基于深度學習的襯衫定制設計

賈群喜 張偉民 羅依平

摘要：為了深度學習更好地在襯衫定制設計中的應用，解決襯衫定制中人體參數識別不準、價格昂貴和標準不統一等問題，提出了一種基于深度學習的襯衫定制設計方法。利用Deeplab V3圖像分割神經網絡，在自主建立數據集的基礎上，進行人體模型和背景的分割，結合人體特征點的方法進行人體尺寸的擬合，同時考慮襯衫的個性化定制，并進行真人試穿檢驗。實驗結果綜合得分在6.0以上，表明可以該方法進行襯衫個性化定制方面表現良好，并在具有一定的應用價值。

關鍵詞：襯衫;定制;Deeplab V3;特征點提取;人體尺寸擬合

中圖分類號：TP18 ? ? ?文獻標識碼：A

文章編號：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，消費者對于服裝的個性化、差異化要求也在逐步提升。男士襯衫在定制行業占相當高的地位，一件合身的襯衫必不可少，據統計，標準尺碼襯衫僅能讓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。因此襯衫的個性化定制尤為重要。定制離不開身體參數，目前商家獲取身體參數的方法很多問題，如自主測量時的測量方式、工具和標準的混雜;傳統非接觸測量的尺寸不準確;上門測量時的價格昂貴。為此本文利用深度學習中的圖形分割技術，并對人體尺寸進行擬合，得到一種新型的襯衫定制的方法，滿足現代人對襯衫個性化定制的需求。

1 人體輪廓提取

人體輪廓提取是人體尺寸測量的基礎，傳統的非接觸測量結果不準確，需要對復雜背景的提取能力不理想，而基于FCN等神經網絡又有分割結果不夠精細、沒有聯系上下文信息和對計算能力要求較高點的缺點。本文提出了Deeplab V3神經網絡為基礎，進行人體輪廓提取方法。具體實現步驟如下：

1）建立數據集為神經網絡模型訓練提供數據基礎;

2）建立Deeplab V3神經網絡模型和模型訓練;

3）進行模型推理得到人與背景的分割圖和進行輪廓提取。

1.1數據集

本文采用的是人物和背景進行分離的任務的數據集。本文選擇自主構建數據集，以男性為例分析襯衫數據，主要采用正面照和側面照兩種，數據集的原始數據為11名身穿不同衣服的不同背景110張照片。由于數據集過少，本文受U-Net神經網絡的啟發，進行數據集的擴充，利用數據增強手段，保證數據的多樣性，以提高模型效果。在原始數據的基礎上進行隨機小范圍的旋轉圖片。最終得到330張大小為500×500的數據集。在模型訓練前，同時把模型的數據集進行隨機打亂并分為訓練集和測試集，其中300張照片作為訓練集30張照片作為測試集。

1.2模型結構

DeepLab V3是以MG Res Net為基礎的建立的語義分割神經網絡，采用全卷積神經網絡的方式，用改進ASPP的方式擴大感受野的范圍，使網絡能關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行空洞卷積，具體的實現方式是在第四個殘差塊后，進行4次復制，復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。改進的APPS的不同之處在于增加了1×1的卷積和自適應池化用來提高網絡的表達能力。同時在還原方式從原來的相加，換成了連接方式后再經過1×1的卷積進行還原。舍棄了多尺度訓練和全連接的條件隨機場（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模型的訓練和最終實現的結果

本文是在Pytoch深度學習框架下進行實驗，CPU為i7-10700F，GUP為NVIDIA GeForce GTX1660 Ti，運行內存16g其中模型參數更新采用梯度下降法，其中學習率設置為10-5，選用Adam優化器，batch設置為1。其中建立模型的相關代碼如下，得到的部分數據集與結果圖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數據有，身高、領圍、肩寬、胸圍、腰圍、袖長和衣長，其中身高、袖長和衣長，基于圖像數據和實際數據保持一致，無需進行擬合。但是其中的領圍、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行特征點的確定，其次結合圖像中的數據和公式進行擬合。

2.1特征點的確定

為了對人體尺寸的領圍、肩寬、胸圍、腰圍、進行擬合，首先要明確各項身體參數如何進行獲取。“服裝用人體測量尺寸的定義與方法”確定所有人體數據。

依據身體尺寸的測量要求可以知道，我們要確定頭部頂、腳底、頸部點、肩點、腋窩、胸點、腰部、虎口處。頭部和腳底點利用人體圖像的最低點和最高點確定。頸部點獲取同樣采用正面圖像輪廓和側面圖像輪廓相結合的方法，依據正面圖像的特點，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，側面圖像尋找最外側的點和最外側點后方30度的交點。肩點的實際位置在肩膀和胳膊的交點處，同時肩點也在肩峰骨（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）確定肩點位置。腋窩（左右胸點）位置依據軀干和手臂的輪廓信息進行確定。虎口位置利用手掌與手臂的輪廓的變化信息確定。腰部左右兩點的位置利用軀干信息尋找腰部最靠外側的兩點即可確定。對于前后胸點和前后兩處腰點。胸部剩余兩點和腰部位置依據人體側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據的回歸分析方法。利用截面面積的進行擬合的方法多用于界面相對簡單，對于復雜截面無法適用。由于人體截面過于復雜，因此本文采用回歸分析方法進行擬合，本文在大量閱讀前人曲線擬合方法，并進行方法之間的比較，結合本文特征點的獲取，發現劉國聯[5]對青年男性的擬合模型最為適用，因此本文在此基礎上得到表1身體尺寸和對應擬合公式，并在此基礎上進行領圍、肩寬、胸圍、腰圍身體尺寸擬合。

3 結果和分析

本文共對12人進行測試，其中10人在數據集。現在將模型識別的部分結果呈現如表2所示下：

在分析模型處理結果時，發現樣本誤差均在1.5cm以內，符合服裝定制的要求。證明本文在經過以上處理后，可以應用在服裝定制中。現在已經得到制作襯衫所需要的各項數據，身高、領圍、肩寬、胸圍、腰圍、袖長和衣長。但是對于一件定制的襯衫，不僅僅要求是合身，更加要求的是個性定制化。版型、面料、領型、顏色都會對襯衫的效果有所印象。為了進行量化評價和符合實際。本文采用的評價的方式是真人試穿和主觀評價，試穿者對利用本文得到的身體尺寸數據，結合襯衫個性化定制襯衫，本文采用8分尺標從1分到8分作為本文的量化標準。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。

所有試穿者對所制作的襯衫進行主觀打分，得到的結果如下表3所示，經過分析得到，所以主觀評價得分全部在6.0分以上，結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習的襯衫定制方法較為有效具有較好的應用價值。

在實驗結果中胸部的分數相差綜合分數最低，且標準差最大，表示很多人對胸部的評價較好，很多人對胸部的評價較為不好。在結合對測試人員的調查和分析得知，是因為有的人經常運動身材較好，而有的人胸部肥碩。本文的方法對身材一般的人表現良好，對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。對相同身體數據的人，不同身材的情況也會產生很大影響。例如：肩型分為平肩、常規和溜肩，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據的影響。

4 總結

本文提出了一種基于深度學習的人體測量方法，使用Deeplab V3框架，自主建立數據集和利用數據增強的手段，訓練該模型，在保證較好精確度的情況下，聯系上下文信息，實現人與背景的準確分割。在此方案的基礎上本文利用提取特征點和回歸分析法進行尺寸擬合，并綜合考慮版型、領型和面料進行襯衫個性化定制。本文實現了一種基于深度學習的襯衫的個性化定制方案。本文方法也有一些地方需要進行優化，如數據集主要是青年男性，沒有包含中年男性、中年女性和青年女性;沒有考慮身材對數據的影響。下一步身材的影響的情況該在尺寸擬合方面在利用神經網絡等方法進行擬合。本文的輪廓提取方案也表現較為良好可以為人體模型建立提供幫助。

參考文獻：

[1] 吳澤斌，張東亮，李基拓，等.復雜場景下的人體輪廓提取及尺寸測量[J].圖學學報，2020，41（5）：740-749.

[2] 嚴佳琪，維克多·庫茨米切夫.男士襯衫數字化高級定制的一種方法[J].服裝設計師，2020（9）：80-83.

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

[4] 路煜.基于全卷積的編解碼網絡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] 劉國聯，季開宸，金蓉，等.青年男體非接觸式測量系統圍度擬合的完善[J].絲綢，2014，51（10）：20-25.

【通聯編輯：唐一東】

收稿日期：2021-06-25

基金項目：2020國家級大學生創新訓練計劃項目“基于人工智能的智能制衣系統（202011070006）”;2020河南省高等學校重點科研項目計劃“基于人工智能算法的移動機器人系統研究（21B520012）”

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