文摘

在现实生活中,人们的生活逐渐趋于简单,所以网上购物的便利,越来越多的研究开始探索购物的方便优化拟合系统是研究产品。然而,由于虚拟装配系统的不成熟,有许多问题,比如衣服颜色是不清楚的表达或偏差。针对这一点,本文提出一种基于深度学习的服装颜色显示3 d模型来支持人类modeling-driven。首先,macro-micro对抗网络(MMAN)用于分析基于深度学习的原始图像,然后,预处理结果。最后,三维模型与原始图像颜色是由使用UV映射。实验结果表明,MMAN算法的准确性达到0.972时,三维模型建立足够的情感,服装颜色的表达很清楚,色差的区别和原始图像是在0.01,和志愿者们的主观评价是超过90点。上述结果表明,有效使用深度学习建立一个三维模型与原图片衣服的颜色,很有指导意义的角色模型的建模和仿真研究。

1。介绍

生活质量的持续改进以及电子商务的普及,拟合系统帮助人们虚拟装配渐渐视图。施等人提出了一种全自动3 d虚拟装配系统基于2 d全身图像和三维服装模型,建立三维人体模型人体从2 d图像由用户输入,并获得系统是稳定的和有效的在模拟训练1]。郭等人提出了服装电子商务、远程安装系统,可以通过物理模拟消费者的体型装配机器人,帮助消费者实现远程安装(2]。为了解决体型测量的准确性在服装配件、陆等人提出了一个合成数据集下的人类化身宽的衣服,包括1500合成不同体型的人,姿势,服装,肤色,和背景3]。胡锦涛等人领导的团队成员提出第一个全自动一般方法对虚拟装配的衣服,头发,鞋子,手表,项链,帽子,和其他物品。大量的实验结果表明,该方法可以很好地实现动态拟合(4]。刘等人提出了一种基于3 d虚拟装配的装配方法的人体轮廓,它只需要一个RGB图像和转移服装结构对人体轮廓的指导下紫外线纹理映射,并取得了良好的结果在测试(5]。Kurniawati等人在2020年提出使用微软Kinect跟踪技术和3 d建模机操作技术建立一个交互式3 d虚拟试衣间,并且系统可以评估服装的匹配程度,帮助用户选择最合适的服装(6]。孟根据COVID-19的影响,提出了虚拟服装配件系统为方便消费者和研究系统的色彩饱和度。实验结果表明,该方法具有较高的效率(7]。

基于模型参数来源于数据不准确的拟人化,齐格勒等人提出了一个几何参数的综合识别方法基于三维人体下肢运动学模型标记位置和参数确定(自行车)步态轨迹8]。Kimpara等人提出了一个活跃的驱动系统基于人体模型与团队成员的合作。系统调整的动态人体模型,这样人体模型可以让一个真正的应对策略(9]。汉等人提出了序列的序列标签作为一种新的基于RNNs深度学习模型的编码和解码结构。结果表明,该方法可以更有效地聚合序列视图来了解更多独特的全球特性(10]。江等人提出了一个有效的深度学习模型基于卷积神经网络,这是用于3 d地下的映射二维地面观测数据实现三维地址功能建设(11]。陈和黄的特征提取研究3 d艺术设计模型深度学习的基础上,提出了一个3 d艺术网络社会通信方法,并验证了该方法的可行性[12]。张的主导颜色提取算法的应用研究服装图像检索,提出了一个主要服装图像的颜色特征提取算法提取的主要颜色服装形象(13]。金等人提出了一个数字图像中人类服装的坐标转换方法,它结合了几何和风格特征与神经网络的衣服。最后,在虚拟试验的实验中,它显示优势比传统的综合方法(14]。

总之,目前,世界上大部分的研究是进行人体的建设和应用模型。此外,随着需求的提高,研究服装色彩也越来越。但是不难看到,大多数研究是肤浅的,通过使用自动驾驶人的建模来模拟服装颜色的变换,生成虚拟人的性格可以实现服装的颜色。这是优化虚拟仿真拟合系统的关键。因此,本研究将结合深入学习人工智能技术和用人体建模驱动研究二维服装形象的生成三维角色服装颜色模型。方便和有效的方法将在理论研究和实际应用有很大的价值。

在本文中,一些重要的参数的意义解释表1。在这个表的帮助下,一些方程可以很容易被理解。

2。服装分析基于深度学习

2.1。服装色彩分析

HSV颜色空间是用在这项研究中,它是由色相、饱和度和明度。HSV颜色空间通常是由封闭的倒锥,h代表颜色信息,即。,hue, which means the spectral color position,年代代表饱和,即。,the proportion value between the selected color purity and the maximum purity of the color, andV代表亮度(15- - - - - -17]。HSV色彩空间的顶部从红色和逆时针。它由红色、黄色、绿色、青色、蓝色和红色。逆时针方向表示色相。从内部到外部的变化显示饱和的颜色空间,里面代表0,最外层代表100%饱和度。从下到上的变化表示轻盈。底部的颜色是黑色的,和明度是0。当它到达顶部时,明度是100%。因为颜色的视觉效果是受到色彩的影响,饱和,轻盈,颜色调整根据视觉效果,如表所示2。

如表所示2逆时针方向、价值分配,以红色为0°,黄色是60°,绿色是120°,青色是180°,蓝色是240°,红色是300°,每个颜色系统的价值范围设置为30°上下浮动。饱和度是颜色纯度的程度。根据图中所给出的信息1,它分为9段按照从内到外的、饱和度。低饱和介质饱和度和高饱和代表每一个从内到外的、三个部分。此外,轻盈代表颜色的明度。颜色的明度分为低明度,中明度,明度和高从下到上。相同的HSV颜色空间分为9部分从下到上,和明度占据3段从低到高,表中的数值范围也是根据这种分割方法平均分割。

2.2。衣服图片分析

人体分析人类图像分割成多个语义块。它通常使用卷积神经网络结构特性识别,像素语义不一致造成的损失,它通常使用条件随机场进行后续处理。然而,大量的研究发现,处理不一致的条件随机域的范围非常有限,而且可能有可怜的标记图(18,19]。因此,鉴于上述问题,一个新的对抗网络逐渐形成。主要原因是鉴别器引入对抗网络识别人类的部分,它可以执行更高级别的一致性(20.,21]。

的深化研究对抗的网络,它的缺点也开始出现。例如,在网络模型中,只有一个敌对的损失产生的方向传播的一个鉴别器,和一个敌对的损失列车当地不一致的两个目标层分别和语义不一致。,由一个鉴别器对抗造成的损失会使训练不平衡,导致可怜的收敛的模型22]。因此,对抗网络在这项研究中的应用是macro-micro敌对的网络(MMAN)。这种对抗的网络的主要特征是,它包含两个鉴别器,可以识别不同的像素集的标签图片。三维虚拟模型的框架如图1。

如图1,MMAN模型框架主要由三部分组成,其中一个是双输出发电机。输入图像的模型会自动处理图像大小,然后使用双输出生成器来生成一个低分辨率张量,低分辨率和高分辨率的标签图像可以获得。另一种是macrodiscriminator,卷积四层组成。它的主要功能是监控双输出的低分辨率图像输出标签生成器这样全球语义不一致将受到惩罚。第三是microdiscriminator,浅卷积三层结构。它的主要功能是监督高分辨率标签地图和惩罚当地不一致。的训练过程MMAN识别模型的算法进行了分析。首先,考虑到数字图像的形状和标记图像的形状 ,像素分类损失可以表示如下:

在公式(1),它代表了双输出发电机,背景类的数目,真实性的第一个像素的概率。当第一个像素,它的值是1。它代表了预测的概率我th像素在C。当我th像素是C,其值为0。为了确保最终的输出结果的双输出发电机可以保持一致性和最终的图像输出的损失价值很小,本研究结合分类损失和敌对的损失达到一致性,以保证高质量图像的输出。看到下面的公式具体的表达式:

在方程(2),是用来平衡像素分类损失和敌对的损失。 是敌对的损失,这是 。此外,结合机制的叉损失和敌对的损失是用来监督顶部和底部双输出信号发生器的输出。具体方式见以下方程:

在方程(3),代表输出之间的叉损失低分辨率的标签图像和小型标签图像,代表输出高分辨率之间的叉损失标签图像和原始图像质量标签, 代表输出低分辨率的图像标签的对抗性的损失,和 代表输出的对抗性的损失高分辨率图像标签。该模型的目的是控制四个损失的相对重要性。MMAN的训练任务如下:

在方程(4),分别代表双输出发电机的输出,macrodiscriminator, microdiscriminator交替优化后,最终优化结果的需要 收敛。

3所示。三维虚拟模型的衣服颜色的一代

3.1。模板模型的选择和预处理

在这项研究中,一个框架的服装颜色系统提出了基于图像三维形象,这是方便生成虚拟三维角色服装模型的图像快速和方便。模型的框架如图2。

如图2,整个算法过程分为三个步骤。首先,输入任务形象用于服装识别实现服装图像的分析。然后,类似的三维角色模型需要为后续仿真操作,生成模板模型选择和预处理。创建的三维角色模型只是一个简单的3 d结构,为了促进服装颜色模型的适应,有必要扩大模型通过紫外线。紫外线的模型是实现UV映射的三维模型,三维模型的表面位置的对应的位置二维图像,然后,每个像素的颜色填充的三维模型可以实现,最后,衣服的颜色变化可以在三维模型。扩大了纹理图像,用来区分不同的鲜艳的颜色的衣服和裤子,和灰色两种颜色的值存储在模型库。样例模型库中的模型处理因此,问题图片和颜色区别也获得。此时,模型的预处理。

3.2。衣服质地颜色特征提取

后意识到该地区的外套和裤子,有必要恢复衣服质地和颜色的3 d模型通过使用相关的信息。首先,服装的可见部分的纹理映射到三维模型的相应区域的纹理和颜色对应的图像的位置。图像映射的过程中,旋转操作还需要调整方向处理模型,和旋转图像适应仿真图像的大小值(23- - - - - -25]。当图像旋转的编程操作,采用反向映射方法。反向映射是相反的映射过程,主要是通过坐标旋转后得到反向映射图像中的坐标位置。所示的计算方法是以下方程:

在方程(5),获得的图像映射点的纵坐标反向映射,映射得到的位置点的横坐标表示y和x和代表了图像旋转角度。结果如下:

方程(6)代表的坐标计算图像旋转后,但人们普遍认为,图像的起源是在图像的左上角。如果这种方法被用来计算nonsquare形象,有一定概率会出现一个负值。因此,方程(7)用于后续处理,图像移动的起源中心的形象,和恢复原始图像中的坐标方程(7)。计算过程见以下方程:

在方程(8),表示原始图像的宽度,表示原始图像的高度,代表图像旋转后的宽度,代表图像旋转后的高度。的帮助下公式(8),恢复原始图像坐标对应旋转坐标,以方便识别周围的像素坐标的原始图像,然后,相关规则用于处理的像素信息。为了确保每个像素的颜色值存在,使用双线性插值处理,见以下方程:

在方程(9),图像的中间点的横坐标和纵坐标表示图像的中间点。问₁₁,问₂₁,问₁₂,问₂₂分别代表在中间点的位置坐标,这是(x₁,y₁),(x₂,y₁),(x₁,y₂)和(x₂,y₂)。本研究是计算在HSV颜色空间中,但也存在一些问题,比如服装模式干扰和识别错误,所以我们需要进行极值消除操作得到光明的服装颜色。消除的极端值,首先计算出平均值HSV的三个因素频道,看到以下方程:

在方程(10),代表颜色的平均值,是饱和的平均值,代表了明度的平均值,三通道值的像素在HSV颜色空间中,然后遍历所有像素通过以下方程:

在方程(11),代表每个像素与平均值之间的差异。消除后根据极值,像素的值不会出现太大,以确保像素的颜色值偏差减少。最后,该方法用于构造3 d虚拟决策服装模型和生成的模型颜色呈现。

4所示。实验结果分析

4.1。算法性能分析

本文分析MMAN的自动识别算法的性能。在实验中使用的实验环境是一个远程控制服务器。系统的Linux系统,GPU 8 GB内存(26]。此外,深度学习框架建设和运行环境Cuda8.0,程序是用Python 3.7。在实验中使用的图像数据库是嘴唇模型库,和20%的模型库作为测试集,和80%作为训练集,第一步是训练和测试深度学习模型。结果如图所示3。

从图可以看出3,随着迭代次数的增加,模型的准确性的训练集逐渐提高,当迭代次数达到20时,精度达到最大值,最大值为0.972,然后,随着迭代次数的增加,模型的精度几乎保持不变。此外,它可以看到的损失率模型还显示明显降低迭代的数量的增加,迭代次数达到30后,模型的损失率降到最低的价值和长期不变。之后,MMAN算法的收敛性分析的实验。最后,算法的收敛图所示4。

如图4,算法的收敛性好,在这两个参数lossD-r和lossD-f代表的标量值图像发生器对鉴别器,分别。可以看出,这两个参数的值接近0.5随着测试时间的增加。LossG代表的标量值图像输出的发电机。从图可以看出5,其价值逐渐趋于0时。三个参数的值表明,MMAN算法是一个很好的对抗的网络,这意味着所生成的图像发生器可以通过鉴别器的后续操作。

4.2。虚拟模型的实际应用效果

实验环境是win7SP1操作系统,主机是英特尔corei7 - 2600 CPU、系统8 GB内存,程序运行环境是visual studio 2013中,和OpenGL接口用于最终的模型显示和人机交互。首先,实验中使用的极端值消除进行了分析,并讨论了它的优点,如图5。

如图5,在这个实验中,结果衣服颜色风格下提取后获得的平均值进行比较与消除极端值。不难看到,衣服颜色风格的结果两种方法处理后获得的输入图像几乎是一样的。然而,它可以从最后的结论表示提取的价值的影响消除后的服装颜色风格极端值是光明,和色彩饱和度也显著提高。从视觉效果的角度来看,它更适合人的视觉感官。然后,3 d虚拟角色服装的颜色模型构造,结果如图所示6。

数据6(a)∼(c)显示了虚拟三维角色模型建立后,从男性的输入图像,提取服装的颜色和数字6(d)∼(f)显示了虚拟三维角色模型建立后,从女性的输入图像中提取服装颜色。从图可以看出7,最后的三维模型是相对清晰的无论是男人还是女人,这可以看出服装图像中字符的颜色也更精确的模型中。同时,不可否认的是衣服上的图案颜色可以明确表示,和位置坐标模型几乎是类似在原始图片。为了显示3 d虚拟角色的影响服装颜色模型更加科学和客观的,这个实验还分析了色差模型建立后,通过区域划分模型的位置和目标颜色错误检测,如图7。

如图7,大于0意味着颜色更亮,而小于0意味着颜色是深色的。男性和女性建立模型分为100个地区的色差检测。可以看出,服装颜色的波动曲线在男性和女性的3 d虚拟模型很小。通过比较与原来的颜色,你可以发现色差3 d模型的曲线在明暗变化。上述结果表明,建立的三维虚拟角色服装颜色模型在这个实验中更成功,可以清楚地显示服装的颜色信息的原始图片,以方便用户进行后虚拟试穿衣服。

模型的最终效果需要通过案例分析验证。本研究随机邀请志愿者来自不同大学的不同等级。原因是大学生的消费水平在互联网上相对较重。通过对大学生的调查,它可以有很强的说服力。考虑到三维人体模型的建立将会受到多个字符图片的信息,只有一个字符图片收集在这个研究。有115名志愿者在这个实验中,包括51名男性和64名女性。调查的内容是模型美学、服装颜色,视觉效果和感兴趣的程度。所有内容评价的总分是100分。结果如图所示8。

如图8,男性志愿者的平均得分在美丽的模型建立在实验中比较高,达到98点,和美丽的女性志愿者的评分模型也是95分,但可以看出,所有志愿者服装颜色上得分较高的效果显示在模型,达到98点。此外,它可以看到,所有的志愿者都是显示的衣服更感兴趣在模型建立之后,间接增加了用户的购物热情,导致互联网的发展。

5。结论

随着互联网的不断发展,人们逐渐倾向于互联网带来的便利的生活,所以拟合系统网上服装购物出现在视野,但也有许多不成熟的虚拟装配系统中存在的问题,如衣服颜色的干扰。因此,本研究提出了一种基于深度学习的三维虚拟人模型,提出了服装色彩在人类模型的帮助下衣服颜色提取技术。虚拟建模过程中,首先,我们需要使用深度学习技术分析人类服装的颜色和纹理颜色的确认坐标反向映射的方法。为了满足颜色的视觉效果,我们还需要消除极端值,确保质量的颜色模型。最后的结果表明,MMAN算法具有较高的效率,和准确率达到0.972。同时,在实际的应用程序中,可以得出结论,该模型具有较高的定义,完整的服装颜色和图案,和明确立场。通过服装颜色的科学、客观的评价,结果表明,颜色不同的服装颜色模型和原始图像总是在0.01。根据调查和分析的结果,它也表明,在这项研究中提出的模型符合公众审美,和衣服颜色的显示也可以吸引大量用户。总之,3 d虚拟角色服装颜色对象表达模型建立了深度学习是有效的,和衣服颜色仍然保持不变,可以为用户提供良好的视觉效果和便于用户进行在线服装时选择一个满意的决定。此外,这项研究的结果将促进拟合系统的发展和优化的生活质量在一定程度上。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究是由“重庆艺术科学研究计划项目,中国(格兰特no.19QN06)。”