基于视觉的服装尺寸自动测量系统

文章目录

• 前言
• 一、系统性能介绍
  • 1.测量误差
  • 2.测量速度
  • 3.测量服装类型与参数
  • 4.系统的其他功能
• 二、系统工作条件
• 三、系统的解决方案
  • 1.相机畸变校正
  • 2.采集待测服装图片
  • 3.分割服装
  • 4.基于最小圆的距离向量特征的提取
  • 5.基于SVM服装类型分类
  • 6.服装特征点提取进行尺寸测量
  • 7.预测服尺码与评估误差水平
  • 8.保存服装数据
• 四、demo
• 五、总结
• 六、参考文献

---

前言

  随着互联网技术的日趋成熟，电子商务发展迅速，近年来己经成为社会零售消费的重要渠道之一。服装品类是最早实现线上渗透并且快速增长的品类，网上交易额始终处于霸主地位。相关数据显示，服装网购交易额增长率逐年减缓，一方面表明服装电子商务发展趋向成熟，另一方面也暗示服装电商在发展中遇到了一些瓶颈。
  实际上，在服装电商高销售额的背后，存在着非常高的退货率。经过调查显示，服装退货大多数原因都是尺码问题。虽然网络购物给人们购买衣服带来便利，尺码问题却一直都是中国甚至是全球的服装电商共同面对的最大问题。引起尺码问题的主要有以下几大原因，一是缺少统一的尺码标准，二是手工测量服装引起的误差，三是用户对自己的身材和体型数据掌握不全面。         

  为此，本文提出基于视觉的服装尺寸测量系统解决手工测量服装引起的误差，解决消费者因为服装尺寸不适宜频繁退货的麻烦，消费者可以通过自己认为舒适的服装来进行测量其尺寸，根据这些尺寸进行选取码数。

---

一、系统性能介绍

1.测量误差

  经过多次实验验证，本系统的自动测量相对误差大致小于2%，其最大的偏差长度小于2cm，服装因其易变形，其造成的误差取决于摆放服装的方式有关，，如果平整摆放服装，其误差就越小。其测量误差并没有在目前现有的测量技术有所优势，但其性能基本满足工业的要求。

2.测量速度

  以测量短袖尺寸为代表，经过多次实验验证，本系统的对短袖的尺寸测量平均花费1~2时间，并且随着服装测量参数越多，其花费的时间越长，本系统测量短袖的参数有：袖头宽、胸围、肩宽、袖长、袖宽、衣长与下摆卷边。服装的颜色多样性也会影响系统的测量速度，服装颜色越多样，其测量的误差就越大，甚至可能无法测量。根据笔者查找的资料来看，其测量速度是占有较大的优势，其效率是大大超过手工测量速度。

3.测量服装类型与参数

  本系统目前实现测量的服装类型较少，只能对短裤，长裤，短袖，长袖，背心进行尺寸测量，但该系统有可扩展性，即只要花费足够的后续工作就能实现多服装类型测量，适应性更强。由于不同类型的服装所需要测量的参数是不同的，服装测量的参数越多，系统性能更强。 短裤/长裤已实现的测量参数有：腰围、前挡、裤口长与裤长。短袖/长袖/背心已实现的测量参数有：袖头宽、胸围、肩宽、袖长、袖宽、衣长与下摆卷边。

4.系统的其他功能

  本系统在能测量服装尺寸的基础上，管理员可以导入服装码数对应的尺寸模板，系统对服装测量后进行评判该服装的尺码与及评估该服装尺寸误差是否满足所需要的指标。

---

二、系统的工作环境

        整个软件系统的组成:一台计算机，摄像头以及一个鼠标，本系统的工作框图如图1下所示。

图1 服装测量系统工作框图

---

三、系统的解决方案

1.相机畸变校正

  在实际使用的摄像头，所拍摄的图像由于镜头安装工艺以及sensor本身的问题，往往存在枕型畸变和桶型畸变，其不同的畸变效果如图2所示。​​​

图2 不同的畸变效果图

   这些畸变对于机器视觉这一类对于精度要求较为严格的领域会造成较大误差，因此，本文采用了经典的张氏标定法进行标定相机，计算相机畸变阐述，修正相机的畸变效果，进一步减少服装尺寸测量的误差。

   本系统使用海康的MV-EB435i悉灵相机，其图像采集效果通过GIF图3演示。

图3 MV-EB435i悉灵相机采集的RGBD效果图

   相机标定过程：一、制作标定板；二、采集不同角度的标定板；三、相机标定；相机标定采用的标定板如图4所示，采集不同角度的标定板操作如图5所示，其相机标定结果如图6所示。

图4 标定板

图5 采集不同角度的标定板

不同角度的标定板

图5 相机标定结果

---

2.采集待测服装图片

        海康的MV-EB435i悉灵相机的分辨率为1280*720，其采集效果如图7所示。

图7 相机采集服装的效果图

---

3.分割服装

        分割服装的原理是通过颜色聚类然后将背景去除得到服装的轮廓，其效果如图8所示。

图8 分割轮廓效果图

---

4.基于最小圆的距离向量特征的提取

        通过前面分割出来的服装进行特征提取，其特征向量为服装的特征点到该服装的外接最小圆的圆心的距离，并进行归一化处理，特征向量具有尺寸，旋转与平移不变性的特点，特征向量就能能体现出服装类型。由于大部分的服装几何轮廓具有对称性，所以，取对称的任意的一个部分进行特征向量提取。其特征向量如图9所示。

图9 特征向量提取图

5.基于SVM服装类型分类

        支持向量机（Support Vector Machine，SVM）在图像识别中有着广泛应用，解决小样本、非线性和高维度等模式识别中分类能力和泛化能力突出，因此本方案采用 SVM 作为特征向量的分类器。通过提取的特征向量作为训练的样本集，设置SVM参数进行训练。其训练集如图10所示，训练的模型结果如图11所示。

图10 样本集

图11 训练出的模型

         其识别的效果如图12所示

图12 识别效果图

---

 6.服装特征点提取并进行尺寸测量

        其尺寸测量结果如图所示。

---

 7.预测服装尺码与评估误差水平

        管理员只要导入服装尺码表模板，系统会自动根据测量的服装尺寸进行预测服装尺码，并且我们假设该模板为标准，待测服装的尺寸与模板进行对比，计算出尺寸误差，评估其尺寸误差水平，其误差水平管理员也可以自主设定。

代码如下（示例）：

enum SizeType
{
	S = 0,		 //S码
	M = 1,		 //M码
	L = 2,		 //L码
	XL = 3,		 //XL码
	XXL = 4		 //XXL码
	//--------带扩展--------
	
	//-------------------
};

float evaluateSizeTypePro(vector<float> clothes_Sizes, int clothes_Type, int &sizeType);

enum  clothesQuality
{
	AA = 1,		 //优质品
	A = 2,		 //良好品
	B = 3,		 //合格品
	C = 4,		 //质疑品
	D = 5		 //不合格
	//--------待扩展-----

	//-------------------
};

int analysisSizesAndQualityPro(float maxSizesError, int clothes_Type);

---

 8.保存服装数据

        为了方便管理员快速处理数据，增加了导出数据功能，管理员根据需求做后续工作。

---

四、demo

         demo在文件里面。            

---

 五、总结

    这项服装自动测量技术被应用于服装电商领域，电商商家可以利用这项技术更加快捷方便地进行服装测量，解决了网购时服装尺寸标准不一致导致的高退货率问题。如果这项技术得到广泛运用，那么不仅可以为统一服装尺寸奠定行业基础，也可以为商家节省时间和人力成本，大大提高供货效率。

---

 六、参考文献

[1]  肖祎. 基于拍照的服装和人体尺寸测量系统设计与研发[D]. 浙江:浙江大学,2019.

[2]  李东. 基于数字图像处理的服装款式识别方法研究[D]. 上海:东华大学,2017.

[3]  郑明智. 基于图像处理的衣服尺寸在线测量系统[D]. 陕西:西安工程大学,2017.

[4]  曹丽,汪亚明,包晓敏. 机器视觉在服装尺寸自动测量中的应用[J]. 纺织学报,2003,24(1):19-21. DOI:10.3321/j.issn:0253-9721.2003.01.005.

[5]  徐江剑,潘玲佼,王关成. 基于图像处理的衣服尺寸测量方法研究[J]. 工业控制计算机,2021,34(3):63-64. DOI:10.3969/j.issn.1001-182X.2021.03.023. 

[6]  王生伟,张侃健. 基于角点检测的服装尺寸在线测量技术[J]. 信息技术与信息化,2018(12):73-75. DOI:10.3969/j.issn.1672-9528.2018.12.020.