一种个人鞋楦数据库管理方法及系统与流程

本发明涉及鞋楦模型构建技术，特别涉及一种个人鞋楦数据库管理方法及系统。

背景技术

人脚具有容易发生变形和很难处于静止状态等特征，如果使用接触式测量设备获取脚的点云数据，在测量过程中测量设备的探头会挤压脚面，让人脚形状发生变形，在使人脚收到损伤的同时也使得测量获取的人脚点云产生一些误差。而且使用接触式测量设备需要人脚一直处于某一特定位置，并需要使用设备将其固定在工作台上，在进行测量时人脚还需要跟随工作台移动，人脚很难实现这些需求，这就导致许多脚部特征参数和一些复杂曲面，曲线都无法被测量出来，使得人脚测量点云数据存在很大的误差。考虑到安全健康的要求，用来测量人脚点云的扫描设备的射线不能对人体有危害，因此在非接触式测量中的射线成像方法和工业计算机断层扫描成像法都不能用在人脚点云的测量。本发明流程使用非接触时拍摄的方式，由拍摄的图像重构出人脚模型。

而现有的鞋楦模型逆向重构文件格式大多为点云模型和由边界混成法或小平面特征法生成的nurbs曲面模型，这些方法得到的模型部分会失真，光顺性不好，存在较多冗余点，储存空间大，数据管理和分析难度大，不利于模型的实时处理。

技术实现要素：

本发明的目的在于，解决现有技术脚部鞋楦模型构建存在的上述问题。

为实现上述目的，一方面，本发明提供了一种个人鞋楦数据库管理方法，括以下步骤：

对现有模型进行文件参数维护，在基础脚部重构模型和基础鞋楦模型不变时，增加或修改模型参数，根据参数合理性分析，更新现有模型参数，作废原有模型老旧或错误参数；过滤参数中可以通过组合决策树算法进行特征选择和方向选择，过滤作废模型参数，不再保存在用户个人鞋楦数据库中；同时使用组合决策树算法，对目标属性参数产生许多巨大的树；然后根据对每个属性的统计结果找到信息量较大的特征子集；如果有一部分的特征子集经常变化，而有一部分特征子集变化差值很小，则将不经常变化的特征子集作为固定特征，每次增加或修改模型参数时更多运算空间留给经常变化的特征子集群，减少运算分析时间。

另一方面，本发明提供了一种个人鞋楦数据库管理系统，用于执行以下步骤：

对现有模型进行文件参数维护，在基础脚部重构模型和基础鞋楦模型不变时，增加或修改模型参数，根据参数合理性分析，更新现有模型参数，作废原有模型老旧或错误参数；过滤参数中可以通过组合决策树算法进行特征选择和方向选择，过滤作废模型参数，不再保存在用户个人鞋楦数据库中；同时使用组合决策树算法，对目标属性参数产生许多巨大的树；然后根据对每个属性的统计结果找到信息量较大的特征子集；如果有一部分的特征子集经常变化，而有一部分特征子集变化差值很小，则将不经常变化的特征子集作为固定特征，每次增加或修改模型参数时更多运算空间留给经常变化的特征子集群，减少运算分析时间。

附图说明

图1为本发明实施例提供的一种脚部鞋楦模型构建系统结构示意图；

图2为图1所示脚部鞋楦模型构建系统的图像重构系统工作流程示意图；

图3为图1所示脚部鞋楦模型构建系统的重构脚部点云模型处理系统工作流程示意图；

图4为图1所示脚部鞋楦模型构建系统的重构脚部三角网格模型处理及特征点参数自动提取并标注系统工作流程示意图；

图5为图1所示脚部鞋楦模型构建系统的脚部模型定位变形系统工作流程示意图；

图6为图1所示脚部鞋楦模型构建系统的脚部特征参数驱动标准鞋楦变形系统工作流程示意图；

图7为图1所示脚部鞋楦模型构建系统的重构鞋楦模型检测系统工作流程示意图；

图8为图1所示脚部鞋楦模型构建系统的重构鞋楦模型输出系统工作流程示意图；

图9为图1所示脚部鞋楦模型构建系统的个人鞋楦数据库管理系统工作流程示意图；

图10为图1所示脚部鞋楦模型构建系统的鞋楦数据库构建及管理系统工作流程示意图；

图11(a)-图11(c)为脚部特征线特征点示意图；

图12(a)-图12(b)为鞋楦特征线示意图。

具体实施方式

通过以下结合附图以举例方式对本发明的实施方式进行详细描述后，本发明的其他特征、特点和优点将会更加明显。

图1为本发明实施例提供的一种脚部鞋楦模型构建系统示意图。如图1所示，该系统包括移动拍摄设备、处理服务器、图像重构系统、重构脚部点云模型处理系统、重构脚部三角网格模型处理及特征点参数自动提取并标注系统、脚部模型定位变形系统、鞋楦数据库构建及管理系统、脚部特征参数驱动标准鞋楦变形系统、重构鞋楦模型检测系统、个人鞋楦数据库管理系统和重构鞋楦模型输出系统。

图2为图1所示脚部鞋楦模型构建系统的图像重构系统工作流程示意图。如图2所示，图像重构系统工作流程设置为：

人在水平站立情况下，在脚边放置参照物，将脚接触参照物，自然放在参照物上，使用移动拍摄设备围绕脚部拍摄一组二维图像或者围绕脚部拍摄一段完整视频尽量每隔一秒改变角度在10度到45度之间。要求移动设备拍摄像素在200pdi以上。移动设备通过网络将拍摄所得图像图片上传到处理服务器。一般难以通过一副图像来得到全部的脚部信息，需要获取人脚各个部位的图像，再通过注册算法进行融合后得到整体的人脚3d点云数据。

对于上传的图像进行灰度化处理，具体步骤为将颜色分为r,g,b三个颜色通道，对于不同色度，亮度，饱和度的像素点，用y表示白光亮度，计算每个像素点的亮度值，使亮度值与其r,g,b值相对应，得到灰度图像。而对于视频同样进行灰度化处理，每隔一秒取一帧图像作为重构模型参考图像。

通过设定合理的可以区分开人脚和背景的阈值，将属于背景部分的像素值归零(或取最大值)，保留属于人脚部分的像素值。基于灰度图像运用多尺度检测角点技术，快速提取图像特征角点并在同一场景的重叠的图像中找到对应关系，并对不同图像进行按参照物尺寸为基准的缩放。

首先通过形成图像分辨率金字塔，来确定在改变分辨率的每个图像中的特征点。运用sift算法平滑图像去噪，将灰度化图像运用高斯模糊函数的n维空间正态分布方程：其中σ表示图像平滑度即正态分布函数的标准差，随着σ递增，分辨率递减，r为模糊半径，模糊半径是指模板元素到模板中心的距离。由高斯模糊函数g(x,y,δ)与原图像i(x,y)使用卷积算法获得该图像的尺度空间表达式：l(x,y,δ)＝g(x,y,δ)*i(x,y)。对图像做不同尺度的高斯模糊，降采样即分辨率逐层降低的方法对平滑图像进行抽样，构建高斯金字塔和高斯差分金字塔，在金字塔的每个层中，确定表示图像harris角特征的位置。

通过找到每个角特征的位置，显示该角强度，根据角强度与预定最小强度阈值对比，删除点，重复测试，确定总数是否超过最大允许值，若超过，再次增加半径并重复过程，交替进行，直到角位置数目等于或降到最大允许值。

通过使用模糊梯度的方法，给每个角特征分配取向。先在较大尺度下检测出角点，然后在较小尺度下对真正特征角点进行较精准确定。

因为高斯核是唯一的线性核，也就是说使用高斯核对图像模糊不会引入其他噪声，因此就选用了高斯核来构建图像的尺度。运用高斯核的一阶导数将harris角点算子转变为尺度空间算子，尺度空间算子对图像的分析不受图像灰度水平，对比度变化的影响，满足平移不变性，尺度不变性，欧几里得不变性，仿射不变性等特性。

为了更精准定位特征点的位置和尺度，通过拟合三维二次函数的方法来去除冗余特征点和不稳定的边缘响应点，以增强匹配稳定性，提高抗噪声能力。

对尺度空间高斯差分函数进行曲线拟合，原位置加上拟合的偏移量以及尺度，获得特征点的精确位置。其中拟合函数为：求导并让函数方程等于0，得到极值点偏移量表达式为：对应极值点表达式为：当极值点偏移量时，须改变当前特征点位置，在新位置上反复插值直到收敛，若超出设定的迭代次数或超出图像边界范围，则删除该点。同时为了避免d(x)函数值过小而受噪声干扰导致的不稳定现象，把|d(x)|≤0.03的极值点删除。

获取特征点位置后，局部的主曲率由黑塞矩阵(hessian矩阵)求得，假设hessian矩阵表达式为：矩阵对角线之和为tr(h)其表达式为：tr(h)＝dxx+dyy＝α+β，矩阵h的行列式为det(h)，其表达式为det(h)＝dxxdyy-(dxy)²＝αβ。设定曲率阈值为γ，通过判断是否成立，若成立则保留边缘点，反之则删除，以此判断主曲率是否在设定的阈值下。在此过程中运用kd-tree算法加速搜索。

再使用canny边缘检测算法的sobel算子计算梯度计算水平和垂直方向的差分gx和gy，计算梯度模和方向：θ＝atan2(gy,gx)，梯度角度θ∈[-π,π]，将其近似到四个方向，分别代表水平，垂直和两个对角线方向(0°,45°,90°,135°)。可以以±iπ/8(i＝1,3,5,7)分割，落在每个区域的梯度角给一个特定值，代表四个方向之一。

通常得出来的梯度边缘不止一个像素宽，而是多个像素宽。因此这样的梯度图还是很模糊。为了满足边缘只有一个精确的点宽度，使用非最大值抑制方法细化边缘，帮助保留局部最大梯度而抑制所有其他梯度值，只保留了梯度变化中最锐利的位置。算法如下：

比较当前点的梯度强度和正负梯度方向点的梯度强度。如果当前点的梯度强度和同方向的其他点的梯度强度相比较是最大，保留其值。否则抑制，即设为0。

前面我们把梯度方向近似到水平，垂直和两个对角线四个方向，所以每个像素根据自身方向在这四个方向之一进行比较，决定是否保留。

canny算法应用双阀值，即一个高阀值和一个低阀值来区分边缘像素。如果边缘像素点梯度值大于高阀值，则被认为是强边缘点。如果边缘梯度值小于高阀值，大于低阀值，则标记为弱边缘点。小于低阀值的点则被抑制掉。

再用滞后边界跟踪算法检查一个弱边缘点的8连通领域像素，只要有强边缘点存在，那么这个弱边缘点被认为是真是边缘保留下来。

用深度优先算法搜索所有连通的弱边缘，如果一条连通的弱边缘的任何一个点和强边缘点连通，则保留这条弱边缘，否则抑制这条弱边缘。

得到的边缘轮廓后，使用上一步所得的图像梯度求取局部结构的稳定方向，使用饼状图统计领域内像素的梯度模和方向，按10度分段，饼状图的最大区域方向代表了特征点的主方向，为了增强匹配的鲁棒性，只保留面积区域大于主方向80％的作为辅方向。把特征点复制为分段的特征点，并将方向值分别赋值给复制后的特征点。最后对离散的梯度方向直方图进行插值拟合处理，求得更精准的方向角度值。

每个特征点建立一个描述符，用一组向量描述，描述子使用在特征点尺度空间内4*4窗口中计算的8个方向的梯度信息，共4*4*8＝128维向量表征。每个子区域的大小与特征点方向分配时相同，即每个区域有n_otc个像素，则为每个子区域分配边长为n_otc的矩形区域进行采样。再采用双线性插值法，确定计算描述子所需的图像区域，将坐标轴旋转为特征点的方向，以确保旋转不变性，再将领域内的采样点分配到对应的子区域内，将子区域内的梯度值分配到8个方向上，计算其权值，再插值计算每个种子点8个方向梯度。最后进行归一化处理，统计出各特征点的128维sift局部描述子，即为特征点的特征向量。

通过寻找两特征点间描述子的欧氏距离较为接近，而与其他特征点描述子间欧氏距离较远的特征点对作为两幅图像间的候选特征匹配对。将得到的图像中匹配的各特征点坐标用齐次坐标表示，并将齐次坐标标准化表示。x1,x2∈r^3xn，n为配对总数，x1,x2为两幅图像中一对匹配点。标准化x1,x2的齐次坐标后得：其中uxj和uyj分别表示xij，yij的平均值，δxj和δyj分别表示xij，yij的标准差。再由齐次坐标得到齐次坐标矩阵定量表示：

其中abcdrfghi表示旋转和缩放比例矩阵，lmn表示平移矩阵，pqr表示投影矩阵，s表示整体转换矩阵。得到x1,x2的两个形状交互矩阵，表达式为：通过计算和比较欧氏距离来计算两个形状交互矩阵逐列之间的差异，并将各列向量之间的欧氏距离按由大到小降序排列，设置阈值截断点，将欧氏距离值大于阈值截断点值的匹配对删除，留下正确的匹配对。

对于三维点云模型，其特征曲线提取过程就是对模型上的数据点进行分析和计算，找出其中的特征点，并连接构成光滑特征曲线，针对数据点发布不均匀，点间缺乏拓扑连接信息的点云数据，运用离散高斯映射方法对点云数据中的每个点进行高斯离散映射，将映射点运用k-meam算法进行基于距离的凝聚型层次聚类，对聚类结果和曲率进行分析，并用自适应的迭代过程对算法的参数进行选择，得到最优的特征点集，包含之前识别特征点步骤中难以识别的尖锐突变部位特征点。然后使用基于pca主成分分析方法的特征线生长算法，将特征点连接，得到光顺的特征线。最后使用pca主成分分析算法，对所得数据样本进行降维压缩，减少储存内存。

图3为图1所示脚部鞋楦模型构建系统的重构脚部点云模型处理系统工作流程示意图。如图3所示，重构脚部点云模型处理系统工作流程为：

通过得到由多幅二维图像匹配重构的有较精准定位，方向，特征向量，描述符的点云三维模型。但由图片重构获取的3d点云数据一般不能够直接作为人脚3d模型数据，此时得到的点云模型不能直接用于参数提取和重构曲面，还需进行一些预处理来减少模型的不足。

由于获取的3d点云数据不可避免地会有噪声(即离群点)存在，同时由于人体部位之间的遮挡会出现空洞，另外点云数据的平滑性也比较差。需要简化点云模型，并进行去除离散点，平滑及孔洞填充处理。

先用空间层次剖分的方法对点云模型进行分片，为每个分片计算一个简化表示，得到简化的点云模型。

运用弦高差法，连接检测点的前后两点，技术中间数据点到弦的距离，将这个距离与给到的允差值对比，若大于允差值则为异常点，将其删除，从而去除点云模型中密度高，曲率变化较大的地方的噪点。再运用加权中值滤波法，消除毛刺，平滑模型。

通过计算每条边的长度均匀孔洞边界，如果超过2倍平均点距则取其中点加入到孔洞边界中。统一边界方向，将孔洞边界都统一为逆时针方向。判断内外边界，对外部边界轮廓进行判断去除。闭合孔洞边界各顶点的凹凸性不同，夹角计算方式不同，根据计算出各夹角的大小，计算得到填充点坐标，对于落在孔洞区域外的非法判断点进行去除，即可得到填充点坐标。反复循环该过程，直至不能计算出新的填充点，则孔洞填充结束。

图4为图1所示脚部鞋楦模型构建系统的重构脚部三角网格模型处理及特征点参数自动提取并标注系统。如图4所示，重构脚部三角网格模型处理及特征点参数自动提取并标注系统工作流程为：

对处理后的点云模型运用waston算法进行三角剖分和优化，将点云模型三角网格化，保留点云数据的同时又增加了点云之间的拓扑关系，特别是变形处理中，三角网络模型具有较大的优势。再用基于薄板样条的曲面形变技术进行三维网格序列压缩，通过mc算法进行三维重构。mc算法采用三角带连接分散的三角面片，减少内存占用；采用削减三角面片的数量，减少时间与空间复杂度；采用连接性检测过滤离散的噪音区域，去除杂质；最后检测出孔洞，并通过补洞对模型精细化处理。

图5为图1所示脚部鞋楦模型构建系统的脚部模型定位变形系统工作流程示意图。如图5所示，脚部模型定位变形系统工作流程为：

得到了脚部非流性三角网格构成的模型，但是脚型的非流性三角网格模型的获取是基于立体视觉原来的二维脚型图像重构所得，脚部模型和鞋楦数据库中的标准鞋楦都是在各自的局部坐标中定义的，其坐标原点，坐标轴方向不同，空间位置是错乱的，应对脚部模型按照系统的鞋楦模型空间坐标基准进行方位调整，使其适应本流程识别系统。图11(a)-图11(c)为脚部特征线特征点示意图，其具体实施步骤为：提取脚部三角网格模型的脚底轮廓线，以数据库中现有脚型脚底轮廓线特征趋势，识别脚底内外腰位置，脚掌部位内外腰最突出点分别为c1c2，后跟部位内外腰最突出点分别为b1b2，后跟外围点为b，前掌第一脚趾端点为a，然后依次连接ac1b1bb2c2，形成完整的闭合曲线，即为脚底初步轮廓线。然后分别连接c1c2，b1b2,过b点作直线与线段b1b2相交于点d1，调整bd1与线段b1b2夹角大小，使角b1d1b为96度，延长bd1并与线段c1c2相交于点d2,。过前掌第一脚趾端点a做线段bd2延长线的垂线并交于点a1，则线段a1b即为脚底中心线，点a1与点b之间的欧氏距离即为脚底长度。同理提取脚部三角网格模型的脚部侧面轮廓线，以数据库中现有脚型侧面轮廓线特征趋势，识别脚后跟中心线位置曲线为l1，脚背中心线位置曲线为l2，依次连接曲线l1a1bl2。使点b作为坐标原点，线段a1b在x轴主方向上，曲线l1l与线段a1b连接的曲线与xz平面平行，线段b1b2和线段c1c2均与xy平面平行，将三角网格模型整体移动调整方位，模型坐标系与空间直角坐标系匹配，得到相应特征点的坐标值。

由空间坐标值得到前掌宽度c1c2，后跟宽度b1b2m,脚长a1b，脚背高度(l2中点z坐标值)，第一脚趾高度，脚踝高度等数据。从而在标准鞋楦数库中，通过手动选择跟高，鞋款类型(运动鞋，休闲鞋，高跟鞋，凉鞋等)，性别，地区等选项，再由自动识别重构的脚部三角网格模型上的特征点特征线数据，根据标准脚楦差值，选定与重构的用户脚模型匹配度最高的鞋楦组，系统自动匹配最适配的标准鞋楦。因为与脚型尺寸完全一致的鞋楦并不是最舒适的鞋楦，为了避免鞋子紧贴在人脚，妨碍正常运动，需要在鞋内预留一些放余量和后容差，一般楦围＝脚围-脚感差值。只有脚与鞋楦之间存在放余量和尺寸差值，才能更好地锁住脚部又不会有挤压不适感。

选取得到匹配的标准鞋楦后，虽然脚部模型在之前步骤中已按鞋楦空间坐标系统进行方位调整，但在局部位置仍存在空间位置错位，需对脚楦模型进行空间测量数据位置对准，包括调整脚型后跟与鞋楦后跟对齐，调整脚型整体在楦体左右两边分布均匀，调整脚底着地点与楦底着地点接触等步骤，但这一步骤过程中不改变脚型模型整体各部位间的对应关系，以整体统一旋转平移变换为基准。

对于重对准后的脚部模型，在沿x轴正方向分别截取脚长即线段a1b长度(以毫米为单位)25％和68％点设为点f1，f2，再分别选取68％脚长点横坐标增加15mm和横坐标减少20mm的两点分别设为点f3,f4，在截取的f1f3f4三个数据点上分别绘制一条垂直于x轴的辅助对齐线和平行于xz平面的辅助旋转圆，并在辅助线位置分别将脚部三角网格模型，脚底轮廓线和脚侧面轮廓线分割为四部分，将这一步骤获取的轮廓线与脚部三角网格模型按不同部位组成四个群组，将同一位置的辅助线和辅助圆组成一个群组，这一步骤的辅助对齐线与z轴平行并与x轴相交，辅助旋转圆的圆心位于同一位置辅助对齐线与x轴的交点。

根据匹配得到的标准鞋楦，和选择的后跟高度值(以英寸为单位)，对上一步骤设置的辅助对齐线和辅助旋转圆位置，按一定旋转规则进行轮廓线段旋转和平移，并设置旋转角度的最大和最小限定值。设在f3点旋转角度为α，在f4点旋转角度为β，在f1点旋转角度为γ，f3沿x轴正方向曲线部分为区域1，f3沿x轴负方向和f4沿x轴正方向相交部分为区域2，f1沿x轴负方向和f1沿x轴正方向相交部分为区域3，f1沿x轴负方向部分为区域4。首先将区域1以点f3为旋转中心点在辅助旋转圆上逆时针旋转角度α(度)，α∈[2,8]。然后将区域3以点f4为旋转中心点在辅助旋转圆上顺时针旋转角度β(度)，然后将区域4以点f2为旋转中心点在辅助旋转圆上逆时针旋转角度γ(度)，将旋转完的区域内曲线段进行平移使不同区域线段间原始连接点尽量靠近，以不同区域内曲线间的相交点为截断点对曲线进行修剪，保留在区域内的曲线，再将各曲线段间以二阶参数连续性进行平滑连接，同理将不同区域内的曲面进行修剪和平滑连接。

图6为图1所示脚部鞋楦模型构建系统的脚部特征参数驱动标准鞋楦变形系统工作流程示意图。如图6所示，脚部特征参数驱动标准鞋楦变形系统工作流程为：

将水平站立脚部模型转换成带跟高的脚部模型，以及得到带跟高脚部模型的轮廓曲线。对于脚部模型变形的目的主要是为了让脚型与鞋楦弧度比较一致，便于对脚楦模型舒适度分析和数据检查校正，同时让裸露平放的脚部模型调整为更接近于穿着鞋子时的造型弧度。

导入各部位围度线，将带跟高的脚部模型与标准鞋楦模型的轮廓曲线利用最小二乘法和离散能量法拟合曲线，以脚部模型的轮廓线为基准调节标准楦模型的轮廓线参数，比较轮廓线以及围度线间参数间距，将一圈轮廓线分为360个点，其中临近三点的极半径分别为：ρi+1,ρi,ρi-1，中间的极半径值为设ρi光顺后对应的极半径为ρi′，光顺后得到的三角形顶点为ρ，运用最小能量法公式结合极半径值求取光顺拟合后的极半径点：其中θ为三点构成的三角形中，同时满足最小二乘法：利用权重因子控制曲线光顺性和与脚部模型参数的逼近性，生成最终的鞋楦控制线。

根据生成的新鞋楦控制线生成鞋楦曲面，利用后跟弧度线和楦背线将统口线及楦底轮廓线分别分割为两部分，将相邻轮廓线连接，形成三个四边界区域。导入上一步骤中调整好的新围度线，将各部位围度线用楦底轮廓线和楦背线修剪为三个部分。首先使用楦底轮廓线和楦底部分围度线，构成带有z方向弧度的楦底面。再选取统口线与楦背线相交处的围度线将楦底轮廓线分割为两部分，再将楦背线，后跟弧度线，楦底轮廓线，统口线和该位置围度线的相邻轮廓线连接，形成五个四边界区域。然后使用楦面区域内的边界线和围度线构成各个部分曲面。

对上述步骤得到的曲面进行基于曲面边界连续性和光顺性的连接，使相邻曲面边界线都具有同样的点数和阶数，使相邻曲面在边界处满足二阶连续性，不存在奇点或多余拐点，曲面间曲率变化较小。同时使曲面间相互衔接，对于延伸的曲面部分沿相交线进行修剪。对于光顺效果还不够理想的曲面，通过调控曲面的控制点，使控制点一一对应并且均匀分布，进而将各个区域的楦面更加光顺拼接在一起。将所得的各部位曲面结构线用参数化方式存储，方便人为更改修正同时减少下次调整局部曲线造成的计算量。

将平滑连接好的曲面与楦底面和统口面缝合成一个实体化的封闭整体，由此得到了基于脚部图片重构模型的鞋楦模型，而对于调整好的鞋楦标准模型，可根据选取不同鞋类，鞋款，跟高，由不同类型标准鞋楦间的参数对应关系，在重构的鞋楦模型上进行对应调整。对于不同楦头式样的更改，可识别原本鞋楦模型的楦头与楦身分割线轮廓，一般为脚趾围度线，分割鞋楦模型，再识别目标楦头模型边界连接轮廓线，将分割后的楦身模型与目标楦头模型进行弹性形变连接，利用三维平滑算法去除接缝，平滑连接。将平滑连接好的曲面与楦底面和统口面缝合成一个实体化的封闭整体，从而得到不同楦头式样的定制鞋楦模型。

图7为图1所示脚部鞋楦模型构建系统的重构鞋楦模型检测系统工作流程示意图。如图7所示，重构鞋楦模型检测系统工作流程为：

计算脚部模型测到构建的鞋楦模型对应点间的距离和角度，设置最大检测距离，最大角度，把计算获取的距离和角度与设定的允许误差值进行比较，测量得出最大正法向偏差和最大负法向偏差，评价局部误差分布均匀度，如果计算得到的最大值比设定的允许值小，表明所生成的鞋楦符合要求，否则就需要对生成的鞋楦进行修改，直至生成满足要求的鞋楦。

模型分类整合载入标准模型库并储存于个人鞋楦数据库中，基于鞋楦数据库的管理模式和数据分析，及时更新和维护个人鞋楦数据库，并可通过对鞋楦数据库中不同品牌不同型号鞋款鞋楦模型参数和个人相似鞋款鞋楦模型参数的适配度进行分析，得出舒适度报告，通过交互界面显示，方便用户选取更舒适更适合的鞋履。

图8为图1所示脚部鞋楦模型构建系统的重构鞋楦模型输出系统工作流程示意图。如图8所示，重构鞋楦模型输出系统工作流程为：

对于构建完成的脚型鞋楦模型可直接转换为非流性网格模型格式，利用三维打印机进行快速成型。也可通过系统在楦头与楦后跟端点位置添加顶针，并将模型组合为实体，进行数控仿真加工，输出为满足cam加工的文件格式得到nc数控代码。也可通过提取模型轮廓线得到三视图方向的轮廓线，输出打印或激光雕刻为鞋楦卡板和纸板，以供模型校对。

图9为图1所示脚部鞋楦模型构建系统的个人鞋楦数据库管理系统工作流程示意图。如图9所示，个人鞋楦数据库管理系统工作流程为：

对于个人鞋楦数据库的维护，主要方法为：对现有模型进行文件参数维护，在基础脚部重构模型和基础鞋楦模型不变时，增加或修改模型参数，根据参数合理性分析，更新现有模型参数，作废原有模型老旧或错误参数。在过滤参数中可以通过组合决策树算法进行特征选择和方向选择，过滤作废模型参数，不再保存在用户个人鞋楦数据库中。同时使用组合决策树算法，对目标属性参数产生许多巨大的树，然后根据对每个属性的统计结果找到信息量较大的特征子集。如果有一部分的特征子集经常变化，而有一部分特征子集变化差值很小，则将不经常变化的特征子集作为固定特征，每次增加或修改模型参数时更多运算空间留给经常变化的特征子集群，减少运算分析时间。

图10为图1所示脚部鞋楦模型构建系统的鞋楦数据库构建及管理系统工作流程示意图。如图10所示，鞋楦数据库构建及管理系统工作流程为：

对于鞋楦数据库的构建与管理，通过参数化管理的方式，构建了鞋楦数据库管理系统。图12(a)-图12(b)为鞋楦特征线示意图，其构建方法为：通过手动选择跟高，鞋款类型(运动鞋，休闲鞋，高跟鞋，凉鞋等)，性别，地区等选项，再由自动识别重构的脚部三角网格模型上的特征点特征线数据(大致围度，脚长等数据)，系统自动匹配最适配的标准鞋楦。

其中鞋楦模型数据库的建立，以族表的方式管理，并使用组合决策树算法(randomforests)进行特征选择与构建有效的分类器，将具有相同或相近结构式样的楦头和不同鞋类标准鞋楦模型，建立通用鞋楦部位作为父本，然后在其基础上对各参数加以控制生成派生种类鞋楦，分类整合载入标准模型库。

标准鞋楦模型数据来源的方式有：1.对现有鞋种类需求整理和划分，按不同地区国家的鞋楦尺寸标准将数据整合，根据人工输入各部位参数数据，系统自动计算数据合理性，自动计算得出相应的专业参数，在系统内部的自动参数化建模流程算法中生成鞋楦nurbs曲面模型，标注尺寸，检测模型规范性，得到模型匹配的计算分析报告，模型分类整合载入标准模型库；2.图片重构实物鞋楦方式，得到鞋楦点云模型，预处理并提取特征点特征线，)得到关键参数，自动计算数据合理性，在系统内部的自动参数化建模流程算法中生成鞋楦nurbs曲面模型，标注尺寸，检测模型规范性，得到模型匹配的计算分析报告，模型分类整合载入标准模型库；3.拍摄人脚部图像，从图像重构得到脚部点云模型，将点云模型转化为三角网格模型，预处理并提取特征点特征线，对模型和特征线特征点整体进行变形得到带跟高的模拟穿着模型，得到关键参数，自动计算数据合理性，在系统中自动选择最适配鞋楦，脚楦定位局部调整，在原本标准鞋楦模型上调整得到目标鞋楦，标注尺寸，检测模型规范性，得到模型匹配的计算分析报告，模型分类整合载入标准模型库；4.由鞋楦纸板或卡板，对齐各纸板或卡板位置，得到鞋楦侧面轮廓，各围度轮廓和鞋底轮廓，将轮廓曲线载入参数化建模系统，输入鞋楦尺码及地区类型，系统自动计算数据合理性，自动计算得出相应的专业参数，在系统内部的自动参数化建模流程算法中生成鞋楦nurbs曲面模型，标注尺寸，检测模型规范性，得到模型匹配的计算分析报告，模型分类整合载入标准模型库；5.由实物鞋图像重构方式，得到鞋点云模型，预处理测量并输入对应位置皮料厚度，在原点云模型基础上均匀去除皮料厚度，对去除皮料厚度的点云模型进行预处理并提取特征点特征线，得到关键参数，自动计算数据合理性，在系统内部的自动参数化建模流程算法中生成鞋楦nurbs曲面模型，标注尺寸，检测模型规范性，得到模型匹配的计算分析报告，模型分类整合载入标准模型库等方法。

为了丰富鞋楦数据库数据同时不增加输入步骤和处理内侧，对同一造型鞋楦的不同尺码模型构建，采用计算目标鞋楦模型与已有尺码鞋楦模型的缩放值，多维缩放计算修改并编号存储。此步骤的级放操作通过三维变换矩阵来实现，保持跟高跷度不变的情况下让模型整体尺寸围度达到缩放标准。三维变换矩阵包括：旋转矩阵，等比例的几何转换矩阵，平移矩阵，整体投影矩阵等。对于不同鞋款鞋楦模型的构建，采用在已有鞋款定制鞋楦基础上，以不同鞋款鞋楦将对应关系，对接定制鞋楦，对应调整局部尺寸结构和缩放比例，式样可根据标准式样模型拼接调整。

标注尺寸内容包括，楦底长度，后跟高度，前跷高度，前掌着地点，后跟着地点，脚背高度，统口宽度，统口高度，统口长度，脚趾围度，脚掌围度，脚腰维度，脚背围度，脚踝围度等。

脚楦舒适度分析与检查，根据匹配好的脚楦模型生成在各个部位的截面对比数据，结合鞋楦舒适度规律，计算楦关键尺寸和足部关键尺寸之间差异性的均方差，作出分析与检查。

利用参数化设计，运用数学关系或逻辑关系式的方法建立尺寸与尺寸之间的关系，可以缩短修改模型的时间。统一模型类型，分别归类和管理。同时检测模型规范性，得到模型匹配的计算分析报告，方便修改和校正，提高鞋楦数据库数据可信度。

本发明实施例通过使用特征点驱使鞋楦参数化重构的方法，通过控制特征线和控制点的参数关系来完成鞋楦的参数化建模，通过修改鞋楦的控制参数就可以完成新鞋模型的构建。并对人脚，鞋和鞋楦特征参数的提取方法进行研究，采用精简的特征参数控制模型的生成，并完成模型参数合理性的检验，重构模型匹配性的检验等。以参数化的方式存储调用鞋楦模型数据，同时用参数驱动模型生成，方便模型修改更新与分析管理。

需要说明的是，上述实施例仅用来说明本发明的结构及其工作效果，而并不用作限制本发明的保护范围。本领域内的普通技术人员在不违背本发明思路及结构的情况下对上述实施例进行的调整或优化，仍应视作为本发明权利要求所涵盖。