一种基于三维扫描和大数据的虚拟试衣系统及方法

1.本发明涉及计算机技术领域，尤其涉及一种基于三维扫描和大数据的虚拟试衣系统及方法。


背景技术：

2.随着数字化与计算机交互应用的快速发展，在服装消费领域，人们越来越青睐于“便捷购物”模式，其中最具代表性的就是“网购”这一消费模式。与在特定商场购物相比，方便快捷、省时省力是服装网购的最大优点。但足不出户的消费方式也带来了新的问题，由于在购买前难以接触到服装实物，导致顾客最终的穿着效果与其预期产生较大偏差。差评率高、退货率高也是服装网购这一消费模式带来的最大问题。另外，实体店购买的消费模式也存在选择困难、试衣繁琐等问题，为了优化这些因素带来的购物体验，三维虚拟试衣系统应运而生。
3.目前，国内现有的三维虚拟试衣技术通常是通过摄像头拍摄用户的二维图像，并通过多个方向上的二维图像构建用户的整体三维模型。虽然理论上三个方向的二维视图足以构建出三维物体的真实模型，但该方法仍可能忽视掉用户三维实体上的一些细节。并且在选衣过程中，顾客可能没有明确的试衣目标，需要虚拟试衣系统推荐一些适合用户的服装模型，但现有的虚拟试衣系统没有较好的应用大数据分析推荐算法，进而不能给用户较好的体验。


技术实现要素：

4.针对现有技术中的上述不足，本发明提供的一种基于三维扫描和大数据的虚拟试衣系统解决了现有技术三维模型准确性不高的问题。
5.为了达到上述发明目的，本发明采用的技术方案为：一种基于三维扫描和大数据的虚拟试衣系统，包括存储单元、三维扫描单元、三维分割单元、大数据推荐单元、模型对比单元、场景构建单元、动作捕捉单元和显示单元；
6.所述存储单元用于对人体三维模型、服装模型集和历史试衣数据的存储；
7.所述三维扫描单元用于对人体以及服装进行扫描，获得精确完整的人体模型和服装模型；
8.所述三维分割单元用于将人体三维模型和服装模型分割为若干个部分，并在各个部分的边界之间寻得关键点；
9.所述大数据推荐单元用于对用户的试衣记录信息进行采集，并通过算法和筛选条件为用户提供服装模型的个性化推荐；
10.所述模型比对单元用于将当前试穿的服装模型与上一个试穿的服装模型进行对比，根据关键点之间是否冲突决定服装模型间进行叠加或是覆盖；
11.所述场景构建单元用于对试衣场景进行建模，得到虚拟场景模型；
12.所述动作捕捉单元用于对用户试衣动作进行捕捉，并将其显示为人体三维模型的
同步动作；
13.所述显示单元用于显示试衣的三维效果。
14.本发明还提供了一种基于三维扫描和大数据的虚拟试衣系统的虚拟试衣方法，包括以下步骤：
15.s1、对多个实物服装进行处理，得到若干服装模型作为服装模型集，并将服装模型集存入存储单元；
16.s2、扫描用户的人体特征，对人体特征进行处理，得到人体三维模型，并将人体三维模型存入存储单元；
17.s3、读取用户选取的服装模型和用户的人体三维模型，进行虚拟试衣，得到当次试衣数据；
18.s4、询问用户是否保留当次试衣数据；
19.若是，则将当次试衣数据存入存储单元作为历史试衣数据，完成虚拟试衣；
20.若否，则完成虚拟试衣。
21.进一步地：所述步骤s1包括以下分步骤：
22.s11、使用三维扫描单元通过白光相位法对多个实物服装进行扫描，并通过光栅图记录服装特征的方式得到若干服装模型的点云数据；
23.s12、利用得到的若干点云数据实现实物服装的三维模型建模，得到若干初始服装模型作为初始服装模型集；
24.s13、对初始服装模型集进行服装款式分析，并根据服装款式分析对初始服装模型进行分割，得到若干服装部件作为服装部件集；
25.其中，所述服装部件集包括上身部件集、下身部件集、衣袖部件集和配饰部件集；
26.s14、基于服装部件集，实现符合柔性服装款式约束的服装部件重新组合，得到新的服装模型，根据新的服装模型对初始服装模型集进行更新，得到服装模型集，并将服装模型集存入存储单元。
27.进一步地：所述步骤s13中对初始服装模型集进行服装款式分析的方法为：利用数据驱动和协同分析的方法对初始服装模型集进行语义分割，聚类出具有合理完备性的服装形状款式和类别属性。
28.进一步地：所述步骤s14中，得到新的服装模型的方法包括以下分步骤：
29.s1401、将不同类别的服装部件集作为输入，将服装部件的面积和边界周长比例作为连续款式描述算子，对这些服装部件之间的相似度进行度量，得到度量服装部件重新组合的合理性；
30.s1402、根据服装部件重新组合的合理性，在相似度的度量值最高时在三种组合方式中选择一种方式进行组合；
31.s1403、完成组合后，对组合后的服装模型进行基于加权迭代对应点的全局优化，实现符合柔性服装款式约束的服装部件重新组合，得到新的服装模型。
32.进一步地：所述步骤s1402中的三种组合方式具体为：
33.组合方式一：将待拼接的两个目标服装部件以曲面在几何上连续，在拓扑上不要求连续的方式组合，即两个部件拼接边界上的网格顶点不重合；
34.完成组合后，两个部件模型仍然保持各自的拓扑结构；
35.组合方式二：将待拼接的两个目标服装部件以曲面在几何上连续，且在拓扑上也要求连续的方式组合；
36.其中，组合完成后生成新的服装模型曲面是一个实体，且袖笼的边界不进行合并；
37.组合方式三：将待拼接的两个目标服装部件以曲面在几何上连续，且在拓扑上也要求连续的方式组合；
38.其中，组合完成后生成新的服装模型曲面是一个实体，且部件轮廓线也进行合并。
39.进一步地：所述步骤s2包括以下分步骤：
40.s21、使用三维扫描单元对用户人体进行扫描，得到初始人体三维模型；
41.s22、使用三维分割单元将初始人体三维模型分为若干部分，并明确各部分之间的关键分界点；
42.其中，若干部分包括上半身、下半身、头部、手部和足部；关键分界点包括左右腋下几何中心、脖子几何中心、手腕几何中心、脚踝几何中心和会阴部几何中心；
43.s23、将明确各部分之间的关键分界点的初始人体三维模型作为人体三维模型，并将人体三维模型存入存储单元。
44.进一步地：所述步骤s21包括以下分步骤：
45.s2101、通过三维扫描单元调节光源发出白光，并调节光学投影设施将光栅投影至用户身体表面，得到携带人体特征的信息数据；
46.s2102、对携带人体特征的信息数据进行处理，得到人体尺寸的点云数据，并匹配出对应的初始人体模型；
47.s2103、读取用户上传的多张人脸图片，根据多张人脸图片修改初始人体模型脸部的顶点，并使用b样条插值法来细化并光滑初始模型的脸部特征，得到三维人脸模型；
48.s2104、组合修改后的初始人体模型和三维人脸模型，得到初始人体三维模型。
49.进一步地：所述步骤s22包括以下分步骤：
50.s2201、使用三维分割单元分割出初始人体三维模型的骨架模型，并与存储单元中预存的人体模型库中的模板三维骨架模型进行比对，得到初始人体模型中的三维骨架模型；
51.其中，初始人体模型中的三维骨架模型包含关节点的语义信息和初始人体三维模型分割后的骨骼标签信息；
52.s2202、以初始人体模型中的三维骨架模型的骨骼的中点为代表点，获取其横截平面，在其截平面上以骨骼中心径向均匀采样多个方向，选取径向距离最短的采样方向作为备选关键点的采样方向，与备选关键点采样方向上的交点距离最近的模型顶点作为该骨骼及其分割块对应的备选关键点；
53.其中，备选关键点的分割标签与骨架上各骨骼保持一致，使每一个分割块均有与其对应的备选关键点；
54.s2203、以备选关键点为聚类中心，利用特征相似性对模型顶点进行聚类，使有相同分割标签的备选关键点为同一类，不同分割标签的备选关键点为不同类；
55.s2204、以备选关键点为边界约束骨架，获取分割线候选集；
56.s2205、对分割线候选集进行筛选，得到准确的分割线，并将准确的分割线的与骨架几何中心的交点作为关键分界点。
57.进一步地：所述步骤s3包括以下分步骤：
58.s31、读取用户的人体三维模型，并根据用户选取的服装模型和用户的人体三维模型，使用基于点云数据的逆向建模法，获取场景的空间几何信息，建立虚拟场景模型；
59.s32、使用大数据推荐单元，向用户推荐服装模型；
60.所述大数据推荐单元根据用户年龄、用户选取的服装模型和历史试衣数据，为用户推荐的服装模型，从而形成服装模型的个性化推荐；
61.s33、读取用户选取的服装模型，判断用户选取的服装模型是否为单一服装模型；
62.若是，则进入步骤s35；
63.若否，则进入步骤s34；
64.s34、将用户选取的服装模型以链表形式存储，每个节点为单一服装模型，遍历服装模型链表；
65.若当前节点的服装模型的关键点与前一节点的服装模型的关键分界点冲突，则使用当前服装模型覆盖前一节点的服装模型；
66.若当前节点的服装模型的关键点与前一节点的服装模型的关键分界点不冲突，则将当前服装模型和前一节点的服装模型叠加；
67.遍历完成后，进入步骤s33；
68.s35、在虚拟场景模型中，使用动作捕捉单元捕捉用户试衣时的运动动作，并将其数字离散化后传递给虚拟试衣系统，虚拟试衣系统将数字信号反馈到得到的静态穿衣模型，使穿衣模型达到与用户同步的运动效果；
69.用户停止试衣后，得到当次试衣数据。
70.本发明的有益效果为：
71.1.通过三维扫描技术从三维人体点云数据得到三维模型，不存在维度变更误差和尺寸数据误差，提升了三维模型的准确性；
72.2.使用的三维扫描技术建模比传统摄影建模方法的灵活性更高，三维人体扫描仪可以通过手持的方式从一个场所移动到另一个场所，便携性强；
73.3.本发明所使用的三维扫描建模方法允许用户在扫描过程中有一定的动作幅度，相比传统摄影建模方法需要用户在拍照过程保持静止，提升了用户体验，使系统更具人性化；
74.4.提供根据大数据向用户推荐服装模型的功能。
附图说明
75.图1为本发明所述的虚拟试衣系统的结构图。
76.图2为本发明所述的虚拟试衣方法的流程图。
具体实施方式
77.下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
78.如图1所示，在本发明的一个实施例中，提供了一种基于三维扫描和大数据的虚拟试衣系统，包括存储单元、三维扫描单元、三维分割单元、大数据推荐单元、模型对比单元、场景构建单元、动作捕捉单元和显示单元；
79.所述存储单元用于对人体三维模型、服装模型集和历史试衣数据的存储；
80.所述三维扫描单元用于对人体以及服装进行扫描，获得精确完整的人体模型和服装模型；
81.所述三维分割单元用于将人体三维模型和服装模型分割为若干个部分，并在各个部分的边界之间寻得关键点；
82.所述大数据推荐单元用于对用户的试衣记录信息进行采集，并通过算法和筛选条件为用户提供服装模型的个性化推荐；
83.所述模型比对单元用于将当前试穿的服装模型与上一个试穿的服装模型进行对比，根据关键点之间是否冲突决定服装模型间进行叠加或是覆盖；
84.所述场景构建单元用于对试衣场景进行建模，得到虚拟场景模型；
85.所述动作捕捉单元用于对用户试衣动作进行捕捉，并将其显示为人体三维模型的同步动作；
86.所述显示单元用于显示试衣的三维效果。
87.如图2所示，在本发明的一个实施例中，提供了一种基于三维扫描和大数据的虚拟试衣系统的虚拟试衣方法，包括以下步骤：
88.s1、对多个实物服装进行处理，得到若干服装模型作为服装模型集，并将服装模型集存入存储单元；
89.s2、扫描用户的人体特征，对人体特征进行处理，得到人体三维模型，并将人体三维模型存入存储单元；
90.s3、读取用户选取的服装模型和用户的人体三维模型，进行虚拟试衣，得到当次试衣数据；
91.s4、询问用户是否保留当次试衣数据；
92.若是，则将当次试衣数据存入存储单元作为历史试衣数据，完成虚拟试衣；
93.若否，则完成虚拟试衣。
94.在本实施例中，所述步骤s1包括以下分步骤：
95.s11、使用三维扫描单元通过白光相位法对多个实物服装进行扫描，并通过光栅图记录服装特征的方式得到若干服装模型的点云数据；
96.s12、利用得到的若干点云数据实现实物服装的三维模型建模，得到若干初始服装模型作为初始服装模型集；
97.s13、对初始服装模型集进行服装款式分析，并根据服装款式分析对初始服装模型进行分割，得到若干服装部件作为服装部件集；
98.其中，所述服装部件集包括上身部件集、下身部件集、衣袖部件集和配饰部件集；
99.s14、基于服装部件集，实现符合柔性服装款式约束的服装部件重新组合，得到新的服装模型，根据新的服装模型对初始服装模型集进行更新，得到服装模型集，并将服装模型集存入存储单元。
100.在本实施例中，所述步骤s13中对初始服装模型集进行服装款式分析的方法为：利
用数据驱动和协同分析的方法对初始服装模型集进行语义分割，聚类出具有合理完备性的服装形状款式和类别属性。
101.在本实施例中，所述步骤s14中，得到新的服装模型的方法包括以下分步骤：
102.s1401、将不同类别的服装部件集作为输入，将服装部件的面积和边界周长比例作为连续款式描述算子，对这些服装部件之间的相似度进行度量，得到度量服装部件重新组合的合理性；
103.s1402、根据服装部件重新组合的合理性，在相似度的度量值最高时在三种组合方式中选择一种方式进行组合；
104.s1403、完成组合后，对组合后的服装模型进行基于加权迭代对应点的全局优化，实现符合柔性服装款式约束的服装部件重新组合，得到新的服装模型。
105.在本实施例中，所述步骤s1402中的三种组合方式具体为：
106.组合方式一：将待拼接的两个目标服装部件以曲面在几何上连续，在拓扑上不要求连续的方式组合，即两个部件拼接边界上的网格顶点不重合；
107.完成组合后，两个部件模型仍然保持各自的拓扑结构；
108.组合方式二：将待拼接的两个目标服装部件以曲面在几何上连续，且在拓扑上也要求连续的方式组合；
109.其中，组合完成后生成新的服装模型曲面是一个实体，且袖笼的边界不进行合并；
110.组合方式三：将待拼接的两个目标服装部件以曲面在几何上连续，且在拓扑上也要求连续的方式组合；
111.其中，组合完成后生成新的服装模型曲面是一个实体，且部件轮廓线也进行合并。
112.在本实施例中，所述步骤s2包括以下分步骤：
113.s21、使用三维扫描单元对用户人体进行扫描，得到初始人体三维模型；
114.s22、使用三维分割单元将初始人体三维模型分为若干部分，并明确各部分之间的关键分界点；
115.其中，若干部分包括上半身、下半身、头部、手部和足部；关键分界点包括左右腋下几何中心、脖子几何中心、手腕几何中心、脚踝几何中心和会阴部几何中心；
116.s23、将明确各部分之间的关键分界点的初始人体三维模型作为人体三维模型，并将人体三维模型存入存储单元。
117.在本实施例中，所述步骤s21包括以下分步骤：
118.s2101、通过三维扫描单元调节光源发出白光，并调节光学投影设施将光栅投影至用户身体表面，得到携带人体特征的信息数据；
119.s2102、对携带人体特征的信息数据进行处理，得到人体尺寸的点云数据，并匹配出对应的初始人体模型；
120.s2103、读取用户上传的多张人脸图片，根据多张人脸图片修改初始人体模型脸部的顶点，并使用b样条插值法来细化并光滑初始模型的脸部特征，得到三维人脸模型；
121.s2104、组合修改后的初始人体模型和三维人脸模型，得到初始人体三维模型。
122.所述步骤s22包括以下分步骤：
123.s2201、使用三维分割单元分割出初始人体三维模型的骨架模型，并与存储单元中预存的人体模型库中的模板三维骨架模型进行比对，得到初始人体模型中的三维骨架模
型；
124.其中，初始人体模型中的三维骨架模型包含关节点的语义信息和初始人体三维模型分割后的骨骼标签信息；
125.s2202、以初始人体模型中的三维骨架模型的骨骼的中点为代表点，获取其横截平面，在其截平面上以骨骼中心径向均匀采样多个方向，选取径向距离最短的采样方向作为备选关键点的采样方向，与备选关键点采样方向上的交点距离最近的模型顶点作为该骨骼及其分割块对应的备选关键点；
126.其中，备选关键点的分割标签与骨架上各骨骼保持一致，使每一个分割块均有与其对应的备选关键点；
127.s2203、以备选关键点为聚类中心，利用特征相似性对模型顶点进行聚类，使有相同分割标签的备选关键点为同一类，不同分割标签的备选关键点为不同类；
128.s2204、以备选关键点为边界约束骨架，获取分割线候选集；
129.由于骨架上每块骨骼均有与其对应的分割标签，当相邻的2块骨骼的分割标签不一致时，说明该区域存在一条分割线，因为关键点的分割标签与骨架上各骨骼保持一致，所以可以根据关键点确定边界。
130.根据这一原理，虚拟试衣系统通过骨架的长度对最优分割线的位置进行了预估，自适应地选取等值线的取值区间，在该取值区间内均匀取若干值，得到的若干条等线即构成的该分割区域的分割线候选集；
131.对于人体模型的凹区域，分割线的位置可以通过曲率等特征确定；但对于模型相对平坦的区域，由于特征的缺失导致分割线难以确定，如伸直的胳膊在腕关节处的分割线。
132.首先，通过模型的最小主曲率将模型分成分割特征明显的区域和分割特征不明显的区域；对于一个分割线候选集，若大多数分割线上点的最小曲率值小于凹区域阈值，则该区域为分割特征明显的区域；否则，该区域为分割特征不明显的区域.凹区域阈值定义为使模型1/10的顶点的曲率小于该阈值的值；
133.s2205、对分割线候选集进行筛选，得到准确的分割线，并将准确的分割线的与骨架几何中心的交点作为关键分界点；
134.虚拟试衣系统对分割线候选集进行分割线筛选时，考虑分割线上点到2个分割块的谱特征差异、分割线上点的平均曲率值、分割线上点的平均曲率值3个因素，在考虑权重的前提下，计算分割线度量值，并将度量值最大的分割线作为最优分割线；
135.虚拟试衣系统对分割线候选集进行分割线筛选时，考虑骨架的分割线的中心点与模型对应关节点之间的距离和分割线的中心性2个因素，在考虑权重的前提下，计算分割线度量值，并将度量值最大的分割线作为最优分割线。
136.在本实施例中，所述步骤s3包括以下分步骤：
137.s31、读取用户的人体三维模型，并根据用户选取的服装模型和用户的人体三维模型，使用基于点云数据的逆向建模法，获取场景的空间几何信息，建立虚拟场景模型；
138.s32、使用大数据推荐单元，向用户推荐服装模型；
139.所述大数据推荐单元根据用户年龄、用户选取的服装模型和历史试衣数据，为用户推荐的服装模型，从而形成服装模型的个性化推荐；
140.s33、读取用户选取的服装模型，判断用户选取的服装模型是否为单一服装模型；
141.若是，则进入步骤s35；
142.若否，则进入步骤s34；
143.s34、将用户选取的服装模型以链表形式存储，每个节点为单一服装模型，遍历服装模型链表；
144.若当前节点的服装模型的关键点与前一节点的服装模型的关键分界点冲突，则使用当前服装模型覆盖前一节点的服装模型；
145.若当前节点的服装模型的关键点与前一节点的服装模型的关键分界点不冲突，则将当前服装模型和前一节点的服装模型叠加；
146.遍历完成后，进入步骤s33；
147.s35、在虚拟场景模型中，使用动作捕捉单元捕捉用户试衣时的运动动作，并将其数字离散化后传递给虚拟试衣系统，虚拟试衣系统将数字信号反馈到得到的静态穿衣模型，使穿衣模型达到与用户同步的运动效果；
148.用户停止试衣后，得到当次试衣数据。
149.本专利将三维扫描、大数据分析以及虚拟现实技术相结合，取缔传统的“挑选—尺寸—试穿”的过程，打造“进虚拟试衣间——浏览服装——感受虚拟关闭效果”的新模式，即消费者首先在试衣间内经过三维扫描设备扫描出身形信息，然后填写表格信息作为系统筛选服装模型的标准；当选定最符合要求的特定服装后，系统便会构建符合要求的虚拟场景。
150.虚拟场景构建后，消费者便可通过虚拟现实技术中的vr设备在虚拟场景中看到着装后的自己了，同时系统动作捕捉单元会实时捕捉用户动作，所以用户甚至能够看到自己做的一些动作被展示出来。
151.所以本专利不仅节省了用户逛街挑选服装的时间，而且节省了用户试装的时间，还能让用户从虚拟世界模拟出的不同场景进行更加深入的欣赏。
152.在本发明的描述中，需要理解的是，术语“中心”、“厚度”、“上”、“下”、“水平”、“顶”、“底”、“内”、“外”、“径向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的设备或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性或隐含指明的技术特征的数量。因此，限定由“第一”、“第二”、“第三”的特征可以明示或隐含地包括一个或者更多个该特征。

技术特征：
1.一种基于三维扫描和大数据的虚拟试衣系统，其特征在于：包括存储单元、三维扫描单元、三维分割单元、大数据推荐单元、模型对比单元、场景构建单元、动作捕捉单元和显示单元；所述存储单元用于对人体三维模型、服装模型集和历史试衣数据的存储；所述三维扫描单元用于对人体以及服装进行扫描，获得精确完整的人体模型和服装模型；所述三维分割单元用于将人体三维模型和服装模型分割为若干个部分，并在各个部分的边界之间寻得关键点；所述大数据推荐单元用于对用户的试衣记录信息进行采集，并通过算法和筛选条件为用户提供服装模型的个性化推荐；所述模型比对单元用于将当前试穿的服装模型与上一个试穿的服装模型进行对比，根据关键点之间是否冲突决定服装模型间进行叠加或是覆盖；所述场景构建单元用于对试衣场景进行建模，得到虚拟场景模型；所述动作捕捉单元用于对用户试衣动作进行捕捉，并将其显示为人体三维模型的同步动作；所述显示单元用于显示试衣的三维效果。2.一种基于权利要求1所述的三维扫描和大数据的虚拟试衣系统的虚拟试衣方法，其特征在于，包括以下步骤：s1、对多个实物服装进行处理，得到若干服装模型作为服装模型集，并将服装模型集存入存储单元；s2、扫描用户的人体特征，对人体特征进行处理，得到人体三维模型，并将人体三维模型存入存储单元；s3、用户的人体三维模型，进行虚拟试衣，得到当次试衣数据；s4、询问用户是否保留当次试衣数据；若是，则将当次试衣数据存入存储单元作为历史试衣数据，完成虚拟试衣；若否，则完成虚拟试衣。3.根据权利要求2所述的虚拟试衣方法，其特征在于，所述步骤s1包括以下分步骤：s11、使用三维扫描单元通过白光相位法对多个实物服装进行扫描，并通过光栅图记录服装特征的方式得到若干服装模型的点云数据；s12、利用得到的若干点云数据实现实物服装的三维模型建模，得到若干初始服装模型作为初始服装模型集；s13、对初始服装模型集进行服装款式分析，并根据服装款式分析对初始服装模型进行分割，得到若干服装部件作为服装部件集；其中，所述服装部件集包括上身部件集、下身部件集、衣袖部件集和配饰部件集；s14、基于服装部件集，实现符合柔性服装款式约束的服装部件重新组合，得到新的服装模型，根据新的服装模型对初始服装模型集进行更新，得到服装模型集，并将服装模型集存入存储单元。4.根据权利要求3所述的虚拟试衣方法，其特征在于，所述步骤s13中对初始服装模型集进行服装款式分析的方法为：利用数据驱动和协同分析的方法对初始服装模型集进行语
义分割，聚类出具有合理完备性的服装形状款式和类别属性。5.根据权利要求3所述的虚拟试衣方法，其特征在于，所述步骤s14中，得到新的服装模型的方法包括以下分步骤：s1401、将不同类别的服装部件集作为输入，将服装部件的面积和边界周长比例作为连续款式描述算子，对服装部件之间的相似度进行度量，得到度量服装部件重新组合的合理性；s1402、根据服装部件重新组合的合理性，在相似度的度量值最高时，确定度量服装部件的组合方式；s1403、完成组合后，对组合后的服装模型进行基于加权迭代对应点的全局优化，实现符合柔性服装款式约束的服装部件重新组合，得到新的服装模型。6.根据权利要求5所述的虚拟试衣方法，其特征在于：所述步骤s1402中的组合方式包括：组合方式一：将待拼接的两个目标服装部件以曲面在几何上连续，在拓扑上不要求连续的方式组合，即两个部件拼接边界上的网格顶点不重合；完成组合后，两个部件模型仍然保持各自的拓扑结构；组合方式二：将待拼接的两个目标服装部件以曲面在几何上连续，且在拓扑上也要求连续的方式组合；其中，组合完成后生成新的服装模型曲面是一个实体，且袖笼的边界不进行合并；组合方式三：将待拼接的两个目标服装部件以曲面在几何上连续，且在拓扑上也要求连续的方式组合；其中，组合完成后生成新的服装模型曲面是一个实体，且部件轮廓线也进行合并。7.根据权利要求2所述的虚拟试衣方法，其特征在于，所述步骤s2包括以下分步骤：s21、使用三维扫描单元对用户人体进行扫描，得到初始人体三维模型；s22、使用三维分割单元将初始人体三维模型分为若干部分，并明确各部分之间的关键分界点；其中，若干部分包括上半身、下半身、头部、手部和足部；关键分界点包括左右腋下几何中心、脖子几何中心、手腕几何中心、脚踝几何中心和会阴部几何中心；s23、将明确各部分之间的关键分界点的初始人体三维模型作为人体三维模型，并将人体三维模型存入存储单元。8.根据权利要求7所述的虚拟试衣方法，其特征在于，所述步骤s21包括以下分步骤：s2101、通过三维扫描单元调节光源发出白光，并调节光学投影设施将光栅投影至用户身体表面，得到携带人体特征的信息数据；s2102、对携带人体特征的信息数据进行处理，得到人体尺寸的点云数据，并匹配出对应的初始人体模型；s2103、读取用户上传的多张人脸图片，根据多张人脸图片修改初始人体模型脸部的顶点，并使用b样条插值法来细化并光滑初始模型的脸部特征，得到三维人脸模型；s2104、组合修改后的初始人体模型和三维人脸模型，得到初始人体三维模型。9.根据权利要求8所述的虚拟试衣方法，其特征在于，所述步骤s22包括以下分步骤：s2201、使用三维分割单元分割出初始人体三维模型的骨架模型，并与存储单元中预存
的人体模型库中的模板三维骨架模型进行比对，得到初始人体模型中的三维骨架模型；其中，初始人体模型中的三维骨架模型包含关节点的语义信息和初始人体三维模型分割后的骨骼标签信息；s2202、以初始人体模型中的三维骨架模型的骨骼的中点为代表点，获取其横截平面，在其截平面上以骨骼中心径向均匀采样多个方向，选取径向距离最短的采样方向作为备选关键点的采样方向，与备选关键点采样方向上的交点距离最近的模型顶点作为该骨骼及其分割块对应的备选关键点；其中，备选关键点的分割标签与骨架上各骨骼保持一致，使每一个分割块均有与其对应的备选关键点；s2203、以备选关键点为聚类中心，利用特征相似性对模型顶点进行聚类，使有相同分割标签的备选关键点为同一类，不同分割标签的备选关键点为不同类；s2204、以备选关键点为边界约束骨架，获取分割线候选集；s2205、对分割线候选集进行筛选，得到准确的分割线，并将准确的分割线的与骨架几何中心的交点作为关键分界点。10.根据权利要求2所述的虚拟试衣方法，其特征在于，所述步骤s3包括以下分步骤：s31、读取用户的人体三维模型，并根据用户选取的服装模型和用户的人体三维模型，使用基于点云数据的逆向建模法，获取场景的空间几何信息，建立虚拟场景模型；s32、使用大数据推荐单元，向用户推荐服装模型；所述大数据推荐单元根据用户年龄、用户选取的服装模型和历史试衣数据，为用户推荐的服装模型，从而形成服装模型的个性化推荐；s33、读取用户选取的服装模型，判断用户选取的服装模型是否为单一服装模型；若是，则进入步骤s35；若否，则进入步骤s34；s34、将用户选取的服装模型以链表形式存储，每个节点为单一服装模型，遍历服装模型链表；若当前节点的服装模型的关键点与前一节点的服装模型的关键分界点冲突，则使用当前服装模型覆盖前一节点的服装模型；若当前节点的服装模型的关键点与前一节点的服装模型的关键分界点不冲突，则将当前服装模型和前一节点的服装模型叠加；遍历完成后，进入步骤s33；s35、在虚拟场景模型中，使用动作捕捉单元捕捉用户试衣时的运动动作，并将其数字离散化后传递给虚拟试衣系统，虚拟试衣系统将数字信号反馈到得到的静态穿衣模型，使穿衣模型达到与用户同步的运动效果；用户停止试衣后，得到当次试衣数据。

技术总结
本发明公开了一种基于三维扫描和大数据的虚拟试衣系统及方法，其方法包括步骤S1、对多个实物服装进行处理，得到若干服装模型作为服装模型集，并将服装模型集存入存储单元；S2、扫描用户的人体特征，对人体特征进行处理，得到人体三维模型，并将人体三维模型存入存储单元；S3、读取用户选取的服装模型和用户的人体三维模型，进行虚拟试衣，得到当次试衣数据；S4、询问用户是否保留当次试衣数据；若是，则将当次试衣数据存入存储单元作为历史试衣数据，完成虚拟试衣；若否，则完成虚拟试衣，本发明解决了现有技术三维模型准确性不高的问题。决了现有技术三维模型准确性不高的问题。决了现有技术三维模型准确性不高的问题。


技术研发人员：周志勤 段现银 徐晨 秦志强 彭可为
受保护的技术使用者：武汉科技大学
技术研发日：2023.04.20
技术公布日：2023/7/18