基于深度学习的衬衫定制设计

贾群喜 张伟民 罗依平

摘要：为了深度学习更好地在衬衫定制设计中的应用，解决衬衫定制中人体参数识别不准、价格昂贵和标准不统一等问题，提出了一种基于深度学习的衬衫定制设计方法。利用Deeplab V3图像分割神经网络，在自主建立数据集的基础上，进行人体模型和背景的分割，结合人体特征点的方法进行人体尺寸的拟合，同时考虑衬衫的个性化定制，并进行真人试穿检验。实验结果综合得分在6.0以上，表明可以该方法进行衬衫个性化定制方面表现良好，并在具有一定的应用价值。

关键词：衬衫;定制;Deeplab V3;特征点提取;人体尺寸拟合

中图分类号：TP18      文献标识码：A

文章编号：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，伴隨着生活水平的提升，消费者对于服装的个性化、差异化要求也在逐步提升。男士衬衫在定制行业占相当高的地位，一件合身的衬衫必不可少，据统计，标准尺码衬衫仅能让15%的人穿的合身，一件不合身的衬衫让努力和成就在他人面前瞬间归零。因此衬衫的个性化定制尤为重要。定制离不开身体参数，目前商家获取身体参数的方法很多问题，如自主测量时的测量方式、工具和标准的混杂;传统非接触测量的尺寸不准确;上门测量时的价格昂贵。为此本文利用深度学习中的图形分割技术，并对人体尺寸进行拟合，得到一种新型的衬衫定制的方法，满足现代人对衬衫个性化定制的需求。

1 人体轮廓提取

人体轮廓提取是人体尺寸测量的基础，传统的非接触测量结果不准确，需要对复杂背景的提取能力不理想，而基于FCN等神经网络又有分割结果不够精细、没有联系上下文信息和对计算能力要求较高点的缺点。本文提出了Deeplab V3神经网络为基础，进行人体轮廓提取方法。具体实现步骤如下：

1）建立数据集为神经网络模型训练提供数据基础;

2）建立Deeplab V3神经网络模型和模型训练;

3）进行模型推理得到人与背景的分割图和进行轮廓提取。

1.1数据集

本文采用的是人物和背景进行分离的任务的数据集。本文选择自主构建数据集，以男性为例分析衬衫数据，主要采用正面照和侧面照两种，数据集的原始数据为11名身穿不同衣服的不同背景110张照片。由于数据集过少，本文受U-Net神经网络的启发，进行数据集的扩充，利用数据增强手段，保证数据的多样性，以提高模型效果。在原始数据的基础上进行随机小范围的旋转图片。最终得到330张大小为500×500的数据集。在模型训练前，同时把模型的数据集进行随机打乱并分为训练集和测试集，其中300张照片作为训练集30张照片作为测试集。

1.2模型结构

DeepLab V3是以MG Res Net为基础的建立的语义分割神经网络，采用全卷积神经网络的方式，用改进ASPP的方式扩大感受野的范围，使网络能关注到更大和更小的视野。其中MG Res Net 不同于Res Net在于，采用了不同的膨胀率进行空洞卷积，具体的实现方式是在第四个残差块后，进行4次复制，复制出来的采用不同的分辨率，并且给出来了最为推荐的4种膨胀率的组合。改进的APPS的不同之处在于增加了1×1的卷积和自适应池化用来提高网络的表达能力。同时在还原方式从原来的相加，换成了连接方式后再经过1×1的卷积进行还原。舍弃了多尺度训练和全连接的条件随机场（CRF），提高了模型的使用效果。本文综合考虑最终选择DeepLab V3作为本文的分割的模型。

1.3模型的训练和最终实现的结果

本文是在Pytoch深度学习框架下进行实验，CPU为i7-10700F，GUP为NVIDIA GeForce GTX1660 Ti，运行内存16g其中模型参数更新采用梯度下降法，其中学习率设置为10-5，选用Adam优化器，batch设置为1。其中建立模型的相关代码如下，得到的部分数据集与结果图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 人体尺寸的拟合

定制衬衫所需要的人体参数数据有，身高、领围、肩宽、胸围、腰围、袖长和衣长，其中身高、袖长和衣长，基于图像数据和实际数据保持一致，无需进行拟合。但是其中的领围、肩宽、胸围和腰围无法从图片中直接获得。本文采用的方法是首先基于分割出来的人体模型进行特征点的确定，其次结合图像中的数据和公式进行拟合。

2.1特征点的确定

为了对人体尺寸的领围、肩宽、胸围、腰围、进行拟合，首先要明确各项身体参数如何进行获取。“服装用人体测量尺寸的定義与方法”确定所有人体数据。

依据身体尺寸的测量要求可以知道，我们要确定头部顶、脚底、颈部点、肩点、腋窝、胸点、腰部、虎口处。头部和脚底点利用人体图像的最低点和最高点确定。颈部点获取同样采用正面图像轮廓和侧面图像轮廓相结合的方法，依据正面图像的特点，首先确定颈部顶部和颈部底部的位置，正面图像寻找水平轮廓距离最近的点，侧面图像寻找最外侧的点和最外侧点后方30度的交点。肩点的实际位置在肩膀和胳膊的交点处，同时肩点也在肩峰骨（肩膀最顶处）所在的位置。本文肩膀处的轮廓信息（变化程度信息和位置信息）确定肩点位置。腋窝（左右胸点）位置依据躯干和手臂的轮廓信息进行确定。虎口位置利用手掌与手臂的轮廓的变化信息确定。腰部左右两点的位置利用躯干信息寻找腰部最靠外侧的两点即可确定。对于前后胸点和前后两处腰点。胸部剩余两点和腰部位置依据人体侧面曲线的轮廓特性确定。

2.2尺寸拟合

在尺寸拟合中，拟合方法有利用截面形状的曲线拟合方法和利用大量数据的回归分析方法。利用截面面积的进行拟合的方法多用于界面相对简单，对于复杂截面无法适用。由于人体截面过于复杂，因此本文采用回归分析方法进行拟合，本文在大量阅读前人曲线拟合方法，并进行方法之间的比较，结合本文特征点的获取，发现刘国联[5]对青年男性的拟合模型最为适用，因此本文在此基础上得到表1身体尺寸和对应拟合公式，并在此基础上进行领围、肩宽、胸围、腰围身体尺寸拟合。

3 结果和分析

本文共对12人进行测试，其中10人在数据集。现在将模型识别的部分结果呈现如表2所示下：

在分析模型处理结果时，发现样本误差均在1.5cm以内，符合服装定制的要求。证明本文在经过以上处理后，可以应用在服装定制中。现在已经得到制作衬衫所需要的各项数据，身高、领围、肩宽、胸围、腰围、袖长和衣长。但是对于一件定制的衬衫，不仅仅要求是合身，更加要求的是个性定制化。版型、面料、领型、颜色都会对衬衫的效果有所印象。为了进行量化评价和符合实际。本文采用的评价的方式是真人试穿和主观评价，试穿者对利用本文得到的身体尺寸数据，结合衬衫个性化定制衬衫，本文采用8分尺标从1分到8分作为本文的量化标准。1分到2分表示尺码完全不合适，外观非常不美观;3分到4分表示尺码较为不合适，外观较为不美观，5分到6分表示尺码较为合适，外观较为美观;7分到8分表示尺码非常为合适，外观较为非常美观。

所有试穿者对所制作的衬衫进行主观打分，得到的结果如下表3所示，经过分析得到，所以主观评价得分全部在6.0分以上，结果表明所制作的衬衫舒适度较好，外观较为美观。证明本文提出的基于深度学习的衬衫定制方法较为有效具有较好的应用价值。

在实验结果中胸部的分数相差综合分数最低，且标准差最大，表示很多人对胸部的评价较好，很多人对胸部的评价较为不好。在结合对测试人员的调查和分析得知，是因为有的人经常运动身材较好，而有的人胸部肥硕。本文的方法对身材一般的人表现良好，对身材较好和身材较为不好的人群不是很友好。就此受到启发。对相同身体数据的人，不同身材的情况也会产生很大影响。例如：肩型分为平肩、常规和溜肩，胸型分为肌肉、平坦和肥大。下一步的研究主要是要解决身材数据的影响。

4 总结

本文提出了一种基于深度学习的人体测量方法，使用Deeplab V3框架，自主建立数据集和利用数据增强的手段，训练该模型，在保证较好精确度的情况下，联系上下文信息，实现人与背景的准确分割。在此方案的基础上本文利用提取特征点和回归分析法进行尺寸拟合，并综合考虑版型、领型和面料进行衬衫个性化定制。本文实现了一种基于深度学习的衬衫的个性化定制方案。本文方法也有一些地方需要进行优化，如数据集主要是青年男性，没有包含中年男性、中年女性和青年女性;没有考虑身材对数据的影响。下一步身材的影响的情况该在尺寸拟合方面在利用神经网络等方法进行拟合。本文的轮廓提取方案也表现较为良好可以为人体模型建立提供帮助。

参考文献：

[1] 吴泽斌，张东亮，李基拓，等.复杂场景下的人体轮廓提取及尺寸测量[J].图学学报，2020，41（5）：740-749.

[2] 严佳琪，维克多·库茨米切夫.男士衬衫数字化高级定制的一种方法[J].服装设计师，2020（9）：80-83.

[3] 贾俊瑛.基于图像的人体尺寸测量方法研究[D].上海：上海师范大学，2020.

[4] 路煜.基于全卷积的编解码网络的人体轮廓提取方法研究[J].信息与电脑（理论版），2020，32（3）：47-48，52.

[5] 刘国联，季开宸，金蓉，等.青年男体非接触式测量系统围度拟合的完善[J].丝绸，2014，51（10）：20-25.

【通联编辑：唐一东】

收稿日期：2021-06-25

基金项目：2020国家级大学生创新训练计划项目“基于人工智能的智能制衣系统（202011070006）”;2020河南省高等学校重点科研项目计划“基于人工智能算法的移动机器人系统研究（21B520012）”

作者简介：贾群喜（2000-），男，河南驻马店人，本科生，研究方向：自动化;张伟民（1978-），男，河南洛阳人，讲师，研究生，研究方向：自动化;罗依平（2001-），女，河南鹤壁人，本科生，研究方向：自动化。