一种基于特征融合与RBF网络的三维-二维的样板生成方法与流程

一种基于特征融合与rbf网络的三维-二维的样板生成方法
技术领域
[0001]
本发明涉及服装样板制作领域，具体涉及了一种基于特征融合与rbf网络的三维-二维的样板生成方法。


背景技术：

[0002]
随着数字化智能化技术的发展，三维服装模型的应用也成为研究的热点。服装虚拟试衣、三维服装生成二维服装样板等技术都离不开三维服装模型。
[0003]
三维服装模型的获取包括几种方法。第一，直接通过三维扫描仪，获取实物服装的点云数据，然后经曲面重构构建三维服装模型；第二，提出通过图像处理技术，从图片中提取轮廓和纹理信息，得到服装款式图，然后根据款式构建三维服装网格来得到三维服装模型。如专利号cn201910130161.5公开的一种基于互联网3d服装样板自动生成系统，在互联网中从样本图片中获取待加工二维服装图片，然后将所述待处理图像处理转换成三维服装模型。第三，用三维人体扫描仪获取人体点云数据，根据服装款式要求，从三维人体模型上用矢量法或其他方法建立三维服装模型。如专利号cn201810704200.3公开的一种基于三维扫描的服装样板生成方法，先通过扫描获得三维人体数据，再通过分析各个特征部位的形态与其相对应的样板曲线形态之间的关系得到样板。
[0004]
以上大多是为了最后生成二维的服装样板。其中，三维服装模型的部件分割是样板生成的重要步骤。而三维服装模型的分割暂时离不开人工操作。因为服装的部件分为前片、后片、袖身、领部和门襟等，这些需专业人员进行判断识别。要求在三维软件中手动绘出曲线再进行分割的，对专业技术人员依赖度很高。


技术实现要素：

[0005]
本发明的目的在于提供一种基于特征融合与rbf网络的三维-二维的样板生成方法，针对现有技术中的缺陷，利用过分割方法将三维模型分割成各子面片，再将各子面片调整为各服装部件。提取三维服装部件的八种特征，然后将各部件特征作为输入端分别输入独立的rbf神经网络模型中，通过机器学习输出部件整体特征。再将部件整体特征与目标/未识别的三维服装模型进行全局特征匹配，完成服装部件识别分类。然后利用图割法实现三维服装模型部件的自动分割。最后通过力学模型曲面展开方法，将三维服装模型部件展开生成样板。这方法能够有效的实现三维服装模型部件的自动识别与分割，从而进一步的直接生成服装样板，减少了分割过程对人工的依赖，能快速的生成服装样板。
[0006]
为了解决上述技问题，采用如下技术方案：
[0007]
一种基于特征融合与rbf网络的三维-二维的样板生成方法，其特征在于包括如下步骤：
[0008]
(1)三维服装模型预处理，过分割获得三维服装部件；
[0009]
(2)三维服装部件特征rbf神经网络训练，完成服装部件识别分类；
[0010]
(3)三维服装部件分割；
[0011]
(4)基于力学模型曲面展开的样板生成。
[0012]
优选后，所述步骤(1)中三维服装模型预处理包括a、初步过分割处理，将三维服装模型过分割为n个子面片；b、beam search区域融合处理，获得分割后的服装部件包括左前片、右前片、左后片、右后片、左袖、右袖、门襟、领部、下摆。融合处理后，可进行适度的边界调整，保证区域融合的准确性。
[0013]
优选后，三维服装模型预处理中具体的步骤为：
[0014]
a、初步过分割处理：将三维服装模型进行过分割处理，过分割为若干个子面片；先将体素分裂出很多个形状规则的子区域，在子面片上提取局部、全局和拓扑特征，子区域内的体素特征具有一致性；具体地，采用归一化切割计算得到子面片，并进一步通过模糊切割对齐子面片的边界；将三维服装模型过分割为n个子面片；
[0015]
b、beam search区域融合处理：依靠beam search合并特征相似的子区域，从而实现初步分割；把分割点包含在其中，靠beam search来选择最合适的分割组合；在区域合并时，需要通过邻接图来查找等待合并的子区域；设最大的beam为10，具体步骤为：
[0016]ⅰ、把所有的分割数是1的集合加入候选解中，记分割点为p；
[0017]ⅱ、候选解按分数从大到小排列，如果候选解超过beam的大小，就删掉末尾的；
[0018]ⅲ、加入新的分割点形成候选解带有2个分割点的解；
[0019]ⅳ、候选解按分数从大到小排列，如果候选解超过beam的大小，就删掉末尾剩余数；
[0020]
迭代，直到遍历到候选解带有10个分割点的出现，然后分数最大的就是分割点；融合处理后，可进行适度的边界调整，保证区域融合的准确性；分割部件包括左前片、右前片、左后片、右后片、左袖、右袖、门襟、领部、下摆。
[0021]
优选后，所述步骤(2)包括有：
[0022]
a、特征提取：选择八种不同的特征描述子，这些特征可以从不同角度对三维服装模型进行特征描述和表达；
[0023]
选取50组已分割好的工装的三维服装模型，提取服装部件的八个特征描述子，服装部件是左前片、右前片、左后片、右后片、左袖、右袖、门襟、领部、下摆；将它们提取的特征分别记为fla
i
、fra
i
、bla
i
、bra
i
、sla
i
、sra
i
、fa
i
、na
i
、ha
i
,其中i＝1,2,3,4,5,6,7,8；
[0024]
b、基于rbf神经网络对三维服装模型部件的分类识别：使用rbf神经网络来完成三维服装模型部件的分类；rbf神经网络是一种三层神经网络，其包括输入层、隐层、输出层；从输入空间到隐层空间的变换是非线性的，而从隐层空间到输出层空间变换是线性的；
[0025]
将已提取的九个服装部件的八个特征：左前片(fla
i
)、右前片(fra
i
)、左后片(bla
i
)、右后片(bra
i
)、左袖(sla
i
)、右袖(sra
i
)、门襟(fa
i
)、领部(na
i
)、下摆(ha
i
)分别当做输入层；经过rbf神经训练模型，输出各服装部件的整体特征，分别为记为flt、frt、blt、brt、slt、srt、ft、nt、ht；通过把低维度特征映射到高维度上，可以将输入层非线性关系转化为输出层的线性关系。再将服装部件整体特征与目标/未识别的三维服装模型进行全局特征匹配，完成服装部件识别分类。
[0026]
优选后，所述步骤a中，八种不同的特征描述子分别是：形状直径函数(a1)、欧氏距离(a2)、高斯曲率(a3)、平均测地距离(a4)、多分辨率reeb图骨架提取(a5)、形状分布(a6)、点特征直方图pfh描述子(a7)、方向直方图shot描述子(a8)。
[0027]
优选后，所述步骤(3)的三维服装部件分割中，对上一步识别出来三维服装模型部件，从整体模型中分割；对同一类三维服装模型进行协同分割，将所有子面片集中在一起，同时假设这些模型具有相同数量的聚类中心；分割边界具有较大的噪声，利用模糊分割对边界进行优化，并利用图割法得到最后分割结果；将服装部件进行分割线的网格分割，袖身部件的袖底部定义一条分割线，其他装饰款式线忽略，只考虑结构分割线。
[0028]
优选后，所述步骤(4)的样板生成中，得到若干三维服装模型部件后，需要将3d模型转化成2d平面；对于服装部件而言，便是将三维服装网格展开成二维的服装样板；需要设置面料种类，其中需加入织物的性能参数，建立弹簧质点模型，通过基于力学模型的曲面展开方法完成样板的生成；具体为，将曲面简化为三角网格的顶点组成的质点系统，通过在每个质点上加上适当的力使得三角网格产生相应的变形，达到将曲面展开生成样板。
[0029]
优选后，加入织物的性能包括材料、厚度、弹性模量。
[0030]
由于采用上述技术方案，具有以下有益效果：
[0031]
本发明利用过分割方法将三维模型分割成各子面片，再将各子面片调整为各服装部件。提取三维服装部件的八种特征，然后将各部件特征作为输入端分别输入独立的rbf神经网络模型中，通过机器学习输出部件整体特征。再将部件整体特征与目标/未识别的三维服装模型进行全局特征匹配，完成服装部件识别分类。然后利用图割法实现三维服装模型部件的自动分割。最后通过力学模型曲面展开方法，将三维服装模型部件展开生成样板。这方法能够有效的实现三维服装模型部件的自动识别与分割，从而进一步的直接生成服装样板，减少了分割过程对人工的依赖，能快速的生成服装样板。
附图说明
[0032]
下面结合附图对本发明作进一步说明：
[0033]
图1为本发明样板生成流程图；
[0034]
图2为本发明中过分割示意图；
[0035]
图3为本发明中beam search区域融合示意图；
[0036]
图4为本发明中服装部件分割示意图；
[0037]
图5为本发明中rbf神经网络结构图；
[0038]
图6为本发明中展开样板示意图。
具体实施方式
[0039]
如图1至图6所示，结合具体实施例和附图来更好的阐述本发明。此示例仅用于说明本发明，不限制本发明的范围。
[0040]
首先，通过各种方法获取三维服装模型，生成三角网格后，进行以下处理。
[0041]
1、三维服装模型预处理
[0042]
(1)初步过分割处理
[0043]
初步过分割处理：将三维服装模型进行过分割处理，过分割为若干个子面片，如图2所示；先将体素分裂出很多个形状规则的子区域，在子面片上提取局部、全局和拓扑特征，子区域内的体素特征具有一致性；具体地，采用归一化切割计算得到子面片，并进一步通过模糊切割对齐子面片的边界；将三维服装模型过分割为n个子面片；
[0044]
(2)beam search区域融合处理：
[0045]
如图3所示，然后依靠beam search合并特征相似的子区域，从而实现初步分割的目的。把分割点包含在其中，靠beam search来选择最合适的分割组合。数据分裂后的各子区域是一个立方体的体素集合，集合内所有体素属于同一区域组织。先选择一个区域生长的种子点，确定该种子点所在的正方体分裂区域；然后以该区域为中心，对其所有相邻的子区域进行判断；如果相邻区域与该区域是同一组织则进行合并。该算法实际是以立方体节点为最小单位对种子点进行生长，在区域分裂时需要生成区域邻接图，通过邻接图表示各子区域间的相邻关系。在区域合并时，需要通过邻接图来查找等待合并的子区域。
[0046]
设最大的beam为10，具体步骤为：
[0047]
(a)把所有的分割数是1的集合加入候选解中，记分割点为p。
[0048]
{{p1}，{p2}，{p3},
…
,{p
10
}}
[0049]
(b)候选解按分数从大到小排列，如果候选解超过beam的大小，就删掉末尾的。
[0050]
(c)加入新的分割点形成候选解带有2个分割点的解
[0051]
{{p1}，{p2}，{p3},
…
,{p
10
}，
[0052]
{p1，p2}，{p1，p3}，
…
,{p1，p
10
}，
[0053]
{p2，p3}，{p2，p4}，
…
,{p2，p
10
}，
…
[0054]
{p9，p
10
}}
[0055]
(d)候选解按分数从大到小排列，如果候选解超过beam的大小，就删掉末尾剩余数。
[0056]
迭代，直到遍历到候选解带有10个分割点的出现，然后分数最大的就是分割点；融合处理后，可进行适度的边界调整，保证区域融合的准确性。分割部件包括左前片、右前片、左后片、右后片、左袖、右袖、门襟、领部、下摆。
[0057]
2、三维服装部件特征rbf神经网络训练
[0058]
(1)特征提取
[0059]
选择八种不同的特征描述子，它们分别是：形状直径函数(a1)、欧氏距离(a2)、高斯曲率(a3)、平均测地距离(a4)、多分辨率reeb图骨架提取(a5)、形状分布(a6)、点特征直方图pfh描述子(a7)、方向直方图shot描述子(a8)。这些特征可以从不同角度对三维模型进行特征描述和表达。
[0060]
选取50组已分割好的工装的三维服装模型，提取服装部件的八个特征描述子，服装部件是左前片、右前片、左后片、右后片、左袖、右袖、门襟、领部、下摆；将它们提取的特征分别记为fla
i
、fra
i
、bla
i
、bra
i
、sla
i
、sra
i
、fa
i
、na
i
、ha
i
,其中i＝1,2,3,4,5,6,7,8；
[0061]
(2)基于rbf神经网络对服装模型部件的分类识别
[0062]
使用rbf神经网络来完成三维服装模型部件的分类；rbf神经网络是一种三层神经网络，其包括输入层、隐层、输出层；从输入空间到隐层空间的变换是非线性的，而从隐层空间到输出层空间变换是线性的；
[0063]
激活函数为：
[0064][0065]
其中x
p
＝5的rbf神经网络的结构得到网络输出为：
[0066][0067]
最小二乘法损失函数为：
[0068][0069]
将已提取的九个服装部件的八个特征：左前片(fla
i
)、右前片(fra
i
)、左后片(bla
i
)、右后片(bra
i
)、左袖(sla
i
)、右袖(sra
i
)、门襟(fa
i
)、领部(na
i
)、下摆(ha
i
)分别当做输入层；经过rbf神经训练模型，输出各服装部件的整体特征，分别为记为flt、frt、blt、brt、slt、srt、ft、nt、ht；通过把低维度特征映射到高维度上，可以将输入层非线性关系转化为输出层的线性关系；再将服装部件整体特征与目标/未识别的三维服装模型进行全局特征匹配，完成服装部件识别分类。
[0070]
3、三维服装不见分割
[0071]
对上一步识别出来三维服装模型部件，从整体模型中分割；对同一类三维服装模型进行协同分割，将所有子面片集中在一起，同时假设这些模型具有相同数量的聚类中心；分割边界具有较大的噪声，利用模糊分割对边界进行优化，并利用图割法得到最后分割结果；将服装部件进行分割线的网格分割，袖身部件的袖底部定义一条分割线，其他装饰款式线忽略，只考虑结构分割线。
[0072]
4、基于力学模型曲面展开的样板生成。
[0073]
得到若干三维服装模型部件后，需要将3d模型转化成2d平面；对于服装部件而言，便是将三维服装网格展开成二维的服装样板；需要设置面料种类，其中需加入织物的性能，通过基于力学模型的曲面展开方法完成样板的生成；具体为，将曲面简化为三角网格的顶点组成的质点系统，通过在每个质点上加上适当的力使得三角网格产生相应的变形，达到将曲面展开生成样板。
[0074]
以上仅为本发明的具体实施例，但本发明的技术特征并不局限于此。任何以本发明为基础，为解决基本相同的技术问题，实现基本相同的技术效果，所作出地简单变化、等同替换或者修饰等，皆涵盖于本发明的保护范围之中。