基于深度學(xué)習(xí)的襯衫定制設(shè)計(jì)

賈群喜 張偉民 羅依平

摘要：為了深度學(xué)習(xí)更好地在襯衫定制設(shè)計(jì)中的應(yīng)用，解決襯衫定制中人體參數(shù)識(shí)別不準(zhǔn)、價(jià)格昂貴和標(biāo)準(zhǔn)不統(tǒng)一等問題，提出了一種基于深度學(xué)習(xí)的襯衫定制設(shè)計(jì)方法。利用Deeplab V3圖像分割神經(jīng)網(wǎng)絡(luò)，在自主建立數(shù)據(jù)集的基礎(chǔ)上，進(jìn)行人體模型和背景的分割，結(jié)合人體特征點(diǎn)的方法進(jìn)行人體尺寸的擬合，同時(shí)考慮襯衫的個(gè)性化定制，并進(jìn)行真人試穿檢驗(yàn)。實(shí)驗(yàn)結(jié)果綜合得分在6.0以上，表明可以該方法進(jìn)行襯衫個(gè)性化定制方面表現(xiàn)良好，并在具有一定的應(yīng)用價(jià)值。

關(guān)鍵詞：襯衫;定制;Deeplab V3;特征點(diǎn)提取;人體尺寸擬合

中圖分類號(hào)：TP18 ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2021）31-0109-03

Shirt Customization Design Based on Deep Learning

JIA Qun-xi，ZHANG Wei-min，LUO Yi-ping

（Luoyang Institute of Science and Technology， Luoyang 471000， China）

Abstract：In order to better apply deep learning in shirt customization design and solve the problems of inaccurate human parameter identification， high price and inconsistent standards in shirt customization， a design method of shirt customization based on deep learning is proposed. The Deeplab V3 image segmentation neural network is used to segment the human model and background on the basis of independently establishing the data set. The fitting of human size is carried out by combining the method of human feature points. At the same time， the personalized customization of shirts is considered， and the real-life test is carried out. The comprehensive score of the experimental results is above 6.0， indicating that the method can perform well in the personalized customization of shirts， and has certain application value.

Key words：Shirt ; customization; Deeplab V3 ; feature point extraction ; Body size fitting

目前，伴隨著生活水平的提升，消費(fèi)者對(duì)于服裝的個(gè)性化、差異化要求也在逐步提升。男士襯衫在定制行業(yè)占相當(dāng)高的地位，一件合身的襯衫必不可少，據(jù)統(tǒng)計(jì)，標(biāo)準(zhǔn)尺碼襯衫僅能讓15%的人穿的合身，一件不合身的襯衫讓努力和成就在他人面前瞬間歸零。因此襯衫的個(gè)性化定制尤為重要。定制離不開身體參數(shù)，目前商家獲取身體參數(shù)的方法很多問題，如自主測(cè)量時(shí)的測(cè)量方式、工具和標(biāo)準(zhǔn)的混雜;傳統(tǒng)非接觸測(cè)量的尺寸不準(zhǔn)確;上門測(cè)量時(shí)的價(jià)格昂貴。為此本文利用深度學(xué)習(xí)中的圖形分割技術(shù)，并對(duì)人體尺寸進(jìn)行擬合，得到一種新型的襯衫定制的方法，滿足現(xiàn)代人對(duì)襯衫個(gè)性化定制的需求。

1 人體輪廓提取

人體輪廓提取是人體尺寸測(cè)量的基礎(chǔ)，傳統(tǒng)的非接觸測(cè)量結(jié)果不準(zhǔn)確，需要對(duì)復(fù)雜背景的提取能力不理想，而基于FCN等神經(jīng)網(wǎng)絡(luò)又有分割結(jié)果不夠精細(xì)、沒有聯(lián)系上下文信息和對(duì)計(jì)算能力要求較高點(diǎn)的缺點(diǎn)。本文提出了Deeplab V3神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，進(jìn)行人體輪廓提取方法。具體實(shí)現(xiàn)步驟如下：

1）建立數(shù)據(jù)集為神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練提供數(shù)據(jù)基礎(chǔ);

2）建立Deeplab V3神經(jīng)網(wǎng)絡(luò)模型和模型訓(xùn)練;

3）進(jìn)行模型推理得到人與背景的分割圖和進(jìn)行輪廓提取。

1.1數(shù)據(jù)集

本文采用的是人物和背景進(jìn)行分離的任務(wù)的數(shù)據(jù)集。本文選擇自主構(gòu)建數(shù)據(jù)集，以男性為例分析襯衫數(shù)據(jù)，主要采用正面照和側(cè)面照兩種，數(shù)據(jù)集的原始數(shù)據(jù)為11名身穿不同衣服的不同背景110張照片。由于數(shù)據(jù)集過少，本文受U-Net神經(jīng)網(wǎng)絡(luò)的啟發(fā)，進(jìn)行數(shù)據(jù)集的擴(kuò)充，利用數(shù)據(jù)增強(qiáng)手段，保證數(shù)據(jù)的多樣性，以提高模型效果。在原始數(shù)據(jù)的基礎(chǔ)上進(jìn)行隨機(jī)小范圍的旋轉(zhuǎn)圖片。最終得到330張大小為500×500的數(shù)據(jù)集。在模型訓(xùn)練前，同時(shí)把模型的數(shù)據(jù)集進(jìn)行隨機(jī)打亂并分為訓(xùn)練集和測(cè)試集，其中300張照片作為訓(xùn)練集30張照片作為測(cè)試集。

1.2模型結(jié)構(gòu)

DeepLab V3是以MG Res Net為基礎(chǔ)的建立的語(yǔ)義分割神經(jīng)網(wǎng)絡(luò)，采用全卷積神經(jīng)網(wǎng)絡(luò)的方式，用改進(jìn)ASPP的方式擴(kuò)大感受野的范圍，使網(wǎng)絡(luò)能關(guān)注到更大和更小的視野。其中MG Res Net 不同于Res Net在于，采用了不同的膨脹率進(jìn)行空洞卷積，具體的實(shí)現(xiàn)方式是在第四個(gè)殘差塊后，進(jìn)行4次復(fù)制，復(fù)制出來的采用不同的分辨率，并且給出來了最為推薦的4種膨脹率的組合。改進(jìn)的APPS的不同之處在于增加了1×1的卷積和自適應(yīng)池化用來提高網(wǎng)絡(luò)的表達(dá)能力。同時(shí)在還原方式從原來的相加，換成了連接方式后再經(jīng)過1×1的卷積進(jìn)行還原。舍棄了多尺度訓(xùn)練和全連接的條件隨機(jī)場(chǎng)（CRF），提高了模型的使用效果。本文綜合考慮最終選擇DeepLab V3作為本文的分割的模型。

1.3模型的訓(xùn)練和最終實(shí)現(xiàn)的結(jié)果

本文是在Pytoch深度學(xué)習(xí)框架下進(jìn)行實(shí)驗(yàn)，CPU為i7-10700F，GUP為NVIDIA GeForce GTX1660 Ti，運(yùn)行內(nèi)存16g其中模型參數(shù)更新采用梯度下降法，其中學(xué)習(xí)率設(shè)置為10-5，選用Adam優(yōu)化器，batch設(shè)置為1。其中建立模型的相關(guān)代碼如下，得到的部分?jǐn)?shù)據(jù)集與結(jié)果圖3所示

class DeepLab（Layer）：

def __init__（self，num_classes=59）：

super（DeepLab，self）.__init__（）

back = ResNet50（pretrained=False）

self.layer0 = fluid.dygraph.Sequentical（

resnet.conv，

resnet.pool2d_max）

2 人體尺寸的擬合

定制襯衫所需要的人體參數(shù)數(shù)據(jù)有，身高、領(lǐng)圍、肩寬、胸圍、腰圍、袖長(zhǎng)和衣長(zhǎng)，其中身高、袖長(zhǎng)和衣長(zhǎng)，基于圖像數(shù)據(jù)和實(shí)際數(shù)據(jù)保持一致，無需進(jìn)行擬合。但是其中的領(lǐng)圍、肩寬、胸圍和腰圍無法從圖片中直接獲得。本文采用的方法是首先基于分割出來的人體模型進(jìn)行特征點(diǎn)的確定，其次結(jié)合圖像中的數(shù)據(jù)和公式進(jìn)行擬合。

2.1特征點(diǎn)的確定

為了對(duì)人體尺寸的領(lǐng)圍、肩寬、胸圍、腰圍、進(jìn)行擬合，首先要明確各項(xiàng)身體參數(shù)如何進(jìn)行獲取?！胺b用人體測(cè)量尺寸的定義與方法”確定所有人體數(shù)據(jù)。

依據(jù)身體尺寸的測(cè)量要求可以知道，我們要確定頭部頂、腳底、頸部點(diǎn)、肩點(diǎn)、腋窩、胸點(diǎn)、腰部、虎口處。頭部和腳底點(diǎn)利用人體圖像的最低點(diǎn)和最高點(diǎn)確定。頸部點(diǎn)獲取同樣采用正面圖像輪廓和側(cè)面圖像輪廓相結(jié)合的方法，依據(jù)正面圖像的特點(diǎn)，首先確定頸部頂部和頸部底部的位置，正面圖像尋找水平輪廓距離最近的點(diǎn)，側(cè)面圖像尋找最外側(cè)的點(diǎn)和最外側(cè)點(diǎn)后方30度的交點(diǎn)。肩點(diǎn)的實(shí)際位置在肩膀和胳膊的交點(diǎn)處，同時(shí)肩點(diǎn)也在肩峰骨（肩膀最頂處）所在的位置。本文肩膀處的輪廓信息（變化程度信息和位置信息）確定肩點(diǎn)位置。腋窩（左右胸點(diǎn)）位置依據(jù)軀干和手臂的輪廓信息進(jìn)行確定?；⒖谖恢美檬终婆c手臂的輪廓的變化信息確定。腰部左右兩點(diǎn)的位置利用軀干信息尋找腰部最靠外側(cè)的兩點(diǎn)即可確定。對(duì)于前后胸點(diǎn)和前后兩處腰點(diǎn)。胸部剩余兩點(diǎn)和腰部位置依據(jù)人體側(cè)面曲線的輪廓特性確定。

2.2尺寸擬合

在尺寸擬合中，擬合方法有利用截面形狀的曲線擬合方法和利用大量數(shù)據(jù)的回歸分析方法。利用截面面積的進(jìn)行擬合的方法多用于界面相對(duì)簡(jiǎn)單，對(duì)于復(fù)雜截面無法適用。由于人體截面過于復(fù)雜，因此本文采用回歸分析方法進(jìn)行擬合，本文在大量閱讀前人曲線擬合方法，并進(jìn)行方法之間的比較，結(jié)合本文特征點(diǎn)的獲取，發(fā)現(xiàn)劉國(guó)聯(lián)[5]對(duì)青年男性的擬合模型最為適用，因此本文在此基礎(chǔ)上得到表1身體尺寸和對(duì)應(yīng)擬合公式，并在此基礎(chǔ)上進(jìn)行領(lǐng)圍、肩寬、胸圍、腰圍身體尺寸擬合。

3 結(jié)果和分析

本文共對(duì)12人進(jìn)行測(cè)試，其中10人在數(shù)據(jù)集?，F(xiàn)在將模型識(shí)別的部分結(jié)果呈現(xiàn)如表2所示下：

在分析模型處理結(jié)果時(shí)，發(fā)現(xiàn)樣本誤差均在1.5cm以內(nèi)，符合服裝定制的要求。證明本文在經(jīng)過以上處理后，可以應(yīng)用在服裝定制中?，F(xiàn)在已經(jīng)得到制作襯衫所需要的各項(xiàng)數(shù)據(jù)，身高、領(lǐng)圍、肩寬、胸圍、腰圍、袖長(zhǎng)和衣長(zhǎng)。但是對(duì)于一件定制的襯衫，不僅僅要求是合身，更加要求的是個(gè)性定制化。版型、面料、領(lǐng)型、顏色都會(huì)對(duì)襯衫的效果有所印象。為了進(jìn)行量化評(píng)價(jià)和符合實(shí)際。本文采用的評(píng)價(jià)的方式是真人試穿和主觀評(píng)價(jià)，試穿者對(duì)利用本文得到的身體尺寸數(shù)據(jù)，結(jié)合襯衫個(gè)性化定制襯衫，本文采用8分尺標(biāo)從1分到8分作為本文的量化標(biāo)準(zhǔn)。1分到2分表示尺碼完全不合適，外觀非常不美觀;3分到4分表示尺碼較為不合適，外觀較為不美觀，5分到6分表示尺碼較為合適，外觀較為美觀;7分到8分表示尺碼非常為合適，外觀較為非常美觀。

所有試穿者對(duì)所制作的襯衫進(jìn)行主觀打分，得到的結(jié)果如下表3所示，經(jīng)過分析得到，所以主觀評(píng)價(jià)得分全部在6.0分以上，結(jié)果表明所制作的襯衫舒適度較好，外觀較為美觀。證明本文提出的基于深度學(xué)習(xí)的襯衫定制方法較為有效具有較好的應(yīng)用價(jià)值。

在實(shí)驗(yàn)結(jié)果中胸部的分?jǐn)?shù)相差綜合分?jǐn)?shù)最低，且標(biāo)準(zhǔn)差最大，表示很多人對(duì)胸部的評(píng)價(jià)較好，很多人對(duì)胸部的評(píng)價(jià)較為不好。在結(jié)合對(duì)測(cè)試人員的調(diào)查和分析得知，是因?yàn)橛械娜私?jīng)常運(yùn)動(dòng)身材較好，而有的人胸部肥碩。本文的方法對(duì)身材一般的人表現(xiàn)良好，對(duì)身材較好和身材較為不好的人群不是很友好。就此受到啟發(fā)。對(duì)相同身體數(shù)據(jù)的人，不同身材的情況也會(huì)產(chǎn)生很大影響。例如：肩型分為平肩、常規(guī)和溜肩，胸型分為肌肉、平坦和肥大。下一步的研究主要是要解決身材數(shù)據(jù)的影響。

4 總結(jié)

本文提出了一種基于深度學(xué)習(xí)的人體測(cè)量方法，使用Deeplab V3框架，自主建立數(shù)據(jù)集和利用數(shù)據(jù)增強(qiáng)的手段，訓(xùn)練該模型，在保證較好精確度的情況下，聯(lián)系上下文信息，實(shí)現(xiàn)人與背景的準(zhǔn)確分割。在此方案的基礎(chǔ)上本文利用提取特征點(diǎn)和回歸分析法進(jìn)行尺寸擬合，并綜合考慮版型、領(lǐng)型和面料進(jìn)行襯衫個(gè)性化定制。本文實(shí)現(xiàn)了一種基于深度學(xué)習(xí)的襯衫的個(gè)性化定制方案。本文方法也有一些地方需要進(jìn)行優(yōu)化，如數(shù)據(jù)集主要是青年男性，沒有包含中年男性、中年女性和青年女性;沒有考慮身材對(duì)數(shù)據(jù)的影響。下一步身材的影響的情況該在尺寸擬合方面在利用神經(jīng)網(wǎng)絡(luò)等方法進(jìn)行擬合。本文的輪廓提取方案也表現(xiàn)較為良好可以為人體模型建立提供幫助。

參考文獻(xiàn)：

[1] 吳澤斌，張東亮，李基拓，等.復(fù)雜場(chǎng)景下的人體輪廓提取及尺寸測(cè)量[J].圖學(xué)學(xué)報(bào)，2020，41（5）：740-749.

[2] 嚴(yán)佳琪，維克多·庫(kù)茨米切夫.男士襯衫數(shù)字化高級(jí)定制的一種方法[J].服裝設(shè)計(jì)師，2020（9）：80-83.

[3] 賈俊瑛.基于圖像的人體尺寸測(cè)量方法研究[D].上海：上海師范大學(xué)，2020.

[4] 路煜.基于全卷積的編解碼網(wǎng)絡(luò)的人體輪廓提取方法研究[J].信息與電腦（理論版），2020，32（3）：47-48，52.

[5] 劉國(guó)聯(lián)，季開宸，金蓉，等.青年男體非接觸式測(cè)量系統(tǒng)圍度擬合的完善[J].絲綢，2014，51（10）：20-25.

【通聯(lián)編輯：唐一東】

收稿日期：2021-06-25

基金項(xiàng)目：2020國(guó)家級(jí)大學(xué)生創(chuàng)新訓(xùn)練計(jì)劃項(xiàng)目“基于人工智能的智能制衣系統(tǒng)（202011070006）”;2020河南省高等學(xué)校重點(diǎn)科研項(xiàng)目計(jì)劃“基于人工智能算法的移動(dòng)機(jī)器人系統(tǒng)研究（21B520012）”

作者簡(jiǎn)介：賈群喜（2000-），男，河南駐馬店人，本科生，研究方向：自動(dòng)化;張偉民（1978-），男，河南洛陽(yáng)人，講師，研究生，研究方向：自動(dòng)化;羅依平（2001-），女，河南鶴壁人，本科生，研究方向：自動(dòng)化。