[发明专利]智能量体方法、装置、电子设备及存储介质

权利要求书

1.一种智能量体方法，其特征在于，所述方法包括：

获取多个样本用户的图像信息、数值特征信息和量体标注信息，所述图像信息包括至少一个姿态的人体轮廓图像，所述数值特征信息包括至少一个数值特征参数的标识和实际参数值，所述量体标注信息包括至少一个量体参数的标识和实际参数值；

利用所述多个样本用户的图像信息、数值特征信息和量体标注信息，对深度学习模型进行训练，得到智能量体模型；

获取待测用户的视觉检测信息和数值特征信息，所述待测用户的视觉检测信息是用户设备的摄像头拍摄所述待测用户全身得到的；

根据所述待测用户的视觉检测信息和数值特征信息，利用所述智能量体模型预测得到所述待测用户的至少一个量体参数的预测参数值。

2.根据权利要求1所述的智能量体方法，其特征在于，所述深度学习模型包括输入层、卷积层、全连接层和输出层；

所述利用所述多个样本用户的图像信息、数值特征信息和量体标注信息，对深度学习模型进行训练，得到智能量体模型，包括：

针对所述多个样本用户中的每一个，将所述样本用户的图像信息和数值特征信息输入所述输入层；

通过所述输入层将所述样本用户的图像信息输入所述卷积层以得到卷积结果，通过所述卷积层将所述卷积结果输入所述全连接层；

通过所述输入层将所述样本用户的数值特征信息输入所述全连接层；

基于所述卷积结果和所述样本用户的数值特征信息，通过所述全连接层预测得到所述样本用户的至少一个量体参数的预测参数值；

分别将所述样本用户的每个量体参数的预测参数值和实际参数值进行比对，得到所述样本用户的比对结果；

基于所述多个样本用户的比对结果训练所述深度学习模型，得到所述智能量体模型。

3.根据权利要求2所述的智能量体方法，其特征在于，所述深度学习模型的损失函数采用L2损失函数，所述损失函数中至少两个量体参数对应的权重不相同。

4.根据权利要求1所述的智能量体方法，其特征在于，所述方法还包括：

响应于接收到所述用户设备发送的拍摄请求，在所述用户设备的显示屏上显示参考轮廓信息，以使所述待测用户根据所述参考轮廓信息调整拍摄姿态。

5.根据权利要求1所述的智能量体方法，其特征在于，所述根据所述待测用户的视觉检测信息和数值特征信息，利用所述智能量体模型预测得到所述待测用户的至少一个量体参数的预测参数值，包括：

基于所述待测用户的视觉检测信息，获取所述待测用户的至少一个姿态的人体轮廓图像；

分别检测所述待测用户的每个姿态的人体轮廓图像是否平行于拍摄面，并对不平行于拍摄面的人体轮廓图像进行调整；

将所述待测用户的数值特征信息和调整后的至少一个姿态的人体轮廓图像输入所述智能量体模型，预测得到所述待测用户的至少一个量体参数的预测参数值。

6.根据权利要求1所述的智能量体方法，其特征在于，所述根据所述待测用户的视觉检测信息和数值特征信息，利用所述智能量体模型预测得到所述待测用户的至少一个量体参数的预测参数值，包括：

基于所述待测用户的视觉检测信息，获取所述待测用户的其中一个姿态的人体轮廓图像；

基于所述待测用户的其中一个姿态的人体轮廓图像，预测得到所述待测用户的其他姿态的人体轮廓图像；

将所述待测用户的至少一个姿态的人体轮廓图像和数值特征信息输入所述智能量体模型，预测得到所述待测用户的至少一个量体参数的预测参数值。

7.根据权利要求1所述的智能量体方法，其特征在于，所述根据所述待测用户的视觉检测信息和数值特征信息，利用所述智能量体模型预测得到所述待测用户的至少一个量体参数的预测参数值，包括：

基于所述待测用户的视觉检测信息，估计得到所述待测用户的衣物厚度信息，以及获取所述待测用户的至少一个姿态的人体轮廓图像；

基于所述待测用户的衣物厚度信息，分别调整所述待测用户的至少一个姿态的人体轮廓图像；

将所述待测用户的数值特征信息和调整后的至少一个姿态的人体轮廓图像输入所述智能量体模型，预测得到所述待测用户的至少一个量体参数的预测参数值。