一种基于人台模型生成虚拟模特的方法及设备转让专利
申请号 : CN202311517504.6
文献号 : CN117234342B
文献日 : 2024-03-19
发明人 : 王文峰 , 李慧娟 , 温龙 , 杨振 , 汤星星 , 刘淑梅
申请人 : 北京京拍档科技股份有限公司 , 北京金拍档科技有限公司
摘要 :
本发明公开一种基于人台模型生成虚拟模特的方法及设备，涉及数据处理技术领域。所述方法包括：采集结构化数据、非结构化数据和半结构化数据；从结构化数据、非结构化数据和半结构化数据中提取第一数据特征和第二数据特征；融合第一数据特征与第二数据特征，将融合特征输入机器模型中，输出人台模型；计算第一数据特征与第二数据特征之间的特征损失函数，使用第一特征与第二特征之间的特征损失函数进行人台模型的修正；使用深度相机和人体成分分析相机获得用户骨骼肌肉数据，将用户骨骼肌肉数据输入训练好的人台模型，生成虚拟模特。本发明通过对多源数据的分析构建人台模型，提高人台模型的准确性，以此能够输出更贴近人体的虚拟模特。
权利要求 :
1.一种基于人台模型生成虚拟模特的方法，其特征在于，包括：采集不同来源的人台模型构建所需的结构化数据、非结构化数据和半结构化数据；
从结构化数据中提取第一数据特征，并从非结构化数据和半结构化数据中提取第二数据特征；
融合第一数据特征与第二数据特征，将融合特征输入机器模型中，输出人台模型；
计算第一数据特征与第二数据特征之间的特征损失函数，使用第一特征与第二特征之间的特征损失函数进行人台模型的修正；
使用深度相机和人体成分分析相机获得用户骨骼肌肉数据，将用户骨骼肌肉数据输入训练好的人台模型，生成虚拟模特。
2.如权利要求1所述的一种基于人台模型生成虚拟模特的方法，其特征在于，使用正则表达式从结构化数据中提取第一数据特征。
3.如权利要求1所述的一种基于人台模型生成虚拟模特的方法，其特征在于，基于监督学习进行非结构化数据和半结构化数据的知识抽取，提取出第二数据特征。
4.如权利要求3所述的一种基于人台模型生成虚拟模特的方法，其特征在于，基于监督学习进行非结构化数据的知识抽取，提取第二数据特征，具体包括：构建知识图谱，从知识图谱中抽取存在目标关系的实体对，从非结构化数据和半结构化数据中进行属性、关系和实体的提取；
对属性、关系和实体进行实体对齐和实体消岐，再进行质量评估；
从非结构化数据和半结构化数据中抽取含有实体对的句子作为训练数据，训练监督学习模型；
将非结构化数据和半结构化数据输入监督学习模型中，输出抽取的第二数据特征。
5.如权利要求1所述的一种基于人台模型生成虚拟模特的方法，其特征在于，还包括：使用人体成分分析相机拍摄多角度人体成分图像，利用多角度人体深度图像和多角度人体成分图像进行人台模型的校正，具体包括：对多角度人体深度图像进行初次匹配，根据初次匹配的结果，对多角度的目标图像进行矫正，将矫正后的目标图像与数字人台图像进行匹配。
6.一种基于人台模型生成虚拟模特的设备，其特征在于，包括：数据采集模块、人台模型构建模块、模型修正模块和虚拟模特生成模块；
数据采集模块用于采集不同来源的人台模型构建所需的结构化数据、非结构化数据和半结构化数据；
人台模型构建模块用于从结构化数据中提取第一数据特征，并从非结构化数据和半结构化数据中提取第二数据特征；融合第一数据特征与第二数据特征，将融合特征输入机器模型中，输出人台模型；
模型修正模块用于计算第一数据特征与第二数据特征之间的特征损失函数，使用第一特征与第二特征之间的特征损失函数进行人台模型的修正；
虚拟模特生成模块用于使用深度相机和人体成分分析相机获得用户骨骼肌肉数据，将用户骨骼肌肉数据输入训练好的人台模型，生成虚拟模特。
7.如权利要求6所述的一种基于人台模型生成虚拟模特的设备，其特征在于，使用正则表达式从结构化数据中提取第一数据特征。
8.如权利要求6所述的一种基于人台模型生成虚拟模特的设备，其特征在于，基于监督学习进行非结构化数据和半结构化数据的知识抽取，提取出第二数据特征。
9.如权利要求8所述的一种基于人台模型生成虚拟模特的设备，其特征在于，基于监督学习进行非结构化数据的知识抽取，提取第二数据特征，具体包括：构建知识图谱，从知识图谱中抽取存在目标关系的实体对，从非结构化数据和半结构化数据中进行属性、关系和实体的提取；
对属性、关系和实体进行实体对齐和实体消岐，再进行质量评估；
从非结构化数据和半结构化数据中抽取含有实体对的句子作为训练数据，训练监督学习模型；
将非结构化数据和半结构化数据输入监督学习模型中，输出抽取的第二数据特征。
10.一种计算机存储介质，包括：至少一个存储器和至少一个处理器；
存储器用于存储一个或多个程序指令；
处理器，用于运行一个或多个程序指令，用以执行如权利要求1‑5任一项所述的一种基于人台模型生成虚拟模特的方法。
说明书 :
一种基于人台模型生成虚拟模特的方法及设备
技术领域
[0001] 本发明涉及数据处理技术领域，尤其涉及一种基于人台模型生成虚拟模特的方法及设备。
背景技术
[0002] 人台为按人体比例制作的人体模型，常用于服装设计，服装教学，服装裁剪制作，工业服装检验等。常见的人台可分为：试衣用人台、展示用人台及立体剪裁专用人台。
[0003] 现有的人台模型一般都是设计师预先设定的人体模型，在后续与人体实景融合时，很容易因为位置相差较大而出现匹配不佳的问题，基于此，本发明提出一种基于人台模型生成虚拟模特的方法，人台模型会从多源数据角度来分析构建，提高人体实景适配性。
发明内容
[0004] 本发明提供了一种基于人台模型生成虚拟模特的方法，包括：
[0005] 采集不同来源的人台模型构建所需的结构化数据、非结构化数据和半结构化数据；
[0006] 从结构化数据中提取第一数据特征，并从非结构化数据和半结构化数据中提取第二数据特征；
[0007] 融合第一数据特征与第二数据特征，将融合特征输入机器模型中，输出人台模型；
[0008] 计算第一数据特征与第二数据特征之间的特征损失函数，使用第一特征与第二特征之间的特征损失函数进行人台模型的修正；
[0009] 使用深度相机和人体成分分析相机获得用户骨骼肌肉数据，将用户骨骼肌肉数据输入训练好的人台模型，生成虚拟模特。
[0010] 如上所述的一种基于人台模型生成虚拟模特的方法，其中，使用正则表达式从结构化数据中提取第一数据特征。
[0011] 如上所述的一种基于人台模型生成虚拟模特的方法，其中，基于监督学习进行非结构化数据和半结构化数据的知识抽取，提取出第二数据特征。
[0012] 如上所述的一种基于人台模型生成虚拟模特的方法，其中，基于监督学习进行非结构化数据的知识抽取，提取第二数据特征，具体包括：
[0013] 构建知识图谱，从知识图谱中抽取存在目标关系的实体对，从非结构化数据和半结构化数据中进行属性、关系和实体的提取；
[0014] 对属性、关系和实体进行实体对齐和实体消岐，再进行质量评估；
[0015] 从非结构化数据和半结构化数据中抽取含有实体对的句子作为训练数据，训练监督学习模型；
[0016] 将非结构化数据和半结构化数据输入监督学习模型中，输出抽取的第二数据特征。
[0017] 如上所述的一种基于人台模型生成虚拟模特的方法，其中，还包括：使用人体成分分析相机拍摄多角度人体成分图像，利用多角度人体深度图像和多角度人体成分图像进行人台模型的校正，具体包括：对多角度人体深度图像进行初次匹配，根据初次匹配的结果，对多角度的目标图像进行矫正，将矫正后的目标图像与数字人台图像进行匹配。
[0018] 本发明还提供一种基于人台模型生成虚拟模特的设备，包括：数据采集模块、人台模型构建模块、模型修正模块和虚拟模特生成模块；
[0019] 数据采集模块用于采集不同来源的人台模型构建所需的结构化数据、非结构化数据和半结构化数据；
[0020] 人台模型构建模块用于从结构化数据中提取第一数据特征，并从非结构化数据和半结构化数据中提取第二数据特征；融合第一数据特征与第二数据特征，将融合特征输入机器模型中，输出人台模型；
[0021] 模型修正模块用于计算第一数据特征与第二数据特征之间的特征损失函数，使用第一特征与第二特征之间的特征损失函数进行人台模型的修正；
[0022] 虚拟模特生成模块用于使用深度相机和人体成分分析相机获得用户骨骼肌肉数据，将用户骨骼肌肉数据输入训练好的人台模型，生成虚拟模特。
[0023] 如上所述的一种基于人台模型生成虚拟模特的方法，其中，使用正则表达式从结构化数据中提取第一数据特征。
[0024] 如上所述的一种基于人台模型生成虚拟模特的方法，其中，基于监督学习进行非结构化数据和半结构化数据的知识抽取，提取出第二数据特征。
[0025] 如上所述的一种基于人台模型生成虚拟模特的方法，其中，基于监督学习进行非结构化数据的知识抽取，提取第二数据特征，具体包括：
[0026] 构建知识图谱，从知识图谱中抽取存在目标关系的实体对，从非结构化数据和半结构化数据中进行属性、关系和实体的提取；
[0027] 对属性、关系和实体进行实体对齐和实体消岐，再进行质量评估；
[0028] 从非结构化数据和半结构化数据中抽取含有实体对的句子作为训练数据，训练监督学习模型；
[0029] 将非结构化数据和半结构化数据输入监督学习模型中，输出抽取的第二数据特征。
[0030] 本发明还提供一种计算机存储介质，包括：至少一个存储器和至少一个处理器；
[0031] 存储器用于存储一个或多个程序指令；
[0032] 处理器，用于运行一个或多个程序指令，用以执行上述任一项所述的一种基于人台模型生成虚拟模特的方法。
[0033] 本发明实现的有益效果如下：本发明通过对多源数据的分析构建人台模型，提高人台模型的准确性，以此能够输出更贴近人体的虚拟模特。
附图说明
[0034] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
[0035] 图1是本发明实施例一提供的一种基于人台模型生成虚拟模特的方法流程图。
具体实施方式
[0036] 为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
[0037] 实施例一
[0038] 如图1所示，本发明实施例一提供一种基于人台模型生成虚拟模特的方法，包括：
[0039] 步骤110、采集不同来源的人台模型构建所需的结构化数据、非结构化数据和半结构化数据；
[0040] 为了构建出最合适的人台模型，本申请会从多种来源获取构建人台模型的数据，例如欧版人体骨骼肌肉数据、日版人体骨骼肌肉数据、韩版人体骨骼肌肉数据、国标人体骨骼肌肉数据，这些数据可以通过问卷调查、数据描述、深度相机拍摄等方式分析所得，将这些数据分为结构化数据、非结构化数据和半结构化数据。
[0041] 步骤120、从结构化数据中提取第一数据特征，并从非结构化数据和半结构化数据中提取第二数据特征。
[0042] 由于结构化数据具有固定的结构形式，因此优选使用正则表达式从结构化数据中提取结构化数据特征。对于没有固定格式的非结构化数据和半结构化数据，本申请优选基于监督学习进行非结构化数据和半结构化数据的知识抽取，提取出第二数据特征。
[0043] 基于监督学习进行非结构化数据的知识抽取，提取第二数据特征，具体包括：构建知识图谱，从知识图谱中抽取存在目标关系的实体对，具体地，从非结构化数据和半结构化数据中进行属性、关系和实体的提取，然后对属性、关系和实体进行实体对齐和实体消岐，再进行质量评估。从非结构化数据和半结构化数据中抽取含有实体对的句子作为训练数据，训练监督学习模型；将非结构化数据和半结构化数据输入监督学习模型中，输出抽取的第二数据特征。
[0044] 从结构化、非结构化数据和半结构化数据中提取的要关注的数据特征包括骨骼特征和肌肉特征，骨骼特征但不限于肩膀区、手臂区、脊柱区、骨盆区和腿部区，肌肉特征包括但不限于上肢区、胸部、腹部、臀部和腿部，利用这些数据特征训练人台模型。
[0045] 应用上述特征提取方式从结构化数据中提取出的第一数据特征为，其中，x、y分别表示骨骼特征和肌肉特征， 表示欧版人体骨骼肌肉数据， 表示日版人体骨骼肌肉数据、……、 表示第n种人体骨骼肌肉数据。从非结构化数据和半结构化数据中提取出的第二数据特征为
，其中， 表示欧版人体骨骼肌肉数据， 表示日版
人体骨骼肌肉数据、……、 表示第n种人体骨骼肌肉数据。需要说明的是，第一数据特征和第二数据特征所表示的数据类型相同，但数据不同。
，其中， 表示欧版人体骨骼肌肉数据， 表示日版
人体骨骼肌肉数据、……、 表示第n种人体骨骼肌肉数据。需要说明的是，第一数据特征和第二数据特征所表示的数据类型相同，但数据不同。
[0046] 步骤130、融合第一数据特征与第二数据特征，将融合特征输入机器模型中，输出初步人台模型。
[0047] 依据公式 融合结构化数据特征和非结构化数据特征，其中， 为融合特征，
， 表示融合后的欧版人体骨骼肌肉数据，
表示融合后的日版人体骨骼肌肉数据、……、 表示融合后的第n种人体骨骼肌肉数据； 表示第i个特征数据对人台模块构建的影响因子， 表示结构化数据特征对人台模型构建的影响权重， 表示非结构化数据和半结构化数据特征对人台模型构建的影响权重。将融合特征输入机器模型中，输出初步人台模型。
， 表示融合后的欧版人体骨骼肌肉数据，
表示融合后的日版人体骨骼肌肉数据、……、 表示融合后的第n种人体骨骼肌肉数据； 表示第i个特征数据对人台模块构建的影响因子， 表示结构化数据特征对人台模型构建的影响权重， 表示非结构化数据和半结构化数据特征对人台模型构建的影响权重。将融合特征输入机器模型中，输出初步人台模型。
[0048] 步骤140、计算第一数据特征与第二数据特征之间的特征损失函数，使用第一特征与第二特征之间的特征损失函数进行人台模型的修正；
[0049] 从采集到的结构化数据、非结构化数据和半结构化数据中提取数据特征会存在一定的特征损失，由于第一数据特征和第二数据特征表征相同模型的不同数据形式，所以数据特征之间也会存在一定特征损失，因此本申请在对提取出数据特征进行训练之后，还包括计算数据特征之间的特征损失函数，使用数据特征之间的特征损失函数继续修正人台模型，提高人台模型的准确率。
[0050] 具体的，依据公式 ，计算第一数据特征与第二数据特征之间的特征损失函数，其中， 为第一数据特征集， 为第二数据特征集； 、 分别为第一数据特征与第二数据特征对特征损失函数的修正系数，0< <1，0< <1，且 + =1。
为特征损失率， ，其中， 表示范数，即
数据特征集中每个元素平方和的平方根， 为第一数据特征与融合特征的损失计算， 为第一数据特征与融合特征的损失计算对特征损失率的影响权重， 为第二数据特征与融合特征的损失计算， 为第二数据特征与融合特征的损失计算对特征损失率的影响权重。
为特征损失率， ，其中， 表示范数，即
数据特征集中每个元素平方和的平方根， 为第一数据特征与融合特征的损失计算， 为第一数据特征与融合特征的损失计算对特征损失率的影响权重， 为第二数据特征与融合特征的损失计算， 为第二数据特征与融合特征的损失计算对特征损失率的影响权重。
[0051] 步骤150、使用深度相机和人体成分分析相机获得用户骨骼肌肉数据，将用户骨骼肌肉数据输入训练好的人台模型，生成虚拟模特；
[0052] 使用深度相机拍摄多角度人体深度图像，使用深度图像序列生成运动历史点云并提取全局特征，同时从三维骨骼信息中提取人体骨骼关节点的相对位移特征和相对距离特征，归一化得到用户骨骼肌肉数据，利用人体成分分析相机能够得到用户肌肉数据。将用户骨骼肌肉数据输入人台模型，生成虚拟模特，并且使用深度相机拍摄多角度人体深度图像，使用人体成分分析相机拍摄多角度人体成分图像，利用多角度人体深度图像和多角度人体成分图像进行人台模型的校正。
[0053] 其中，进行人台模型的校正，具体包括：
[0054] 对多角度人体深度图像和多角度人体成分图像进行初次匹配。
[0055] 具体地，在多角度人体深度图像上进行骨骼特征点坐标的标定，在多角度的数字人台图像中进行人台特征点的标定，将数字人台图像中的指定人体部位作为人台特征点，人台特征点在数字人台图像中的位置为人台特征点坐标。骨骼特征点与人台特征点存在对应关系，将对应的特征点进行一一对准，从而完成多角度的深度图像与对应的多角度的数字人台图像的初次匹配。
[0056] 在多角度人体成分图像上进行肌肉特征点坐标的标定，在多角度的数字人台图像中进行人台特征点的标定，将数字人台图像中的指定人体部位作为人台特征点，人台特征点在数字人台图像中的位置为人台特征点坐标。骨骼特征点与人台特征点存在对应关系，将对应的特征点进行一一对准，从而完成多角度人体成分图像与对应的多角度的数字人台图像的初次匹配。
[0057] 根据初次匹配的结果，对多角度的目标图像进行矫正，将矫正后的目标图像与数字人台图像进行匹配。
[0058] 具体地，查看初次匹配后的人台特征点的坐标与骨骼肌肉特征点的坐标是否重合，判断重合的人台特征点的坐标与服装特征点的坐标的数量，若二者重合的坐标数量小于第一指定阈值，则对目标图像进行整体矫正。对图像按照一定比例进行整体缩放，并判断整体缩放后，重合的人台特征点的坐标与骨骼肌肉特征点的坐标的数量是否存在变化，若重合的坐标数量增加，大于第一指定阈值，则对图像进行局部矫正，将矫正后的目标图像与数字人台图像进行匹配。
[0059] 实施例二
[0060] 本发明实施例二提供一种基于人台模型生成虚拟模特的设备，包括：数据采集模块21、人台模型构建模块22、模型修正模块23和虚拟模特生成模块24；
[0061] 数据采集模块21用于采集不同来源的人台模型构建所需的结构化数据、非结构化数据和半结构化数据；
[0062] 为了构建出最合适的人台模型，本申请会从多种来源获取构建人台模型的数据，例如欧版人体骨骼肌肉数据、日版人体骨骼肌肉数据、韩版人体骨骼肌肉数据、国标人体骨骼肌肉数据，这些数据可以通过问卷调查、数据描述、深度相机拍摄等方式分析所得，将这些数据分为结构化数据、非结构化数据和半结构化数据。
[0063] 人台模型构建模块22用于从结构化数据中提取第一数据特征，并从非结构化数据和半结构化数据中提取第二数据特征；融合第一数据特征与第二数据特征，将融合特征输入机器模型中，输出人台模型；
[0064] 由于结构化数据具有固定的结构形式，因此优选使用正则表达式从结构化数据中提取结构化数据特征。对于没有固定格式的非结构化数据和半结构化数据，本申请优选基于监督学习进行非结构化数据和半结构化数据的知识抽取，提取出第二数据特征。
[0065] 基于监督学习进行非结构化数据的知识抽取，提取第二数据特征，具体包括：构建知识图谱，从知识图谱中抽取存在目标关系的实体对，具体地，从非结构化数据和半结构化数据中进行属性、关系和实体的提取，然后对属性、关系和实体进行实体对齐和实体消岐，再进行质量评估。从非结构化数据和半结构化数据中抽取含有实体对的句子作为训练数据，训练监督学习模型；将非结构化数据和半结构化数据输入监督学习模型中，输出抽取的第二数据特征。
[0066] 从结构化、非结构化数据和半结构化数据中提取的要关注的数据特征包括骨骼特征和肌肉特征，骨骼特征但不限于肩膀区、手臂区、脊柱区、骨盆区和腿部区，肌肉特征包括但不限于上肢区、胸部、腹部、臀部和腿部，利用这些数据特征训练人台模型。
[0067] 应用上述特征提取方式从结构化数据中提取出的第一数据特征为，其中，x、y分别表示骨骼特征和肌肉特征， 表示欧版人体骨骼肌肉数据， 表示日版人体骨骼肌肉数据、……、 表示第n种人体骨骼肌肉数据。从非结构化数据和半结构化数据中提取出的第二数据特征为
，其中， 表示欧版人体骨骼肌肉数据， 表示日版
人体骨骼肌肉数据、……、 表示第n种人体骨骼肌肉数据。需要说明的是，第一数据特征和第二数据特征所表示的数据类型相同，但数据不同。
，其中， 表示欧版人体骨骼肌肉数据， 表示日版
人体骨骼肌肉数据、……、 表示第n种人体骨骼肌肉数据。需要说明的是，第一数据特征和第二数据特征所表示的数据类型相同，但数据不同。
[0068] 依据公式 融合结构化数据特征和非结构化数据特征，其中， 为融合特征，
， 表示融合后的欧版人体骨骼肌肉数据，
表示融合后的日版人体骨骼肌肉数据、……、 表示融合后的第n种人体骨骼肌肉数据； 表示第i个特征数据对人台模块构建的影响因子， 表示结构化数据特征对人台模型构建的影响权重， 表示非结构化数据和半结构化数据特征对人台模型构建的影响权重。将融合特征输入机器模型中，输出初步人台模型。
， 表示融合后的欧版人体骨骼肌肉数据，
表示融合后的日版人体骨骼肌肉数据、……、 表示融合后的第n种人体骨骼肌肉数据； 表示第i个特征数据对人台模块构建的影响因子， 表示结构化数据特征对人台模型构建的影响权重， 表示非结构化数据和半结构化数据特征对人台模型构建的影响权重。将融合特征输入机器模型中，输出初步人台模型。
[0069] 模型修正模块23用于计算第一数据特征与第二数据特征之间的特征损失函数，使用第一特征与第二特征之间的特征损失函数进行人台模型的修正；
[0070] 从采集到的结构化数据、非结构化数据和半结构化数据中提取数据特征会存在一定的特征损失，由于第一数据特征和第二数据特征表征相同模型的不同数据形式，所以数据特征之间也会存在一定特征损失，因此本申请在对提取出数据特征进行训练之后，还包括计算数据特征之间的特征损失函数，使用数据特征之间的特征损失函数继续修正人台模型，提高人台模型的准确率。
[0071] 具体的，依据公式 ，计算第一数据特征与第二数据特征之间的特征损失函数，其中， 为第一数据特征集， 为第二数据特征集； 、 分别为第一数据特征与第二数据特征对特征损失函数的修正系数，0< <1，0< <1，且 + =1。
为特征损失率， ，其中， 表示范数，即
数据特征集中每个元素平方和的平方根， 为第一数据特征与融合特征的损失计算， 为第一数据特征与融合特征的损失计算对特征损失率的影响权重， 为第二数据特征与融合特征的损失计算， 为第二数据特征与融合特征的损失计算对特征损失率的影响权重。
为特征损失率， ，其中， 表示范数，即
数据特征集中每个元素平方和的平方根， 为第一数据特征与融合特征的损失计算， 为第一数据特征与融合特征的损失计算对特征损失率的影响权重， 为第二数据特征与融合特征的损失计算， 为第二数据特征与融合特征的损失计算对特征损失率的影响权重。
[0072] 虚拟模特生成模块24用于使用深度相机和人体成分分析相机获得用户骨骼肌肉数据，将用户骨骼肌肉数据输入训练好的人台模型，生成虚拟模特。
[0073] 使用深度相机拍摄多角度人体深度图像，使用深度图像序列生成运动历史点云并提取全局特征，同时从三维骨骼信息中提取人体骨骼关节点的相对位移特征和相对距离特征，归一化得到用户骨骼肌肉数据，利用人体成分分析相机能够得到用户肌肉数据。将用户骨骼肌肉数据输入人台模型，生成虚拟模特，并且使用深度相机拍摄多角度人体深度图像，使用人体成分分析相机拍摄多角度人体成分图像，利用多角度人体深度图像和多角度人体成分图像进行人台模型的校正。
[0074] 其中，进行人台模型的校正，具体包括：
[0075] 对多角度人体深度图像和多角度人体成分图像进行初次匹配。
[0076] 具体地，在多角度人体深度图像上进行骨骼特征点坐标的标定，在多角度的数字人台图像中进行人台特征点的标定，将数字人台图像中的指定人体部位作为人台特征点，人台特征点在数字人台图像中的位置为人台特征点坐标。骨骼特征点与人台特征点存在对应关系，将对应的特征点进行一一对准，从而完成多角度的深度图像与对应的多角度的数字人台图像的初次匹配。
[0077] 在多角度人体成分图像上进行肌肉特征点坐标的标定，在多角度的数字人台图像中进行人台特征点的标定，将数字人台图像中的指定人体部位作为人台特征点，人台特征点在数字人台图像中的位置为人台特征点坐标。骨骼特征点与人台特征点存在对应关系，将对应的特征点进行一一对准，从而完成多角度人体成分图像与对应的多角度的数字人台图像的初次匹配。
[0078] 根据初次匹配的结果，对多角度的目标图像进行矫正，将矫正后的目标图像与数字人台图像进行匹配。
[0079] 具体地，查看初次匹配后的人台特征点的坐标与骨骼肌肉特征点的坐标是否重合，判断重合的人台特征点的坐标与服装特征点的坐标的数量，若二者重合的坐标数量小于第一指定阈值，则对目标图像进行整体矫正。对图像按照一定比例进行整体缩放，并判断整体缩放后，重合的人台特征点的坐标与骨骼肌肉特征点的坐标的数量是否存在变化，若重合的坐标数量增加，大于第一指定阈值，则对图像进行局部矫正，将矫正后的目标图像与数字人台图像进行匹配。
[0080] 与上述实施例对应的，本发明实施例提供一种计算机存储介质，包括：至少一个存储器和至少一个处理器；
[0081] 存储器用于存储一个或多个程序指令；
[0082] 处理器，用于运行一个或多个程序指令，用以执行一种基于人台模型生成虚拟模特的方法。
[0083] 与上述实施例对应的，本发明实施例提供一种计算机可读存储介质，计算机存储介质中包含一个或多个程序指令，一个或多个程序指令用于被处理器执行一种基于人台模型生成虚拟模特的方法。
[0084] 本发明所公开的实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序指令，当所述计算机程序指令在计算机上运行时，使得计算机执行上述的一种基于人台模型生成虚拟模特的方法。
[0085] 在本发明实施例中，处理器可以是一种集成电路芯片，具有信号的处理能力。处理器可以是通用处理器、数字信号处理器(Digital Signal Processor，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现场可编程门阵列(FieldProgrammable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
[0086] 可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。处理器读取存储介质中的信息，结合其硬件完成上述方法的步骤。
[0087] 存储介质可以是存储器，例如可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。
[0088] 其中，非易失性存储器可以是只读存储器(Read‑Only Memory，简称ROM)、可编程只读存储器(Programmable ROM，简称PROM)、可擦除可编程只读存储器(Erasable PROM，简称EPROM)、电可擦除可编程只读存储器(Electrically EPROM，简称EEPROM)或闪存。
[0089] 易失性存储器可以是随机存取存储器(Random Access Memory，简称RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，简称SRAM)、动态随机存取存储器(Dynamic RAM，简称DRAM)、同步动态随机存取存储器(Synchronous DRAM，简称SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data RateSDRAM，简称DDRSDRAM)、增强型同步动态随机存取存储器(EnhancedSDRAM，简称ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM，简称SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM，简称DRRAM)。
[0090] 本发明实施例描述的存储介质旨在包括但不限于这些和任意其它适合类型的存储器。
[0091] 本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的功能可以用硬件与软件组合来实现。当应用软件时，可以将相应功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。
[0092] 以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。