264 A CN202310909264 A CN 202310909264A CN 116883599 B CN116883599 B CN 116883599B
- Authority
- CN
- China
- Prior art keywords
- image
- dimensional
- human body
- module
- try
- 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.)
- Active
Links
- 238000012360 testing method Methods 0.000 claims abstract description 28
- 230000004927 fusion Effects 0.000 claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims description 24
- 238000000034 method Methods 0.000 claims description 15
- 238000003709 image segmentation Methods 0.000 claims description 12
- 238000000354 decomposition reaction Methods 0.000 description 21
- 238000000586 desensitisation Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- AYFVYJQAPQTCCC-GBXIJSLDSA-N L-threonine Chemical compound C[C@@H](O)[C@H](N)C(O)=O AYFVYJQAPQTCCC-GBXIJSLDSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000037237 body shape Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明属于三维建模领域,公开了一种基于三维建模技术的服装试穿***,包括第一获取模块、存储模块、对比模块、模型融合模块、第二获取模块和建模模块;第一获取模块用于获得多张试穿人员的二维图像;存储模块用于存储多个三维的第一人体模型和二维投影图像;对比模块用于判断存储模块是否存有符合要求的第一人体模型;模型融合模块用于将第一人体模型与试穿人员选择的服装的三维模型进行融合,得到第一试穿模型;第二获取模块用于获取试穿人员的三维点云数据;建模模块用于得到第二人体模型;模型融合模块用于得到第二试穿模型。本发明降低了重新建模的概率,提高了获得试穿结果的速度。
Description
技术领域
本发明涉及三维建模领域,尤其涉及一种基于三维建模技术的服装试穿***。
背景技术
现有技术中,利用三维建模技术进行服装试穿时,一般都需要先对试穿人员进行扫描,获取试穿人员的人体模型,然后再将三维的服装模型与人体模型进行融合,得到最终的试穿结果。但是,由于每次都需要获取用于进行建模的数据,然后再进行建模,这就导致获得试穿结果的速度比较慢,导致试穿的体验不够好。
发明内容
本发明的目的在于公开一种基于三维建模技术的服装试穿***,解决在利用三维建模技术进行服装试穿时,如何提高获得试穿结果的速度的问题。
为了达到上述目的,本发明提供如下技术方案:
本发明提供了一种基于三维建模技术的服装试穿***,包括第一获取模块、存储模块、对比模块、模型融合模块、第二获取模块和建模模块;
第一获取模块用于从预设的多个方向对试穿人员进行拍摄,获得多张试穿人员的二维图像;
存储模块用于存储多个三维的第一人体模型,以及每个第一人体模型在所述预设的多个方向上进行投影得到的多张二维投影图像;
对比模块用于基于试穿人员的二维图像与存储模块中存储的二维投影图像判断存储模块是否存有符合要求的第一人体模型,若是,则将符合要求的第一人体模型发送至模型融合模块;若否,则向第二获取模块发送获取指令;
模型融合模块用于将对比模块发送过来的第一人体模型与试穿人员选择的服装的三维模型进行融合,得到第一试穿模型;
第二获取模块用于在接收到获取指令后,获取试穿人员的三维点云数据;
建模模块用于基于三维点云数据进行建模,得到第二人体模型;
模型融合模块用于将第二人体模型与试穿人员选择的服装的三维模型进行融合,得到第二试穿模型。
可选的,预设的多个方向包括人体的正面、人体的左侧、人体的右侧、人体的背面。
可选的,在预设的多个方向对试穿人员进行拍摄时,拍摄的高度和距离均相同。
可选的,基于试穿人员的二维图像与存储模块中存储的二维投影图像判断存储模块是否存有符合要求的第一人体模型,包括:
S1,将得到的多张试穿人员的二维图像存入集合dimimgf;
S2,从集合dimimgf中随机获取一张二维图像作为计算图像;
S3,将计算图像对应的方向表示为B,从存储模块获取所有在方向B进行投影得到的二维投影图像的集合proimgf;
S4,判断proimgf中是否存在与计算图像之间相似度大于设定的相似度阈值的二维投影图像,若是,则进入S5,若否,则表示存储模块不存有符合要求的第一人体模型;
S5,将计算图像从集合dimimgf中删除;
S7,将计算图像保存到集合calimgf,判断calimgf中的元素的数量是否与方向的数量相同,若是,则表示存储模块存有符合要求的第一人体模型;若否,则进入S8;
S8,判断集合dimimgf是否为空集,若是,则表示存储模块不存有符合要求的第一人体模型,若否,则进入S2。
可选的,proimgf中的二维投影图像与计算图像之间相似度的计算过程包括:
S10,获取proimgf中的二维投影图像的第一比较信息;
S20,获取计算图像中的前景部分的第二比较信息;
S30,计算第一比较信息和第二比较信息之间的相似度。
可选的,获取proimgf中的二维投影图像的第一比较信息,包括:
从存储模块中获取二维投影图像的第一比较信息。
可选的,获取proimgf中的二维投影图像的第一比较信息,包括:
获取二维投影图像的轮廓,将二维投影图像的轮廓作为第一比较信息。
可选的,获取计算图像中的前景部分的第二比较信息,包括:
对计算图像进行图像分割计算,得到计算图像中的前景图像;
根据第一比较信息对前景图像进行缩放,得到缩放图像;
将缩放图像的轮廓作为第二比较信息。
可选的,对计算图像进行图像分割计算,得到计算图像中的前景图像,包括:
采用基于阈值的图像分割算法对计算图像进行分割,获取计算图像中的前景图像。
可选的,根据第一比较信息对前景图像进行缩放,得到缩放图像,包括:
获取第一比较信息对应的轮廓的长度和宽度;
对前景图像进行缩放,直至前景图像的轮廓的长度和第一比较信息对应的轮廓的长度相同且前景图像的轮廓的宽度和第一比较信息对应的轮廓的宽度相同。
与现有技术相比,本发明在进行三维建模之前,先从预设的多个方向获取试穿人员的二维图像,基于二维图像判断存储模块中是否包含符合要求的第一人体模型,若有,则直接使用第一人体模型来生成第一试穿模型;若没有,则重新进行建模,从而降低了重新建模的概率,提高了获得试穿结果的速度,从而提高了试穿人员的获得较好的试穿体验的概率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明中的一些实施例。
图1为本发明的一种基于三维建模技术的服装试穿***的一种示意图。
图2为本发明判断存储模块是否存有符合要求的第一人体模型的过程的一种示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
如图1所示的一种实施例,本发明提供了一种基于三维建模技术的服装试穿***,包括第一获取模块、存储模块、对比模块、模型融合模块、第二获取模块和建模模块;
第一获取模块用于从预设的多个方向对试穿人员进行拍摄,获得多张试穿人员的二维图像;
存储模块用于存储多个三维的第一人体模型,以及每个第一人体模型在所述预设的多个方向上进行投影得到的多张二维投影图像;
对比模块用于基于试穿人员的二维图像与存储模块中存储的二维投影图像判断存储模块是否存有符合要求的第一人体模型,若是,则将符合要求的第一人体模型发送至模型融合模块;若否,则向第二获取模块发送获取指令;
模型融合模块用于将对比模块发送过来的第一人体模型与试穿人员选择的服装的三维模型进行融合,得到第一试穿模型;
第二获取模块用于在接收到获取指令后,获取试穿人员的三维点云数据;
建模模块用于基于三维点云数据进行建模,得到第二人体模型;
模型融合模块用于将第二人体模型与试穿人员选择的服装的三维模型进行融合,得到第二试穿模型。
与现有技术相比,本发明在进行三维建模之前,先从预设的多个方向获取试穿人员的二维图像,基于二维图像判断存储模块中是否包含符合要求的第一人体模型,若有,则直接使用第一人体模型来生成第一试穿模型;若没有,则重新进行建模,从而降低了重新建模的概率,提高了获得试穿结果的速度,从而提高了试穿人员的获得较好的试穿体验的概率。
可选的,存储模块还用于对第二人体模型进行脱敏处理后,得到第一人体模型,并对第一人体模型进行存储。
具体的,在征得试穿人员同意之后,对第二人体模型进行脱敏处理,除去第二人体模型中与试穿人员的关联的信息,例如脸部轮廓,从而得到第一人体模型。
在本***刚开始运行的阶段,存储模块中会存储有根据标准的人体的体型生成的多个第一人体模型。然后,随着***运行时间越来越长,由于不断地将试穿人员的体型所对应的第二人体模型处理为第一人体模型,从而使得存储模块中的第一人体模型的数量得到了有效的增长,因此,在运行较长时间后,随着使用人数的大幅度增加,需要重新进行建模得到第二人体模型的概率会非常低,因为存储模块中包含了绝大多数类型的体型的第一人体模型。
具体的,存储模块在对第二人体模型进行脱敏处理之前,先计算第二人体模型与自身存储的第一人体模型之间的相似度,若存储模块中存在与第二人体模型高度相似的第一人体模型,则不对该第二人体模型进行脱敏处理。这样的处理方式,能够避免存储模块中的第一人体模型的数量过多,影响对比模块的计算效率。
可选的,第一人体模型和服装的三维模型进行融合,可以通过如下方式实现:
将服装的三维模型和第一人体模型在同一个三维坐标中进行显示,从而得到第一试穿模型。
具体的,当服装的三维模型大于等于第一人体模型时,第一人体模型除了头部、颈部、手掌等区域之外,其他的部分均被服装的三维模型所遮挡,从而得到了虚拟试穿的结果。而当三维模型小于第一人体模型时,则三维模型会被第一人体模型遮挡,出现穿模的情况,此时表示试穿人员选择的服装的尺寸不合适。
具体的第二试穿模型的获取方式与第一试穿模型的获取方式相同。
可选的,预设的多个方向包括人体的正面、人体的左侧、人体的右侧、人体的背面。
具体的,人体的正面所对应的方向指的是垂直指向人体的脸部的平面的方向。人体的背面所对应的方向指的是与人体的正面所对应的方向形成180度的方向。人体的左侧及右侧所对应的方向垂直于人体的正面所对应的方向,当试穿人员正面朝向第一获取模块时,人体的左侧所对应的方向为试穿人员的右手边所在的方向。
可选的,在预设的多个方向对试穿人员进行拍摄时,拍摄的高度和距离均相同。
具体的,拍摄高度和拍摄距离保持相同的能够使得拍出来的试穿人员的高度保持一致。拍摄高度指的第一获取模块的镜头所在的高度,拍摄距离为镜头与试穿人员之间的距离。
可选的,如图2所示,基于试穿人员的二维图像与存储模块中存储的二维投影图像判断存储模块是否存有符合要求的第一人体模型,包括:
S1,将得到的多张试穿人员的二维图像存入集合dimimgf;
S2,从集合dimimgf中随机获取一张二维图像作为计算图像;
S3,将计算图像对应的方向表示为B,从存储模块获取所有在方向B进行投影得到的二维投影图像的集合proimgf;
S4,判断proimgf中是否存在与计算图像之间相似度大于设定的相似度阈值的二维投影图像,若是,则进入S5,若否,则表示存储模块不存有符合要求的第一人体模型;
S5,将计算图像从集合dimimgf中删除;
S7,将计算图像保存到集合calimgf,判断calimgf中的元素的数量是否与方向的数量相同,若是,则表示存储模块存有符合要求的第一人体模型;若否,则进入S8;
S8,判断集合dimimgf是否为空集,若是,则表示存储模块不存有符合要求的第一人体模型,若否,则进入S2。
具体的,本发明每次从dimimgf中获得一张二维图像来进行对比,只要出现不一致,便停止进行对比,从而有效地提高了整体的对比效率,因为不再需要对dimimgf中剩余的未进行对比,即相似度计算的图像再进行对比。另外,本发明需要每个方向的二位图像的相似度都符合要去才确定存储模块中存储有符合要求的第一人体模型,提高了判断的准确率,因为如果仅部分方向符合要求,则得到的第一人体模型的轮廓与试穿人员的体型的轮廓之间的相似度可能并不够高,不能够很好地表示试穿人员的体型,从而不利于获得准确的试穿结果。
可选的,将三维模型投影到二维平面时,采用透视投影的算法实现,透视投影的投影中心与第一人体模型之间的相对位置关系根据第一拍摄模块的镜头与试穿人员之间的相对位置关系进行设置,使得如下关系式成立:
da/ha=db/hb
其中透视投影的投影中心与第一人体模型之间的距离为da,透视投影的投影中心与第一人体模型的底部所在的平面之间的高度为ha;第一获取模块的镜头所在的高度为hb,镜头与试穿人员之间的距离为db。
在上述实施过程中,本发明是基于第一获取模块的镜头与试穿人员之间的相对位置关系来得到透视投影的投影中心与第一人体模型之间的相对位置关系的,这样的设置方式,能够使得对于同一个物体,其对应的二维图像以及二维投影图像中,轮廓一致,从而能够使得本发明后续进行轮廓对比时,得到更为准确的对比结果。
具体的,透视投影的投影中心为发出投影射线的位置。投影射线与投影平面相交,从而得到物体的投影。
在本发明中,对于不同的进行投影的方向,其投影平面所在的位置会随着方向的变化而变化,例如,当从第一人体模型的正面进行投影时,投影平面处于第一人体模型的后方。投影平面垂直于第一人体模型的底部所在的平面。从投影中心发出的所有投影射线中存在能够垂直于投影平面的投影射线。
由于二维投影图像采用的是虚拟投影的方式得到的,因此,本发明仅将有效信息的部分进行保存,即二维投影图像中不包含背景的部分,所有的像素点都是投影之后得到的像素点。
在一种实施方式中,在预设的多个方向对试穿人员进行拍摄时,拍摄的高度和距离可以根据设定好的透视投影的投影中心与第一人体模型之间的相对位置关系来进行确定,使得如下关系式成立:
da/ha=db/hb。
可选的,proimgf中的二维投影图像与计算图像之间相似度的计算过程包括:
S10,获取proimgf中的二维投影图像的第一比较信息;
S20,获取计算图像中的前景部分的第二比较信息;
S30,计算第一比较信息和第二比较信息之间的相似度。
具体的,通过相似度进行对比,能够准确地判断两个图像是否一致。
可选的,获取proimgf中的二维投影图像的第一比较信息,包括:
从存储模块中获取二维投影图像的第一比较信息。
在本发明中,二维投影图像的第一比较信息先计算出来,保存在存储模块中,当需要用到时,可以直接进行调用,而无需再次进行计算,从而缩短了计算相似度的时间,使得本发明能够更快得到试穿模型。
可选的,获取proimgf中的二维投影图像的第一比较信息,包括:
获取二维投影图像的轮廓,将二维投影图像的轮廓作为第一比较信息。
具体的,可以通过基于连通性的轮廓识别算法、基于边缘检测的轮廓识别算法等方式来获得图像中的轮廓。
可选的,获取计算图像中的前景部分的第二比较信息,包括:
对计算图像进行图像分割计算,得到计算图像中的前景图像;
根据第一比较信息对前景图像进行缩放,得到缩放图像;
将缩放图像的轮廓作为第二比较信息。
具体的,基于第一比较信息进行缩放,能够使得两个轮廓的尺寸尽可能地接近,从而有利于更快地得到相似度比较结果。
计算图像中的前景图像,即为除去了计算图像中的背景之后,试穿人员所在区域的所对应的图像。
可选的,对计算图像进行图像分割计算,得到计算图像中的前景图像,包括:
采用基于阈值的图像分割算法对计算图像进行分割,获取计算图像中的前景图像。
具体的,还可以采用基于神经网络的分割算法等其它具有分割能力的算法来得到计算图像中的前景图像。
可选的,采用基于阈值的图像分割算法对计算图像进行分割,获取计算图像中的前景图像,包括:
对计算图像进行小波阈值处理,获得滤波图像;
采用基于阈值的图像分割算法对滤波图像进行图像分割计算,得到滤波图像中的前景图像。
具体的,进行小波阈值处理之后,能够有效地降低得到的滤波图像中的图像噪声,从而有利于获得更为准确的轮廓。
可选的,对计算图像进行小波阈值处理,获得滤波图像,包括:
对计算图像进行分区,将计算图像分为N×M个子图像,N表示横向的子图像的数量,M表示纵向的子图像的数量;
分别对每个子图像进行小波阈值处理,得到处理后的子图像;
对处理后的子图像进行合并,得到滤波图像。
现有技术中,一般都是直接对计算图像中所有的像素点进行小波阈值处理,但是,这种处理方式并没有考虑到不同的区域中的噪声水平不一致,因此,使用这种方式得到的滤波图像中,噪声水平较高的区域中的图像细节丢失较为严重,从而降低了得到的滤波图像中的细节,不利于后续获得的准确的轮廓。因为图像的轮廓与图像细节密切相关。
可选的,对子图像进行小波阈值处理,得到处理后的子图像,包括:
计算子图像的小波分解次数D;
基于小波分解次数对子图像进行D次小波分解,得到多个低频系数和多个高频系数;
分别对每个高频系数进行软阈值处理,得到处理后的高频系数;
基于低频系数和处理后的高频系数进行小波重构,得到处理后的子图像。
具体的,本发明中,不同的子图像的小波分解次数并不是保持一致的,而是根据子图像的实际情况计算得到,从而使得分解次数与噪声水平相关,使得软阈值处理的之后获得的子图像中的图像细节得到了更为有效的保留。
可选的,小波分解次数D的计算方式为:
计算第k次小波分解获得的高频系数对应的图像中的图像判断值imgjdk;
计算第k-1次小波分解获得的高频系数对应的图像中的图像判断值imgjdk-1
计算imgjdk和imgjdk-1之间的差值的绝对值,若绝对值小于设定的阈值,则在第k次小波分解后结束进行小波分解,将k的值作为小波分解次数D的值。
具体的,小波分解次数是基于相邻的两次小波分解得到的高频系数的图像判断值之间大小差异得到的,随着小波分解次数的增加,图像判断值呈现先快速增加,然后缓慢增加的趋势,因此,为了提高计算效率,在保证小波阈值处理的效果的前提下,本发明在快速增加的趋势结束时,结束进行小波分解,便能够的使得得到的高频系数中包含足够多的噪声信息,对这些噪声信息进行阈值处理便能够得到得到噪声水平有效降低的子图像。
可选的,图像判断值imgjdk的计算函数为:
α和β为第一权重和第二权重,第一权重与第二权重之间的和为1,img表示高频系数对应的图像中的像素点的集合,nfimg表示img中的像素点的总数,imgpixvs表示像素点s的像素值,imgpixsh表示预设的像素值的方差,nfigq表示像素值为q的像素点的总数,sigamu表示设定的计算系数。
具体的,图像判断值除了表示像素点的像素值之间的方差之外,还表示了像素点之间的细节含量,使得方差越大,细节含量越大的图像中的图像判断值越大,而根据小波分解的特征,获得更多的细节的同时,也会引入更多的图像噪声,因此,图像判断值越大,高频系数对应的图像中的细节信息越多,噪声越多,有利于获得足够多的噪声信息来进行小波阈值处理。
具体的,计算系数可以是设定的图像熵。
可选的,imgjdk-1的计算方式与imgjdk的计算方式相同。
可选的,高频系数可以是LH、HL、HH中的任一种。
具体的,这里的高频系数值得的进行一次小波分解之后得到的高频部分的系数。
可选的,分别对每个高频系数进行软阈值处理,得到处理后的高频系数,包括:
对于高频系数q,对其进行软阈值处理的阈值的计算函数为:
threq表示对高频系数q进行软阈值处理的阈值,λ表示预设的计算参数,λ∈(0,1),σ表示设定的图像噪声的标准差,mxfl表示预设的正整数,imgnosiq表示高频系数q对应的图像中的噪声含量,avenosi表示预设的噪声含量的标准值,stdthre表示设定的标准差,nq表示高频系数q对应的小波分解次数。
具体的,上述计算函数中的左边部分为传统的小波阈值的计算方式,但是,这种计算方式并没有考虑到不同的小波分解次数得到的高频系数中的图像噪声之间的差异,使得单一的阈值不能够适用于不同分解次数得到的高频系数的软阈值处理过程。
因此,本发明在上述计算函数的右边部分加入了小波分解的次数,以及得到的高频系数的噪声含量,使得对噪声含量越大,小波分解次数越多的高频系数进行软阈值处理的阈值越大,从而得到更为有效的滤波结果。使得软阈值处理的之后获得的子图像中的图像细节得到了更为有效的保留。
可选的,根据第一比较信息对前景图像进行缩放,得到缩放图像,包括:
获取第一比较信息对应的轮廓的长度和宽度;
对前景图像进行缩放,直至前景图像的轮廓的长度和第一比较信息对应的轮廓的长度相同且前景图像的轮廓的宽度和第一比较信息对应的轮廓的宽度相同。
显然,本领域的技术人员可以对本申请实施例进行各种改动和变型而不脱离本申请实施例范围。这样,倘若本申请实施例的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (9)
1.一种基于三维建模技术的服装试穿***,其特征在于,包括第一获取模块、存储模块、对比模块、模型融合模块、第二获取模块和建模模块;
第一获取模块用于从预设的多个方向对试穿人员进行拍摄,获得多张试穿人员的二维图像;
存储模块用于存储多个三维的第一人体模型,以及每个第一人体模型在所述预设的多个方向上进行投影得到的多张二维投影图像;
对比模块用于基于试穿人员的二维图像与存储模块中存储的二维投影图像判断存储模块是否存有符合要求的第一人体模型,若是,则将符合要求的第一人体模型发送至模型融合模块;若否,则向第二获取模块发送获取指令;
模型融合模块用于将对比模块发送过来的第一人体模型与试穿人员选择的服装的三维模型进行融合,得到第一试穿模型;
第二获取模块用于在接收到获取指令后,获取试穿人员的三维点云数据;
建模模块用于基于三维点云数据进行建模,得到第二人体模型;
模型融合模块用于将第二人体模型与试穿人员选择的服装的三维模型进行融合,得到第二试穿模型;
基于试穿人员的二维图像与存储模块中存储的二维投影图像判断存储模块是否存有符合要求的第一人体模型,包括:
S1,将得到的多张试穿人员的二维图像存入集合dimimgf;
S2,从集合dimimgf中随机获取一张二维图像作为计算图像;
S3,将计算图像对应的方向表示为B,从存储模块获取所有在方向B进行投影得到的二维投影图像的集合proimgf;
S4,判断proimgf中是否存在与计算图像之间相似度大于设定的相似度阈值的二维投影图像,若是,则进入S5,若否,则表示存储模块不存有符合要求的第一人体模型;
S5,将计算图像从集合dimimgf中删除;
S7,将计算图像保存到集合calimgf,判断calimgf中的元素的数量是否与方向的数量相同,若是,则表示存储模块存有符合要求的第一人体模型;若否,则进入S8;
S8,判断集合dimimgf是否为空集,若是,则表示存储模块不存有符合要求的第一人体模型,若否,则进入S2。
2.根据权利要求1所述的一种基于三维建模技术的服装试穿***,其特征在于,预设的多个方向包括人体的正面、人体的左侧、人体的右侧、人体的背面。
3.根据权利要求1所述的一种基于三维建模技术的服装试穿***,其特征在于,在预设的多个方向对试穿人员进行拍摄时,拍摄的高度和距离均相同。
4.根据权利要求1所述的一种基于三维建模技术的服装试穿***,其特征在于,proimgf中的二维投影图像与计算图像之间相似度的计算过程包括:
S10,获取proimgf中的二维投影图像的第一比较信息;
S20,获取计算图像中的前景部分的第二比较信息;
S30,计算第一比较信息和第二比较信息之间的相似度。
5.根据权利要求4所述的一种基于三维建模技术的服装试穿***,其特征在于,获取proimgf中的二维投影图像的第一比较信息,包括:
从存储模块中获取二维投影图像的第一比较信息。
6.根据权利要求4所述的一种基于三维建模技术的服装试穿***,其特征在于,获取proimgf中的二维投影图像的第一比较信息,包括:
获取二维投影图像的轮廓,将二维投影图像的轮廓作为第一比较信息。
7.根据权利要求5或6所述的一种基于三维建模技术的服装试穿***,其特征在于,获取计算图像中的前景部分的第二比较信息,包括:
对计算图像进行图像分割计算,得到计算图像中的前景图像;
根据第一比较信息对前景图像进行缩放,得到缩放图像;
将缩放图像的轮廓作为第二比较信息。
8.根据权利要求7所述的一种基于三维建模技术的服装试穿***,其特征在于,对计算图像进行图像分割计算,得到计算图像中的前景图像,包括:
采用基于阈值的图像分割算法对计算图像进行分割,获取计算图像中的前景图像。
9.根据权利要求7所述的一种基于三维建模技术的服装试穿***,其特征在于,根据第一比较信息对前景图像进行缩放,得到缩放图像,包括:
获取第一比较信息对应的轮廓的长度和宽度;
对前景图像进行缩放,直至前景图像的轮廓的长度和第一比较信息对应的轮廓的长度相同且前景图像的轮廓的宽度和第一比较信息对应的轮廓的宽度相同。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310909264.8A CN116883599B (zh) | 2023-07-21 | 2023-07-21 | 一种基于三维建模技术的服装试穿*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310909264.8A CN116883599B (zh) | 2023-07-21 | 2023-07-21 | 一种基于三维建模技术的服装试穿*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116883599A CN116883599A (zh) | 2023-10-13 |
CN116883599B true CN116883599B (zh) | 2024-02-06 |
Family
ID=88267844
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310909264.8A Active CN116883599B (zh) | 2023-07-21 | 2023-07-21 | 一种基于三维建模技术的服装试穿*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116883599B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104156966A (zh) * | 2014-08-11 | 2014-11-19 | 石家庄铁道大学 | 一种基于移动终端的伪3d实时虚拟试衣方法 |
CN107393011A (zh) * | 2017-06-07 | 2017-11-24 | 武汉科技大学 | 一种基于多结构光视觉技术的快速三维虚拟试衣***和方法 |
CN111862315A (zh) * | 2020-07-25 | 2020-10-30 | 南开大学 | 一种基于深度相机的人体多尺寸测量方法及*** |
CN113012303A (zh) * | 2021-03-10 | 2021-06-22 | 浙江大学 | 一种可保持服装纹理特征的多种类变尺度虚拟试衣方法 |
CN114445271A (zh) * | 2022-04-01 | 2022-05-06 | 杭州华鲤智能科技有限公司 | 一种生成虚拟试穿3d图像的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104008571B (zh) * | 2014-06-12 | 2017-01-18 | 深圳奥比中光科技有限公司 | 基于深度相机的人体模型获取方法及网络虚拟试衣*** |
-
2023
- 2023-07-21 CN CN202310909264.8A patent/CN116883599B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104156966A (zh) * | 2014-08-11 | 2014-11-19 | 石家庄铁道大学 | 一种基于移动终端的伪3d实时虚拟试衣方法 |
CN107393011A (zh) * | 2017-06-07 | 2017-11-24 | 武汉科技大学 | 一种基于多结构光视觉技术的快速三维虚拟试衣***和方法 |
CN111862315A (zh) * | 2020-07-25 | 2020-10-30 | 南开大学 | 一种基于深度相机的人体多尺寸测量方法及*** |
CN113012303A (zh) * | 2021-03-10 | 2021-06-22 | 浙江大学 | 一种可保持服装纹理特征的多种类变尺度虚拟试衣方法 |
CN114445271A (zh) * | 2022-04-01 | 2022-05-06 | 杭州华鲤智能科技有限公司 | 一种生成虚拟试穿3d图像的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116883599A (zh) | 2023-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104573614B (zh) | 用于跟踪人脸的设备和方法 | |
KR100682889B1 (ko) | 영상에 기반한 사실감 있는 3차원 얼굴 모델링 방법 및 장치 | |
CN111462206B (zh) | 一种基于卷积神经网络的单目结构光深度成像方法 | |
KR101198322B1 (ko) | 얼굴 표정 인식 방법 및 시스템 | |
CN112487921B (zh) | 一种用于活体检测的人脸图像预处理方法及*** | |
CN106372629A (zh) | 一种活体检测方法和装置 | |
KR20170008638A (ko) | 3차원 컨텐츠 생성 장치 및 그 3차원 컨텐츠 생성 방법 | |
US8073253B2 (en) | Machine learning based triple region segmentation framework using level set on PACS | |
KR101759188B1 (ko) | 2d 얼굴 이미지로부터 3d 모델을 자동 생성하는 방법 | |
US10860755B2 (en) | Age modelling method | |
KR20170092533A (ko) | 얼굴 포즈 교정 방법 및 장치 | |
CN111723687A (zh) | 基于神经网路的人体动作识别方法和装置 | |
CN110176064A (zh) | 一种摄影测量生成三维模型的主体对象自动识别方法 | |
CN106778660A (zh) | 一种人脸姿态校正方法及装置 | |
JP2012208759A (ja) | 3次元形状モデル高精度化方法およびプログラム | |
CN111680573A (zh) | 人脸识别方法、装置、电子设备和存储介质 | |
US20200036961A1 (en) | Constructing a user's face model using particle filters | |
CN116883599B (zh) | 一种基于三维建模技术的服装试穿*** | |
JP2005317000A (ja) | 最適な視点のセットで得られた2d画像からの顔の3d形状構築に最適な視点のセットを求める方法 | |
CN112017148A (zh) | 一种单节骨骼轮廓的提取方法及装置 | |
CN112749713B (zh) | 一种基于人工智能的大数据图像识别***及方法 | |
US11816806B2 (en) | System and method for foot scanning via a mobile computing device | |
JP5688514B2 (ja) | 視線計測システム、方法およびプログラム | |
Ma et al. | Modeling plants with sensor data | |
Navarro et al. | Filtering and interpolation of inaccurate and incomplete depth maps |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |