[go: up one dir, main page]

WO2025050993A1 - 腿型智能识别方法、装置、电子设备及存储介质 - Google Patents

腿型智能识别方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
WO2025050993A1
WO2025050993A1 PCT/CN2024/113888 CN2024113888W WO2025050993A1 WO 2025050993 A1 WO2025050993 A1 WO 2025050993A1 CN 2024113888 W CN2024113888 W CN 2024113888W WO 2025050993 A1 WO2025050993 A1 WO 2025050993A1
Authority
WO
WIPO (PCT)
Prior art keywords
leg
circumference
category
support vector
target
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
PCT/CN2024/113888
Other languages
English (en)
French (fr)
Inventor
刘蓉
王萍
毛倩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Laboratory For Artificial Intelligence In Design Ltd
Royal College of Art
Hong Kong Polytechnic University HKPU
Original Assignee
Laboratory For Artificial Intelligence In Design Ltd
Royal College of Art
Hong Kong Polytechnic University HKPU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Laboratory For Artificial Intelligence In Design Ltd, Royal College of Art, Hong Kong Polytechnic University HKPU filed Critical Laboratory For Artificial Intelligence In Design Ltd
Publication of WO2025050993A1 publication Critical patent/WO2025050993A1/zh
Pending legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting

Definitions

  • the present invention relates to the field of human body measurement, clothing fit and computer application technology, and more particularly to a method, device, electronic device and storage medium for intelligently identifying leg shapes.
  • the fit of clothing affects user satisfaction and wearing perception. Effective identification of user body shape and size helps product designers create a tailored clothing structure and form to meet individual body shape characteristics and wearing fitness requirements. However, due to the diversity of human body shapes, traditional size classification methods can no longer meet consumer needs. The rise of clothing personalization and customization requires accurate judgment and classification of user body shapes.
  • the embodiments of the present disclosure provide a leg shape intelligent recognition method, a leg shape intelligent recognition device, an electronic device and a storage medium.
  • the method can quickly and accurately identify the target leg shape category to which the leg object to be identified belongs and the circumference size category under the target leg shape category, thereby saving design time for determining product size and shape based on leg shape analysis and improving the fit and design efficiency of leg clothing design.
  • An embodiment of the present disclosure provides a method for intelligently identifying leg shapes, comprising: obtaining key feature parameter values of a leg object to be identified; inputting the key feature parameter values into a trained support vector machine classification model to obtain a target leg shape category to which the leg object to be identified belongs and a circumference size category under the target leg shape category.
  • the method before inputting the key feature parameters into the trained support vector machine classification model, the method also includes: obtaining multiple basic feature parameter values of each leg object among a plurality of leg objects; determining the leg type category label and the circumference size category label to which each leg object belongs; using the multiple basic feature parameter values, the leg type category label and the circumference size category label of each leg object among the plurality of leg objects as training data, and training the support vector machine classification model to be trained according to the training data to obtain the trained support vector machine classification model.
  • a support vector machine classification model to be trained is trained according to the training data to obtain the trained support vector machine classification model, including: dividing the training data into a training set and a test set according to different preset ratios; for each preset ratio, using the training set under the preset ratio to train the support vector machine classification model to obtain a candidate support vector machine classification model under the preset ratio; using the test set under the preset ratio to test the candidate support vector machine classification model to obtain the recognition accuracy under the preset ratio; and determining the candidate support vector machine classification model with the highest recognition accuracy as the trained support vector machine classification model.
  • the method also includes: using a grid search algorithm to optimize the penalty factor and kernel parameters in the trained support vector machine classification model to obtain a first target penalty factor and a first target kernel parameter, and the first target penalty factor and the first target kernel parameter are used to identify leg type categories; using a particle swarm optimization algorithm to optimize the penalty factor and kernel parameters in the trained support vector machine classification model to obtain a second target penalty factor and a second target kernel parameter, and the second target penalty factor and the second target kernel parameter are used to identify circumference size categories.
  • the multiple basic feature parameter values include the circumference and height of the thinnest part of the ankle, the circumference and height of the widest part of the calf, the circumference and height of the lower end of the knee, the circumference and height of the patellar protrusion, and the circumference and height of the thigh root; wherein, determining the leg type category label and circumference size category label to which each leg object belongs includes: determining the femoral slope of each leg object according to the circumference and height of the thigh root and the circumference and height of the patellar protrusion of each leg object; determining the knee slope of each leg object according to the circumference and height of the patellar protrusion and the circumference and height of the lower end of the knee of each leg object; determining the calf lateral convex angle of each leg object according to the circumference and height of the thinnest part of the ankle, the circumference and height of the widest part of the calf, and the circumference and height of the lower end
  • determining the leg type category label and the circumference size category label to which each leg object belongs includes: for each leg type category label, determining the leg type category label according to the thinnest part of the ankle of each leg object belonging to the leg type category label.
  • the circumference of the widest part of the calf, the circumference of the lower knee, and the circumference of the thigh root are used to determine multiple circumference size category labels under the leg shape category label, and determine the circumference size category label to which each leg object belongs under the leg shape category label.
  • the method further includes: grouping multiple leg shape category labels according to a Pearson correlation analysis algorithm to obtain multiple groups of leg shape categories; wherein each group of leg shape categories includes at least two leg shape category labels, and the leg shape category labels included in each group of leg shape categories have correlations; for each group of leg shape categories, according to the correlations between the leg shape category labels in the group of leg shape categories, a basic leg shape category label is determined from the multiple leg shape category labels in the group of leg shape categories, and a conversion relationship between the basic leg shape category label and other leg shape category labels in the group of leg shape categories is determined; wherein the conversion relationship is used to realize parameter or parameter value conversion of the basic leg shape category label to obtain other leg shape category labels in the group of leg shape categories.
  • the method before obtaining the key feature parameter values of the leg object to be identified, the method also includes: determining multiple key feature parameters from multiple basic feature parameters to obtain key feature parameter values corresponding to each key feature parameter of the leg object to be identified; wherein, determining multiple key feature parameters from multiple basic feature parameters includes: obtaining basic feature parameter values corresponding to multiple basic feature parameters of each leg object in multiple leg objects; determining multiple basic feature parameter sets according to the multiple basic feature parameters based on a support vector machine recursive feature elimination algorithm and an empirical method; for each basic feature parameter set, inputting the basic feature parameter values corresponding to each leg object into a trained support vector machine classification model according to the basic feature parameters included in the basic feature parameter set to obtain the recognition accuracy corresponding to each basic feature parameter set; and determining the basic feature parameters included in the basic feature parameter set with the highest recognition accuracy as the multiple key feature parameters.
  • the key characteristic parameter values include the circumference of the thinnest part of the ankle, the circumference of the widest part of the calf, the circumference of the lower end of the knee, the circumference of the patellar protrusion, the circumference of the middle thigh, the circumference of the thigh root, the height of the lower end of the knee and the height of the thigh root.
  • the method further includes: recommending target clothing for a target object corresponding to the leg object to be identified according to the target leg shape category and circumference size category to which the leg object to be identified belongs.
  • An embodiment of the present disclosure provides an intelligent leg shape recognition device, comprising: an acquisition module, used to obtain key feature parameter values of a leg object to be identified; an acquisition module, used to input the key feature parameter values into a trained support vector machine classification model to obtain a target leg shape category to which the leg object to be identified belongs and a circumference size category under the target leg shape category.
  • the present disclosure provides an electronic device, comprising: at least one processor; a storage terminal device for storing At least one program, when the at least one program is executed by at least one processor, enables the at least one processor to implement any of the above-mentioned leg shape intelligent recognition methods.
  • FIG. 9 is a diagram showing a distribution diagram of leg type classification of a leg object according to an example.
  • FIG. 10 is a diagram showing a size classification distribution diagram of a leg object according to an example.
  • FIG. 12 is a schematic diagram showing 12 types of leg types according to an example.
  • FIG. 13 is a schematic diagram of a reference map corresponding to eight circumference size categories under a type of leg type according to an example.
  • FIG. 14 is a schematic diagram of a leg corresponding to eight circumference size categories under a type of leg shape according to an example.
  • FIG. 15 is a schematic diagram of leg circumference data corresponding to eight circumference size categories under a type of leg shape according to an example.
  • FIG16 is a schematic diagram showing predicted values and true values of different leg types using the GS-SVM algorithm according to an example.
  • FIG18 is a schematic diagram of the overall process of a leg shape intelligent recognition method and system according to an example.
  • Fig. 19 is a block diagram of a device for intelligently identifying leg shapes according to an exemplary embodiment.
  • FIG. 20 is a schematic diagram showing the structure of an electronic device suitable for implementing the exemplary embodiments of the present disclosure according to an exemplary embodiment.
  • the terms “a”, “an”, “the”, “said” and “at least one” are used to indicate the presence of at least one element or component; the terms “comprising”, “including” and “having” are used to express an open-ended inclusion and mean that additional elements or components may exist in addition to the listed elements or components; the terms “first”, “second” and “third” etc. are used merely as labels and are not intended to limit the quantity of their objects.
  • Fig. 1 is a flow chart showing a method for intelligently identifying leg shapes according to an exemplary embodiment.
  • the method provided by the embodiment of the present disclosure may include the following steps.
  • step S102 the key characteristic parameter values of the leg object to be identified are obtained.
  • the leg object to be identified may be the user's leg
  • the key feature parameter value may be the parameter value corresponding to the key feature parameter
  • the key feature parameter may be determined from a plurality of basic feature parameters.
  • the user may input key characteristic parameters of his/her legs through an application (APP) of a terminal device, or may obtain the key characteristic parameters of the user's legs by scanning through the application of the terminal device.
  • APP application
  • the key characteristic parameter values include the circumference of the thinnest part of the ankle (indicated by B), the circumference of the widest part of the calf (indicated by C), the circumference of the lower end of the knee (indicated by D), the circumference of the patellar protrusion (indicated by E), the circumference of the middle thigh (indicated by F), the circumference of the base of the thigh (5 cm below the crotch, indicated by G), the height of the lower end of the knee and the height of the base of the thigh.
  • step S104 the key feature parameter values are input into the trained support vector machine classification model to obtain the target leg type category to which the leg object to be identified belongs and the circumference size category under the target leg type category.
  • the key feature parameter values are input into the trained support vector machine classification model, which can automatically identify the target leg shape category and the circumference size category under the target leg shape category to which the leg object to be identified belongs.
  • the leg type category is obtained based on the leg morphology classification of multiple leg objects in the database.
  • 12 leg type categories (category 1 to category 12) are used as an example, but the present disclosure is not limited to this.
  • each leg shape category can correspond to multiple circumference size categories, and the circumference size categories are obtained based on the circumference classification of multiple parts of multiple leg objects in a database.
  • each leg shape category can correspond to 8 circumference size categories (code I to code VIII), but the present disclosure is not limited to this.
  • FIG. 4 is a schematic diagram of an interface showing target leg shape categories and circumference size categories according to an example.
  • the target leg shape category (for example, Category 1) to which the user's leg belongs and the circumference size category under the target leg shape category (for example, size III) can be automatically identified and displayed on the interface.
  • the function, style, color, size, price, quantity, applicable scenarios (scope) and related product and service information (for example, ordering and delivery method and time, etc.) of the target clothing can also be recommended to connect users, leg shapes, clothing, smart manufacturing, product selection and services.
  • scope product and service information
  • related product and service information for example, ordering and delivery method and time, etc.
  • the target garment may be functional pressure/tight-fitting garment or other types of garment, which is not limited in the present disclosure.
  • FIG. 5 is a diagram showing an interface of clothing recommendation according to an example.
  • the system recognition result provides a basis for users to quickly select body-fitting clothing (especially functional pressure/tight-fitting clothing), and also provides guidance on shape and size for product design and large-scale manufacturing.
  • the method may further include: determining multiple key feature parameters from multiple basic feature parameters to obtain key feature parameter values corresponding to each key feature parameter of the leg object to be identified.
  • which key feature parameters of the leg object to be identified are obtained can be determined according to multiple basic feature parameters of each leg object of multiple leg objects in the database.
  • multiple key feature parameters are determined from multiple basic feature parameters, including: obtaining basic feature parameter values corresponding to multiple basic feature parameters of each leg object in a plurality of leg objects; determining multiple basic feature parameter sets according to the multiple basic feature parameters based on a support vector machine recursive feature elimination algorithm and an empirical method; for each basic feature parameter set, inputting the basic feature parameter values corresponding to each leg object into a trained support vector machine classification model according to the basic feature parameters included in the basic feature parameter set to obtain the recognition accuracy corresponding to each basic feature parameter set; and determining the basic feature parameters included in the basic feature parameter set with the highest recognition accuracy as multiple key feature parameters.
  • multiple users can be selected, and basic characteristic parameter values corresponding to multiple basic characteristic parameters of the legs of each user can be collected by actual measurement or by using a digital three-dimensional human body scanning system.
  • the 36 basic characteristic parameters can be: the depth, height, width, circumference and cross-sectional area of seven parts: the thinnest part of the ankle (B), the ankle arm (B1), the widest part of the calf (C), the lower end of the knee (D), the patellar protrusion (E), the middle of the thigh (F), and the root of the thigh (G), as well as the side of the calf (B).
  • the outer convex angle is shown in Figure 7 and Table 1.
  • FIG. 6 is a schematic diagram showing some basic characteristic parameters according to an example.
  • cG represents the circumference of the thigh root
  • cF represents the circumference of the middle thigh
  • cE represents the circumference of the patellar protrusion
  • cD represents the circumference of the lower end of the knee
  • cC represents the circumference of the widest part of the calf
  • cB1 represents the circumference of the ankle arm
  • cB represents the circumference of the thinnest part of the ankle.
  • multiple basic feature parameters can be arranged and combined based on a support vector machine-recursive feature elimination (SVM-RFE) algorithm and an empirical method to obtain multiple basic feature parameter sets, each of which includes some basic feature parameters; each group of basic feature parameter sets is respectively input into an SVM algorithm model to obtain the recognition accuracy corresponding to each group of basic feature parameter sets, and the basic feature parameters in the basic feature parameter set with the highest recognition accuracy and the least number of parameters in the basic feature parameter set are used as key feature parameters.
  • SVM-RFE support vector machine-recursive feature elimination
  • the 36 basic feature parameter values of each of the above 480 leg objects can be input into the SVM-RFE algorithm, and the 36 basic feature parameters of each of the 480 leg objects can be sorted according to the contribution (i.e., importance) to the leg type classification through the SVM-RFE algorithm; refer to Table 2, which shows the sorting results of the first 15 sets composed of different basic measurement parameters.
  • the SVM-RFE algorithm can be used to reduce the number of multiple basic feature parameters and retain the most critical key feature parameters. While ensuring the recognition accuracy, the amount of data acquisition and data processing can be reduced, thereby improving the recognition efficiency.
  • the number of multiple basic feature parameters can be reduced through empirical methods, and the most critical key feature parameters can be retained. While ensuring the recognition accuracy, the amount of data acquisition and data processing can be reduced, thereby improving the recognition efficiency.
  • the recognition rates corresponding to the basic feature parameter set determined based on the SVM-RFE algorithm and the empirical method can be compared, and the basic feature parameters in the basic feature parameter set with a higher recognition rate can be selected as the key feature parameters.
  • Fig. 7 is a flow chart showing another method for intelligently identifying leg shapes according to an exemplary embodiment.
  • the embodiment of FIG7 shows the training process of the support vector machine classification model; before step S102 of the leg shape intelligent recognition method shown in FIG1 , the leg shape intelligent recognition method shown in FIG7 may further include the following steps.
  • step S702 a plurality of basic characteristic parameter values of each leg object among a plurality of leg objects are obtained.
  • multiple users may be selected, and basic characteristic parameter values corresponding to multiple basic characteristic parameters of the legs of each user may be collected by actual measurement or by using a digital three-dimensional human body scanning system.
  • the 36 basic characteristic parameters may be: the depth, height, width, circumference and cross-sectional area of seven parts, namely, the thinnest part of the ankle (B), the ankle arm (B1), the widest part of the calf (C), the lower end of the knee (D), the patellar protrusion (E), the middle of the thigh (F), and the root of the thigh (G), as well as the lateral convex angle of the calf, as shown in FIG7 and the above-mentioned Table 1.
  • step S704 the leg shape category label and the circumference size category label to which each leg object belongs are determined.
  • multiple leg objects can be clustered based on obtaining multiple basic feature parameter values of each leg object in the multiple leg objects to obtain the leg type category label to which each leg object belongs.
  • the knee slope G ED of each leg object may be determined according to the following formula.
  • the calf side convex angle cos ⁇ BCD of each leg object may be determined according to the following formula.
  • BC, BD and CD can be determined according to the following formula.
  • cC represents the circumference of the widest part of the calf
  • cB represents the circumference of the thinnest part of the ankle
  • hC represents the height of the widest part of the calf
  • hB represents the height of the thinnest part of the ankle.
  • different clustering algorithms such as fuzzy C-means, K-means, K-medoids, Mini Batch K-means
  • K-means an algorithm with the highest classification efficiency
  • the target clustering algorithm is used to obtain the leg type category label to which each leg object belongs.
  • the K-means mean clustering method can be used to cluster 480 groups of leg objects into 12 different leg types (1 to 12 categories) based on the calf lateral convex angle cos ⁇ BCD, knee slope GED and thigh slope GGE; the proportions of these 12 different leg types in the leg object database are: 4.375%, 8.958%, 2.292%, 4.375%, 8.333%, 10%, 9.792%, 16.875%, 6.042%, 4.792%, 12.917% and 11.25%.
  • FIG9 is a distribution diagram of leg type classification of a leg object according to an example. Referring to FIG9 , it can be seen that the sample size under each leg type category is normally distributed, indicating that the classification effect of the embodiment of the present disclosure on the leg object is good.
  • each type of leg type can be further coded according to the circumference of the four basic parameters of the leg (B, C, D, G) and the height of the patellar protrusion (E) and the thigh root (G), thereby generating 8 different levels of circumference size categories for each type of leg type from small to large.
  • the leg objects under each leg type category can be further divided into the following 8 circumference size intervals (each circumference size interval can be regarded as a circumference size category): 0% ⁇ 17%, 17% ⁇ 25%, 25% ⁇ 33%, 33% ⁇ 50%, 50% ⁇ 67%, 67% ⁇ 75%, 75% ⁇ 83%, 83% ⁇ 100%.
  • the circumference size category label to which each leg object belongs under the leg shape category label is determined. After identifying the user's leg shape, the leg objects can be further divided into target circumference size categories to facilitate the production of fitted lower limb clothing products.
  • FIG10 is a size classification distribution diagram of a leg object according to an example. Referring to FIG10 , it can be seen that the sample size under each size type is normally distributed, indicating that the data collected by the embodiment of the present disclosure is reasonable and representative, and the size classification effect for the leg object is good.
  • multiple leg length size category labels under the leg shape category label can also be determined based on the height of the patellar protrusion and the height of the thigh root of each leg object belonging to the leg shape category label, and the leg length size category label to which each leg object belongs under the leg shape category label can be determined.
  • each leg object in each leg type category can be further divided into the following three leg length size intervals (each leg length size interval can be regarded as a leg length size category): 0% to 33% too short, 33% to 75% too medium, and 75% to 100% too long).
  • the leg length size category label to which each leg object belongs under the leg shape category label is determined. After identifying the user's leg shape and circumference size, the leg object can be further divided into "short type", “standard type” or “long type” to facilitate the production of fitted lower limb clothing products.
  • the leg category to which each leg object belongs can be used as a leg category label
  • the circumference size category to which each leg object belongs can be used as a circumference size category label to construct a human leg database, thereby providing a reference basis (benchmark) for subsequent intelligent recognition of the legs, and providing a data source for the leg intelligent recognition (for example, SVM) model for training and testing recognition algorithms.
  • FIG. 11 is a schematic diagram of a reference atlas of 12 types of leg shapes according to an example
  • FIG. 12 is a schematic diagram of 12 types of leg shapes according to an example.
  • the benchmark maps of leg types shown in Figures 11 and 12 are determined based on the leg sample data of the cluster centers of each type of leg types, and the benchmark maps are used to show the differences in basic morphology of the 12 determined types of leg types; referring to Figure 11, the horizontal and vertical axes represent the circumference and height of the 12 types of leg types, respectively, the negative part of the horizontal axis represents 1/2 of the overall circumference of the leg, and the positive part of the horizontal axis represents the other 1/2 of the overall circumference of the leg.
  • the positive and negative coordinates are mirror-symmetrical, which facilitates the complete expression of the overall circumference of the leg, and different broken lines represent the circumference changes corresponding to the changes in height of different leg types; the schematic diagram of the 12 types of leg types in Figure 12 is drawn based on the circumference and height data of the cluster centers of each leg type determined in Figure 12, and the morphological differences between different leg types can be vividly seen from Figure 12.
  • FIG13 is a schematic diagram of a reference spectrum corresponding to eight circumference size categories under a type of leg shape according to an example
  • FIG14 is a schematic diagram of a leg corresponding to eight circumference size categories under a type of leg shape according to an example.
  • Figures 14 and 15 show the 8 leg size contours and leg size examples (size 1 to size 8) included in leg type 1, which progress from small to large and can be used as a reference body shape map for the body shape intelligent recognition system.
  • the broken lines 1301, 1302, 1303, 1304, 1305, 1306, 1307, and 1308 in the figure respectively represent the reference maps of 8 circumference size categories (size 1 to size 8) from thin to thick corresponding to leg type 1;
  • the broken line 1309 represents the leg data of the cluster center corresponding to leg type 1, and the leg shape of leg type 1 can be intuitively outlined based on the data of the broken line 1309, such as the 8 leg size contour examples in Figure 14;
  • the broken line 1310 represents the middle size of the 8 circumference sizes of leg type 1, so as to intuitively distinguish the degree to which the size of the measured sample is too large or too small for a specific leg type.
  • FIG. 15 shows the corresponding foot size of each size type from size 1 to size 8 corresponding to leg type 1.
  • the circumference range includes the circumference of the thinnest part of the ankle (cB), the circumference of the widest part of the calf (cC), the circumference below the knee (cD) and the circumference of the thigh root (cG).
  • the PSO algorithm when used to optimize the SVM algorithm, the highest size recognition rate can be obtained (for example, using PSO-SVM (Particle Swarm Optimization-Support
  • PSO-SVM particle Swarm Optimization-Support
  • the obtained leg shape recognition results and leg size recognition results can provide a digital body shape reference for subsequent industrial manufacturing, and can help produce clothing suitable for specific user bodies, especially functional pressure clothing or accessories, such as pressure stockings, tights, etc.
  • This method can not only quickly determine and identify the user's leg shape, but also help to achieve low-cost personalized customization or balanced customized large-scale production, so as to effectively respond to users' needs for body-fitting clothing.
  • the intelligent body shape recognition method, device, electronic device and storage medium provided in the embodiments of the present disclosure are not limited to the recognition of lower limb leg shape and size, but can also be applied to the recognition of body shape and size of other parts of the body, for example, upper limbs, upper torso, whole body or part of the body, etc., without limitation.
  • FIG18 is a schematic diagram of the overall process of a leg shape intelligent recognition method and system according to an example.
  • the artificial intelligence recognition system is divided into a basic model and an optimization model.
  • the key feature parameter data can be input into the SVM, and the GS algorithm/GA algorithm is used to optimize the SVM model to improve the leg shape recognition rate, and the PSO algorithm is used to optimize the SVM model to improve the leg size recognition rate.
  • the PSO algorithm is used to optimize the SVM model to improve the leg size recognition rate.
  • the system recognition result obtained provides a digital body shape reference for subsequent industrial manufacturing, which is connected with the manufacturing program and database to produce clothing suitable for a specific user's body, especially functional pressure clothing or accessories, such as pressure socks, tights, etc., providing a new method for human body shape recognition and application.
  • This method not only quickly determines and recognizes the user's body shape, but also helps to achieve low-cost personalized customization or balance customized mass production and cost, so as to effectively respond to the user's demand for body-fitting clothing.
  • the computer device includes hardware structures and/or software modules corresponding to the execution of each function.
  • the present disclosure can be implemented in the form of hardware or a combination of hardware and computer software. Whether a function is executed in the form of hardware or computer software driving hardware depends on the specific application and design constraints of the technical solution. Professional and technical personnel can use different methods to implement the described functions for each specific application, but such implementation should not be considered to exceed the scope of the present disclosure.
  • Fig. 19 is a block diagram of a device for intelligently identifying leg shapes according to an exemplary embodiment.
  • the leg shape intelligent recognition device 1900 may include an acquisition module 1902 and an obtaining module 1904 .
  • the acquisition module 1902 is used to obtain the key feature parameter values of the leg object to be identified; the acquisition module 1904 is used to input the key feature parameter values into the trained support vector machine classification model to obtain the target leg type category to which the leg object to be identified belongs and the circumference size category under the target leg type category.
  • the acquisition module 1902 is also used to: obtain multiple basic feature parameter values of each leg object among multiple leg objects; determine the leg shape category label and the circumference size category label to which each leg object belongs; use the multiple basic feature parameter values, the leg shape category label and the circumference size category label of each leg object among the multiple leg objects as training data, and train the support vector machine classification model to be trained according to the training data to obtain the trained support vector machine classification model.
  • the acquisition module 1904 is used to: divide the training data into a training set and a test set according to different preset ratios; for each preset ratio, use the training set under the preset ratio to train the support vector machine classification model to be trained to obtain a candidate support vector machine classification model under the preset ratio; use the test set under the preset ratio to test the candidate support vector machine classification model to obtain the recognition accuracy under the preset ratio; and determine the candidate support vector machine classification model with the highest recognition accuracy as the trained support vector machine classification model.
  • the obtaining module 1904 is further used to: use a grid search algorithm to optimize the penalty factor and kernel parameters in the trained support vector machine classification model to obtain a first target penalty factor and a first target kernel parameter. Parameters, the first target penalty factor and the first target kernel parameter are used to identify the leg type category; the penalty factor and the kernel parameter in the trained support vector machine classification model are optimized using a particle swarm optimization algorithm to obtain a second target penalty factor and a second target kernel parameter, and the second target penalty factor and the second target kernel parameter are used to identify the circumference size category.
  • the multiple basic feature parameter values include the circumference and height of the thinnest part of the ankle, the circumference and height of the widest part of the calf, the circumference and height of the lower end of the knee, the circumference and height of the patellar protrusion, and the circumference and height of the thigh root; wherein the acquisition module 1904 is also used to: determine the femoral slope of each leg object according to the circumference and height of the thigh root and the circumference and height of the patellar protrusion of each leg object; determine the knee slope of each leg object according to the circumference and height of the patellar protrusion and the circumference and height of the lower end of the knee of each leg object; determine the calf lateral convex angle of each leg object according to the circumference and height of the thinnest part of the ankle, the circumference and height of the widest part of the calf, and the circumference and height of the lower end of the knee of each leg object; cluster the multiple leg objects according to
  • the acquisition module 1904 is also used to: for each leg type category label, determine multiple circumference size category labels under the leg type category label based on the circumference of the thinnest part of the ankle, the circumference of the widest part of the calf, the circumference below the knee, and the circumference of the thigh root of each leg object belonging to the leg type category label, and determine the circumference size category label to which each leg object belongs under the leg type category label.
  • the acquisition module 1904 is also used to: group multiple leg shape category labels according to the Pearson correlation analysis algorithm to obtain multiple groups of leg shape categories; wherein each group of leg shape categories includes at least two leg shape category labels, and the leg shape category labels included in each group of leg shape categories are correlated; for each group of leg shape categories, according to the correlation between the leg shape category labels in the group of leg shape categories, determine a basic leg shape category label from the multiple leg shape category labels in the group of leg shape categories, and determine a conversion relationship between the basic leg shape category label and other leg shape category labels in the group of leg shape categories; wherein the conversion relationship is used to realize parameter or parameter value conversion of the basic leg shape category label to obtain other leg shape category labels in the group of leg shape categories.
  • the acquisition module 1904 is further used to: determine multiple key feature parameters from multiple basic feature parameters to obtain key feature parameter values corresponding to each key feature parameter of the leg object to be identified; wherein, determining multiple key feature parameters from multiple basic feature parameters includes: obtaining basic feature parameter values corresponding to multiple basic feature parameters of each leg object in multiple leg objects; determining multiple basic feature parameter sets according to the multiple basic feature parameters based on a support vector machine recursive feature elimination algorithm and an empirical method; for each basic feature parameter set, according to the basic feature parameters included in the basic feature parameter set, inputting the basic feature parameter values corresponding to each leg object into the trained support vector machine classification model to obtain the recognition accuracy corresponding to each basic feature parameter set; The basic feature parameters included in the basic feature parameter set with the highest recognition accuracy are determined as the multiple key feature parameters.
  • the key characteristic parameter values include the circumference of the thinnest part of the ankle, the circumference of the widest part of the calf, the circumference of the lower end of the knee, the circumference of the patellar protrusion, the circumference of the middle thigh, the circumference of the thigh root, the height of the lower end of the knee and the height of the thigh root.
  • the device further includes: a recommendation module for recommending target clothing for a target object corresponding to the leg object to be identified according to the target leg shape category and circumference size category to which the leg object to be identified belongs.
  • Fig. 20 is a schematic diagram showing a structure of an electronic device suitable for implementing an exemplary embodiment of the present disclosure according to an exemplary embodiment. It should be noted that the electronic device shown in Fig. 20 is only an example and should not bring any limitation to the functions and scope of use of the embodiment of the present disclosure.
  • the electronic device 2000 includes a central processing unit (CPU) 2001, which can perform various appropriate actions and processes according to a program stored in a read-only memory (ROM) 2002 or a program loaded from a storage part 2008 into a random access memory (RAM) 2003.
  • ROM read-only memory
  • RAM random access memory
  • various programs and data required for the operation of the system 2000 are also stored.
  • the CPU 2001, the ROM 2002, and the RAM 2003 are connected to each other through a bus 2004.
  • An input/output (I/O) interface 2005 is also connected to the bus 2004.
  • the following components are connected to the I/O interface 2005: an input section 2006 including a keyboard, a mouse, etc. (or a hand-touch digitizing screen, a desktop computer, or other display means or devices); an output section 2007 including a cathode ray tube (CRT), a liquid crystal display (LCD), etc., and a speaker; a storage section 2008 including a hard disk, etc.; and a communication section 2009 including a network interface card such as a LAN card, a modem, etc. The communication section 2009 performs communication processing via a network such as the Internet.
  • a drive 2010 is also connected to the I/O interface 2005 as needed.
  • a removable medium 2011, such as a magnetic disk, an optical disk, a magneto-optical disk, a semiconductor memory, etc., is installed on the drive 2010 as needed, so that a computer program read therefrom is installed into the storage section 2008 as needed.
  • the units involved in the embodiments described in the present disclosure may be implemented by software or hardware.
  • the units described may also be set in a processor, for example, it may be described as: a processor includes A sending unit, an acquiring unit, a determining unit, and a first processing unit.
  • the names of these units do not limit the units themselves in some cases.
  • the sending unit can also be described as a "unit that sends a picture acquisition request to the connected server.”

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Human Computer Interaction (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

一种腿型智能识别方法、装置、电子设备及存储介质，涉及人体测量、服装合体性及计算机应用技术领域。方法包括：获取待识别腿部对象的关键特征参数值（S102）；将关键特征参数值输入至训练完成的支持向量机分类模型中，获得待识别腿部对象所属的目标腿型类别及在目标腿型类别下的围度尺寸类别(S104)。

Description

腿型智能识别方法、装置、电子设备及存储介质
相关申请的交叉引用
本公开要求于2023年09月05日提交的申请号为202311139982.8、名称为“腿型智能识别方法、装置、电子设备及存储介质”的中国专利申请的优先权，该中国专利申请的全部内容通过引用全部并入本文。
技术领域
本公开涉及人体测量、服装合体性及计算机应用技术领域。具体而言，涉及一种腿型智能识别方法、装置、电子设备及存储介质。
背景技术
服装合体度影响用户满意度和穿着感知，有效识别用户体型和尺寸有助产品设计师创建合体的服装结构和形态，以满足个体体型特征及穿着适体性要求。然而，由于人体体型的多样性，传统的尺码分类方式已不能满足消费者的需求，服装个性化及客制化的兴起，要求对用户体型进行准确地判断和分类。
相关技术中，通常是针对用户的整体体型和上肢体型进行分类，这种分类识别方法未考虑腿部形态，导致分类的准确率较低。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开实施例提供一种腿型智能识别方法、腿型智能识别装置、电子设备及存储介质，该方法可以快速、准确地识别获得该待识别腿部对象所属的目标腿型类别及在目标腿型类别下的围度尺寸类别，从而节省基于腿型分析确定产品尺寸和形态的设计时间，提高腿部服饰设计的合体度和设计效率。
本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
本公开实施例提供一种腿型智能识别方法，包括：获取待识别腿部对象的关键特征参数值；将所述关键特征参数值输入至训练完成的支持向量机分类模型中，获得所述待识别腿部对象所属的目标腿型类别及在所述目标腿型类别下的围度尺寸类别。
在示例性实施例中，在将所述关键特征参数输入至训练完成的支持向量机分类模型中之前，所述方法还包括：获取多个腿部对象中每个腿部对象的多个基本特征参数值；确定每个腿部对象所属的腿型类别标签和围度尺寸类别标签；将所述多个腿部对象中每个腿部对象的多个基本特征参数值、所属的腿型类别标签和围度尺寸类别标签作为训练数据，根据所述训练数据对待训练的支持向量机分类模型进行训练，得到所述训练完成的支持向量机分类模型。
在示例性实施例中，根据所述训练数据对待训练的支持向量机分类模型进行训练，得到所述训练完成的支持向量机分类模型，包括：按照不同的预设比例将所述训练数据划分为训练集和测试集；针对每种预设比例，使用所述预设比例下的训练集中对所述待训练的支持向量机分类模型进行训练，得到所述预设比例下的候选支持向量机分类模型；使用所述预设比例下的测试集对所述候选支持向量机分类模型进行测试，得到所述预设比例下的识别准确率；将识别准确率最高的候选支持向量机分类模型确定为所述训练完成的支持向量机分类模型。
在示例性实施例中，所述方法还包括：使用网格搜索算法对所述训练完成的支持向量机分类模型中的惩罚因子和核参数进行优化，得到第一目标惩罚因子和第一目标核参数，所述第一目标惩罚因子和所述第一目标核参数用于对腿型类别进行识别；使用粒子群优化算法对所述训练完成的支持向量机分类模型中的惩罚因子和核参数进行优化，得到第二目标惩罚因子和第二目标核参数，所述第二目标惩罚因子和所述第二目标核参数用于对围度尺寸类别进行识别。
在示例性实施例中，所述多个基本特征参数值包括脚踝最细处的围度和高度、小腿最阔处的围度和高度、膝盖下端的围度和高度、髌骨突起处的围度和高度、以及大腿根部的围度和高度；其中，确定每个腿部对象所属的腿型类别标签和围度尺寸类别标签，包括：根据每个腿部对象的大腿根部的围度和高度、以及髌骨突起处的围度和高度，确定每个腿部对象的股斜率；根据每个腿部对象的髌骨突起处的围度和高度、以及膝盖下端的围度和高度，确定每个腿部对象的膝斜率；根据每个腿部对象的脚踝最细处的围度和高度、小腿最阔处的围度和高度、以及膝盖下端的围度和高度，确定每个腿部对象的小腿侧外凸角；根据所述每个腿部对象的股斜率、膝斜率和小腿侧外凸角，对所述多个腿部对象进行聚类处理，获得每个腿部对象所属的腿型类别标签。
在示例性实施例中，确定每个腿部对象所属的腿型类别标签和围度尺寸类别标签，包括：针对每种腿型类别标签，根据属于所述腿型类别标签的每个腿部对象的脚踝最细处的 围度、小腿最阔处的围度、膝盖下端的围度、以及大腿根部的围度，确定所述腿型类别标签下的多个围度尺寸类别标签，并确定每个腿部对象在所述腿型类别标签下所属的围度尺寸类别标签。
在示例性实施例中，在确定每个腿部对象所属的腿型类别标签之后，所述方法还包括：根据皮尔逊相关性分析算法对多个腿型类别标签进行分组，获得多组腿型类别；其中，每组腿型类别中包括至少两个腿型类别标签，每组腿型类别中包括的腿型类别标签之间具有相关性；针对每一组腿型类别，根据所述组腿型类别中的腿型类别标签之间的相关性，从所述组腿型类别中的多个腿型类别标签中确定出基础腿型类别标签，并确定出所述基础腿型类别标签与所述组腿型类别中的其他腿型类别标签之间的转换关系；其中，所述转换关系用于实现对所述基础腿型类别标签进行参数或参数值转换以得到所述组腿型类别中的其他腿型类别标签。
在示例性实施例中，在获取待识别腿部对象的关键特征参数值之前，所述方法还包括：从多个基本特征参数中确定出多个关键特征参数，以获取待识别腿部对象的各个关键特征参数对应的关键特征参数值；其中，从多个基本特征参数中确定出多个关键特征参数，包括：获取多个腿部对象中每个腿部对象的多个基本特征参数对应的基本特征参数值；基于支持向量机递归特征消除算法和经验法，根据所述多个基本特征参数确定多个基本特征参数集合；针对每个基本特征参数集合，根据所述基本特征参数集合内包括的基本特征参数，将各个腿部对象对应的基本特征参数值输入至训练完成的支持向量机分类模型，得到每个基本特征参数集合对应的识别准确率；将识别准确率最高的基本特征参数集合内包括的基本特征参数确定为所述多个关键特征参数。
在示例性实施例中，所述关键特征参数值包括脚踝最细处的围度、小腿最阔处的围度、膝盖下端的围度、髌骨突起处的围度、大腿中部的围度、大腿根部的围度、膝盖下端的高度和大腿根部的高度。
在示例性实施例中，所述方法还包括：根据所述待识别腿部对象所属的目标腿型类别及其围度尺寸类别，为所述待识别腿部对象对应的目标对象推荐目标服装。
本公开实施例提供一种腿型智能识别装置，包括：获取模块，用于获取待识别腿部对象的关键特征参数值；获得模块，用于将所述关键特征参数值输入至训练完成的支持向量机分类模型中，获得所述待识别腿部对象所属的目标腿型类别及在所述目标腿型类别下的围度尺寸类别。
本公开实施例提供一种电子设备，包括：至少一个处理器；存储终端设备，用于存储 至少一个程序，当至少一个程序被至少一个处理器执行时，使得至少一个处理器实现上述任一种腿型智能识别方法。
本公开实施例提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，计算机程序被处理器执行时实现上述任一种腿型智能识别方法。
本公开实施例提供一种计算机程序产品，包括计算机程序，计算机程序被处理器执行时实现上述任一项的腿型智能识别方法。
本公开实施例提供的腿型智能识别方法，获取待识别腿部对象的关键特征参数值，将关键特征参数值输入至训练完成的支持向量机分类模型中，可以快速、准确地识别获得该待识别腿部对象所属的目标腿型类别及在目标腿型类别下的围度尺寸类别，从而节省基于腿型分析确定产品尺寸和形态的设计时间，提高腿部服饰设计的合体度和设计效率。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据一示例性实施例示出的一种腿型智能识别方法的流程图。
图2是根据一示例示出的关键特征参数测量介绍的界面示意图。
图3是根据一示例示出的输入关键特征参数值的界面示意图。
图4是根据一示例示出的显示目标腿型类别及围度尺寸类别的界面示意图。
图5是根据一示例示出的服饰推荐的界面图。
图6是根据一示例示出的部分基础特征参数的示意图。
图7是根据一示例性实施例示出的另一种腿型智能识别方法的流程图。
图8是根据一示例示出的股斜率、膝斜率和小腿侧外凸角的示意图。
图9根据一示例示出的腿部对象的腿型分类分布图。
图10是根据一示例示出的腿部对象的尺寸分类分布图。
图11是根据一示例示出的12类腿型的基准图谱的示意图。
图12是根据一示例示出的12类腿型的示意图。
图13是根据一示例示出的一类腿型下的8种围度尺寸类别对应的基准图谱的示意图。
图14是根据一示例示出的一类腿型下的8种围度尺寸类别对应的腿部示意图。
图15是根据一示例示出的一类腿型下的8种围度尺寸类别对应的腿部的围度数据的示意图。
图16是根据一示例示出的使用GS-SVM算法预测不同腿型的预测值和真实值的示意图。
图17是根据一示例示出的使用PSO-SVM算法预测不同腿部尺寸的预测结果的准确性的示意图。
图18是根据一示例示出的腿型智能识别方法及系统的整体流程的示意图。
图19是根据一示例性实施例示出的一种腿型智能识别装置的框图。
图20是根据一示例性实施例示出了适于用来实现本公开示例性实施例的电子设备的结构示意图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本公开将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。
本公开所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。
附图仅为本公开的示意性图解，图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在至少一个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和步骤，也不是必须按所描述的顺序执行。例如，有的步骤还可以分解，而有的步骤可以合并或部分合并，因 此实际执行的顺序有可能根据实际情况改变。
此外，在本公开的描述中，用语“一个”、“一”、“该”、“所述”和“至少一个”用以表示存在至少一个要素或组成部分；用语“包含”、“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素或组成部分之外还可存在另外的要素或组成部分；用语“第一”、“第二”和“第三”等仅作为标记使用，不是对其对象的数量限制。
下面，将结合附图及实施例对本公开示例实施例中的腿型智能识别方法的各个步骤进行更详细的说明。
图1是根据一示例性实施例示出的一种腿型智能识别方法的流程图。
如图1所示，本公开实施例提供的方法可以包括以下步骤。
在步骤S102中，获取待识别腿部对象的关键特征参数值。
本公开实施例中，待识别腿部对象可以是用户的腿部，关键特征参数值可以是关键特征参数对应的参数值，关键特征参数可以是从多个基本特征参数中确定的。
本公开实施例中，用户可以通过终端设备的应用程序(APP，application)输入自己的腿部的关键特征参数，也可以通过终端设备的应用程序扫描获得该用户的腿部的关键特征参数。
在示例性实施例中，关键特征参数值包括脚踝最细处(使用B表示)的围度、小腿最阔处(使用C表示)的围度、膝盖下端(使用D表示)的围度、髌骨突起处(使用E表示)的围度、大腿中部(使用F表示)的围度、大腿根部(胯部以下5cm处，使用G表示)的围度、膝盖下端的高度和大腿根部的高度。
图2是根据一示例示出的关键特征参数测量介绍的界面示意图。
参考图2，在用户手动输入或自动扫描关键特征参数之前，可以提示用户关键特征参数对应的腿部的具体位置，方便用户对关键特征参数进行准确地测量。
图3是根据一示例示出的输入关键特征参数值的界面示意图。
参考图3，用户可以手动输入或使用自动扫描方式获取该用户的腿部的D点高度、G点高度、B点围度、C点围度、D点围度、E点围度、F点围度和G点围度。
在步骤S104中，将关键特征参数值输入至训练完成的支持向量机分类模型中，获得待识别腿部对象所属的目标腿型类别及在目标腿型类别下的围度尺寸类别。
本公开实施例中，将关键特征参数值输入至训练完成的支持向量机分类模型中，可以自动识别出待识别腿部对象所属的目标腿型类别及在目标腿型类别下的围度尺寸类别。
本公开实施例中，腿型类别是根据数据库中多个腿部对象的腿部形态分类得到的，腿型类别可以有多种，在下面的举例说明中，以具有12种腿型类别(1类～12类)为例进行说明，但本公开并不限定于此。
本公开实施例中，每种腿型类别可以对应多种围度尺寸类别，围度尺寸类别是根据数据库中多个腿部对象的多个部位的围度分类得到的，在下面的举例说明中，以每种腿型类别可以对应8种围度尺寸类别(Ⅰ码～Ⅷ码)为例进行说明，但本公开并不限定于此。
图4是根据一示例示出的显示目标腿型类别及围度尺寸类别的界面示意图。
参考图4，在用户手动输入或使用自动扫描方式获取该用户的腿部的D点高度、G点高度、B点围度、C点围度、D点围度、E点围度、F点围度和G点围度之后，可以自动识别并在界面上显示该用户腿部所属的目标腿型类别(例如1类)及在目标腿型类别下的围度尺寸类别(例如III码)。
在示例性实施例中，该方法还可以包括：根据待识别腿部对象所属的目标腿型类别及其围度尺寸类别，为待识别腿部对象对应的目标对象推荐目标服装。
本公开实施例中，在根据待识别腿部对象所属的目标腿型类别及其围度尺寸类别，为待识别腿部对象对应的目标对象推荐目标服装基础上，还可以推荐目标服装的功能、款式、颜色、尺寸、价格、数量、适用场景(范围)及相关产品和服务信息(例如，订购及运送方式和时间等)，以连接用户、腿型、服装、智造、产品选择及服务，本公开对此不作限制。
其中，目标服装可以是功能压力/紧体服装，也可以是其他类型服裝，本公开对此不做限制。
本公开实施例中，用户可以进入APP或网络平台起始界面，选择产品互动端或智造(智能制造)互动端；APP或网络平台起始界面提示用户输入关键特征参数，或者系统扫描自动提取关键特征参数，在用户确认后进入识别页面，系统动态显示腿型和尺寸识别过程并输入识别结果。
本公开实施例中，用户可以进入用户与产品互动端；用户与产品互动端可以根据体型尺寸的识别结果为用户推荐相关功能服装；用户也可以根据自身体型尺寸特征进行相关服饰产品的选择，例如用户根据上述自动识别出的腿型类别和尺寸类别为自己选择合适的服饰。
本公开实施例中，在识别出待识别腿部对象所属的目标腿型类别及在目标腿型类别下的围度尺寸类别之后，可以根据该待识别腿部对象所属的目标腿型类别及在目标腿型类别 下的围度尺寸类别推荐合适的服饰，例如功能压力和紧身服装，便于用户快速选择合适的服饰。
图5是根据一示例示出的服饰推荐的界面图。
例如，参考图5，在识别出待识别腿部对象所属的目标腿型类别为1类、在目标腿型类别下的围度尺寸类别为III码之后，可以向用户推荐压力等级为III级的弹性适中、尺寸压力适合的压力袜，此外，还可以根据待识别腿部对象的长度为该用户推荐合适长度(例如中/长)的压力袜。
本公开实施例中，用户也可以进入用户与智造(智能制造)互动端，即，将用户体型尺寸特征数据进一步传入智能制造系统，智造系统根据体型尺寸识别结果、相关制造工艺和参数配比为用户智能织造适合的功能服装，以快速反应用户需求。
本公开实施例中，系统识别结果为用户快速选用适体服装(特别是功能压力/紧体服装)提供依据，也为产品设计及规模制造提供形态尺寸的指引。
在示例性实施例中，在获取待识别腿部对象的关键特征参数值之前，该方法还可以包括：从多个基本特征参数中确定出多个关键特征参数，以获取待识别腿部对象的各个关键特征参数对应的关键特征参数值。
具体地，获取待识别腿部对象的哪些关键特征参数，可以根据数据库中多个腿部对象的每个腿部对象的多个基本特征参数确定。
下面对从多个基本特征参数中确定出多个关键特征参数的具体过程进行说明。
在示例性实施例中，从多个基本特征参数中确定出多个关键特征参数，包括：获取多个腿部对象中每个腿部对象的多个基本特征参数对应的基本特征参数值；基于支持向量机递归特征消除算法和经验法，根据多个基本特征参数确定多个基本特征参数集合；针对每个基本特征参数集合，根据基本特征参数集合内包括的基本特征参数，将各个腿部对象对应的基本特征参数值输入至训练完成的支持向量机分类模型，得到每个基本特征参数集合对应的识别准确率；将识别准确率最高的基本特征参数集合内包括的基本特征参数确定为多个关键特征参数。
本公开实施例中，可以选取多个用户，实际测量或者应用数字化三维人体扫描系统收集每个用户的腿部的多个基本特征参数对应的基本特征参数值，以选取480个用户、每个用户的36个腿部的基本特征参数为例，其中，这36个基本特征参数可以为：脚踝最细处(B)、踝臂(B1)、小腿最阔处(C)、膝盖下端(D)、髌骨突起处(E)、大腿中部(F)、大腿根部(G)这七个部位的纵深、高度、横宽、围度和横截面积，以及小腿侧 外凸角，如图7和表1所示。
图6是根据一示例示出的部分基础特征参数的示意图。
参考图6，cG表示大腿根部的围度，cF表示大腿中部的围度，cE表示髌骨突起处的围度，cD表示膝盖下端的围度，cC表示小腿最阔处的围度，cB1表示踝臂围度，cB表示脚踝最细处的围度，hG表示大腿根部的高度，hF表示大腿中部的高度，hE表示髌骨突起处的高度，hD表示膝盖下端的高度，hC表示小腿最阔处的高度，hB1表示踝臂的高度，hB表示脚踝最细处的高度。
表1
本公开实施例中，可以基于支持向量机递归特征消除(SVM-RFE，Support Vector Machine-Recursive Feature Elimination)算法和经验法，将多个基本特征参数进行排列组合，得到多个基本特征参数集合，每个基本特征参数集合包括部分基本特征参数；将每组基本特征参数集合分别输入至SVM算法模型中，得到每组基本特征参数集合对应的识别准确率，将识别准确率最高且基本特征参数集合中参数数量最少的基本特征参数集合中的基本特征参数作为关键特征参数。
具体地，可以将上述480个腿部对象中的每个腿部对象的36个基本特征参数值输入至SVM-RFE算法中，通过SVM-RFE算法对480个腿部对象中的每个腿部对象的36个基本特征参数按照对腿型分类的贡献大小(即重要性)进行排序；参考表2，显示了前15种由不同基本测量参数所组成的集合的排序结果。
表2

然后，可以将这15组集合分别输入至SVM算法模型进行腿型识别，分别得到15个腿型识别率；从中确定识别率最高的一组集合，并将这组集合中所包含的基本测量参数作为一组关键特征参数，这组关键特征参数被用来进行系统的腿部形态及尺寸识别。
本公开实施例中，通过SVM-RFE算法，可以将多个基本特征参数的数量减少，保留最关键的关键特征参数，在保证识别准确率的同时可以减少数据获取量和数量处理量，从而提高识别效率。
具体地，还可以根据行业实践经验，将上述36个基础测量参数进行排列组合得到39个集合(如表3所示)，并将这39个集合分别输入SVM算法进行腿型识别，分别得到39个腿型识别率。然后，从中确定识别率最高的一组集合，并将集合中所包含的基础测量参数作为一组关键特征参数。
表3

本公开实施例中，通过经验法可以将多个基本特征参数的数量减少，保留最关键的关键特征参数，在保证识别准确率的同时可以减少数据获取量和数量处理量，从而提高识别效率。
本公开实施例中，在分别基于SVM-RFE算法和经验法确定出基本特征参数集合后，可以将基于SVM-RFE算法和经验法确定出基本特征参数集合对应的识别率进行比较，选择识别率较高的基本特征参数集合中的基本特征参数作为关键特征参数。
具体地，参考表4，在基于SVM-RFE算法和产业经验方法当从提取的36个人体基本测量参数中，采用8个经验选择特征参数时，识别率最高(66％)。因此，可以这8个关键特征参数，包括6个围度(cB、cC、cD、cE、cE、cF、cG)和2个高度(hD 和hG)确定为适合腿型及尺寸识别的关键特征参数。在实际应用中，随着数据库数据增加/扩充，关键特征参数及其数量可随之调整或优化，识别率也可以进一步提升，本公开不限于此。
表4
图7是根据一示例性实施例示出的另一种腿型智能识别方法的流程图。
本公开实施例中，图7实施例示出了支持向量机分类模型的训练过程；在图1所示的腿型智能识别方法的步骤S102之前，图7所示的腿型智能识别方法还可以包括以下步骤。
在步骤S702中，获取多个腿部对象中每个腿部对象的多个基本特征参数值。
本公开实施例中，可以选取多个用户，实际测量或者应用数字化三维人体扫描系统收集每个用户的腿部的多个基本特征参数对应的基本特征参数值，以选取480个用户、每个用户的36个腿部的基本特征参数为例，其中，这36个基本特征参数可以为：脚踝最细处(B)、踝臂(B1)、小腿最阔处(C)、膝盖下端(D)、髌骨突起处(E)、大腿中部(F)、大腿根部(G)这七个部位的纵深、高度、横宽、围度和横截面积，以及小腿侧外凸角，如图7和上述表1所示。
在步骤S704中，确定每个腿部对象所属的腿型类别标签和围度尺寸类别标签。
本公开实施例中，可以根据获取多个腿部对象中每个腿部对象的多个基本特征参数值，对多个腿部对象进行聚类，得到每个腿部对象所属的腿型类别标签。
在示例性实施例中，多个基本特征参数值包括脚踝最细处的围度和高度、小腿最阔处的围度和高度、膝盖下端的围度和高度、髌骨突起处的围度和高度、以及大腿根部的围度 和高度；其中，确定每个腿部对象所属的腿型类别标签和围度尺寸类别标签，包括：根据每个腿部对象的大腿根部的围度和高度、以及髌骨突起处的围度和高度，确定每个腿部对象的股斜率；根据每个腿部对象的髌骨突起处的围度和高度、以及膝盖下端的围度和高度，确定每个腿部对象的膝斜率；根据每个腿部对象的脚踝最细处的围度和高度、小腿最阔处的围度和高度、以及膝盖下端的围度和高度，确定每个腿部对象的小腿侧外凸角；根据每个腿部对象的股斜率、膝斜率和小腿侧外凸角，对多个腿部对象进行聚类处理，获得每个腿部对象所属的腿型类别标签。
图8是根据一示例示出的股斜率、膝斜率和小腿侧外凸角的示意图。
具体地，参考图8，可以根据以下公式确定每个腿部对象的股斜率GGE。
其中，cG表示大腿根部的围度，cE表示髌骨突起处的围度，hG表示大腿根部的高度，hE表示髌骨突起处的高度。
具体地，参考图8，可以根据以下公式确定每个腿部对象的膝斜率GED。
其中，cD表示膝盖下端的围度，hD表示膝盖下端的高度。
具体地，参考图8，可以根据以下公式确定每个腿部对象的小腿侧外凸角cos∠BCD。
其中，BC、BD和CD可以根据以下公式确定。
其中，cC表示小腿最阔处的围度，cB表示脚踝最细处的围度，hC表示小腿最阔处的高度，hB表示脚踝最细处的高度。
本公开实施例中，在针对每个腿部对象计算得到股斜率、膝斜率和小腿侧外凸角之后，可以使用不同聚类算法(例如模糊C均值算法(Fuzzy-C-means)、K均值算法(K-means)、K中心点聚类算法(K-medoids)、小批量K均值算法(Mini Batch K-means))对多个腿部对象进行聚类处理，从中确定一个最高分类效率的算法(例如K-means算法)作为目标聚类算法，使用目标聚类算法获得每个腿部对象所属的腿型类别标签。
例如，采用K-means均值聚类方法，基于小腿侧外凸角cos∠BCD、膝斜率GED和股斜率GGE，可将480组腿部对象聚类成12类不同腿型(分别为1～12类)；这12类不同腿型在腿部对象数据库中的占比分别为：4.375％、8.958％、2.292％、4.375％、8.333％、 10％、9.792％、16.875％、6.042％、4.792％、12.917％和11.25％。
图9是根据一示例示出的腿部对象的腿型分类分布图，参考图9可知，各腿型类别下的样本量呈正态分布，说明本公开实施例针对腿部对象的分类效果良好。
本公开实施例中，在对多个腿部对象进行分类获得每个腿部对象所属的腿型类别标签之后，可以针对每个腿型类别标签，运用多百分位法(multiple-percentile approach)，并根据腿部四个基础参数(B,C,D,G)的围度和髌骨突起处(E)和大腿根部(G)的高度对每类腿型进一步推码，产生每类腿型从小到大8个不同级别的围度尺寸类别。
在示例性实施例中，确定每个腿部对象所属的腿型类别标签和围度尺寸类别标签，包括：针对每种腿型类别标签，根据属于腿型类别标签的每个腿部对象的脚踝最细处的围度、小腿最阔处的围度、膝盖下端的围度、以及大腿根部的围度，确定腿型类别标签下的多个围度尺寸类别标签，并确定每个腿部对象在腿型类别标签下所属的围度尺寸类别标签。
例如，可以根据多百分位法和每种腿型类别下的各个腿部对象的基本特征参数，将每种腿型类别下的各个腿部对象进一步分成以下8个围度尺寸区间(每个围度尺寸区间可以看作一个围度尺寸类别)：0％～17％、17％～25％、25％～33％、33％～50％、50％～67％、67％～75％、75％～83％、83％～100％。
本公开实施例中，确定每个腿部对象在腿型类别标签下所属的围度尺寸类别标签，可以在识别用户腿型后，进一步将腿部对象划分为目标围度尺寸类别，以便于生产制造合体的下肢服装产品。
图10是根据一示例示出的腿部对象的尺寸分类分布图，参考图10可知，各尺寸类型下的样本量呈正态分布，说明本公开实施例所收集的数据合理且具有代表性，且针对腿部对象的尺寸分类效果良好。
本公开实施例中，针对每种腿型类别标签，还可以根据属于腿型类别标签的每个腿部对象的髌骨突起处的高度和大腿根部的高度确定腿型类别标签下的多个腿长尺寸类别标签，并确定每个腿部对象在腿型类别标签下所属的腿长尺寸类别标签。
例如，可以根据多百分位法和每种腿型类别下的各个腿部对象的基本特征参数，将每种腿型类别下的各个腿部对象进一步分成以下3个腿长尺寸区间(每个腿长尺寸区间可以看作一个腿长尺寸类别)：偏短0％～33％，适中33％～75％，偏长75％～100％)。
本公开实施例中，确定每个腿部对象在腿型类别标签下所属的腿长尺寸类别标签，可以在识别用户腿型及围度尺寸后，进一步将腿部对象划分为“偏短型”、“标准型”或“偏长型”，以便于生产制造合体的下肢服装产品。
本公开实施例中，在将多个腿部对象分为不同腿部类别(例如12类)、并进一步分为不同围度尺寸类别(例如8类)之后，可以将每个腿部对象所属的腿部类别作为腿部类别标签、将每个腿部对象所属的围度尺寸类别作为围度尺寸类别标签，构建人体腿部数据库，为后续对腿部进行智能识别提供参照基础(benchmark)，并为腿部智能识别(例如SVM)模型提供用于训练和测试识别算法的数据源。
图11是根据一示例示出的12类腿型的基准图谱的示意图，图12是根据一示例示出的12类腿型的示意图。
本公开实施例中，图11和图12示出的腿型的基准图谱是根据每一类腿型的聚类中心的腿部样本数据确定的，基准图谱用于展示所确定的12类腿型在基本形态上的差异；参考图11，横坐标和纵坐标分别代表12类腿型的围度和高度，横坐标的负数部分代表腿部整体围度的1/2，横坐标的正数部分代表腿部整体围度的另一个1/2，正负坐标镜向对称，便于将腿部围度整体表达完整，不同折线表示不同腿型沿着高度变化所对应的围度变化；图12中的12类腿型示意图是根据图12所确定的各腿型的聚类中心的围度和高度数据绘制出来的，从图12中可以形象地看出不同腿型之间的形态差异。
图13是根据一示例示出的一类腿型下的8种围度尺寸类别对应的基准图谱的示意图，图14是根据一示例示出的一类腿型下的8种围度尺寸类别对应的腿部示意图。
以上述12种腿型中的腿型1为例，图14和图15示出了腿型1包括的8个(尺寸1～尺寸8)从小到大递进的腿部尺寸轮廓及腿部尺寸示例，可以作为体型智能识别系统的基准体型图谱。
参考图13，图中的折线1301、折线1302、折线1303、折线1304、折线1305、折线1306、折线1307、折线1308分别表示腿型1对应的从细到粗的8个围度尺寸类别(尺寸1～尺寸8)的基准图谱；折线1309表示腿型1对应的聚类中心的腿部数据，根据折线1309的数据可以直观地勾勒出腿型1的腿部形态，例如图14中8个腿部尺寸轮廓示例；折线1310表示腿型1的8个围度尺寸的中间尺寸，以直观区分所测样本在一个特定腿型下尺寸偏大或偏小的程度。
在实际使用中，随着人体腿部数据库数据量的增加扩充/更新和调整，其腿型分类数目，分类算法及具体尺寸范围均可随之动态更新或优化。
图15是根据一示例示出的一类腿型下的8种围度尺寸类别对应的腿部的围度数据的示意图。
仍以腿型1为例，图15示出了腿型1对应的尺寸1～尺寸8中每个尺寸类型对应的脚 踝最细处的围度(cB)、小腿最阔处的围度(cC)、膝盖下端的围度(cD)和大腿根部的围度(cG)的围度范围。
在示例性实施例中，在确定每个腿部对象所属的腿型类别标签之后，该方法还可以包括：根据皮尔逊相关性分析算法对多个腿型类别标签进行分组，获得多组腿型类别；其中，每组腿型类别中包括至少两个腿型类别标签，每组腿型类别中包括的腿型类别标签之间具有相关性；针对每一组腿型类别，根据组腿型类别中的腿型类别标签之间的相关性，从组腿型类别中的多个腿型类别标签中确定出基础腿型类别标签，并确定出基础腿型类别标签与组腿型类别中的其他腿型类别标签之间的转换关系；其中，转换关系用于实现对基础腿型类别标签进行参数或参数值转换以得到组腿型类别中的其他腿型类别标签。
本公开实施例中，在将腿型分为12类之后，还可以将这12类腿型进行分组。
具体地，在智造互动端，系统可以根据皮尔逊相关性分析算法将所预定的12类腿型根据相关系数进一步分组，每组内的腿型具有最高相关性，也就是说，只要对组内腿型的局部做少量参数或参数值更新或修改，即可快速将组内的某一腿型转换为其他腿型，以此更加节约试配时间，提高产出效率。
具体以表5为例进行说明，根据皮尔逊相关性分析算法将所预定的12类腿型分为具有高相关性的3组，即：
A组：包括腿型4、腿型2和腿型3，其中腿型4为基础腿型(因为腿型4与组内其他两个腿型均具有高相关系数，以下同理)。
B组:包括腿型10、腿型1、腿型5和腿型9，其中腿型10为基础腿型。
C组：包括腿型12、腿型6、腿型7、腿型8和腿型11，其中腿型12为基础腿型。
上述各组中确定为基础腿型的腿型，与组内各腿型有较高相关性。
以体型参数B、C、D、G的围度作为关键调节尺寸，基于每组的基础腿型可快速调节至组内其他腿型。具体如表3所示，例如，+代表围度增加1cm，++代表围度增加2cm，+++代表围度增加3～4cm，-代表围度减少2cm，--代表围度减少3-4cm。
表5智造端腿型快速转换

在步骤S706中，将多个腿部对象中每个腿部对象的多个基本特征参数值、所属的腿型类别标签和围度尺寸类别标签作为训练数据，根据训练数据对待训练的支持向量机分类模型进行训练，得到训练完成的支持向量机分类模型。
本公开实施例中，可以将上述确定的每个腿部对象的所属的腿型类别标签作为训练标签，对待训练的支持向量机分类模型进行训练，由此得到的训练完成的支持向量机分类模型可以自动识别待识别腿型的腿型类别。
本公开实施例中，可以将上述确定的每个腿部对象的所属的围度尺寸类别标签作为训练标签，对待训练的支持向量机分类模型进行训练，由此得到的训练完成的支持向量机分类模型可以自动识别待识别腿型的围度尺寸类别。
具体地，可以将上述480个腿部对象、每个用户的36个基本特征参数作为训练数据，根据上述确定的每个腿部对象的所属的腿型类别标签作为训练标签，将训练数据划分为训练集和测试集，并归一化至[0,1]；使用训练集训练SVM分类模型，SVM的预设参数中的惩罚因子c可以设置为145，核参数g可以设置为0.1；使用测试集测试SVM分类模型，以识别腿型和尺寸。
在示例性实施例中，根据训练数据对待训练的支持向量机分类模型进行训练，得到训练完成的支持向量机分类模型，包括：按照不同的预设比例将训练数据划分为训练集和测试集；针对每种预设比例，使用预设比例下的训练集中对待训练的支持向量机分类模型进行训练，得到预设比例下的候选支持向量机分类模型；使用预设比例下的测试集对候选支持向量机分类模型进行测试，得到预设比例下的识别准确率；将识别准确率最高的候选支持向量机分类模型确定为训练完成的支持向量机分类模型。
本公开实施例中，预设比例例如可以包括但不限于1:1、2:1、3:1和7:3，分别使用每种预设比例将训练数据划分为训练集和测试集；表4示出了每种预设比例对应的识别准确率(正确识别的样本数与总样本数之比)，参考表6，当训练集和测试集比例为2：1时，识别效率较高。
表6
在示例性实施例中，该方法还可以包括：使用网格搜索算法对训练完成的支持向量机分类模型中的惩罚因子和核参数进行优化，得到第一目标惩罚因子和第一目标核参数，第一目标惩罚因子和第一目标核参数用于对腿型类别进行识别；使用粒子群优化算法对训练完成的支持向量机分类模型中的惩罚因子和核参数进行优化，得到第二目标惩罚因子和第二目标核参数，第二目标惩罚因子和第二目标核参数用于对围度尺寸类别进行识别。
本公开实施例中，在得到训练完成的支持向量机分类模型之后，可以进一步采用网格搜索算法(GS，Grid Search)和遗传算法(GA，Genetic Algorithm)以及粒子群(PSO，Particle Swarm Optimization)算法对用于识别腿型及尺寸的SVM算法中的惩罚因子c和核参数g进行优化，从而提高识别准确率。
具体地，可以分别使用GS算法和GA算法对SVM算法中的惩罚因子c和核参数g进行优化；将包含8个关键特征参数的数据集以及相应的腿型标签分别输入GS算法和GA算法中，分别确定最佳参数c和g；然后，再分别将c和g数值带入SVM算法进行腿型的识别，分别得到腿型识别率；通过比较GS算法和GA算法的结果，将具有较高识别率的算法采纳为腿型识别的算法模型。
例如，应用优化的GS-SVM(Grid Search-Support Vector Machine，网格搜索算法-支持向量机)算法确定的惩罚因子c和核参数g的值分别为：c＝1024和g＝0.082469，对应的腿型识别率可达至68.67％；应用优化的GA-SVM算法确定的惩罚因子c和核参数g的值分别为：c＝2000和g＝0.0097752，得到相同识别率68.67％。两算法环境均采用所确定的8个关键特征数参数，且优化的训练集与测试集比均为2：1。
由于GS算法和GA两种算法的识别率结果相同，考虑到c值越小，模型泛化性能越好，因此，选择具有较小c值的GS算法得到的c值和g值作为SVM算法中得到目标c值和目标g值，以进行腿型识别。
类似地，经过对多种人工智能算法的研究比较，当采用PSO算法去优化SVM算法时，可以得到最高的尺寸识别率(例如应用PSO-SVM(Particle Swarm Optimization-Support  Vector Machine，粒子群算法-支持向量机)算法确定的惩罚因子c和核参数g的值分别为：c＝27.1147和g＝7.879，腿部尺寸的识别率可达至81.82％～100％)；因此，PSO算法被用于SVM模型进行尺寸类型识别。
具体地，将包括8个关键特征参数的腿部数据及对应的尺寸类别标签输入PSO算法程序，得到优化的参数c和g，然后将优化的c和g参数值带入到SVM算法中，进行尺寸类型识别。
图16是根据一示例示出的使用GS-SVM算法预测不同腿型的预测值和真实值的示意图，图17是根据一示例示出的使用PSO-SVM算法预测不同腿部尺寸的预测结果的准确性的示意图。
参考图16和图17可知，本公开实施例提供的智能腿型识别方法具有较高的腿型识别准确性和尺寸识别准确率，适用于腿部形态和尺寸识别，可以更方便地进行服装合体性设计及选择。
需要说明的是，随着人体腿部数据库的数据增加和扩充以及分类算法的优化，识别率可继续提升，而不限于此范围。
本公开实施例中，得到的腿型识别结果和腿部尺寸识别结果，可以为之后的工业制造提供数字化体型参照，可以帮助生产适用于特定用户人体的服装，特别是功能性压力服装或配件，如压力袜，紧体裤等，该方法不仅能够快速判断识别用户腿型，且有助实现低成本个性化定制或平衡客制的大规模生产，以有效响应用户适体服装需求。
本公开实施例提供的腿型智能识别方法，获取待识别腿部对象的关键特征参数值，将关键特征参数值输入至训练完成的支持向量机分类模型中，可以快速、准确地识别获得该待识别腿部对象所属的目标腿型类别及在目标腿型类别下的围度尺寸类别，从而节省基于腿型分析确定产品尺寸和形态的设计时间，提高腿部服饰设计的合体度和设计效率。
此外，本公开实施例提供的腿型智能识别方法，可以根据既定体型尺寸进行快速数字化低成本服装制造且可以提供高效的个性化服务。
需要说明的是，本公开实施例提供的体型智能识别方法、装置、电子设备及存储介质，不限于下肢腿型及尺寸的识别应用，也可应用于身体其他部位的体型和尺寸识别，例如，上肢，上身、全身或身体局部等，不做限制。
本公开实施例提供的腿型智能识别方法和系统，结合了人工智能算法、产业经验以及算法优化，构建了智能人体形态(腿型和尺寸)识别系统、识别方法以及应用场景。采用该方法，经实例测试来自于240位40-65岁人群的480个下肢(17,280个数据)，腿型 和尺寸识别率可分别达到68.67％和100％；经进一步来自80位18～25岁人群的160个下肢验证(5760个数据)，腿型和尺寸识别率可分别达到76.25％和80.63％。随着人体体型数据库的数据增加和扩充以及分类算法优化，识别率可持续提升，而不限于此范围。
图18是根据一示例示出的腿型智能识别方法及系统的整体流程的示意图。
本公开实施例中，参考图18，可以从36个人体测量基础参数中通过SVM-RFE和经验法进行关键特征选择，将选择的参数输入至SVM分类器，通过SVM分类器识别腿型及尺寸，判断是否特征数最少且识别率最高，若是，将选择的关键特征参数确定下来；若否，重新进行关键特征参数选择。在实际应用时，用户输入关键特征参数，将用户输入的关键特征参数输入至人工智能识别系统中进行用户体型和尺寸的识别，得到用户体型和尺寸识别结果，根据用户选择的产品互动端或智造互动端为用户推荐或织造合适的服饰。其中人工智能识别系统分为基础模型和优化模型，在人工智能识别系统进行优化时，可以将关键特征参数数据输入至SVM中，使用GS算法/GA算法优化SVM模型以提高腿型识别率，使用PSO算法优化SVM模型以提高腿部尺寸识别率，在每次调整参数后，判断是否识别率最高，在识别率不是最高时，继续调整参数；在识别率达到最高时优化完成，得到优化后的识别系统。
图18中各个步骤的具体过程可以参见上述实施例的文字描述，本公开在此不再赘述。
本公开实施例中，得到的系统识别结果为之后的工业制造提供数字化体型参照，其与制造程序及数据库连接，可产生适用于特定用户人体的服装，特别是功能性压力服装或配件，如压力袜，紧体裤等，为人体体型识别和应用提供了一种新方法。此方法不仅快速判断识别用户体型，且有助实现低成本个性化定制或平衡客制的大规模生产与成本，以有效响应用户适体服装需求。
还应理解，上述只是为了帮助本领域技术人员更好地理解本公开实施例，而非要限制本公开实施例的范围。本领域技术人员根据所给出的上述示例，显然可以进行各种等价的修改或变化，例如，上述方法中某些步骤可以是不必须的，或者可以新加入某些步骤等。或者上述任意两种或者任意多种实施例的组合。这样的修改、变化或者组合后的方案也落入本公开实施例的范围内。
还应理解，上文对本公开实施例的描述着重于强调各个实施例之间的不同之处，未提到的相同或相似之处可以互相参考，为了简洁，这里不再赘述。
还应理解，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本公开实施例的实施过程构成任何限定。
还应理解，在本公开的各个实施例中，如果没有特殊说明以及逻辑冲突，不同的实施例之间的术语和/或描述具有一致性、且可以相互引用，不同的实施例中的技术特征根据其内在的逻辑关系可以组合形成新的实施例。
上文详细介绍了本公开提供的腿型智能识别方法和虚拟试衣方法示例。可以理解的是，计算机设备为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，本公开能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本公开的范围。
下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。
图19是根据一示例性实施例示出的一种腿型智能识别装置的框图。
如图19所示，腿型智能识别装置1900可以包括获取模块1902和获得模块1904。
其中，获取模块1902用于获取待识别腿部对象的关键特征参数值；获得模块1904用于将所述关键特征参数值输入至训练完成的支持向量机分类模型中，获得所述待识别腿部对象所属的目标腿型类别及在所述目标腿型类别下的围度尺寸类别。
在示例性实施例中，获取模块1902还用于：获取多个腿部对象中每个腿部对象的多个基本特征参数值；确定每个腿部对象所属的腿型类别标签和围度尺寸类别标签；将所述多个腿部对象中每个腿部对象的多个基本特征参数值、所属的腿型类别标签和围度尺寸类别标签作为训练数据，根据所述训练数据对待训练的支持向量机分类模型进行训练，得到所述训练完成的支持向量机分类模型。
在示例性实施例中，获得模块1904用于：按照不同的预设比例将所述训练数据划分为训练集和测试集；针对每种预设比例，使用所述预设比例下的训练集中对所述待训练的支持向量机分类模型进行训练，得到所述预设比例下的候选支持向量机分类模型；使用所述预设比例下的测试集对所述候选支持向量机分类模型进行测试，得到所述预设比例下的识别准确率；将识别准确率最高的候选支持向量机分类模型确定为所述训练完成的支持向量机分类模型。
在示例性实施例中，获得模块1904还用于：使用网格搜索算法对所述训练完成的支持向量机分类模型中的惩罚因子和核参数进行优化，得到第一目标惩罚因子和第一目标核 参数，所述第一目标惩罚因子和所述第一目标核参数用于对腿型类别进行识别；使用粒子群优化算法对所述训练完成的支持向量机分类模型中的惩罚因子和核参数进行优化，得到第二目标惩罚因子和第二目标核参数，所述第二目标惩罚因子和所述第二目标核参数用于对围度尺寸类别进行识别。
在示例性实施例中，所述多个基本特征参数值包括脚踝最细处的围度和高度、小腿最阔处的围度和高度、膝盖下端的围度和高度、髌骨突起处的围度和高度、以及大腿根部的围度和高度；其中，获得模块1904还用于：根据每个腿部对象的大腿根部的围度和高度、以及髌骨突起处的围度和高度，确定每个腿部对象的股斜率；根据每个腿部对象的髌骨突起处的围度和高度、以及膝盖下端的围度和高度，确定每个腿部对象的膝斜率；根据每个腿部对象的脚踝最细处的围度和高度、小腿最阔处的围度和高度、以及膝盖下端的围度和高度，确定每个腿部对象的小腿侧外凸角；根据所述每个腿部对象的股斜率、膝斜率和小腿侧外凸角，对所述多个腿部对象进行聚类处理，获得每个腿部对象所属的腿型类别标签。
在示例性实施例中，获得模块1904还用于：针对每种腿型类别标签，根据属于所述腿型类别标签的每个腿部对象的脚踝最细处的围度、小腿最阔处的围度、膝盖下端的围度、以及大腿根部的围度，确定所述腿型类别标签下的多个围度尺寸类别标签，并确定每个腿部对象在所述腿型类别标签下所属的围度尺寸类别标签。
在示例性实施例中，获得模块1904还用于：根据皮尔逊相关性分析算法对多个腿型类别标签进行分组，获得多组腿型类别；其中，每组腿型类别中包括至少两个腿型类别标签，每组腿型类别中包括的腿型类别标签之间具有相关性；针对每一组腿型类别，根据所述组腿型类别中的腿型类别标签之间的相关性，从所述组腿型类别中的多个腿型类别标签中确定出基础腿型类别标签，并确定出所述基础腿型类别标签与所述组腿型类别中的其他腿型类别标签之间的转换关系；其中，所述转换关系用于实现对所述基础腿型类别标签进行参数或参数值转换以得到所述组腿型类别中的其他腿型类别标签。
在示例性实施例中，获得模块1904还用于：从多个基本特征参数中确定出多个关键特征参数，以获取待识别腿部对象的各个关键特征参数对应的关键特征参数值；其中，从多个基本特征参数中确定出多个关键特征参数，包括：获取多个腿部对象中每个腿部对象的多个基本特征参数对应的基本特征参数值；基于支持向量机递归特征消除算法和经验法，根据所述多个基本特征参数确定多个基本特征参数集合；针对每个基本特征参数集合，根据所述基本特征参数集合内包括的基本特征参数，将各个腿部对象对应的基本特征参数值输入至训练完成的支持向量机分类模型，得到每个基本特征参数集合对应的识别准确率； 将识别准确率最高的基本特征参数集合内包括的基本特征参数确定为所述多个关键特征参数。
在示例性实施例中，所述关键特征参数值包括脚踝最细处的围度、小腿最阔处的围度、膝盖下端的围度、髌骨突起处的围度、大腿中部的围度、大腿根部的围度、膝盖下端的高度和大腿根部的高度。
在示例性实施例中，所述装置还包括：推荐模块，用于根据所述待识别腿部对象所属的目标腿型类别及其围度尺寸类别，为所述待识别腿部对象对应的目标对象推荐目标服装。
需要注意的是，上述附图中所示的框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器终端设备和/或微控制器终端设备中实现这些功能实体。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
图20是根据一示例性实施例示出了适于用来实现本公开示例性实施例的电子设备的结构示意图。需要说明的是，图20示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图20所示，电子设备2000包括中央处理单元(CPU)2001，其可以根据存储在只读存储器(ROM)2002中的程序或者从存储部分2008加载到随机访问存储器(RAM)2003中的程序而执行各种适当的动作和处理。在RAM 2003中，还存储有系统2000操作所需的各种程序和数据。CPU 2001、ROM 2002以及RAM 2003通过总线2004彼此相连。输入/输出(I/O)接口2005也连接至总线2004。
以下部件连接至I/O接口2005：包括键盘、鼠标等的输入部分2006(或手触数字化屏幕、台式计算机或其他显示方式或装置)；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分2007；包括硬盘等的存储部分2008；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分2009。通信部分2009经由诸如因特网的网络执行通信处理。驱动器2010也根据需要连接至I/O接口2005。可拆卸介质2011，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器2010上，以便于从其上读出的计算机程序根据需要被安装入存储部分2008。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件(如智能手机上的应用程序APP)程序。例如，本公开的实施例包括一种计算机程序产品， 其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分2009从网络上被下载和安装，和/或从可拆卸介质2011被安装。在该计算机程序被中央处理单元(CPU)2001执行时，执行本公开的系统中限定的上述功能。
需要说明的是，本公开所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括 发送单元、获取单元、确定单元和第一处理单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，发送单元还可以被描述为“向所连接的服务端发送图片获取请求的单元”。
作为另一方面，本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现如上述实施例中所述的方法。例如，所述的电子设备可以实现如图1所示的各个步骤。
根据本公开的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述实施例的各种可选实现方式中提供的方法。
需要理解的是，在本公开附图中的任何元素数量均用于示例而非限制，以及任何命名都仅用于区分，而不具有任何限制含义。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
工业实用性
本公开适用于人工智能技术领域，用以解决相关技术中分类识别方法未考虑腿部形态从而导致分类的准确率较低的问题，达到快速、准确地识别获得该待识别腿部对象所属的目标腿型类别及在目标腿型类别下的围度尺寸类别的效果。

Claims (13)

  1. 一种腿型智能识别方法，包括：
    获取待识别腿部对象的关键特征参数值；
    将所述关键特征参数值输入至训练完成的支持向量机分类模型中，获得所述待识别腿部对象所属的目标腿型类别及在所述目标腿型类别下的围度尺寸类别。
  2. 根据权利要求1所述的方法，其中，在将所述关键特征参数输入至训练完成的支持向量机分类模型中之前，所述方法还包括：
    获取多个腿部对象中每个腿部对象的多个基本特征参数值；
    确定每个腿部对象所属的腿型类别标签和围度尺寸类别标签；
    将所述多个腿部对象中每个腿部对象的多个基本特征参数值、所属的腿型类别标签和围度尺寸类别标签作为训练数据，根据所述训练数据对待训练的支持向量机分类模型进行训练，得到所述训练完成的支持向量机分类模型。
  3. 根据权利要求2所述的方法，其中，根据所述训练数据对待训练的支持向量机分类模型进行训练，得到所述训练完成的支持向量机分类模型，包括：
    按照不同的预设比例将所述训练数据划分为训练集和测试集；
    针对每种预设比例，使用所述预设比例下的训练集中对所述待训练的支持向量机分类模型进行训练，得到所述预设比例下的候选支持向量机分类模型；使用所述预设比例下的测试集对所述候选支持向量机分类模型进行测试，得到所述预设比例下的识别准确率；
    将识别准确率最高的候选支持向量机分类模型确定为所述训练完成的支持向量机分类模型。
  4. 根据权利要求2所述的方法，其中，还包括：
    使用网格搜索算法对所述训练完成的支持向量机分类模型中的惩罚因子和核参数进行优化，得到第一目标惩罚因子和第一目标核参数，所述第一目标惩罚因子和所述第一目标核参数用于对腿型类别进行识别；
    使用粒子群优化算法对所述训练完成的支持向量机分类模型中的惩罚因子和核参数进行优化，得到第二目标惩罚因子和第二目标核参数，所述第二目标惩罚因子和所述第二目标核参数用于对围度尺寸类别进行识别。
  5. 根据权利要求2所述的方法，其中，所述多个基本特征参数值为36个基本特征参数值，所述36个基本特征参数值包括脚踝最细处的围度和高度、小腿最阔处的围度和高度、膝盖下端的围度和高度、髌骨突起处的围度和高度、以及大腿根部的围度和高度；
    其中，确定每个腿部对象所属的腿型类别标签和围度尺寸类别标签，包括：
    根据每个腿部对象的大腿根部的围度和高度、以及髌骨突起处的围度和高度，确定每个腿部对象的股斜率；
    根据每个腿部对象的髌骨突起处的围度和高度、以及膝盖下端的围度和高度，确定每 个腿部对象的膝斜率；
    根据每个腿部对象的脚踝最细处的围度和高度、小腿最阔处的围度和高度、以及膝盖下端的围度和高度，确定每个腿部对象的小腿侧外凸角；
    根据所述每个腿部对象的股斜率、膝斜率和小腿侧外凸角，对所述多个腿部对象进行聚类处理，获得每个腿部对象所属的腿型类别标签。
  6. 根据权利要求5所述的方法，其中，确定每个腿部对象所属的腿型类别标签和围度尺寸类别标签，包括：
    针对每种腿型类别标签，根据属于所述腿型类别标签的每个腿部对象的脚踝最细处的围度、小腿最阔处的围度、膝盖下端的围度、以及大腿根部的围度，确定所述腿型类别标签下的多个围度尺寸类别标签，并确定每个腿部对象在所述腿型类别标签下所属的围度尺寸类别标签。
  7. 根据权利要求2所述的方法，其中，在确定每个腿部对象所属的腿型类别标签之后，所述方法还包括：
    根据皮尔逊相关性分析算法对多个腿型类别标签进行分组，获得多组腿型类别；其中，每组腿型类别中包括至少两个腿型类别标签，每组腿型类别中包括的腿型类别标签之间具有相关性；
    针对每一组腿型类别，根据所述组腿型类别中的腿型类别标签之间的相关性，从所述组腿型类别中的多个腿型类别标签中确定出基础腿型类别标签，并确定出所述基础腿型类别标签与所述组腿型类别中的其他腿型类别标签之间的转换关系；其中，所述转换关系用于实现对所述基础腿型类别标签进行参数或参数值转换以得到所述组腿型类别中的其他腿型类别标签。
  8. 根据权利要求1所述的方法，其中，在获取待识别腿部对象的关键特征参数值之前，所述方法还包括：
    从多个基本特征参数中确定出多个关键特征参数，以获取待识别腿部对象的各个关键特征参数对应的关键特征参数值；
    其中，从多个基本特征参数中确定出多个关键特征参数，包括：
    获取多个腿部对象中每个腿部对象的多个基本特征参数对应的基本特征参数值；
    基于支持向量机递归特征消除算法和经验法，根据所述多个基本特征参数确定多个基本特征参数集合；
    针对每个基本特征参数集合，根据所述基本特征参数集合内包括的基本特征参数，将各个腿部对象对应的基本特征参数值输入至训练完成的支持向量机分类模型，得到每个基本特征参数集合对应的识别准确率；
    将识别准确率最高的基本特征参数集合内包括的基本特征参数确定为所述多个关键特征参数。
  9. 根据权利要求1所述的方法，其中，所述关键特征参数值包括脚踝最细处的围度、 小腿最阔处的围度、膝盖下端的围度、髌骨突起处的围度、大腿中部的围度、大腿根部的围度、膝盖下端的高度和大腿根部的高度。
  10. 根据权利要求1所述的方法，其中，还包括：
    根据所述待识别腿部对象所属的目标腿型类别及其围度尺寸类别，为所述待识别腿部对象对应的目标对象推荐目标服装。
  11. 一种腿型智能识别装置，包括：
    获取模块，用于获取待识别腿部对象的关键特征参数值；
    获得模块，用于将所述关键特征参数值输入至训练完成的支持向量机分类模型中，获得所述待识别腿部对象所属的目标腿型类别及在所述目标腿型类别下的围度尺寸类别。
  12. 一种电子设备，包括：
    至少一个处理器；
    存储装置，用于存储至少一个程序，当所述至少一个程序被所述至少一个处理器执行时，使得所述至少一个处理器实现如权利要求1至10中任一项所述的方法。
  13. 一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至10中任一项所述的方法。
PCT/CN2024/113888 2023-09-05 2024-08-22 腿型智能识别方法、装置、电子设备及存储介质 Pending WO2025050993A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202311139982.8A CN119580296A (zh) 2023-09-05 2023-09-05 腿型智能识别方法、装置、电子设备及存储介质
CN202311139982.8 2023-09-05

Publications (1)

Publication Number Publication Date
WO2025050993A1 true WO2025050993A1 (zh) 2025-03-13

Family

ID=94814576

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2024/113888 Pending WO2025050993A1 (zh) 2023-09-05 2024-08-22 腿型智能识别方法、装置、电子设备及存储介质

Country Status (2)

Country Link
CN (1) CN119580296A (zh)
WO (1) WO2025050993A1 (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170006604A (ko) * 2015-07-08 2017-01-18 주식회사 케이티 서버 장치 및 이에 의한 의류 추천 방법
US20190038181A1 (en) * 2018-06-29 2019-02-07 Intel Corporation Measuring limb range of motion
CN112070031A (zh) * 2020-09-09 2020-12-11 中金育能教育科技集团有限公司 体态检测方法、装置及设备
US20220351835A1 (en) * 2021-04-29 2022-11-03 Michael J. Weiler Identifying body part or body area anatomical landmarks from digital imagery for the fitting of compression garments for a person in need thereof
CN116503892A (zh) * 2022-01-21 2023-07-28 华为技术有限公司 基于图像的姿态判断方法及电子设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170006604A (ko) * 2015-07-08 2017-01-18 주식회사 케이티 서버 장치 및 이에 의한 의류 추천 방법
US20190038181A1 (en) * 2018-06-29 2019-02-07 Intel Corporation Measuring limb range of motion
CN112070031A (zh) * 2020-09-09 2020-12-11 中金育能教育科技集团有限公司 体态检测方法、装置及设备
US20220351835A1 (en) * 2021-04-29 2022-11-03 Michael J. Weiler Identifying body part or body area anatomical landmarks from digital imagery for the fitting of compression garments for a person in need thereof
CN116503892A (zh) * 2022-01-21 2023-07-28 华为技术有限公司 基于图像的姿态判断方法及电子设备

Also Published As

Publication number Publication date
CN119580296A (zh) 2025-03-07

Similar Documents

Publication Publication Date Title
US10242396B2 (en) Automatic color palette based recommendations for affiliated colors
CN102917135B (zh) 一种推荐用户穿衣搭配的方法及装置
CN113486436B (zh) 基于树形结构的软装设计方法、装置、设备及存储介质
CN107330750B (zh) 一种推荐产品配图方法及装置，电子设备
CN112633601B (zh) 疾病事件发生概率的预测方法、装置、设备及计算机介质
CN109872216A (zh) 一种定制家具设计方法和设计装置
WO2017215346A1 (zh) 业务数据分类方法和装置
CN110580649A (zh) 一种商品潜力值的确定方法和装置
CN108153894A (zh) 一种olap数据模型自动建模的方法、分类器
CN109360050A (zh) 基于感性需求的个人服装管理与个性化搭配推荐智能系统
CN111737473A (zh) 文本分类方法、装置及设备
CN113988978A (zh) 基于知识图谱的服装搭配推荐方法、系统以及设备
CN111626767A (zh) 资源数据的发放方法、装置及设备
CN114548229B (zh) 训练数据增广方法、装置、设备和存储介质
CN110555627A (zh) 实体展示方法、装置、存储介质和电子设备
WO2025050993A1 (zh) 腿型智能识别方法、装置、电子设备及存储介质
CN110110859A (zh) 确定企业选址的方法、装置、电子设备及介质
EP3673427A1 (en) Computer system for optimizing garment inventory of retailer based on shapes of users
CN117271932A (zh) 一种软件开发平台的动态资源管理方法
CN111475158A (zh) 子领域划分方法、装置、电子设备和计算机可读存储介质
CN105446845B (zh) 一种智能终端rom流畅度评测方法及系统
CN107910044A (zh) 对象推送方法及系统
CN118429785A (zh) 一种图像生成方法、装置、设备、存储介质及产品
KR102606249B1 (ko) 뇌 혈관 모델링을 이용한 병변 분석 방법 및 그 장치
CN115796570A (zh) 基于人口拐卖数据的热点区构建方法、装置以及设备

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 24861837

Country of ref document: EP

Kind code of ref document: A1