服装时尚设计系统与方法

1.本发明属于智能服装技术领域，更具体地，涉及一种服装时尚设计系统与方法。


背景技术：

2.目前，在时尚设计领域，通常会由设计师通过自己的学识经验来设计新的服饰，而且每次设计一款服饰要消耗大量的时间和精力，设计师也不可能面面俱到的设计出所需的每一种风格的服饰。因此，在时尚领域，对服饰按需求的设计拥有潜在且巨大的应用场景。
3.公开号为cn108606384a的中国专利一种私人定制时尚服饰设计系统通过左右两侧所述竖板的外部均滑动安装有滑块，快速的对客户进行不同高度的肢体宽度的测量，来对服装进行设计，该方法只提出了设计设备而没有设计时尚设计方法。申请号为cn201910495710.9的中国专利“认知自动化和交互式个性化时尚设计”采用由计算机设备使用基于深度学习的计算机视觉来训练计算机模型，使用经认知地确定的时尚性得分(f得分)来标识，使用计算机模型和经标识来创建新时尚设计，此方法没有融合各种风格特征，设计出的服饰具有局限性。


技术实现要素：

4.本发明所要解决的技术问题是提供一种服装时尚设计系统与方法，能够实现基于人工智能的服装时尚设计，大幅提高设计效率，降低服装设计难度。
5.为解决上述技术问题，本发明所采用的技术方案是：一种时尚设计系统，包括时尚采集单元、时尚处理单元、时尚设计单元和时尚生成单元；所述时尚采集单元用于采集各个种类的时尚元素；所述时尚处理单元用于使用深度学习算法对时尚元素进行统计与学习；所述时尚设计单元用于将代表时尚元素的服装属性进行分离与再归类；所述时尚生成单元用于参考语义或环境条件来生成服饰。
6.优选的方案中，所述的时尚处理单元包括训练模块，在训练模块内，将采集的时尚元素建立立体模型，并将立体模型进行人工标记，对人工标记模型根据输入参数进行参数适配，形成样本集，将样本集送入到深度学习算法进行训练，获得人工智能模型。
7.优选的方案中，时尚设计单元包括将输入的立体模型和输入参数进行运算的人工智能模型，人工智能模型给出时尚评价，并将数据输送至时尚生成单元。
8.优选的方案中，时尚设计单元包括将输入的立体模型和输入参数进行运算的人工智能模型，人工智能模型给出时尚评价，将元素分解，然后融合重组，融合重组后生成的样本分成两个部分，一部分送入人工标记，对人工标记模型根据输入参数进行参数适配，形成样本集，将样本集送入到深度学习算法进行训练，对人工智能模型进行迭代，另一部分直接送入人工智能模型进行时尚评价。
9.优选的方案中，元素分解包括元素拆解和平面映射，将拆解后的元素与映射得到的平面图形，经过形状、图案、颜色、位置、缩放、翻转、扭曲、阵列中一种或多种操作在组合
器进行组合处理后，进行立体重构，实现设计元素的融合重组。
10.优选的方案中，所述的人工智能模型包括分类器、语义识别器、适配器和聚类器；分类器用于将立体模型进行分类，所述的分类与语义识别器识别出的语义关键词互相关联；语义识别器用于将输入参数转换为语义关键词，所述的语义关键词与分类器的分类互相关联；适配器用于根据语义关键词对立体模型的样本进行适配，适配出符合语义关键词的立体模型；聚类器用于对适配出的立体模型根据时尚归类进行聚合，用于生成时尚评价。
11.优选的方案中，所述的时尚采集单元设有立体模型数据库。
12.一种采用上述的时尚设计系统的设计方法，包括以下步骤：s1、输入限定参数，人工智能模型读取立体模型数据；所述的人工智能模型经过人工标记、参数适配和模型训练后获得；s2、根据限定参数对立体模型进行时尚评价；s3、具有较高时尚票评价的设计送入到时尚生成单元；通过以上步骤，实现基于人工智能的时尚设计。
13.优选的方案中，步骤s2中，还包括元素分解，融合重组的步骤，由此步骤生成新的样本，新的样本其中一部分经过人工标记、参数适配和模型训练后用于对人工智能模型进行迭代，另一部分送入到人工智能模型进行处理；元素分解，融合重组的步骤包括：s21、将设计元素进行元素拆解，包括形状、图案、颜色、位置；将立体模型进行平面映射；s22、将拆解后的元素经过缩放、翻转、扭曲、陈列中一种或多种的组合或者组合平面结构；s23、将组合平面结构进行立体重构，实现融合重组。
14.优选的方案中，所述的人工智能模型包括分类器、语义识别器、适配器和聚类器；分类器用于根据关键词对立体模型进行分类；语义识别器用于将输入参数转换为关键词；适配器用于将分类后的立体模型根据关键词进行关联；聚类器用于将关联后的立体模型根据时尚评价进行聚类。
15.本发明提供的一种服装时尚设计系统与方法，与现有技术相比，具有以下的有益效果：（1）本发明提供的新型的时尚设计系统与方法通过约束性条件输入，可以根据人工智能算法自动设计服装款式，从而节约大量的时间和人力。在时尚领域，可以全面的按照用户的需求对服饰进行自由定制，大幅减少了设计成本，提高了设计效率。
16.（2）本发明采用立体模型数据，更为直观，便于客户选择。而且采用立体模型数据，也更便于后继的修改和版型设计，便于设计和生产出高质量的时尚服装。
17.（3）本发明提供的这种新型的时尚设计系统与方法，不仅可以应用在线上应用中，在嵌入式设备中同样适用，大幅提高了实用性。
附图说明
18.下面结合附图和实施例对本发明作进一步说明：图1为本发明的服装时尚设计系统与方法的流程示意图。
19.图2为本发明的服装时尚设计系统与方法的优选的流程示意图。
20.图3为本发明的增加新的服装时尚设计样本的流程示意图。
21.图4为本发明的人工智能模型的功能模块示意图。
具体实施方式
22.实施例1：为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
23.参照图1所示，一种时尚设计系统，包括时尚采集单元、时尚处理单元、时尚设计单元和时尚生成单元；所述时尚采集单元用于采集各个种类的时尚元素；所述时尚处理单元用于使用深度学习算法对时尚元素进行统计与学习；所述时尚设计单元用于将代表时尚元素的服装属性进行分离与再归类；所述时尚生成单元用于参考语义或环境条件来生成服饰。
24.优选的方案如图2中，所述的时尚处理单元包括训练模块，在训练模块内，将采集的时尚元素建立立体模型，建立立体模型能够更加接近真实的设计，尤其是能够避免出现在后期制作过程中，时尚设计较佳，但是版型设计不足的缺陷，优选的，建立的立体模型按照裁剪切片并立体拼接的方式实现，虽然初始的立体模型增加了工作量，但是后继的工作量则变得非常轻松，便于各种不同设计时尚要素的自由组合和最终效果的评估。将立体模型进行人工标记，人工标记的目的是根据参数对立体模型进行定义，以便于后继人工智能模型的训练，例如区分春秋装和夏装、冬装，区分内衣和外套、区分上装和下装，区分配饰等，区分体型适配度，并对不同的搭配给出时尚评价。
25.对人工标记模型根据输入参数进行参数适配，形成样本集，将样本集送入到深度学习算法进行训练，获得人工智能模型。在人工智能模型中，通过适配得出不同输入的立体模型的时尚评估值。在人工智能模型中，不仅根据输入参数进行选择，并根据人工标记的样本对立体模型的评价得出时尚评估值。
26.优选的方案如图2中，时尚设计单元包括将输入的立体模型和输入参数进行运算的人工智能模型，人工智能模型给出时尚评价，并将数据输送至时尚生成单元。通常时尚生成单元，根据时尚评价的排序，生成用于展示的平面或立体图形，并在展示过程中增加衬托氛围的要素，例如人体模特，立体模型之外的配饰，氛围灯光，闪烁光影等。
27.优选的方案如图2中，时尚设计单元包括将输入的立体模型和输入参数进行运算的人工智能模型，人工智能模型给出时尚评价，将元素分解，然后融合重组，融合重组后生成的样本分成两个部分，一部分送入人工标记，对人工标记模型根据输入参数进行参数适配，形成样本集，将样本集送入到深度学习算法进行训练，对人工智能模型进行迭代；送入
人工标记有助于通过人工干涉对人工智能模型进行迭代，以提高评价的准确性。另一部分直接送入人工智能模型进行时尚评价。由此方案，能够获得更多的时尚设计样本，或者获得更多的立体模型数据以在后继输入相应参数后获得更多的可选择结果。
28.优选的方案如图3中，元素分解包括元素拆解和平面映射，将拆解后的元素与映射得到的平面图形，由此方案，能够大幅减少运算量，经过形状、图案、颜色、位置、缩放、翻转、扭曲、阵列中一种或多种操作在组合器进行组合处理后，进行立体重构，实现设计元素的融合重组。立体重构是指根据元素分解时的坐标，将组合后的图形重新映射到立体模型上的过程。优选的方案中，在组合后先进行筛选，设置的筛选器设定多个预设规则，将不符合设计原理的结果删除大部分，以减少后继立体重构的运算量，以及人工智能模型运算步骤的运算量。例如删除模糊的图像，明显错位的图像，存在破碎图形的图像。
29.优选的方案如图4中，所述的人工智能模型包括分类器、语义识别器、适配器和聚类器；由此方案，能够减少各个模块的运算量，减少各个模块的复杂程度，从而提高处理效率。
30.分类器用于将立体模型进行分类，所述的分类与语义识别器识别出的语义关键词互相关联；分类器能够减少后继的运算量。例如某立体模型，属于夏装，上装，颜色为白色，面料为丝绸，无图案。进行分类后，便于根据关键词的需求进行适配。分类器采用基于cnn或者fast-cnn深度神经网络。
31.语义识别器用于将输入参数转换为语义关键词，所述的语义关键词与分类器的分类互相关联；即语义关键词是分类器中进行分类的依据。语义识别器采用rnns，即循环神经网络。
32.适配器用于根据语义关键词对立体模型的样本进行适配，适配出符合语义关键词的立体模型；适配器可以看作是一个基于关键词的筛选器，具有关键词命中的立体模型数据能够通过适配器，而未命中的立体模型数据则被适配器去除。
33.聚类器用于对适配出的立体模型根据时尚归类进行聚合，用于生成不同的时尚评价。由此方案获得符合需求的结果。
34.优选的方案中，所述时尚采集单元设有立体模型数据库。时尚采集单元用于采集存在的流行以及经典服饰元素的服饰图像，可以在网站上利用“爬虫”等工具进行图像获取来替代耗时的人工下载，在特殊的场所，如舞会和某些地区，如武汉，上海使用摄像机来采集元素，并使用一个数据服务器进行实时存储。在数据服务器中，被存储有标准的立体人体模型。优选的，也可以存储典型的立体人体模型，例如儿童型、偏瘦型或偏胖型、肥胖型等人体模型，在立体人体模型体表设置可调的片，利用可调的片结构构建服装，并将服饰元素的服饰图像根据采集的位置映射到服装的可调片结构上，对片结构进行参数设置，例如形状、图案、颜色、纹理和光泽的表达。采用该方案的优点在于，完成后的时尚服装设计，能够直接获得可用于裁剪的版型数据，而且该版型数据能够被直接的适用到对应的不同类型的人体模型。大幅降低后继的工作量，也具有极大的商业价值。
35.实施例2：在实施例1的基础上，如图2~3中，一种采用上述的时尚设计系统的设计方法，包括以下步骤：s1、输入限定参数，包括但不限于体型、肤色、发型、季节、适用场景等，人工智能模
型读取立体模型数据；如图2中，所述的人工智能模型经过人工标记、参数适配和模型训练后获得；通过人工标记，人工智能模型能够获得较为准确的训练样本，以帮助人工智能模型提高准确率，由于时尚标准涉及较为主观的判断，因此人工标记在人工智能模型的训练过程中起到非常重要的作用。
36.优选的方案如图4中，所述的人工智能模型包括分类器、语义识别器、适配器和聚类器；分类器用于根据关键词对立体模型进行分类；分类器的作用是将立体模型以分类的方式进行定义，例如对立体模型加入体型的对应标记，适用的季节，适用的场景，图案类别，颜色类别，纹理类别，光泽类别，是否具有弹性，适用的具体位置，例如围巾的位置，胸饰的位置，臂饰的位置，腰饰的位置等，时尚评价分值，以及该分值与对应的体型、肤色、发型之间的加权关系数据。
37.语义识别器用于将输入参数转换为关键词；适配器用于将分类后的立体模型根据关键词进行关联；通过适配器将符合输入参数的立体模型选取。
38.聚类器用于将关联后的立体模型根据时尚评价进行聚类。
39.聚类器中，将立体模型的平面映射图像数据进行卷积编码，并提取每张图像的卷积神经网络特征，根据训练数据集来学习算法对于时尚元素的细粒度归类能力。由卷积神经网络组成的解码器进行时尚单元的聚类操作，根据训练数据依据时尚评价的标准来引导时尚服装的生成方式。
40.s2、根据限定参数对立体模型进行时尚评价；优选的方案中，还包括元素分解，融合重组的步骤，由此步骤生成新的样本，新的样本其中一部分经过人工标记、参数适配和模型训练后用于对人工智能模型进行迭代，另一部分送入到人工智能模型进行处理；元素分解，融合重组的步骤包括：s21、将设计元素进行元素拆解，包括但不限于形状、图案、颜色、图案与服装的相对位置、材质、纹理和光泽；将立体模型进行平面映射；是指将立体模型以裁剪平面进行展开，得到平面图像，以平面图像进行后继的运算。
41.s22、将拆解后的元素经过缩放、翻转、扭曲、镜像、锐化、纹理化、模糊、陈列排列中一种或多种的组合或者组合平面结构；平面结构是指构成由多个平面图像堆叠的多层结构，例如底层为服装的平面图像、上层为图案、再上层为纹理、再上层为饰品，由此方案，使各层的平面图像能够分别映射到立体结构的不同结构上。
42.s23、将组合平面结构进行立体重构，实现融合重组。
43.立体人体模型体表设置可调的片结构，可调是指能够调节片结构的位置和形状，以及片之间的连接结构，利用可调的片结构构建服装，并将具有服饰元素的服饰图像的组合平面结构，根据采集的位置映射到服装的可调片结构上，对片结构进行参数设置，例如形状、图案、颜色、纹理和光泽的表达，实现融合重组操作。完成后的时尚服装设计，能够直接获得可用于裁剪的版型数据。
44.s3、具有较高时尚票评价的设计送入到时尚生成单元；时尚生成单元，根据时尚评价的排序，生成用于展示的平面或立体图形，并在展示过程中增加衬托氛围的要素，例如人体模特，立体模型之外的配饰，氛围灯光，闪烁光影等。
45.通过以上步骤，实现基于人工智能的时尚设计。
46.上述的实施例仅为本发明的优选技术方案，而不应视为对于本发明的限制，本技术中的实施例及实施例中的特征在不冲突的情况下，可以相互任意组合。本发明的保护范围应以权利要求记载的技术方案，包括权利要求记载的技术方案中技术特征的等同替换方案为保护范围。即在此范围内的等同替换改进，也在本发明的保护范围之内。