CN117234342B - 一种基于人台模型生成虚拟模特的方法及设备 - Google Patents
一种基于人台模型生成虚拟模特的方法及设备 Download PDFInfo
- Publication number
- CN117234342B CN117234342B CN202311517504.6A CN202311517504A CN117234342B CN 117234342 B CN117234342 B CN 117234342B CN 202311517504 A CN202311517504 A CN 202311517504A CN 117234342 B CN117234342 B CN 117234342B
- Authority
- CN
- China
- Prior art keywords
- data
- model
- mannequin
- features
- characteristic
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 210000002027 skeletal muscle Anatomy 0.000 claims abstract description 38
- 238000004458 analytical method Methods 0.000 claims abstract description 13
- 239000000203 mixture Substances 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 18
- 238000012937 correction Methods 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 11
- 230000014509 gene expression Effects 0.000 claims description 6
- 238000013441 quality evaluation Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 abstract description 3
- 210000003205 muscle Anatomy 0.000 description 17
- 230000004927 fusion Effects 0.000 description 11
- 210000000988 bone and bone Anatomy 0.000 description 7
- 210000002414 leg Anatomy 0.000 description 4
- 210000001015 abdomen Anatomy 0.000 description 2
- 210000001217 buttock Anatomy 0.000 description 2
- 210000000038 chest Anatomy 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 210000004197 pelvis Anatomy 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 210000001364 upper extremity Anatomy 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003387 muscular Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- 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
- Processing Or Creating Images (AREA)
Abstract
本发明公开一种基于人台模型生成虚拟模特的方法及设备，涉及数据处理技术领域。所述方法包括：采集结构化数据、非结构化数据和半结构化数据；从结构化数据、非结构化数据和半结构化数据中提取第一数据特征和第二数据特征；融合第一数据特征与第二数据特征，将融合特征输入机器模型中，输出人台模型；计算第一数据特征与第二数据特征之间的特征损失函数，使用第一特征与第二特征之间的特征损失函数进行人台模型的修正；使用深度相机和人体成分分析相机获得用户骨骼肌肉数据，将用户骨骼肌肉数据输入训练好的人台模型，生成虚拟模特。本发明通过对多源数据的分析构建人台模型，提高人台模型的准确性，以此能够输出更贴近人体的虚拟模特。
Description
技术领域
本发明涉及数据处理技术领域，尤其涉及一种基于人台模型生成虚拟模特的方法及设备。
背景技术
人台为按人体比例制作的人体模型，常用于服装设计，服装教学，服装裁剪制作，工业服装检验等。常见的人台可分为：试衣用人台、展示用人台及立体剪裁专用人台。
现有的人台模型一般都是设计师预先设定的人体模型，在后续与人体实景融合时，很容易因为位置相差较大而出现匹配不佳的问题，基于此，本发明提出一种基于人台模型生成虚拟模特的方法，人台模型会从多源数据角度来分析构建，提高人体实景适配性。
发明内容
本发明提供了一种基于人台模型生成虚拟模特的方法，包括：
采集不同来源的人台模型构建所需的结构化数据、非结构化数据和半结构化数据；
从结构化数据中提取第一数据特征，并从非结构化数据和半结构化数据中提取第二数据特征；
融合第一数据特征与第二数据特征，将融合特征输入机器模型中，输出人台模型；
计算第一数据特征与第二数据特征之间的特征损失函数，使用第一特征与第二特征之间的特征损失函数进行人台模型的修正；
使用深度相机和人体成分分析相机获得用户骨骼肌肉数据，将用户骨骼肌肉数据输入训练好的人台模型，生成虚拟模特。
如上所述的一种基于人台模型生成虚拟模特的方法，其中，使用正则表达式从结构化数据中提取第一数据特征。
如上所述的一种基于人台模型生成虚拟模特的方法，其中，基于监督学习进行非结构化数据和半结构化数据的知识抽取，提取出第二数据特征。
如上所述的一种基于人台模型生成虚拟模特的方法，其中，基于监督学习进行非结构化数据的知识抽取，提取第二数据特征，具体包括：
构建知识图谱，从知识图谱中抽取存在目标关系的实体对，从非结构化数据和半结构化数据中进行属性、关系和实体的提取；
对属性、关系和实体进行实体对齐和实体消岐，再进行质量评估；
从非结构化数据和半结构化数据中抽取含有实体对的句子作为训练数据，训练监督学习模型；
将非结构化数据和半结构化数据输入监督学习模型中，输出抽取的第二数据特征。
如上所述的一种基于人台模型生成虚拟模特的方法，其中，还包括：使用人体成分分析相机拍摄多角度人体成分图像，利用多角度人体深度图像和多角度人体成分图像进行人台模型的校正，具体包括：对多角度人体深度图像进行初次匹配，根据初次匹配的结果，对多角度的目标图像进行矫正，将矫正后的目标图像与数字人台图像进行匹配。
本发明还提供一种基于人台模型生成虚拟模特的设备，包括：数据采集模块、人台模型构建模块、模型修正模块和虚拟模特生成模块；
数据采集模块用于采集不同来源的人台模型构建所需的结构化数据、非结构化数据和半结构化数据；
人台模型构建模块用于从结构化数据中提取第一数据特征，并从非结构化数据和半结构化数据中提取第二数据特征；融合第一数据特征与第二数据特征，将融合特征输入机器模型中，输出人台模型；
模型修正模块用于计算第一数据特征与第二数据特征之间的特征损失函数，使用第一特征与第二特征之间的特征损失函数进行人台模型的修正；
虚拟模特生成模块用于使用深度相机和人体成分分析相机获得用户骨骼肌肉数据，将用户骨骼肌肉数据输入训练好的人台模型，生成虚拟模特。
如上所述的一种基于人台模型生成虚拟模特的方法，其中，使用正则表达式从结构化数据中提取第一数据特征。
如上所述的一种基于人台模型生成虚拟模特的方法，其中，基于监督学习进行非结构化数据和半结构化数据的知识抽取，提取出第二数据特征。
如上所述的一种基于人台模型生成虚拟模特的方法，其中，基于监督学习进行非结构化数据的知识抽取，提取第二数据特征，具体包括：
构建知识图谱，从知识图谱中抽取存在目标关系的实体对，从非结构化数据和半结构化数据中进行属性、关系和实体的提取；
对属性、关系和实体进行实体对齐和实体消岐，再进行质量评估；
从非结构化数据和半结构化数据中抽取含有实体对的句子作为训练数据，训练监督学习模型；
将非结构化数据和半结构化数据输入监督学习模型中，输出抽取的第二数据特征。
本发明还提供一种计算机存储介质，包括：至少一个存储器和至少一个处理器；
存储器用于存储一个或多个程序指令；
处理器，用于运行一个或多个程序指令，用以执行上述任一项所述的一种基于人台模型生成虚拟模特的方法。
本发明实现的有益效果如下：本发明通过对多源数据的分析构建人台模型，提高人台模型的准确性，以此能够输出更贴近人体的虚拟模特。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的一种基于人台模型生成虚拟模特的方法流程图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
实施例一
如图1所示，本发明实施例一提供一种基于人台模型生成虚拟模特的方法，包括：
步骤110、采集不同来源的人台模型构建所需的结构化数据、非结构化数据和半结构化数据；
为了构建出最合适的人台模型，本申请会从多种来源获取构建人台模型的数据，例如欧版人体骨骼肌肉数据、日版人体骨骼肌肉数据、韩版人体骨骼肌肉数据、国标人体骨骼肌肉数据，这些数据可以通过问卷调查、数据描述、深度相机拍摄等方式分析所得，将这些数据分为结构化数据、非结构化数据和半结构化数据。
步骤120、从结构化数据中提取第一数据特征，并从非结构化数据和半结构化数据中提取第二数据特征。
由于结构化数据具有固定的结构形式，因此优选使用正则表达式从结构化数据中提取结构化数据特征。对于没有固定格式的非结构化数据和半结构化数据，本申请优选基于监督学习进行非结构化数据和半结构化数据的知识抽取，提取出第二数据特征。
基于监督学习进行非结构化数据的知识抽取，提取第二数据特征，具体包括：构建知识图谱，从知识图谱中抽取存在目标关系的实体对，具体地，从非结构化数据和半结构化数据中进行属性、关系和实体的提取，然后对属性、关系和实体进行实体对齐和实体消岐，再进行质量评估。从非结构化数据和半结构化数据中抽取含有实体对的句子作为训练数据，训练监督学习模型；将非结构化数据和半结构化数据输入监督学习模型中，输出抽取的第二数据特征。
从结构化、非结构化数据和半结构化数据中提取的要关注的数据特征包括骨骼特征和肌肉特征，骨骼特征但不限于肩膀区、手臂区、脊柱区、骨盆区和腿部区，肌肉特征包括但不限于上肢区、胸部、腹部、臀部和腿部，利用这些数据特征训练人台模型。
应用上述特征提取方式从结构化数据中提取出的第一数据特征为，其中，x、y分别表示骨骼特征和肌肉特征，/>表示欧版人体骨骼肌肉数据，/>表示日版人体骨骼肌肉数据、……、/>表示第n种人体骨骼肌肉数据。从非结构化数据和半结构化数据中提取出的第二数据特征为，其中，/>表示欧版人体骨骼肌肉数据，/>表示日版人体骨骼肌肉数据、……、/>表示第n种人体骨骼肌肉数据。需要说明的是，第一数据特征和第二数据特征所表示的数据类型相同，但数据不同。
步骤130、融合第一数据特征与第二数据特征，将融合特征输入机器模型中，输出初步人台模型。
依据公式融合结构化数据特征和非结构化数据特征，其中，/>为融合特征，，/>表示融合后的欧版人体骨骼肌肉数据，表示融合后的日版人体骨骼肌肉数据、……、/>表示融合后的第n种人体骨骼肌肉数据；/>表示第i个特征数据对人台模块构建的影响因子，/>表示结构化数据特征对人台模型构建的影响权重，/>表示非结构化数据和半结构化数据特征对人台模型构建的影响权重。将融合特征输入机器模型中，输出初步人台模型。
步骤140、计算第一数据特征与第二数据特征之间的特征损失函数，使用第一特征与第二特征之间的特征损失函数进行人台模型的修正；
从采集到的结构化数据、非结构化数据和半结构化数据中提取数据特征会存在一定的特征损失，由于第一数据特征和第二数据特征表征相同模型的不同数据形式，所以数据特征之间也会存在一定特征损失，因此本申请在对提取出数据特征进行训练之后，还包括计算数据特征之间的特征损失函数，使用数据特征之间的特征损失函数继续修正人台模型，提高人台模型的准确率。
具体的，依据公式，计算第一数据特征与第二数据特征之间的特征损失函数，其中，/>为第一数据特征集，/>为第二数据特征集；/>、/>分别为第一数据特征与第二数据特征对特征损失函数的修正系数，0</><1，0</><1，且/>+/>=1。为特征损失率，/>，其中，/>表示范数，即数据特征集中每个元素平方和的平方根，/>为第一数据特征与融合特征的损失计算，/>为第一数据特征与融合特征的损失计算对特征损失率的影响权重，/>为第二数据特征与融合特征的损失计算，/>为第二数据特征与融合特征的损失计算对特征损失率的影响权重。
步骤150、使用深度相机和人体成分分析相机获得用户骨骼肌肉数据，将用户骨骼肌肉数据输入训练好的人台模型，生成虚拟模特；
使用深度相机拍摄多角度人体深度图像，使用深度图像序列生成运动历史点云并提取全局特征，同时从三维骨骼信息中提取人体骨骼关节点的相对位移特征和相对距离特征，归一化得到用户骨骼肌肉数据，利用人体成分分析相机能够得到用户肌肉数据。将用户骨骼肌肉数据输入人台模型，生成虚拟模特，并且使用深度相机拍摄多角度人体深度图像，使用人体成分分析相机拍摄多角度人体成分图像，利用多角度人体深度图像和多角度人体成分图像进行人台模型的校正。
其中，进行人台模型的校正，具体包括：
对多角度人体深度图像和多角度人体成分图像进行初次匹配。
具体地，在多角度人体深度图像上进行骨骼特征点坐标的标定，在多角度的数字人台图像中进行人台特征点的标定，将数字人台图像中的指定人体部位作为人台特征点，人台特征点在数字人台图像中的位置为人台特征点坐标。骨骼特征点与人台特征点存在对应关系，将对应的特征点进行一一对准，从而完成多角度的深度图像与对应的多角度的数字人台图像的初次匹配。
在多角度人体成分图像上进行肌肉特征点坐标的标定，在多角度的数字人台图像中进行人台特征点的标定，将数字人台图像中的指定人体部位作为人台特征点，人台特征点在数字人台图像中的位置为人台特征点坐标。骨骼特征点与人台特征点存在对应关系，将对应的特征点进行一一对准，从而完成多角度人体成分图像与对应的多角度的数字人台图像的初次匹配。
根据初次匹配的结果，对多角度的目标图像进行矫正，将矫正后的目标图像与数字人台图像进行匹配。
具体地，查看初次匹配后的人台特征点的坐标与骨骼肌肉特征点的坐标是否重合，判断重合的人台特征点的坐标与服装特征点的坐标的数量，若二者重合的坐标数量小于第一指定阈值，则对目标图像进行整体矫正。对图像按照一定比例进行整体缩放，并判断整体缩放后，重合的人台特征点的坐标与骨骼肌肉特征点的坐标的数量是否存在变化，若重合的坐标数量增加，大于第一指定阈值，则对图像进行局部矫正，将矫正后的目标图像与数字人台图像进行匹配。
实施例二
本发明实施例二提供一种基于人台模型生成虚拟模特的设备，包括：数据采集模块21、人台模型构建模块22、模型修正模块23和虚拟模特生成模块24；
数据采集模块21用于采集不同来源的人台模型构建所需的结构化数据、非结构化数据和半结构化数据；
为了构建出最合适的人台模型，本申请会从多种来源获取构建人台模型的数据，例如欧版人体骨骼肌肉数据、日版人体骨骼肌肉数据、韩版人体骨骼肌肉数据、国标人体骨骼肌肉数据，这些数据可以通过问卷调查、数据描述、深度相机拍摄等方式分析所得，将这些数据分为结构化数据、非结构化数据和半结构化数据。
人台模型构建模块22用于从结构化数据中提取第一数据特征，并从非结构化数据和半结构化数据中提取第二数据特征；融合第一数据特征与第二数据特征，将融合特征输入机器模型中，输出人台模型；
由于结构化数据具有固定的结构形式，因此优选使用正则表达式从结构化数据中提取结构化数据特征。对于没有固定格式的非结构化数据和半结构化数据，本申请优选基于监督学习进行非结构化数据和半结构化数据的知识抽取，提取出第二数据特征。
基于监督学习进行非结构化数据的知识抽取，提取第二数据特征，具体包括：构建知识图谱，从知识图谱中抽取存在目标关系的实体对，具体地，从非结构化数据和半结构化数据中进行属性、关系和实体的提取，然后对属性、关系和实体进行实体对齐和实体消岐，再进行质量评估。从非结构化数据和半结构化数据中抽取含有实体对的句子作为训练数据，训练监督学习模型；将非结构化数据和半结构化数据输入监督学习模型中，输出抽取的第二数据特征。
从结构化、非结构化数据和半结构化数据中提取的要关注的数据特征包括骨骼特征和肌肉特征，骨骼特征但不限于肩膀区、手臂区、脊柱区、骨盆区和腿部区，肌肉特征包括但不限于上肢区、胸部、腹部、臀部和腿部，利用这些数据特征训练人台模型。
应用上述特征提取方式从结构化数据中提取出的第一数据特征为，其中，x、y分别表示骨骼特征和肌肉特征，/>表示欧版人体骨骼肌肉数据，/>表示日版人体骨骼肌肉数据、……、/>表示第n种人体骨骼肌肉数据。从非结构化数据和半结构化数据中提取出的第二数据特征为，其中，/>表示欧版人体骨骼肌肉数据，/>表示日版人体骨骼肌肉数据、……、/>表示第n种人体骨骼肌肉数据。需要说明的是，第一数据特征和第二数据特征所表示的数据类型相同，但数据不同。
依据公式融合结构化数据特征和非结构化数据特征，其中，/>为融合特征，，/>表示融合后的欧版人体骨骼肌肉数据，表示融合后的日版人体骨骼肌肉数据、……、/>表示融合后的第n种人体骨骼肌肉数据；/>表示第i个特征数据对人台模块构建的影响因子，/>表示结构化数据特征对人台模型构建的影响权重，/>表示非结构化数据和半结构化数据特征对人台模型构建的影响权重。将融合特征输入机器模型中，输出初步人台模型。
模型修正模块23用于计算第一数据特征与第二数据特征之间的特征损失函数，使用第一特征与第二特征之间的特征损失函数进行人台模型的修正；
从采集到的结构化数据、非结构化数据和半结构化数据中提取数据特征会存在一定的特征损失，由于第一数据特征和第二数据特征表征相同模型的不同数据形式，所以数据特征之间也会存在一定特征损失，因此本申请在对提取出数据特征进行训练之后，还包括计算数据特征之间的特征损失函数，使用数据特征之间的特征损失函数继续修正人台模型，提高人台模型的准确率。
具体的，依据公式，计算第一数据特征与第二数据特征之间的特征损失函数，其中，/>为第一数据特征集，/>为第二数据特征集；/>、/>分别为第一数据特征与第二数据特征对特征损失函数的修正系数，0</><1，0</><1，且/>+/>=1。为特征损失率，/>，其中，/>表示范数，即数据特征集中每个元素平方和的平方根，/>为第一数据特征与融合特征的损失计算，/>为第一数据特征与融合特征的损失计算对特征损失率的影响权重，/>为第二数据特征与融合特征的损失计算，/>为第二数据特征与融合特征的损失计算对特征损失率的影响权重。
虚拟模特生成模块24用于使用深度相机和人体成分分析相机获得用户骨骼肌肉数据，将用户骨骼肌肉数据输入训练好的人台模型，生成虚拟模特。
使用深度相机拍摄多角度人体深度图像，使用深度图像序列生成运动历史点云并提取全局特征，同时从三维骨骼信息中提取人体骨骼关节点的相对位移特征和相对距离特征，归一化得到用户骨骼肌肉数据，利用人体成分分析相机能够得到用户肌肉数据。将用户骨骼肌肉数据输入人台模型，生成虚拟模特，并且使用深度相机拍摄多角度人体深度图像，使用人体成分分析相机拍摄多角度人体成分图像，利用多角度人体深度图像和多角度人体成分图像进行人台模型的校正。
其中，进行人台模型的校正，具体包括：
对多角度人体深度图像和多角度人体成分图像进行初次匹配。
具体地，在多角度人体深度图像上进行骨骼特征点坐标的标定，在多角度的数字人台图像中进行人台特征点的标定，将数字人台图像中的指定人体部位作为人台特征点，人台特征点在数字人台图像中的位置为人台特征点坐标。骨骼特征点与人台特征点存在对应关系，将对应的特征点进行一一对准，从而完成多角度的深度图像与对应的多角度的数字人台图像的初次匹配。
在多角度人体成分图像上进行肌肉特征点坐标的标定，在多角度的数字人台图像中进行人台特征点的标定，将数字人台图像中的指定人体部位作为人台特征点，人台特征点在数字人台图像中的位置为人台特征点坐标。骨骼特征点与人台特征点存在对应关系，将对应的特征点进行一一对准，从而完成多角度人体成分图像与对应的多角度的数字人台图像的初次匹配。
根据初次匹配的结果，对多角度的目标图像进行矫正，将矫正后的目标图像与数字人台图像进行匹配。
具体地，查看初次匹配后的人台特征点的坐标与骨骼肌肉特征点的坐标是否重合，判断重合的人台特征点的坐标与服装特征点的坐标的数量，若二者重合的坐标数量小于第一指定阈值，则对目标图像进行整体矫正。对图像按照一定比例进行整体缩放，并判断整体缩放后，重合的人台特征点的坐标与骨骼肌肉特征点的坐标的数量是否存在变化，若重合的坐标数量增加，大于第一指定阈值，则对图像进行局部矫正，将矫正后的目标图像与数字人台图像进行匹配。
与上述实施例对应的，本发明实施例提供一种计算机存储介质，包括：至少一个存储器和至少一个处理器；
存储器用于存储一个或多个程序指令；
处理器，用于运行一个或多个程序指令，用以执行一种基于人台模型生成虚拟模特的方法。
与上述实施例对应的，本发明实施例提供一种计算机可读存储介质，计算机存储介质中包含一个或多个程序指令，一个或多个程序指令用于被处理器执行一种基于人台模型生成虚拟模特的方法。
本发明所公开的实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序指令，当所述计算机程序指令在计算机上运行时，使得计算机执行上述的一种基于人台模型生成虚拟模特的方法。
在本发明实施例中，处理器可以是一种集成电路芯片，具有信号的处理能力。处理器可以是通用处理器、数字信号处理器(Digital Signal Processor，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现场可编程门阵列(FieldProgrammable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。处理器读取存储介质中的信息，结合其硬件完成上述方法的步骤。
存储介质可以是存储器，例如可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。
其中，非易失性存储器可以是只读存储器(Read-Only Memory，简称ROM)、可编程只读存储器(Programmable ROM，简称PROM)、可擦除可编程只读存储器(Erasable PROM，简称EPROM)、电可擦除可编程只读存储器(Electrically EPROM，简称EEPROM)或闪存。
易失性存储器可以是随机存取存储器(Random Access Memory，简称RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，简称SRAM)、动态随机存取存储器(Dynamic RAM，简称DRAM)、同步动态随机存取存储器(Synchronous DRAM，简称SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data RateSDRAM，简称DDRSDRAM)、增强型同步动态随机存取存储器(EnhancedSDRAM，简称ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM，简称SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM，简称DRRAM)。
本发明实施例描述的存储介质旨在包括但不限于这些和任意其它适合类型的存储器。
本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的功能可以用硬件与软件组合来实现。当应用软件时，可以将相应功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。
Claims (10)
1.一种基于人台模型生成虚拟模特的方法，其特征在于，包括：
采集不同来源的人台模型构建所需的结构化数据、非结构化数据和半结构化数据；
从结构化数据中提取第一数据特征，并从非结构化数据和半结构化数据中提取第二数据特征；
融合第一数据特征与第二数据特征，将融合特征输入机器模型中，输出人台模型；
计算第一数据特征与第二数据特征之间的特征损失函数，使用第一特征与第二特征之间的特征损失函数进行人台模型的修正；
使用深度相机和人体成分分析相机获得用户骨骼肌肉数据，将用户骨骼肌肉数据输入训练好的人台模型，生成虚拟模特。
2.如权利要求1所述的一种基于人台模型生成虚拟模特的方法，其特征在于，使用正则表达式从结构化数据中提取第一数据特征。
3.如权利要求1所述的一种基于人台模型生成虚拟模特的方法，其特征在于，基于监督学习进行非结构化数据和半结构化数据的知识抽取，提取出第二数据特征。
4.如权利要求3所述的一种基于人台模型生成虚拟模特的方法，其特征在于，基于监督学习进行非结构化数据的知识抽取，提取第二数据特征，具体包括：
构建知识图谱，从知识图谱中抽取存在目标关系的实体对，从非结构化数据和半结构化数据中进行属性、关系和实体的提取；
对属性、关系和实体进行实体对齐和实体消岐，再进行质量评估；
从非结构化数据和半结构化数据中抽取含有实体对的句子作为训练数据，训练监督学习模型；
将非结构化数据和半结构化数据输入监督学习模型中，输出抽取的第二数据特征。
5.如权利要求1所述的一种基于人台模型生成虚拟模特的方法，其特征在于，还包括：使用人体成分分析相机拍摄多角度人体成分图像，利用多角度人体深度图像和多角度人体成分图像进行人台模型的校正，具体包括：对多角度人体深度图像进行初次匹配，根据初次匹配的结果，对多角度的目标图像进行矫正，将矫正后的目标图像与数字人台图像进行匹配。
6.一种基于人台模型生成虚拟模特的设备，其特征在于，包括：数据采集模块、人台模型构建模块、模型修正模块和虚拟模特生成模块；
数据采集模块用于采集不同来源的人台模型构建所需的结构化数据、非结构化数据和半结构化数据；
人台模型构建模块用于从结构化数据中提取第一数据特征，并从非结构化数据和半结构化数据中提取第二数据特征；融合第一数据特征与第二数据特征，将融合特征输入机器模型中，输出人台模型；
模型修正模块用于计算第一数据特征与第二数据特征之间的特征损失函数，使用第一特征与第二特征之间的特征损失函数进行人台模型的修正；
虚拟模特生成模块用于使用深度相机和人体成分分析相机获得用户骨骼肌肉数据，将用户骨骼肌肉数据输入训练好的人台模型，生成虚拟模特。
7.如权利要求6所述的一种基于人台模型生成虚拟模特的设备，其特征在于，使用正则表达式从结构化数据中提取第一数据特征。
8.如权利要求6所述的一种基于人台模型生成虚拟模特的设备，其特征在于，基于监督学习进行非结构化数据和半结构化数据的知识抽取，提取出第二数据特征。
9.如权利要求8所述的一种基于人台模型生成虚拟模特的设备，其特征在于，基于监督学习进行非结构化数据的知识抽取，提取第二数据特征，具体包括：
构建知识图谱，从知识图谱中抽取存在目标关系的实体对，从非结构化数据和半结构化数据中进行属性、关系和实体的提取；
对属性、关系和实体进行实体对齐和实体消岐，再进行质量评估；
从非结构化数据和半结构化数据中抽取含有实体对的句子作为训练数据，训练监督学习模型；
将非结构化数据和半结构化数据输入监督学习模型中，输出抽取的第二数据特征。
10.一种计算机存储介质，包括：至少一个存储器和至少一个处理器；
存储器用于存储一个或多个程序指令；
处理器，用于运行一个或多个程序指令，用以执行如权利要求1-5任一项所述的一种基于人台模型生成虚拟模特的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311517504.6A CN117234342B (zh) | 2023-11-15 | 2023-11-15 | 一种基于人台模型生成虚拟模特的方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311517504.6A CN117234342B (zh) | 2023-11-15 | 2023-11-15 | 一种基于人台模型生成虚拟模特的方法及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117234342A CN117234342A (zh) | 2023-12-15 |
| CN117234342B true CN117234342B (zh) | 2024-03-19 |
Family
ID=89093376
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311517504.6A Active CN117234342B (zh) | 2023-11-15 | 2023-11-15 | 一种基于人台模型生成虚拟模特的方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117234342B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114676260A (zh) * | 2021-12-15 | 2022-06-28 | 清华大学 | 基于知识图谱的人体骨骼运动康复模型构建方法 |
| CN116541472A (zh) * | 2023-03-22 | 2023-08-04 | 麦博(上海)健康科技有限公司 | 一种医疗领域知识图谱构建的方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6018707B2 (ja) * | 2012-06-21 | 2016-11-02 | マイクロソフト コーポレーション | デプスカメラを使用するアバター構築 |
-
2023
- 2023-11-15 CN CN202311517504.6A patent/CN117234342B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114676260A (zh) * | 2021-12-15 | 2022-06-28 | 清华大学 | 基于知识图谱的人体骨骼运动康复模型构建方法 |
| CN116541472A (zh) * | 2023-03-22 | 2023-08-04 | 麦博(上海)健康科技有限公司 | 一种医疗领域知识图谱构建的方法 |
Non-Patent Citations (1)
| Title |
|---|
| 三维人体数据的提取及分析;冯晓 等;天津工业大学学报;第30卷(第6期);第20-23页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117234342A (zh) | 2023-12-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11436745B1 (en) | Reconstruction method of three-dimensional (3D) human body model, storage device and control device | |
| Ive et al. | Distilling translations with visual awareness | |
| CN109448090B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| Yu et al. | A computational biomechanics human body model coupling finite element and multibody segments for assessment of head/brain injuries in car-to-pedestrian collisions | |
| CN109685013B (zh) | 人体姿态识别中头部关键点的检测方法及装置 | |
| Gao et al. | Leveraging two kinect sensors for accurate full-body motion capture | |
| EP3876110A1 (en) | Method, device and apparatus for recognizing, categorizing and searching for garment, and storage medium | |
| CN110490081A (zh) | 一种基于聚焦权重矩阵与变尺度语义分割神经网络的遥感对象解译方法 | |
| CN112509119A (zh) | 针对颞骨的空间数据处理及定位方法、装置及电子设备 | |
| CN112488241A (zh) | 一种基于多粒度融合网络的零样本图片识别方法 | |
| CN113781164B (zh) | 虚拟试衣模型训练方法、虚拟试衣方法和相关装置 | |
| CN112614125A (zh) | 手机玻璃缺陷检测方法、装置、计算机设备及存储介质 | |
| WO2023142651A1 (zh) | 动作生成方法及相关装置、电子设备、存储介质和程序 | |
| CN111127668A (zh) | 一种角色模型生成方法、装置、电子设备和存储介质 | |
| WO2021217937A1 (zh) | 姿态识别模型的训练方法及设备、姿态识别方法及其设备 | |
| WO2024125611A1 (zh) | 一种人体身材模型的创建方法、装置及电子设备 | |
| CN114782661B (zh) | 下半身姿态预测模型的训练方法及装置 | |
| CN115035250A (zh) | 一种建模图形数据信息交互处理方法及*** | |
| US11461914B2 (en) | Measuring surface distances on human bodies | |
| CN117234342B (zh) | 一种基于人台模型生成虚拟模特的方法及设备 | |
| CN114048282A (zh) | 一种基于文本树局部匹配的图文跨模态检索方法及*** | |
| CN114781393B (zh) | 图像描述生成方法和装置、电子设备及存储介质 | |
| CN112084981B (zh) | 一种基于神经网络定制服装的方法 | |
| CN114972792A (zh) | 基于双模态特征融合的问答方法、装置、设备和存储介质 | |
| CN113887500A (zh) | 一种人体语义识别方法和装置 |
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 |