一种自动推荐尺码的方法以及采用该方法的试衣柜系统与流程

本发明涉及服装服务领域，尤其涉及一种自动推荐尺码的方法以及采用该方法的试衣柜系统。

背景技术：

现在人们生活水平越来越高，对衣服的要求不仅美观而且要舒适和合身。不管是现在流行的网购还是衣服定制都需要比较精准的尺码信息。所以需要对人体进行测量，以获取最合适个人的衣物尺码为衣物定制提供尺码数据。同时服装设计需要大量的人体数据模型做为依据。

传统数据采集方式是靠裁缝用皮尺对人体进行测量。但测量尺寸会因每个裁缝的各种习惯和方法不同产生不同的结果，数据精准度存在不确定的因数。同时由于人力成本也大幅度攀升。因此该行业自动化精准测量以及完善的自动化销售体系成为厂商迫切的需求。

技术实现要素：

本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种自动推荐尺码的方法以及采用该方法的试衣柜系统。

本发明解决其技术问题所采用的技术方案是：构造一种自动推荐尺码的方法，包括：

s1、采用3d传感器进行人体3d数据扫描，将3d数据拼接建立人体的3d 数据待测模型；

s2、使用已标记测量位置的3d数据参考模型对该3d数据待测模型进行非刚性配准，进而计算得到该3d数据待测模型的待测位置的尺寸数据；

s3、将步骤s3中得到的尺寸数据输入到基于样本数据建立好的神经网络模型中，进而得到衣物尺码；

s4、根据步骤s3得到的衣物尺码控制相应的衣柜门打开以供客户试穿衣物。

在本发明所述的自动推荐尺码的方法中，所述步骤s2包括：

s21、确定一个典型的身体模型，并标记好测量位置后作为所述3d数据参考模型；

s22、将该3d数据参考模型非刚性配准到该3d数据待测模型，在配准后的3d数据待测模型上获得标记位置；

s23、将获得的标记位置对应标注在3d数据待测模型上；

s24、计算待测位置的尺寸数据。

在本发明所述的自动推荐尺码的方法中，所述步骤s3中输入的数据还包括身高和体重数据，所述步骤s3之前还包括：通过身高测量仪获取人体的身高和体重数据。

在本发明所述的自动推荐尺码的方法中，所述神经网络模型为3层神经网络，包括输入层、隐含层和输出层，尺寸数据以及所述身高和体重数据作为输入层，输出层采用softmax分类器，其输出的是不同的衣物尺码的概率且各个衣物尺码的概率之和为1。

在本发明所述的自动推荐尺码的方法中，所述步骤s4之后还包括：

s5、接收用户输入的衣物尺码调整指令对得到的衣物尺码进行调整，并利 用最终调整得到的衣物尺码对该神经网络模型进行修正。

在本发明所述的自动推荐尺码的方法中，所述步骤s4之后包括：

s6、记录客户的3d数据待测模型和衣物尺码，并将其与当时的时间点一起发送至云服务器中保存。

在本发明所述的自动推荐尺码的方法中，所述步骤s1之前还包括以下步骤：

s01、获取客户输入的认证信息，若该认证信息不存在，则获取客户的注册信息并在云服务器中保存该客户的注册信息，再进入步骤s04；若该认证信息已经存在，则直接进入步骤s02；

s02、通过云服务器查询该客户是否执行过3d数据扫描和试穿衣物，若是则执行步骤s03，否则执行步骤s04；

s03、云服务器返回该客户最后一次试穿的时间点，如果最后一次试穿的时间点在有效时间内，则提示客户无需录入数据，跳转至步骤s01；如果最后一次试穿的时间点不在有效时间内，则进入步骤s04；

s04、发送短信验证码给客户，客户通过输入该短信验证码触发启动步骤s1。

在本发明所述的自动推荐尺码的方法中，所述认证信息为手机号或者二维码。

本发明还公开了一种试衣柜系统，包括具有多个衣柜门的柜体、3d传感器和控制模块，所述控制模块用于根据所述的方法控制所述3d传感器和柜体的工作。

在本发明所述的试衣柜系统中，系统还包括与各个试衣柜系统连接的云服务器，用于管理、收集和分发各试衣柜系统的相关信息。

实施本发明的自动推荐尺码的方法以及采用该方法的试衣柜系统，具有以下有益效果：本发明通过3d数据参考模型对3d数据待测模型进行测量间接测算出人体待测位置的尺寸数据，将这些数据投入到神经网络模型中即可计算出合身的衣物尺码，依据相应尺码开启装有相应尺码衣物的柜门，协助客户完成对衣服的试穿过程，实现了自动化精准测量以及完善自动化销售体系，大大降低了人力成本；

进一步的，在试穿过程中利用最终调整得到的衣物尺码对该神经网络模型进行修正，完善数据模型；还可以收集客户相关信息，通过云服务进行数据共享；还可以防止部分客户玩耍性操作，采用短信验证码加已扫描有效时间的方式验证，只有通过验证的客户才能进行扫描和试穿操作。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1是本发明的自动推荐尺码的方法的流程图；

图2是以胸围、腰围为例示意步骤s2的过程示意图；

图3是步骤s3中的神经网络模型的示意图。

具体实施方式

为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。

如图1所示，是本发明的自动推荐尺码的方法的流程图；

本发明的方法主要包括以下步骤：

s1、采用3d传感器进行人体3d数据扫描，将3d数据拼接建立人体的3d 数据待测模型；

s2、使用已标记测量位置的3d数据参考模型对该3d数据待测模型进行非刚性配准，进而计算得到该3d数据待测模型的待测位置的尺寸数据；

s3、将步骤s3中得到的尺寸数据输入到基于样本数据建立好的神经网络模型中，进而得到衣物尺码；

s4、根据步骤s3得到的衣物尺码控制相应的衣柜门打开以供客户试穿衣物。

结合图2，其中，所述步骤s2包括：

s21、确定一个典型的身体模型，并标记好测量位置后作为所述3d数据参考模型；

其中，典型的身体模型可以是以训练集中的平均人体模型，用红线标记出待测量位置。如图2中的左上图即为3d数据参考模型，图2中的右上图表示的是3d数据待测模型。

s22、将该3d数据参考模型非刚性配准到该3d数据待测模型，在配准后的3d数据待测模型上获得标记位置，如图2中的左下图所示。

其中，配准方法包括non-rigidicp，siftflow等。

s23、将获得的标记位置对应标注在3d数据待测模型上，如图2中的右下图所示。

s24、计算待测位置的尺寸数据。

图2中，是以胸围、腰围为例说明，其它人体待测位置可同理获得。

其中，所述步骤s3中输入的数据还包括身高和体重数据，所述步骤s3之前还包括：通过身高测量仪获取人体的身高和体重数据。

参考图3，下面介绍步骤s3中所涉及到的神经网络模型。

上述的神经网络在经过大量的数据训练之后，能够对新的输入进行分类，即根据身高、体重等信息得到上/下装的尺码。由于男人、女人、上装、下装对应的输入和输出有所区别，因此本发明需要构架四个神经网络模型：男人上装、男人下装、女人上装、女人下装神经网络模型。

关于神经网络模型的训练，以男人上装为例，具体的实施如下：

1)、构建神经网络模型，如图3所示。

其中l1为第一层，即输入层，包含x1...xn这些输入信息，n代表步骤s2中得到的待测位置的数量，在本发明中n＝7，表示身高、脖围、肩宽、胸围、腰围、上身长、臂长的长度信息，+1为节点偏移量；l2为隐含层,t＝5；最后l3为输出层，是一个softmax分类器，输出的是不同的衣物尺码的概率，其和为1,这里k＝10(这是由尺码的范围决定的)。

2)收集大量数据集(男人上装相关的数据)，主要包括：身高、脖围、肩宽、胸围、腰围、上身长、臂长以及上衣尺码。数据记为{(x⁽¹⁾,y⁽¹⁾),...,(x^(m),y^(m))}，其中输入特征x^(m)∈rⁿ⁺¹(我们对符号的约定如下：特征向量x的维度为n，其中x0＝1对应截距项，m∈{1,2,...,m})；y^(m)∈{1,2,...,k}，即为分类标签。

3)对于y⁽ⁱ⁾＝k,对应输出p(y＝k|x)＝1，p(y≠k|x)＝0。

4)激活函数的选取:神经网络目前主要有：sigmoid、tanh、双极s形函数等，本发明采用sigmoid函数:softmax层

5)神经网络模型建立采用bp算法。

符号声明：①l＝1,2,3表示网络的层数。②w,b是网络参数。③z^(l)＝w^(l-1)x+b^(l-1)表示第l层的输入(注意这里l≠1)。④a^(l)＝f(z^(l))表示第l层的激活值(其中，第3层的f为hθ(x))。

第一步:确定损失函数(表示第3层第j单元输入加权和，包括偏置单元)。

第二步:初始化w，b

第三步：根据前馈神经网络计算出l2,l3的激活值。

第四步：bp算法求w,b

对输出层(第3层)(2)

对于l＝2,1的各层，计算为：δ^(l)＝((w^(l))^tδ^(l+1))·f'(z^(l))(3)

计算最终需要的偏导数值：

然后更新w,b

6)神经网络模型训练

初始训练：把数据集分为train_sample和test_sample集,使用5)中的 模型对train_sample进行训练，得到整个网络参数w和b。然后，用test_sample进行尺码分类检测，如果准确率不高，可以通过调整神经元个数和增加train_sample得大小来获得满意的w,b。整个训练过程可以采用n-fold交叉验证(n-foldcross-validation)来确定神经网络的模型和参数。

当然，试衣柜推向市场后还可以进行用户训练，具体为：每一次试衣，系统都会要求用户给出满意的尺码信息。我们将得到的新数据集加入到train_sample中，重新训练模型，可以获得更新的模型参数w，b，从而最终获得更准确的尺码分类效果。因此，所述步骤s4之后还包括：

s5、接收用户输入的衣物尺码调整指令对得到的衣物尺码进行调整，并利用最终调整得到的衣物尺码对该神经网络模型进行修正。

进一步优选的，本发明还增加了云服务器实现数据共享，在所述步骤s4之后包括：

s6、记录客户的3d数据待测模型和衣物尺码，并将其与当时的时间点一起发送至云服务器中保存。

所述步骤s1之前还包括以下步骤：

s01、获取客户输入的认证信息，若该认证信息不存在，则获取客户的注册信息并在云服务器中保存该客户的注册信息，再进入步骤s04；若该认证信息已经存在，则直接进入步骤s02；

其中，所述认证信息为手机号或者二维码。当然一个号码也可同时存储多人测量信息，系统可设置限制下面步骤中默认按一人操作。

s02、通过云服务器查询该客户是否执行过3d数据扫描和试穿衣物，若是则执行步骤s03，否则执行步骤s04；

s03、云服务器返回该客户最后一次试穿的时间点，如果最后一次试穿的 时间点在有效时间内，则提示客户无需录入数据，跳转至步骤s01；如果最后一次试穿的时间点不在有效时间内，则进入步骤s04；

s04、发送短信验证码给客户，客户通过输入该短信验证码触发启动步骤s1。

采用短信验证码加已扫描有效时间的方式验证，只有通过验证的客户才能进行扫描和试穿操作。

相应的，本发明还公开了一种试衣柜系统，包括具有多个衣柜门的柜体、3d传感器和控制模块，所述控制模块用于所述的方法控制所述3d传感器和柜体的工作。每个衣柜门的子柜体内装入不同衣物尺码的试穿衣服或裤子。将不同柜号对应不同尺码的信息录入控制模块即可。

综上所述，实施本发明的自动推荐尺码的方法以及采用该方法的试衣柜系统，具有以下有益效果：本发明通过3d数据参考模型对3d数据待测模型进行测量间接测算出人体待测位置的尺寸数据，将这些数据投入到神经网络模型中即可计算出合身的衣物尺码，依据相应尺码开启装有相应尺码衣物的柜门，协助客户完成对衣服的试穿过程，实现了自动化精准测量以及完善自动化销售体系，大大降低了人力成本；进一步的，在试穿过程中利用最终调整得到的衣物尺码对该神经网络模型进行修正，完善数据模型；还可以收集客户相关信息，通过云服务进行数据共享；还可以防止部分客户玩耍性操作，采用短信验证码加已扫描有效时间的方式验证，只有通过验证的客户才能进行扫描和试穿操作。

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保 护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。