的服装的各部件的属性信息输入该贝叶斯网络模型后，可以通过遗传算法对服装的各部件的属性信息做进一步优化，从而得到最优的服装部件组成信息及部件的属性信息。
[0048]图4为本发明实施例提供的又一种服装三维模型生成方法流程图，本实施例在图3所示实施例的基础上，进一步的，在S50之后，还可以包括:
[0049]S51，根据着装人体的RGBD数据获取人体三维姿势和服装点云；
[0050]S52，根据人体三维姿势调整服装三维模型，以使调整后的服装三维模型与服装点云拟合。
[0051 ] 示例性的，本发明实施例优选微软公司研制的Kinect来获取着装人体的RGBD数据，由于Kinect的RGB相机与3D深度相机相互独立，而且Kinect的软件开发工具包(Software Development Kit，简称SDK)提供的配准应用程序编程接口(Applicat1nProgramming Interface，简称API)，可以实现采集获得的着装人体的RGBD序列数据配准，然后利用图像分割(Graph-cuts)算法，以交互式传播方式实现着装人体RGBD数据中人体区域与服装区域的二值图计算，利用服装区域二值图像对着装人体点云进行裁剪，获得服装点云。Kinect SDK提供的骨架跟踪API可以实现着装人体RGBD数据中人体骨架信息的计算，获得包括多个骨架关键点信息的人体骨架数据，进而获得人体三维姿势数据。
[0052]由于服装部件三维模型库中的服装部件三维模型均是根据图2所示的标准虚拟人体模特得到的。因此还可以根据人体三维姿势与标准虚拟人体模特的对应关系，调整服装各部件三维模型的空间尺度、姿态、位置以及朝向等，并利用非刚体变形算法，将从服装部件三维模型库中检索得到的三维部件模型配准到服装点云，具体可以用服装三维部件模型相对标准虚拟人体模特的位置先验信息约束配准过程，获得较好配准效果，使得最终的服装三维模型与服装点云相拟合。
[0053]值得一提的是，根据服装各部件属性信息在服装部件三维模型库中检索出的部件三维模型可能是不唯一的，本发明实施例首先可以通过基于遗传算法的贝叶斯网络模型对检索结果做进一步优化，也就是对服装各部件属性信息对应的部件三维模型做进一步筛选。进一步的，还可以利用空间距离场对服装三维部件模型与服装点云的拟合度进行评估，计算配准后的候选三维部件模型与服装点云拟合度得分，并根据拟合度得分，对候选三维部件模型进行得分由高到低排序，获得最优服装三维部件集。然后，通过预定义的部件三维模型间的缝合点对，对部件三维模型缝合线处的网格进行重网格化处理，在部件缝合边处的网格拓扑结构一致化的基础上构建缝合关系；利用部件保形缝合方法，将各独立的服装部件三维模型网格缝合到一起，并尽可能保持各部件三维模型的初始网格形状特征。
[0054]显而易见的，在本发明一未示出的服装三维模型生成方法流程图中，还可以在图1所示实施例的基础上，在S50之后，还可以包括步骤:根据所述着装人体的RGBD数据获取人体三维姿势和服装点云；根据所述人体三维姿势调整所述服装三维模型，以使调整后的服装三维模型与所述服装点云拟合。
[0055]本发明实施例将单深度相机采集的着装人体RGBD数据作为输入，结合交互式提取出的服装轮廓，以及服装部件相对人体骨架的分布先验，利用服装部件检测器，在RGBD数据中计算出候选服装部件及其候选位置；利用服装部件属性分类器，在候选位置上，计算出候选服装部件属性概率分布；在此基础上，利用贝叶斯网络，通过遗传算法，推理解析出最优的服装部件组成及部件属性值。根据推理解析结果，从服装部件三维模型库中挑选出候选三维部件模型，并根据人体三维姿势和标准虚拟人体模特的对应关系，利用非刚体变形算法，将候选三维部件模型配准到服装点云，用服装三维部件相对标准人体的位置先验信息约束配准过程，获得较好配准效果。计算候选三维部件模型拟合度，结合服装结构及部件解析结果，挑选最优服装三维部件模型。利用保形缝合算法，自动拼接服装三维部件模型，得到具有各部件属性信息的服装三维模型。
[0056]图5为本发明实施例提供的一种服装三维模型生成系统示意图，该系统可以用来实现本发明图1所示实施例提供的服装三维模型生成方法，此处不再赘述。
[0057]如图5所示，本实施例提供的服装三维模型生成系统包括系统后端SI和系统前端S2。其中，系统后端SI包括服装部件三维模型库Sll ;系统前端S2包括:数据采集单元S21、服装部件信息解析单元S22和服装部件三维模型检索单元S23和服装三维模型生成单元S24。其中，数据采集单元S21用于获取着装人体的RGBD数据。服装部件信息解析单元S22具体可以包括服装部件检测器S221和服装部件属性分类器S222，服装部件检测器S221用于根据着装人体的RGBD数据获取服装的部件组成信息；服装部件属性分类器S222用于基于服装的部件组成信息，获取服装的各部件的属性信息；服装部件三维模型检索单元S23用于在服装部件三维模型库中检索与服装的各部件的属性信息对应的服装部件三维模型；服装三维模型生成单元S24用于组装服装部件三维模型生成服装三维模型。
[0058]作为一种优选的实施方式，该服装三维模型生成系统后端还可以包括服装信息表达树S12服装图像库S13。其中，服装信息表达树S12可以为整个系统提供全局统一的服装的部件组成信息和各部件的属性信息，服装信息表达树S12可以为包括服装的部件组成信息、各部件的属性以及各属性对应的状态取值三层节点的树形表。服装图像库S12中包括根据服装信息表达树S12添加的服装部件的像素区域标识及其对应的部件组成信息标识的服装图像。基于此，服装部件检测器S221具体可以用于:根据着装人体的RGBD数据确定服装的各部件的像素区域，然后根据服装的各部件的像素区域，在服装图像库S13中获取服装的各部件像素区域对应的部件组成信息。
[0059]进一步的，服装图像库S13中的服装图像还根据服装信息表达树S12添加了服装部件的像素区域的HOG特征和LBP特征标识及其对应的服装部件的属性信息标识，基于此，服装部件属性分类器S222具体可以用于:提取服装的各部件的像素区域的HOG特征和LBP特征，根据所述服装的各部件的像素区域的HOG特征和LBP特征，在所述服装图像库S13中获取对应的部件的属性信息。
[0060]示例性的，数据采集单元S21具体可以包括一台深度相机，如微软公司研制的Kinecto服装部件检测器S221具体可以通过机器学习方法，利用服装图像库训练得到。服装部件属性分类器S222具体也可以通过机器学习方法，利用服装图像库训练得到。
[0061]本实施例提供的服装三维模型生成系统，可以用来实现本发明图1所示实施例提供的服装三维模型生成方法，其实现原理和技术效果类似，此处不再赘述。
[0062]图6为本发明实施例提供的另一种服装三维模型生成系统示意图，如图6所示，本实施例提供的服装三维模型生成系统在图5所示实施例的基础上，系统前端还可以包括数据优化单元S25，数据优化单元S25具体可以包括根据服装的各部件之间的搭配约束关系训练得到贝叶斯网络模型，可以通过该贝叶斯网络模型对服装部件信息解析单元S22获取的服装的各部件的属性信息进行优化。可选的，贝叶斯网络模型具体可以根据服装图像库S13中的服装图像训练得到。
[0063]本实施例提供的服装三维模型生成系统，可以用来实现本发明图1和图3所示实施例提供的服装三维模型生成方法，其实现原理和技术效果类似，此处不再赘述。
[0064]图7为本发明实施例提供的又一种服装三维模型生成系统示意图，如图7所示，本实施例提供的服装三维模型生成系统在图6所示实施例的基础上，还可以包括三维模型拟合单元S26，具体可以用于:根据着装人体的RGBD数据获取人体三维姿势和服