[发明专利]基于条件自编码器的共享体型特征空间学习方法

权利要求书

1.一种基于条件自编码器的共享体型特征空间学习方法，其特征在于，包括以下步骤：

步骤1：样本数据集构造；选取不同体型特征的人体模型及不同款式的服装样板，将各款式服装的二维衣片通过物理模拟的方式缝合到不同体型的虚拟人身上，从而得到不同体型特征下的服装实例数据；利用变形梯度表示样本数据集中同款服装由标模至非标模的变形映射；以源体型人体的三角形编号为索引，将源体型至目标体型人体下的服装的变形梯度进行重排列；

所述步骤1包括以下子步骤：

步骤11：生成A-pose人体模型数据；

步骤12：进行服装款式设计，根据人体模型的身体尺寸设计出不同款式的二维衣片；

步骤13：进行衣片缝合；

步骤14：通过变形梯度表示源体型下的服装模型至目标体型下的服装模型的变形映射；

所述步骤14具体包括：

选取样本数据集中服装模型数为N，则服装样本数据集G_Sample表示为：

式(1)中，代表样本数据集中第i对拓扑一致的同款服装,G_i表示源体型下的模拟结果，表示目标体型下的模拟结果；对于任意给定的服装模型设G的三角面数量为T，则表示为：

式(2)中，表示G中第t个三角形，表示中第t个三角形；分别为G、中第t个三角形中第k个顶点，则G与间第t个三角形的变形梯度可表示为：

其中，Q_t为第t个三角形的变换矩阵，其大小为3×3；为新构建的虚拟边，其添加了三角面的方向信息

按照组成成分划分，服装形变视为款式引起的服装形变和体型引起的服装形变的叠加：

Q_t＝R_t·S_t        (5)

其中，R_t代表由服装款式信息引起的服装形变，与服装的款式相关，不同G_i不共享该变形成分；S_t代表由人体体型特征导致的服装形变，与服装的款式无关，不同G_i共享该变形成分；对网格模型的顶点坐标施加如下约束，以确保生成服装模型的连续性：

其中，V代表G的顶点数；

步骤15：服装形变对齐；对人体模型三角形及服装模型三角形进行匹配，确保不同款式服装的变形矩阵维度一致；

步骤2：形变特征提取；按照组成成分划分，服装形变可以视为款式引起的服装形变和体型引起的服装形变的线性组合模型；对服装形变集中体型与款式信息进行解耦，使用编码器对服装形变集进行降维，通过对网络参数施加约束，保留因人体体型导致的低频服装形变，丢弃因款式信息引起的高频服装形变，得到共享体型特征空间；利用解码器将共享体型特征还原至与输入数据一致的维度，求解出服装形变；

步骤3：款式迁移；对于求解得到的变形梯度，以源体型人体下的服装模型的三角形编号为索引，将求解得到的变形梯度进行重排列，再将排列得到的变形梯度作用于源体型至目标体型的服装款式迁移。