一种基于款式描述符的三维服装建模方法

摘要

本发明涉及一种基于款式描述符的三维服装建模方法，属计算机图形学及计算机辅助图形设计技术领域。本发明首先输入三维服装模型集，通过形状款式分析，将具有款式结构一致的三维服装部件分割出来，实现语义分割；将分割后的三维服装部件模型聚类为四大类，形成三维服装部件库；再以服装部件模型的面积和边界周长比例作为主要的几何形状特征，定义度量服装部件重新组合的款式描述符；根据定义好的款式描述符，再根据目标模型，对三维服装部件模型聚类后的源模型进行全局优化；最后通过自然拼接输出新的三维服装。本发明避免了繁琐的服装建模过程，提高了三维服装建模效率；能有效地满足目前大规模三维服装数量的需求，具有实用性、有效性等优点。

权利要求

1.一种基于款式描述符的三维服装建模方法，其特征在于：首先输入三维服装模型集，通过形状款式分析，将具有款式结构一致的三维服装部件分割出来，实现语义分割；将分割后的三维服装部件模型聚类为四大类，形成三维服装部件库；再以服装部件模型的面积和边界周长比例作为主要的几何形状特征，定义度量服装部件重新组合的款式描述符；根据定义好的款式描述符，再根据目标模型，对三维服装部件模型聚类后的源模型进行全局优化；最后通过自然拼接输出新的三维服装；

所述基于款式描述符的三维服装建模方法的具体步骤如下：

Step1、输入三维服装模型集合G，对三维服装模型集合G进行形状款式分析，将具有款式结构一致的三维服装部件分割出来，用于实现语义分割；

其中，Gi是基于三角网格表示的三维服装模型，G:＝{Gi|Gi∈M,i＝1,...,n}；

Step2、通过高斯混合模型和贝叶斯网络，按照服装部件款式原型的分类，将分割后的三维服装部件模型聚类为四大类，包括上身服装部件T、下身服装部件B、袖子部件S和配饰部件A，形成三维服装部件库；

Step3、在三维服装部件模型聚类后的各类中，对每个部件模型m赋予一个用于描述其款式特征的几何属性r(m)，几何属性r(m)是以服装部件模型的面积和边界周长比例作为主要的几何形状特征；然后再定义三维服装部件模型聚类后的源模型的款式描述符，用来评价三维服装快速建模过程中合成新模型的优劣；并进一步定义配搭关联，缝合关联，以及融合关联三种服装部件的组合关系；

Step4、根据定义好的款式描述符，再根据目标模型，对三维服装部件模型聚类后的源模型进行全局优化：首先通过基于ICP求解计算出最优变换(R,t)，来实现三维服装部件模型聚类后的源模型的形状优化；

其中，R是三维服装部件模型聚类后的源模型的融合边界区域大小，t是优化的迭代次数；

再使形状优化后的源模型与目标模型满足最小二乘下的最佳匹配，来实现三维服装部件的位置优化；

Step5、然后通过自适应的服装部件自然拼接方法来实现三维服装部件模型聚类后的源模型和目标模型的自然拼接，使得服装部件的网格融合效果更符合柔性服装的特征；

Step6、通过合理选择部件间的成对分配，进行合理相对变换后，实现新的服装模型合成，在此过程中，不破坏服装模型的语义，然后再输出新的三维服装模型，即得到三维服装快速建模模型。

2.根据权利要求1所述的基于款式描述符的三维服装建模方法，其特征在于：所述步骤Step1中，所述对三维服装模型集合G进行语义分割的具体步骤如下：Step1.1、对输入三维服装模型集合G进行形状分析，选取三维服装模型集合G的网格曲面的局部几何信息描述算子特征、服装部件结构上下文特征作为特征向量，通过随机场CRF方法进行语义标注；

Step1.2、再用惩罚条件似然函数定义在CRF模型下有标注的三维服装模型集合G中的三维服装网格模型集El、未标注过的服装网格模型集Eu为在CRF模型下的负熵条件形式，通过求解最大化能量函数获得基于CRF模型学习的分割；

Step1.3、通过修改JointBoost分类器来训练CRF模型：

具体的首先使用基于马尔可夫随机场MRF下的置信传播BP近似推理算法，再利用JiontBoost方法训练这些输入网格模型的分类器；

Step1.4、对CRF模型中的参数进行优化：

通过穷举查找的方式在参数空间对网格进行优化，并从网格上最小的点开始，用MATLAB的预条件共轭梯度的数值估计梯度方式实现继续优化。

3.根据权利要求2所述的基于款式描述符的三维服装建模方法，其特征在于：所述步骤Step2中，所述三维服装部件模型聚类的具体步骤如下：在步骤Step1.3的基础上，根据三维服装的几何形状分析，以语义分割后的不同类别的服装部件模型集作为输入，基于高斯混合模型和贝叶斯网络，将分割后的服装部件按款式原型自动聚类为四类：上身服装部件T、下身服装部件B、袖子部件S和配饰部件A，形成三维服装部件库。

4.根据权利要求1所述的基于款式描述符的三维服装建模方法，其特征在于：所述步骤Step3中，所述定义三维服装部件模型聚类后的源模型的款式描述符的具体步骤如下：Step3.1、在三维服装部件模型聚类后的各类中，对每个部件模型m赋予一个用于描述其款式特征的几何属性r(m)，其中几何属性r(m)是以服装部件模型的面积和边界周长比例作为主要的几何形状特征；

Step3.2、以步骤Step2中的语义分割后的不同类别的服装部件模型集作为输入，用服装部件的面积和边界周长比例作为连续款式描述符，对这些服装部件形状间的相似度进行度量，进而度量服装部件重新组合的合理性；

Step3.3、通过服装设计知识以及服装部件之间的关联概率，进一步定义了配搭关联，缝合关联，以及融合关联三种服装部件的组合关系。

5.根据权利要求1所述的基于款式描述符的三维服装建模方法，其特征在于：所述步骤Step5中，所述三维服装部件自然拼接的具体步骤如下：Step5.1、根据Neumann边界条件对目标模型、三维服装部件模型聚类后的源模型求解拉普拉斯表面函数，通过调整源网格的内点使得邻接于融合边界的三角形面片的切向量-nsi与nti一致；

其中，nsi是三维服装部件模型聚类后的源模型三角形面片的切向量，nti是目标部件模型三角形面片的切向量；服装部件自然拼接中的几何变换是在高维空间中，且源网格和目标网格的融合边界拓扑结构一致并且空间位置相等；

Step5.2、先计算目标模型、三维服装部件模型聚类后的源模型的边界线上的垂直切向量的平均值，此平均值再与目标模型、三维服装部件模型聚类后的源模型的边界线上的每个顶点关联；

Step5.3、除了调整内点v相对于边界点v'si所做出的切向量方向调整外，对于其它的边界点，按照先计算目标模型、三维服装部件模型聚类后的源模型的边界线上的垂直切向量的平均值，再计算该内点相对于平均值的偏移量，再计算出其它边界点的总的偏移量，再与内点v的坐标相加后作为内点v沿切向量方向调整后的位置，从而实现三维服装部件自然拼接中的保形变换；

其中总的偏移量是将所有内点的偏移量根据均值坐标加权求和得到。

说明书

一种基于款式描述符的三维服装建模方法

技术领域

[0001] 本发明涉及一种基于款式描述符的三维服装建模方法，尤其涉及三维服装模型的形状分析与几何处理方法，属于计算机图形学及计算机辅助图形设计技术领域。

背景技术

[0002] 直接从头设计并快速创建出三维服装模型并非易事，只能生成有限的三维服装模型。在传统三维服装设计领域，借助专业服装辅助设计系统(如Lectra、Gerber、CLO 3D)等建模工具将二维样板生成三维服装模型，但这些工具学习难度较高，建模复杂，要求用户具有专业设计知识。而在逆向工程领域，人们通常使用昂贵的专业三维扫描设备在理想的实验室场景下获取点云数据，设备和环境复杂性较高。近年来很多工作都致力于如何简化这一复杂的建模过程，例如Wang C.(,35(7),2003,659～672)，Meng Y.(,44(8),2012,721～734)提出的基于人体特征的二维样板到三维服装模型设计方法。然而，这些方法仍然需要用户做大量的二维裁剪以及样板制作等工作。这样从无到有的创建方式，使得基于这类方法生成的三维服装模型的数量也受到了局限。

[0003] 目前由于三维服装获取技术的发展以及在互联网三维模型库、数字化服装定制、计算机娱乐角色动画，以及游戏电影制作等领域的需求牵引，对三维服装模型的数量、处理精度、建模效率、复杂度、款式变化等方面提出了更高的要求。在不同应用领域，常常需要变换不同风格的服装以满足人物以及场景的需求。从建模的角度来看，迫切需要提出针对大规模三维服装的建模方法，以满足用户对衣服款式变化的需求。如何有效地分析、处理三维服装模型以及刻画织物的真实感模拟效果，成为直接影响高质量三维服装真实感模型的关键性问题。基于数据生成的角度而言，已有文献利用现有模型快速生成有创意的大规模数量的三维服装模型。Brouet R.(,31(4),2012,36:1～11)提出的保持设计的服装迁移方法就是一种可以基于不同体型下、同一款式设计的三维服装自动生成的方法。充分结合放码、缩码等机制，尽可能保持二维的变形，可以快速获得不同体型下相同款式的具有真实感的三维服装。Berthouzo(,32(4),2012,85:1～10)则是提出了生成大规模三维服装模型的另一个有效思路，利用计算机视觉领域以及高层次语义理解的理论方法，用概率推理模型可以简化之前衣身二维样板缝合线、轮廓线等复杂特征之间的关联，自动匹配相关二维衣片的省道、底边、褶皱线等，并进行建模快速获得三维服装。然而这些研究仍然涉及到存储大量的顶点信息，涉及放码等二维样板的设计专业知识，建模效率不高等。

[0004] 与刚性物体、人造物体建模(,27(3),2008,42:1～8)等方法不同，保持服装款式以及款式部件感知的重新组合成为三维服装建模的最大难点。此外，三维服装作为一种非刚性模型，由于其款式复杂多样等特点，除了要计算柔性形变、对齐、部分对应等问题，还要关注提升建模效率和准确率。目前三维服装模型的几何建模的研究还比较少，而且所做的研究主要是针对物理建模方面，在三维几何建模方面，由于涉及到的服装是复杂的柔性模型，在面对几何形状和拓扑结构较为复杂的三维服装模型时，很难得到有意义的分析和处理结果。而形状分析和处理(,2013,175～197)主要研究三维几何模型的分析、描述、分类和解释，即在人类知识的驱动或辅助下对三维模型的结构和语义进行分析。其优势主要表现在易用性强，智能化高，用户参与程度低，能方便实现用户的建模意图。正是在这样的技术背景与应用发展趋势下，本发明将服装的款式知识、形状知识与高效的编辑技术有机地结合起来，利用已有的三维服装模型作为输入，提供了一种基于款式描述符的三维服装建模方法，快速构建新的三维服装。对满足目前大规模三维服装数量的需求具有重要的研究意义。

发明内容

[0005] 本发明提供了一种基于款式描述符的三维服装建模方法，以用于有效地分析、处理、生成新的三维服装模型，从而满足目前大规模三维服装模型数量的需求。

[0006] 本发明基于款式描述符的三维服装建模方法是这样实现的：首先输入三维服装模型集，通过形状款式分析，将具有款式结构一致的三维服装部件分割出来，实现语义分割；将分割后的三维服装部件模型聚类为四大类，形成三维服装部件库；再以服装部件模型的面积和边界周长比例作为主要的几何形状特征，定义度量服装部件重新组合的款式描述符；根据定义好的款式描述符，再根据目标模型，对三维服装部件模型聚类后的源模型进行全局优化；最后通过自然拼接输出新的三维服装。

[0007] 所述基于款式描述符的三维服装建模方法的具体步骤如下：

[0008] Step1、输入三维服装模型集合G，对三维服装模型集合G进行形状款式分析，将具有款式结构一致的三维服装部件分割出来，用于实现语义分割；

[0009] 其中，Gi是基于三角网格表示的三维服装模型，G:＝{Gi|Gi∈M,i＝1,...,n}；

[0010] Step2、通过高斯混合模型和贝叶斯网络，按照服装部件款式原型的分类，将分割后的三维服装部件模型聚类为四大类，包括上身服装部件T、下身服装部件B、袖子部件S和配饰部件A，形成三维服装部件库；

[0011] Step3、在三维服装部件模型聚类后的各类中，对每个部件模型m赋予一个用于描述其款式特征的几何属性r(m)，几何属性r(m)是以服装部件模型的面积和边界周长比例作为主要的几何形状特征；然后再定义三维服装部件模型聚类后的源模型的款式描述符，用来评价三维服装快速建模过程中合成新模型的优劣；并进一步定义配搭关联，缝合关联，以及融合关联三种服装部件的组合关系；

[0012] Step4、根据定义好的款式描述符，再根据目标模型，对三维服装部件模型聚类后的源模型进行全局优化：

[0013] 首先通过基于ICP求解计算出最优变换(R,t)，来实现三维服装部件模型聚类后的源模型的形状优化；

[0014] 其中，R是三维服装部件模型聚类后的源模型的融合边界区域大小，t是优化的迭代次数；

[0015] 再使形状优化后的源模型与目标模型满足最小二乘下的最佳匹配，来实现三维服装部件的位置优化；

[0016] Step5、然后通过自适应的服装部件自然拼接方法来实现三维服装部件模型聚类后的源模型和目标模型的自然拼接，使得服装部件的网格融合效果更符合柔性服装的特征；

[0017] Step6、通过合理选择部件间的成对分配，进行合理相对变换后，实现新的服装模型合成，在此过程中，不破坏服装模型的语义，然后再输出新的三维服装模型，即得到三维服装快速建模模型。

[0018] 所述步骤Step1中，所述对三维服装模型集合G进行语义分割的具体步骤如下：

[0019] Step1.1、对输入三维服装模型集合G进行形状分析，选取三维服装模型集合G的网格曲面的局部几何信息描述算子特征、服装部件结构上下文特征作为特征向量，通过随机场CRF方法进行语义标注；

[0020] Step1.2、再用惩罚条件似然函数定义在CRF模型下有标注的三维服装模型集合G中的三维服装网格模型集El、未标注过的服装网格模型集Eu为在CRF模型下的负熵条件形式，通过求解最大化能量函数获得基于CRF模型学习的分割；

[0021] Step1.3、通过修改JointBoost分类器来训练CRF模型：

[0022] 具体的首先使用基于马尔可夫随机场MRF下的置信传播BP近似推理算法，再利用JiontBoost方法训练这些输入网格模型的分类器；

[0023] Step1.4、对CRF模型中的参数进行优化：

[0024] 通过穷举查找的方式在参数空间对网格进行优化，并从网格上最小的点开始，用MATLAB的预条件共轭梯度的数值估计梯度方式实现继续优化。

[0025] 所述步骤Step2中，所述三维服装部件模型聚类的具体步骤如下：

[0026] 在步骤Step1.3的基础上，根据三维服装的几何形状分析，以语义分割后的不同类别的服装部件模型集作为输入，基于高斯混合模型和贝叶斯网络，将分割后的服装部件按款式原型自动聚类为四类：上身服装部件T、下身服装部件B、袖子部件S和配饰部件A，形成三维服装部件库。

[0027] 所述步骤Step3中，所述定义三维服装部件模型聚类后的源模型的款式描述符的具体步骤如下：

[0028] Step3.1、在三维服装部件模型聚类后的各类中，对每个部件模型m赋予一个用于描述其款式特征的几何属性r(m)，其中几何属性r(m)是以服装部件模型的面积和边界周长比例作为主要的几何形状特征；

[0029] Step3.2、以步骤Step2中的语义分割后的不同类别的服装部件模型集作为输入，用服装部件的面积和边界周长比例作为连续款式描述符，对这些服装部件形状间的相似度进行度量，进而度量服装部件重新组合的合理性；

[0030] Step3.3、通过服装设计知识以及服装部件之间的关联概率，进一步定义了配搭关联，缝合关联，以及融合关联三种服装部件的组合关系。

[0031] 所述步骤Step5中，所述三维服装部件自然拼接的具体步骤如下：

[0032] Step5.1、根据Neumann边界条件对目标模型、三维服装部件模型聚类后的源模型求解拉普拉斯表面函数，通过调整源网格的内点使得邻接于融合边界的三角形面片的切向量-nsi与nti一致；

[0033] 其中，nsi是三维服装部件模型聚类后的源模型三角形面片的切向量，nti是目标部件模型三角形面片的切向量；服装部件自然拼接中的几何变换是在高维空间中，且源网格和目标网格的融合边界拓扑结构一致并且空间位置相等；

[0034] Step5.2、先计算目标模型、三维服装部件模型聚类后的源模型的边界线上的垂直切向量的平均值，此平均值再与目标模型、三维服装部件模型聚类后的源模型的边界线上的每个顶点关联；

[0035] Step5.3、除了调整内点v相对于边界点v'si所做出的切向量方向调整外，对于其它的边界点，按照先计算目标模型、三维服装部件模型聚类后的源模型的边界线上的垂直切向量的平均值，再计算该内点相对于平均值的偏移量，再计算出其它边界点的总的偏移量，再与内点v的坐标相加后作为内点v沿切向量方向调整后的位置，从而实现三维服装部件自然拼接中的保形变换；

[0036] 其中总的偏移量是将所有内点的偏移量根据均值坐标加权求和得到。

[0037] 本发明的有益效果是：

[0038] 1、对三维服装模型集合进行形状款式分析，将具有款式结构一致的三维服装部件分割出来，实现语义分割；通过高斯混合模型和贝叶斯网络，按照服装部件款式原型的分类，将分割后的三维服装部件模型聚类为四大类，包括上身服装部件、下身服装部件、袖子部件和配饰部件，形成三维服装部件库。与公知的分割方法相比，具有较高的准确性。

[0039] 2、以服装部件模型的面积和边界周长比例作为主要的几何形状特征；定义三维服装部件模型聚类后的源模型的款式描述符，并利用进一步定义的配搭关联、缝合关联、融合关联三种服装部件的组合关系实现了分割后的三维服装部件模型的重新组合，并能有效地评价三维服装建模过程中生成新模型的优劣。与公知的三维服装建模方案相比，不涉及到存储大量的顶点信息、放码等二维样板的设计专业知识等，具有有效性的特点。

[0040] 3、利用三维服装部件自然拼接方案，根据Neumann边界条件对目标模型、三维服装部件模型聚类后的源模型融合边界保持拓扑结构一致并且空间位置相等，并将服装款式、柔性褶皱等细节特征应用到三维服装建模过程中，可以实现三维服装部件融合边界的保形变换。与公知的三维服装建模方法相比，具有实用性、快捷性的特点。

[0041] 总之，基于款式描述符的三维服装建模方法为三维服装建模提供了有效、实用、快捷的方法。通过形状款式分析，对输入的三维服装模型集合进行语义分割；将分割后的三维服装部件模型聚类为四大类，形成三维服装部件库；以服装部件模型的面积和边界周长比例作为主要的几何形状特征的款式描述符，可以度量服装部件重新组合的优劣；三维服装部件自然拼接为三维服装生成提供了一种有效的建模技术支持，可以有效实现三维服装部件融合边界的保形变换。

附图说明

[0042] 图1为本发明中的流程图；

[0043] 图2为本发明中三维服装模型语义分割及部件模型聚类方法的流程图；

[0044] 图3为本发明中款式描述符及三种服装部件关联的定义示例图；

[0045] 图4为本发明中采用分割后的三维服装部件模型(上身、下身、袖子等)重新组合的准确率统计评估实例图；

[0046] 图5为本发明中自然拼接方法与现有技术中用于三维部件模型拼接的泊松(Poisson)方法之间的效率比较示意图。

具体实施方式

[0047] 实施例1：如图1-4所示，一种基于款式描述符的三维服装建模方法，首先输入三维服装模型集，通过形状款式分析，将具有款式结构一致的三维服装部件分割出来，实现语义分割；将分割后的三维服装部件模型聚类为四大类，形成三维服装部件库；再以服装部件模型的面积和边界周长比例作为主要的几何形状特征，定义度量服装部件重新组合的款式描述符；根据定义好的款式描述符，再根据目标模型，对三维服装部件模型聚类后的源模型进行全局优化；最后通过自然拼接输出新的三维服装。

[0048] 实施例2：如图1-4所示，一种基于款式描述符的三维服装建模方法，首先输入三维服装模型集，通过形状款式分析，将具有款式结构一致的三维服装部件分割出来，实现语义分割；将分割后的三维服装部件模型聚类为四大类，形成三维服装部件库；再以服装部件模型的面积和边界周长比例作为主要的几何形状特征，定义度量服装部件重新组合的款式描述符；根据定义好的款式描述符，再根据目标模型，对三维服装部件模型聚类后的源模型进行全局优化；最后通过自然拼接输出新的三维服装。

[0049] 所述基于款式描述符的三维服装建模方法的具体步骤如下：

[0050] Step1、输入三维服装模型集合G，对三维服装模型集合G进行形状款式分析，将具有款式结构一致的三维服装部件分割出来，用于实现语义分割；

[0051] 其中，Gi是基于三角网格表示的三维服装模型，G:＝{Gi|Gi∈M,i＝1,...,n}；

[0052] Step2、通过高斯混合模型和贝叶斯网络，按照服装部件款式原型的分类，将分割后的三维服装部件模型聚类为四大类，包括上身服装部件T、下身服装部件B、袖子部件S和配饰部件A，形成三维服装部件库；

[0053] Step3、在三维服装部件模型聚类后的各类中，对每个部件模型m赋予一个用于描述其款式特征的几何属性r(m)，几何属性r(m)是以服装部件模型的面积和边界周长比例作为主要的几何形状特征；然后再定义三维服装部件模型聚类后的源模型的款式描述符，用来评价三维服装快速建模过程中合成新模型的优劣；并进一步定义配搭关联，缝合关联，以及融合关联三种服装部件的组合关系；

[0054] Step4、根据定义好的款式描述符，再根据目标模型，对三维服装部件模型聚类后的源模型进行全局优化：

[0055] 首先通过基于ICP求解计算出最优变换(R,t)，来实现三维服装部件模型聚类后的源模型的形状优化；

[0056] 其中，R是三维服装部件模型聚类后的源模型的融合边界区域大小，t是优化的迭代次数；

[0057] 再使形状优化后的源模型与目标模型满足最小二乘下的最佳匹配，来实现三维服装部件的位置优化；

[0058] Step5、然后通过自适应的服装部件自然拼接方法来实现三维服装部件模型聚类后的源模型和目标模型的自然拼接，使得服装部件的网格融合效果更符合柔性服装的特征；

[0059] Step6、通过合理选择部件间的成对分配，进行合理相对变换后，实现新的服装模型合成，在此过程中，不破坏服装模型的语义，然后再输出新的三维服装模型，即得到三维服装快速建模模型。

[0060] 实施例3：如图1-4所示，一种基于款式描述符的三维服装建模方法，首先输入三维服装模型集，通过形状款式分析，将具有款式结构一致的三维服装部件分割出来，实现语义分割；将分割后的三维服装部件模型聚类为四大类，形成三维服装部件库；再以服装部件模型的面积和边界周长比例作为主要的几何形状特征，定义度量服装部件重新组合的款式描述符；根据定义好的款式描述符，再根据目标模型，对三维服装部件模型聚类后的源模型进行全局优化；最后通过自然拼接输出新的三维服装。

[0061] 所述基于款式描述符的三维服装建模方法的具体步骤如下：

[0062] Step1、输入三维服装模型集合G，对三维服装模型集合G进行形状款式分析，将具有款式结构一致的三维服装部件分割出来，用于实现语义分割；

[0063] 其中，Gi是基于三角网格表示的三维服装模型，G:＝{Gi|Gi∈M,i＝1,...,n}；

[0064] Step2、通过高斯混合模型和贝叶斯网络，按照服装部件款式原型的分类，将分割后的三维服装部件模型聚类为四大类，包括上身服装部件T、下身服装部件B、袖子部件S和配饰部件A，形成三维服装部件库；

[0065] Step3、在三维服装部件模型聚类后的各类中，对每个部件模型m赋予一个用于描述其款式特征的几何属性r(m)，几何属性r(m)是以服装部件模型的面积和边界周长比例作为主要的几何形状特征；然后再定义三维服装部件模型聚类后的源模型的款式描述符，用来评价三维服装快速建模过程中合成新模型的优劣；并进一步定义配搭关联，缝合关联，以及融合关联三种服装部件的组合关系；

[0066] Step4、根据定义好的款式描述符，再根据目标模型，对三维服装部件模型聚类后的源模型进行全局优化：

[0067] 首先通过基于ICP求解计算出最优变换(R,t)，来实现三维服装部件模型聚类后的源模型的形状优化；

[0068] 其中，R是三维服装部件模型聚类后的源模型的融合边界区域大小，t是优化的迭代次数；

[0069] 再使形状优化后的源模型与目标模型满足最小二乘下的最佳匹配，来实现三维服装部件的位置优化；

[0070] Step5、然后通过自适应的服装部件自然拼接方法来实现三维服装部件模型聚类后的源模型和目标模型的自然拼接，使得服装部件的网格融合效果更符合柔性服装的特征；

[0071] Step6、通过合理选择部件间的成对分配，进行合理相对变换后，实现新的服装模型合成，在此过程中，不破坏服装模型的语义，然后再输出新的三维服装模型，即得到三维服装快速建模模型。

[0072] 所述步骤Step1中，所述对三维服装模型集合G进行语义分割的具体步骤如下：

[0073] Step1.1、对输入三维服装模型集合G进行形状分析，选取三维服装模型集合G的网格曲面的局部几何信息描述算子特征、服装部件结构上下文特征作为特征向量，通过随机场CRF方法进行语义标注；

[0074] Step1.2、再用惩罚条件似然函数定义在CRF模型下有标注的三维服装模型集合G中的三维服装网格模型集El、未标注过的服装网格模型集Eu为在CRF模型下的负熵条件形式，通过求解最大化能量函数获得基于CRF模型学习的分割；

[0075] Step1.3、通过修改JointBoost分类器来训练CRF模型：

[0076] 具体的首先使用基于马尔可夫随机场MRF下的置信传播BP近似推理算法，再利用JiontBoost方法训练这些输入网格模型的分类器；

[0077] Step1.4、对CRF模型中的参数进行优化：

[0078] 通过穷举查找的方式在参数空间对网格进行优化，并从网格上最小的点开始，用MATLAB的预条件共轭梯度的数值估计梯度方式实现继续优化。

[0079] 实施例4：如图1-4所示，一种基于款式描述符的三维服装建模方法，首先输入三维服装模型集，通过形状款式分析，将具有款式结构一致的三维服装部件分割出来，实现语义分割；将分割后的三维服装部件模型聚类为四大类，形成三维服装部件库；再以服装部件模型的面积和边界周长比例作为主要的几何形状特征，定义度量服装部件重新组合的款式描述符；根据定义好的款式描述符，再根据目标模型，对三维服装部件模型聚类后的源模型进行全局优化；最后通过自然拼接输出新的三维服装。

[0080] 所述基于款式描述符的三维服装建模方法的具体步骤如下：

[0081] Step1、输入三维服装模型集合G，对三维服装模型集合G进行形状款式分析，将具有款式结构一致的三维服装部件分割出来，用于实现语义分割；

[0082] 其中，Gi是基于三角网格表示的三维服装模型，G:＝{Gi|Gi∈M,i＝1,...,n}；

[0083] Step2、通过高斯混合模型和贝叶斯网络，按照服装部件款式原型的分类，将分割后的三维服装部件模型聚类为四大类，包括上身服装部件T、下身服装部件B、袖子部件S和配饰部件A，形成三维服装部件库；

[0084] Step3、在三维服装部件模型聚类后的各类中，对每个部件模型m赋予一个用于描述其款式特征的几何属性r(m)，几何属性r(m)是以服装部件模型的面积和边界周长比例作为主要的几何形状特征；然后再定义三维服装部件模型聚类后的源模型的款式描述符，用来评价三维服装快速建模过程中合成新模型的优劣；并进一步定义配搭关联，缝合关联，以及融合关联三种服装部件的组合关系；

[0085] Step4、根据定义好的款式描述符，再根据目标模型，对三维服装部件模型聚类后的源模型进行全局优化：

[0086] 首先通过基于ICP求解计算出最优变换(R,t)，来实现三维服装部件模型聚类后的源模型的形状优化；

[0087] 其中，R是三维服装部件模型聚类后的源模型的融合边界区域大小，t是优化的迭代次数；

[0088] 再使形状优化后的源模型与目标模型满足最小二乘下的最佳匹配，来实现三维服装部件的位置优化；

[0089] Step5、然后通过自适应的服装部件自然拼接方法来实现三维服装部件模型聚类后的源模型和目标模型的自然拼接，使得服装部件的网格融合效果更符合柔性服装的特征；

[0090] Step6、通过合理选择部件间的成对分配，进行合理相对变换后，实现新的服装模型合成，在此过程中，不破坏服装模型的语义，然后再输出新的三维服装模型，即得到三维服装快速建模模型。

[0091] 所述步骤Step1中，所述对三维服装模型集合G进行语义分割的具体步骤如下：

[0092] Step1.1、对输入三维服装模型集合G进行形状分析，选取三维服装模型集合G的网格曲面的局部几何信息描述算子特征、服装部件结构上下文特征作为特征向量，通过随机场CRF方法进行语义标注；

[0093] Step1.2、再用惩罚条件似然函数定义在CRF模型下有标注的三维服装模型集合G中的三维服装网格模型集El、未标注过的服装网格模型集Eu为在CRF模型下的负熵条件形式，通过求解最大化能量函数获得基于CRF模型学习的分割；

[0094] Step1.3、通过修改JointBoost分类器来训练CRF模型：

[0095] 具体的首先使用基于马尔可夫随机场MRF下的置信传播BP近似推理算法，再利用JiontBoost方法训练这些输入网格模型的分类器；

[0096] Step1.4、对CRF模型中的参数进行优化：

[0097] 通过穷举查找的方式在参数空间对网格进行优化，并从网格上最小的点开始，用MATLAB的预条件共轭梯度的数值估计梯度方式实现继续优化。

[0098] 所述步骤Step2中，所述三维服装部件模型聚类的具体步骤如下：

[0099] 在步骤Step1.3的基础上，根据三维服装的几何形状分析，以语义分割后的不同类别的服装部件模型集作为输入，基于高斯混合模型和贝叶斯网络，将分割后的服装部件按款式原型自动聚类为四类：上身服装部件T、下身服装部件B、袖子部件S和配饰部件A，形成三维服装部件库。

[0100] 实施例5：如图1-4所示，一种基于款式描述符的三维服装建模方法，首先输入三维服装模型集，通过形状款式分析，将具有款式结构一致的三维服装部件分割出来，实现语义分割；将分割后的三维服装部件模型聚类为四大类，形成三维服装部件库；再以服装部件模型的面积和边界周长比例作为主要的几何形状特征，定义度量服装部件重新组合的款式描述符；根据定义好的款式描述符，再根据目标模型，对三维服装部件模型聚类后的源模型进行全局优化；最后通过自然拼接输出新的三维服装。

[0101] 所述基于款式描述符的三维服装建模方法的具体步骤如下：

[0102] Step1、输入三维服装模型集合G，对三维服装模型集合G进行形状款式分析，将具有款式结构一致的三维服装部件分割出来，用于实现语义分割；

[0103] 其中，Gi是基于三角网格表示的三维服装模型，G:＝{Gi|Gi∈M,i＝1,...,n}；

[0104] Step2、通过高斯混合模型和贝叶斯网络，按照服装部件款式原型的分类，将分割后的三维服装部件模型聚类为四大类，包括上身服装部件T、下身服装部件B、袖子部件S和配饰部件A，形成三维服装部件库；

[0105] Step3、在三维服装部件模型聚类后的各类中，对每个部件模型m赋予一个用于描述其款式特征的几何属性r(m)，几何属性r(m)是以服装部件模型的面积和边界周长比例作为主要的几何形状特征；然后再定义三维服装部件模型聚类后的源模型的款式描述符，用来评价三维服装快速建模过程中合成新模型的优劣；并进一步定义配搭关联，缝合关联，以及融合关联三种服装部件的组合关系；

[0106] Step4、根据定义好的款式描述符，再根据目标模型，对三维服装部件模型聚类后的源模型进行全局优化：

[0107] 首先通过基于ICP求解计算出最优变换(R,t)，来实现三维服装部件模型聚类后的源模型的形状优化；

[0108] 其中，R是三维服装部件模型聚类后的源模型的融合边界区域大小，t是优化的迭代次数；

[0109] 再使形状优化后的源模型与目标模型满足最小二乘下的最佳匹配，来实现三维服装部件的位置优化；

[0110] Step5、然后通过自适应的服装部件自然拼接方法来实现三维服装部件模型聚类后的源模型和目标模型的自然拼接，使得服装部件的网格融合效果更符合柔性服装的特征；

[0111] Step6、通过合理选择部件间的成对分配，进行合理相对变换后，实现新的服装模型合成，在此过程中，不破坏服装模型的语义，然后再输出新的三维服装模型，即得到三维服装快速建模模型。

[0112] 所述步骤Step1中，所述对三维服装模型集合G进行语义分割的具体步骤如下：

[0113] Step1.1、对输入三维服装模型集合G进行形状分析，选取三维服装模型集合G的网格曲面的局部几何信息描述算子特征、服装部件结构上下文特征作为特征向量，通过随机场CRF方法进行语义标注；

[0114] Step1.2、再用惩罚条件似然函数定义在CRF模型下有标注的三维服装模型集合G中的三维服装网格模型集El、未标注过的服装网格模型集Eu为在CRF模型下的负熵条件形式，通过求解最大化能量函数获得基于CRF模型学习的分割；

[0115] Step1.3、通过修改JointBoost分类器来训练CRF模型：

[0116] 具体的首先使用基于马尔可夫随机场MRF下的置信传播BP近似推理算法，再利用JiontBoost方法训练这些输入网格模型的分类器；

[0117] Step1.4、对CRF模型中的参数进行优化：

[0118] 通过穷举查找的方式在参数空间对网格进行优化，并从网格上最小的点开始，用MATLAB的预条件共轭梯度的数值估计梯度方式实现继续优化。

[0119] 所述步骤Step2中，所述三维服装部件模型聚类的具体步骤如下：

[0120] 在步骤Step1.3的基础上，根据三维服装的几何形状分析，以语义分割后的不同类别的服装部件模型集作为输入，基于高斯混合模型和贝叶斯网络，将分割后的服装部件按款式原型自动聚类为四类：上身服装部件T、下身服装部件B、袖子部件S和配饰部件A，形成三维服装部件库。

[0121] 所述步骤Step3中，所述定义三维服装部件模型聚类后的源模型的款式描述符的具体步骤如下：

[0122] Step3.1、在三维服装部件模型聚类后的各类中，对每个部件模型m赋予一个用于描述其款式特征的几何属性r(m)，其中几何属性r(m)是以服装部件模型的面积和边界周长比例作为主要的几何形状特征；

[0123] Step3.2、以步骤Step2中的语义分割后的不同类别的服装部件模型集作为输入，用服装部件的面积和边界周长比例作为连续款式描述符，对这些服装部件形状间的相似度进行度量，进而度量服装部件重新组合的合理性；

[0124] Step3.3、通过服装设计知识以及服装部件之间的关联概率，进一步定义了配搭关联，缝合关联，以及融合关联三种服装部件的组合关系。

[0125] 实施例6：如图1-4所示，一种基于款式描述符的三维服装建模方法，首先输入三维服装模型集，通过形状款式分析，将具有款式结构一致的三维服装部件分割出来，实现语义分割；将分割后的三维服装部件模型聚类为四大类，形成三维服装部件库；再以服装部件模型的面积和边界周长比例作为主要的几何形状特征，定义度量服装部件重新组合的款式描述符；根据定义好的款式描述符，再根据目标模型，对三维服装部件模型聚类后的源模型进行全局优化；最后通过自然拼接输出新的三维服装。

[0126] 所述基于款式描述符的三维服装建模方法的具体步骤如下：

[0127] Step1、输入三维服装模型集合G，对三维服装模型集合G进行形状款式分析，将具有款式结构一致的三维服装部件分割出来，用于实现语义分割；

[0128] 其中，Gi是基于三角网格表示的三维服装模型，G:＝{Gi|Gi∈M,i＝1,...,n}；

[0129] Step2、通过高斯混合模型和贝叶斯网络，按照服装部件款式原型的分类，将分割后的三维服装部件模型聚类为四大类，包括上身服装部件T、下身服装部件B、袖子部件S和配饰部件A，形成三维服装部件库；

[0130] Step3、在三维服装部件模型聚类后的各类中，对每个部件模型m赋予一个用于描述其款式特征的几何属性r(m)，几何属性r(m)是以服装部件模型的面积和边界周长比例作为主要的几何形状特征；然后再定义三维服装部件模型聚类后的源模型的款式描述符，用来评价三维服装快速建模过程中合成新模型的优劣；并进一步定义配搭关联，缝合关联，以及融合关联三种服装部件的组合关系；

[0131] Step4、根据定义好的款式描述符，再根据目标模型，对三维服装部件模型聚类后的源模型进行全局优化：

[0132] 首先通过基于ICP求解计算出最优变换(R,t)，来实现三维服装部件模型聚类后的源模型的形状优化；

[0133] 其中，R是三维服装部件模型聚类后的源模型的融合边界区域大小，t是优化的迭代次数；

[0134] 再使形状优化后的源模型与目标模型满足最小二乘下的最佳匹配，来实现三维服装部件的位置优化；

[0135] Step5、然后通过自适应的服装部件自然拼接方法来实现三维服装部件模型聚类后的源模型和目标模型的自然拼接，使得服装部件的网格融合效果更符合柔性服装的特征；

[0136] Step6、通过合理选择部件间的成对分配，进行合理相对变换后，实现新的服装模型合成，在此过程中，不破坏服装模型的语义，然后再输出新的三维服装模型，即得到三维服装快速建模模型。

[0137] 所述步骤Step1中，所述对三维服装模型集合G进行语义分割的具体步骤如下：

[0138] Step1.1、对输入三维服装模型集合G进行形状分析，选取三维服装模型集合G的网格曲面的局部几何信息描述算子特征、服装部件结构上下文特征作为特征向量，通过随机场CRF方法进行语义标注；

[0139] Step1.2、再用惩罚条件似然函数定义在CRF模型下有标注的三维服装模型集合G中的三维服装网格模型集El、未标注过的服装网格模型集Eu为在CRF模型下的负熵条件形式，通过求解最大化能量函数获得基于CRF模型学习的分割；

[0140] Step1.3、通过修改JointBoost分类器来训练CRF模型：

[0141] 具体的首先使用基于马尔可夫随机场MRF下的置信传播BP近似推理算法，再利用JiontBoost方法训练这些输入网格模型的分类器；

[0142] Step1.4、对CRF模型中的参数进行优化：

[0143] 通过穷举查找的方式在参数空间对网格进行优化，并从网格上最小的点开始，用MATLAB的预条件共轭梯度的数值估计梯度方式实现继续优化。

[0144] 所述步骤Step2中，所述三维服装部件模型聚类的具体步骤如下：

[0145] 在步骤Step1.3的基础上，根据三维服装的几何形状分析，以语义分割后的不同类别的服装部件模型集作为输入，基于高斯混合模型和贝叶斯网络，将分割后的服装部件按款式原型自动聚类为四类：上身服装部件T、下身服装部件B、袖子部件S和配饰部件A，形成三维服装部件库。

[0146] 所述步骤Step3中，所述定义三维服装部件模型聚类后的源模型的款式描述符的具体步骤如下：

[0147] Step3.1、在三维服装部件模型聚类后的各类中，对每个部件模型m赋予一个用于描述其款式特征的几何属性r(m)，其中几何属性r(m)是以服装部件模型的面积和边界周长比例作为主要的几何形状特征；

[0148] Step3.2、以步骤Step2中的语义分割后的不同类别的服装部件模型集作为输入，用服装部件的面积和边界周长比例作为连续款式描述符，对这些服装部件形状间的相似度进行度量，进而度量服装部件重新组合的合理性；

[0149] Step3.3、通过服装设计知识以及服装部件之间的关联概率，进一步定义了配搭关联，缝合关联，以及融合关联三种服装部件的组合关系。

[0150] 所述步骤Step5中，所述三维服装部件自然拼接的具体步骤如下：

[0151] Step5.1、根据Neumann边界条件对目标模型、三维服装部件模型聚类后的源模型求解拉普拉斯表面函数，通过调整源网格的内点使得邻接于融合边界的三角形面片的切向量-nsi与nti一致；

[0152] 其中，nsi是三维服装部件模型聚类后的源模型三角形面片的切向量，nti是目标部件模型三角形面片的切向量；服装部件自然拼接中的几何变换是在高维空间中，且源网格和目标网格的融合边界拓扑结构一致并且空间位置相等；

[0153] Step5.2、先计算目标模型、三维服装部件模型聚类后的源模型的边界线上的垂直切向量的平均值，此平均值再与目标模型、三维服装部件模型聚类后的源模型的边界线上的每个顶点关联；

[0154] Step5.3、除了调整内点v相对于边界点v'si所做出的切向量方向调整外，对于其它的边界点，按照先计算目标模型、三维服装部件模型聚类后的源模型的边界线上的垂直切向量的平均值，再计算该内点相对于平均值的偏移量，再计算出其它边界点的总的偏移量，再与内点v的坐标相加后作为内点v沿切向量方向调整后的位置，从而实现三维服装部件自然拼接中的保形变换；

[0155] 其中总的偏移量是将所有内点的偏移量根据均值坐标加权求和得到。

[0156] 实施例7：如图1-5所示，一种基于款式描述符的三维服装建模方法，首先输入三维服装模型集，通过形状款式分析，将具有款式结构一致的三维服装部件分割出来，实现语义分割；将分割后的三维服装部件模型聚类为四大类，形成三维服装部件库；再以服装部件模型的面积和边界周长比例作为主要的几何形状特征，定义度量服装部件重新组合的款式描述符；根据定义好的款式描述符，再根据目标模型，对三维服装部件模型聚类后的源模型进行全局优化；最后通过自然拼接输出新的三维服装。

[0157] 本实施例以三维服装模型(连衣裙、衬衫、外套等)为输入，所述基于款式描述符的三维服装建模方法的具体步骤如下：

[0158] Step1、输入三维服装模型集合G，对三维服装模型集合G进行形状款式分析，将具有款式结构一致的三维服装部件分割出来，用于实现语义分割；

[0159] 其中，Gi是基于三角网格表示的三维服装模型，G:＝{Gi|Gi∈M,i＝1,...,n}；

[0160] 所述步骤Step1中，所述对三维服装模型集合G进行语义分割的具体步骤如下：

[0161] Step1.1、对输入三维服装模型集合G进行形状分析，选取三维服装模型集合G的网格曲面的局部几何信息描述算子特征、服装部件结构上下文特征作为特征向量，通过随机场CRF方法进行语义标注，见附图2；

[0162] Step1.2、再用惩罚条件似然函数定义在CRF模型下有标注的三维服装模型集合G中的三维服装网格模型集El、未标注过的服装网格模型集Eu为在CRF模型下的负熵条件形式，通过求解最大化能量函数获得基于CRF模型学习的分割；

[0163] 其中， 通过CRF模型可以建立的条件概率函数为：

[0164] 基于CRF模型学习到的分割模型的具体形式为：

[0165] 三维服装模型集合G中每个三角面片s∈G，xs是每个三角面特征X的向量，语义标注ls是标注序列L对应的随机变量；L是预先定义的三维服装部件，如“袖子”、“上身部件”、“下身部件”以及“配饰部件”等，Y是通过随机场方法(CRF)输出的分割标注；

[0166] Step1.3、通过修改JointBoost分类器来训练CRF模型：

[0167] 具体的首先使用基于马尔可夫随机场MRF下的置信传播BP近似推理算法，再利用JiontBoost方法训练这些输入网格模型的分类器；

[0168] Step1.4、对CRF模型中的参数进行优化：

[0169] 通过穷举查找的方式在参数空间对网格进行优化，并从网格上最小的点开始，用MATLAB的预条件共轭梯度的数值估计梯度方式实现继续优化。

[0170] 本实例中用到了6个未标注和16个语义标注的模型作为训练集，并且重复整个实验进行分析。表1给出了本方法与公知方法之间在分割准确性方面的比较。平均准确率可以达到95.2％，准确率高出3.2％。有效性分别达到90％以上。

[0171] 表1

[0172]

[0173] Step2、通过高斯混合模型和贝叶斯网络，按照服装部件款式原型的分类，将分割后的三维服装部件模型聚类为四大类，包括上身服装部件T、下身服装部件B、袖子部件S和配饰部件A，形成三维服装部件库；

[0174] 所述步骤Step2中，所述三维服装部件模型聚类的具体步骤如下：

[0175] 在步骤Step1.3的基础上，根据三维服装的几何形状分析，以语义分割后的不同类别的服装部件模型集作为输入，基于高斯混合模型和贝叶斯网络，将分割后的服装部件按款式原型自动聚类为四类：上身服装部件T、下身服装部件B、袖子部件S和配饰部件A，形成三维服装部件库，见附图2。

[0176] Step3、在三维服装部件模型聚类后的各类中，对每个部件模型m赋予一个用于描述其款式特征的几何属性r(m)，几何属性r(m)是以服装部件模型的面积和边界周长比例作为主要的几何形状特征；然后再定义三维服装部件模型聚类后的源模型的款式描述符，用来评价三维服装快速建模过程中合成新模型的优劣；并进一步定义配搭关联，缝合关联，以及融合关联三种服装部件的组合关系；

[0177] 所述步骤Step3中，所述定义三维服装部件模型聚类后的源模型的款式描述符的具体步骤如下：

[0178] Step3.1、在三维服装部件模型聚类后的各类中，对每个部件模型m赋予一个用于描述其款式特征的几何属性r(m)，其中几何属性r(m)是以服装部件模型的面积和边界周长比例作为主要的几何形状特征；

[0179] 其中，款式描述符中的比例可以线性化至区间[0,1]，通常用来区分上身部件模型中例如夹克与T恤模型，下身部件模型中的如短裤、半裙和长裤的区分，以及可以区分出配饰部件中的袖子、口袋和领带等；

[0180] Step3.2、以步骤Step2中的语义分割后的不同类别的服装部件模型集作为输入，用服装部件的面积和边界周长比例作为连续款式描述符，对这些服装部件形状间的相似度进行度量，进而度量服装部件重新组合的合理性；

[0181] 款式描述符在二维空间下的几何描述实例见图3，X代表由夹克和长裤合成的服装模型，而Y是由T恤和半裙部件合成的服装模型。基于定义的连续款式描述符，可以决定通过语义分割和聚类后的服装部件，哪些可以用来合成新的服装模型。其中，服装模型Z是由两个相关的上身部件Zt和下身部件Zb合成的，将这两个部件模型与合成的服装模型之间的形状对应定义为在二维形状空间下的相似性度量；

[0182] 服装上身部件和下身部件之间匹配的关联性度量定义为如下形式：

[0183]

[0184] 其中，dT,B(Z,Ci)＝||(r(Zt)-r(Cti),(r(Zb)-r(Cbi)||2表示的是Z,C在TB二维形状空间下的关联性距离，扩展到三维空间中，对于配饰部件与上身及下身之间的匹配的关联概率，即为PT,B,S。合成的服装可以用服装部件间的形状对应的连续款式描述符来表示，即最后最大化对应形状部件描述符间的相似度，部件形状对应目标函数为：P(C)＝PT,B(C)*PT,S(C)*PT,B,A(C)；

[0185] 其中，C是度量三维服装部件模型聚类后的源模型和目标模型间组合关联性的距离，这些模型包括上身部件库T、下身部件库B、袖子部件库S、配饰部件库A，P(C)是部件间匹配关联概率，PT,B(C)是上身部件与下身部件组合的概率，PT,S(C)是上身部件与袖子部件组合的概率，PT,B,A(C)是上身部件与下身部件及配饰部件组合的概率；

[0186] Step3.3、通过服装设计知识以及服装部件之间的关联概率，进一步定义了配搭关联，缝合关联，以及融合关联三种服装部件的组合关系，如图3所示。当满足部件形状对应目标函数(部件间匹配关联概率最大)时，能够获得视觉效果美观的服装模型，且符合服装款式要求；

[0187] 配搭关联：两个目标服装部件曲面在几何上基本连续，但在拓扑上不要求连续，即两个部件拼接边界上的网格顶点不重合。当合成拼接之后，两个部件模型仍然保持各自的拓扑结构；

[0188] 缝合关联：两个目标服装部件曲面不仅在几何上连续，而且在拓扑上也要求是连续的，缝合完成后生成新的服装模型曲面是一个实体，但袖笼的边界不能被合并；

[0189] 融合关联：两个目标服装部件曲面不仅在几何上连续，而且在拓扑上也要求是连续的，合成拼接后的服装模型曲面是一个实体，部件轮廓线也进行合并；

[0190] Step4、根据定义好的款式描述符，再根据目标模型，对三维服装部件模型聚类后的源模型进行全局优化：

[0191] 首先通过基于ICP求解计算出最优变换(R,t)，来实现三维服装部件模型聚类后的源模型的形状优化；

[0192] 其中，R是三维服装部件模型聚类后的源模型的融合边界区域大小，t是优化的迭代次数；

[0193] 再使形状优化后的源模型与目标模型满足最小二乘下的最佳匹配，来实现三维服装部件的位置优化；优化后的三维服装部件模型聚类后的源模型与目标模型之间的准确率如图4所示。

[0194] Step5、然后通过自适应的服装部件自然拼接方法来实现三维服装部件模型聚类后的源模型和目标模型的自然拼接，使得服装部件的网格融合效果更符合柔性服装的特征；

[0195] 所述步骤Step5中，所述三维服装部件自然拼接的具体步骤如下：

[0196] Step5.1、根据Neumann边界条件对目标模型、三维服装部件模型聚类后的源模型求解拉普拉斯表面函数，通过调整源网格的内点使得邻接于融合边界的三角形面片的切向量-nsi与nti一致；

[0197] 其中，nsi是三维服装部件模型聚类后的源模型三角形面片的切向量，nti是目标部件模型三角形面片的切向量；服装部件自然拼接中的几何变换是在高维空间中，且源网格和目标网格的融合边界拓扑结构一致并且空间位置相等；

[0198] Step5.2、先计算目标模型、三维服装部件模型聚类后的源模型的边界线上的垂直切向量的平均值，此平均值再与目标模型、三维服装部件模型聚类后的源模型的边界线上的每个顶点关联；

[0199] Step5.3、除了调整内点v相对于边界点v'si所做出的切向量方向调整外，对于其它的边界点，按照先计算目标模型、三维服装部件模型聚类后的源模型的边界线上的垂直切向量的平均值，再计算该内点相对于平均值的偏移量，再计算出其它边界点的总的偏移量，再与内点v的坐标相加后作为内点v沿切向量方向调整后的位置，从而实现三维服装部件自然拼接中的保形变换；

[0200] 其中总的偏移量是将所有内点的偏移量根据均值坐标加权求和得到。

[0201] Step6、通过合理选择部件间的成对分配，进行合理相对变换后，实现新的服装模型合成，在此过程中，不破坏服装模型的语义，然后再输出新的三维服装模型，即得到三维服装快速建模模型。

[0202] 对实验结果进行定量分析表明：本实施例7提出的方法能够快速建模生成新的三维服装模型。使用定义的款式描述符进行重新组合语义分割后的三维服装部件库，能够有效、快速建模生成新的三维服装模型。我们给出了用于实验的服装部件模型形状对应的统计评估结果，用于分析度量三维服装部件模型聚类后的源模型和目标模型组合对应的有效性，并展示了一些服装类别下的部件间对应的准确率，如图4第一行中给出的是上身类部件(不同衬衫和T恤)与下身类部件(包括半裙、短裤、长裤和牛仔裤)的关联概率。此外，在上身类部件(如背心，连身背心)与袖子类部件之间的形状匹配关联概率也较高；部件间的关联概率是如何计算的在实施例7中的Step3.2里作了详细描述。因为关联概率都是优化求解的，通过描述的公式，可以得到关联概率；使用MATLAB建模的时间会在软件的左下角显示出来；

[0203] 通过实验表明，与现有技术如基于泊松求解的拼接结果和运行时间相比，由于前者是线性的时间复杂度，内存开销较大；本发明中采用的基于服装部件的自然拼接算法不仅改善了拼接边界曲面的自然过渡，还获得较高的时间效率，在效果和时间效率上都比泊松拼接方法有较大的提高。表2列出了实施例7中采用的实验模型的几何数据以及运行时间统计；所有的实验测试都是在公开的三维几何数据处理的开放平台(Graphite)上进行的；

[0204] 表2

[0205]

[0206] 图5给出了实施例7中基于服装部件的自然拼接方法与现有技术中用于三维部件模型拼接的泊松(Poisson)方法之间的效率比较；通过实验表明，基于服装部件的自然拼接方法在运行效率上有了大幅提高。

[0207] 上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。