本發(fā)明涉及一種鞋楦參數(shù)自動預(yù)測方法及預(yù)測裝置，特別涉及一種基于鞋子圖像和腳型圖像的鞋楦參數(shù)自動預(yù)測方法及預(yù)測裝置。

背景技術(shù)：

鞋楦是鞋子生產(chǎn)技術(shù)的核心，也是制約鞋子生產(chǎn)的關(guān)鍵因素。以往的鞋楦測量，需要有經(jīng)驗(yàn)的技術(shù)工人進(jìn)行復(fù)雜的測量換算，才能得到鞋楦參數(shù)，不僅費(fèi)時(shí)費(fèi)力，還導(dǎo)致企業(yè)的生產(chǎn)力受技術(shù)工人的效率限制，以至于定制化鞋子服務(wù)價(jià)格居高不下，效率無法提高，成為制約市場發(fā)展的一個(gè)重要因素。本發(fā)明提供一種根據(jù)鞋子圖像和腳型圖像自動預(yù)測鞋楦參數(shù)的方法和裝置，消費(fèi)者可以通過使用手機(jī)按照一定要求拍攝幾張鞋子照片和腳型照片，就能快速、準(zhǔn)確的得到鞋楦參數(shù)，進(jìn)而訂制合適的鞋子，以非常低廉的價(jià)格，體驗(yàn)到便捷、準(zhǔn)確的鞋子定制化服務(wù)。

技術(shù)實(shí)現(xiàn)要素：

為了解決現(xiàn)有技術(shù)的不足，本發(fā)明的目的是提供一種能夠快速、便捷、準(zhǔn)確的基于鞋子圖像和腳型圖像的鞋楦參數(shù)自動預(yù)測方法及預(yù)測裝置。

為了實(shí)現(xiàn)上述目的，本發(fā)明提供了一種基于鞋子圖像和腳型圖像的鞋楦參數(shù)自動預(yù)測方法，包括如下步驟：

s1，采集鞋子圖像和腳型圖像；

s2，訓(xùn)練生成式對抗網(wǎng)絡(luò)；

s3，擴(kuò)充現(xiàn)有鞋子圖像數(shù)據(jù)和腳型圖像數(shù)據(jù)；

s4，將鞋子圖像和對應(yīng)的腳型圖像組合成六通道圖像，使用遞歸神經(jīng)網(wǎng)絡(luò)訓(xùn)練基于鞋子圖像和腳型圖像的鞋楦參數(shù)模型；

s5，利用鞋楦參數(shù)模型自動預(yù)測鞋楦參數(shù)。

優(yōu)選地，所述步驟s1進(jìn)一步包括如下步驟：

s101，根據(jù)鞋楦參數(shù)，采集鞋子圖像和腳型圖像，每個(gè)鞋楦參數(shù)采集對應(yīng)的8個(gè)不同角度鞋子圖像和腳型圖像；

s102，將一個(gè)鞋楦參數(shù)對應(yīng)的8個(gè)不同角度鞋子圖像和腳型圖像隨機(jī)分成四組，每組兩個(gè)角度圖像，一個(gè)角度圖像包括鞋子圖像和腳型圖像。

優(yōu)選地，步驟s2進(jìn)一步包括如下步驟：

s201，對鞋子圖像和腳型圖像進(jìn)行數(shù)據(jù)擴(kuò)增，包括水平翻轉(zhuǎn)、旋轉(zhuǎn)變換和隨機(jī)裁剪，組內(nèi)圖像的擴(kuò)增操作相同；

s202，訓(xùn)練生成式對抗網(wǎng)絡(luò)，包括生成網(wǎng)絡(luò)和判別網(wǎng)絡(luò)，將組內(nèi)圖像進(jìn)行轉(zhuǎn)換生成；

s203，訓(xùn)練過程中，組內(nèi)圖像交替作為輸入和輸出進(jìn)行訓(xùn)練，交替訓(xùn)練生成模型和判別模型，并用反向傳播算法更新兩個(gè)網(wǎng)絡(luò)的參數(shù)。

有利地，步驟s202包括：

生成網(wǎng)絡(luò)是一個(gè)先編碼后解碼的過程，輸入圖像為3通道分辨率為256*256，先將輸入圖像通過8層卷積層解析成1*1*512的向量，每層卷積層后跟一個(gè)relu激活層；隨后將該解析后的向量通過8層反卷積層，上采樣成為3通道分辨率為256*256的圖像，每層卷積層后跟一個(gè)relu激活層；最后編碼和解碼對應(yīng)的層之間，從編碼層到解碼層有對應(yīng)的超通道直連；

判別網(wǎng)絡(luò)是一個(gè)編碼的過程，輸入為組內(nèi)的另一張圖像和生成網(wǎng)絡(luò)g生成的圖像組成的6通道的圖，包括5個(gè)卷積層，每個(gè)卷積層后跟一個(gè)relu激活層，最終得到一個(gè)8*8的置信度圖，用來判別生成網(wǎng)絡(luò)生成的圖像是否為真實(shí)圖像；

訓(xùn)練目標(biāo)為：

其中，x,y為采集的真實(shí)鞋子圖像樣本和腳型圖像樣本，y為生成網(wǎng)絡(luò)g生成的鞋子圖像樣本和腳型圖像樣本。

優(yōu)選地，所述步驟s3為利用訓(xùn)練好的生成網(wǎng)絡(luò)擴(kuò)充現(xiàn)有鞋子圖像數(shù)據(jù)和腳型圖像數(shù)據(jù)，從而將訓(xùn)練樣本擴(kuò)充一倍。

優(yōu)選地，所述步驟s4進(jìn)一步包括如下步驟：

s401，將鞋子圖像和腳型圖像組合成一張六通道圖像，使用卷積神經(jīng)網(wǎng)絡(luò)作為提取組合圖像特征的網(wǎng)絡(luò)；

s402，初始化卷積神經(jīng)網(wǎng)絡(luò)和遞歸神經(jīng)網(wǎng)絡(luò)的權(quán)重，將組合圖像輸入卷積神經(jīng)網(wǎng)絡(luò)中，將該組合圖像對應(yīng)的鞋楦參數(shù)依次輸入遞歸神經(jīng)網(wǎng)絡(luò)中，在神經(jīng)網(wǎng)絡(luò)中做前傳計(jì)算，得到預(yù)測的鞋楦參數(shù)，并與真實(shí)的鞋楦參數(shù)計(jì)算誤差，反向傳播誤差，同時(shí)更新卷積神經(jīng)網(wǎng)絡(luò)和遞歸神經(jīng)網(wǎng)絡(luò)參數(shù)。

優(yōu)選地，所述步驟s5進(jìn)一步包括如下步驟：

s501，將待預(yù)測的鞋子圖像和腳型圖像輸入生成網(wǎng)絡(luò)，生成新的鞋子圖像和腳型圖像；

s502，將真實(shí)的組合圖像和生成的組合圖像分別輸入鞋楦參數(shù)模型中，做前向計(jì)算得到兩組鞋楦參數(shù)；

s503，將這兩組鞋楦參數(shù)的平均值作為最終結(jié)果，預(yù)測得到鞋楦參數(shù)。

本發(fā)明還提供了一種基于鞋子圖像和腳型圖像的鞋楦參數(shù)自動預(yù)測裝置，包括鞋子圖像采集模塊，用于采集鞋子圖像；腳型圖像采集模塊，用于采集腳型圖像；圖像擴(kuò)充模塊，用于擴(kuò)充鞋子圖像和腳型圖像；訓(xùn)練模塊，用于訓(xùn)練生成式對抗網(wǎng)絡(luò)和遞歸神經(jīng)網(wǎng)絡(luò)；存儲模塊，用于保存鞋子圖像、腳型圖像、鞋楦參數(shù)和生成式對抗網(wǎng)絡(luò)模型、遞歸神經(jīng)網(wǎng)絡(luò)模型；自動預(yù)測模塊，用于自動預(yù)測鞋楦參數(shù)。

有利地，所述自動預(yù)測模塊分別預(yù)測真實(shí)組合圖像和生成組合圖像對應(yīng)的鞋楦參數(shù)，然后求平均值，得到最終的鞋楦參數(shù)預(yù)測值。

針對當(dāng)前鞋楦參數(shù)測量效率低下、主觀性強(qiáng)，制約生產(chǎn)力發(fā)展和生產(chǎn)價(jià)格降低的問題，設(shè)計(jì)出基于鞋子圖像和腳型圖像的鞋楦參數(shù)自動預(yù)測方法與裝置，能夠根據(jù)客戶的鞋子圖像和腳型圖像自動擴(kuò)充數(shù)據(jù)并預(yù)測對應(yīng)的鞋楦參數(shù)。

附圖說明

圖1是本發(fā)明提供的自動預(yù)測方法流程圖；

圖2是本發(fā)明提供的生成網(wǎng)絡(luò)和判別網(wǎng)絡(luò)的展開圖；

圖3是本發(fā)明所提供的卷積神經(jīng)網(wǎng)絡(luò)和遞歸神經(jīng)網(wǎng)絡(luò)的展開圖；

圖4是本發(fā)明提供的自動預(yù)測裝置優(yōu)選實(shí)施例的結(jié)構(gòu)示意圖。

具體實(shí)施方式

如圖1、圖2和圖3所示，本發(fā)明提供了一種基于鞋子圖像和腳型圖像的鞋楦參數(shù)自動預(yù)測方法，包括如下步驟：

s1，采集鞋子圖像和腳型圖像；

s2，訓(xùn)練生成式對抗網(wǎng)絡(luò)；

s3，擴(kuò)充現(xiàn)有鞋子圖像數(shù)據(jù)和腳型圖像數(shù)據(jù)；

s4，將鞋子圖像和對應(yīng)的腳型圖像組合成六通道圖像，使用遞歸神經(jīng)網(wǎng)絡(luò)訓(xùn)練基于鞋子圖像和腳型圖像的鞋楦參數(shù)模型；

s5，利用鞋楦參數(shù)模型自動預(yù)測鞋楦參數(shù)。

優(yōu)選地，所述步驟s1進(jìn)一步包括如下步驟：

s101，根據(jù)鞋楦參數(shù)，采集鞋子圖像和腳型圖像，每個(gè)鞋楦參數(shù)采集對應(yīng)的8個(gè)不同角度鞋子圖像和腳型圖像；

s102，將一個(gè)鞋楦參數(shù)對應(yīng)的8個(gè)不同角度鞋子圖像和腳型圖像隨機(jī)分成四組，每組兩個(gè)角度圖像，一個(gè)角度圖像包括鞋子圖像和腳型圖像。

優(yōu)選地，步驟s2進(jìn)一步包括如下步驟：

s201，對鞋子圖像和腳型圖像進(jìn)行數(shù)據(jù)擴(kuò)增，包括水平翻轉(zhuǎn)、旋轉(zhuǎn)變換和隨機(jī)裁剪，組內(nèi)圖像的擴(kuò)增操作相同；

s202，訓(xùn)練生成式對抗網(wǎng)絡(luò)，包括生成網(wǎng)絡(luò)和判別網(wǎng)絡(luò)，將組內(nèi)圖像進(jìn)行轉(zhuǎn)換生成；

s203，訓(xùn)練過程中，組內(nèi)圖像交替作為輸入和輸出進(jìn)行訓(xùn)練，交替訓(xùn)練生成模型和判別模型，并用反向傳播算法更新兩個(gè)網(wǎng)絡(luò)的參數(shù)。

在所述步驟s101中，鞋楦參數(shù)，具體包括楦長、腳跖圍g2、腳跖圍g3、腳兜跟圍g4、腳寬、掌寬、拇指外突點(diǎn)輪廓里寬、小趾外突點(diǎn)輪廓外寬、第一跖趾輪廓里寬、第五跖趾輪廓外寬、腰窩輪廓外寬、踵心輪廓全寬、拇指高度、腳型g2高、腳型g3高、腳型g4高、腳投影底面積、g2面積、g3面積、g4面積、g4前中截面面積、腳前部體積、整腳體積。

在所述步驟s201中，對鞋子圖像和腳型圖像進(jìn)行預(yù)處理，包括進(jìn)行水平翻轉(zhuǎn)、旋轉(zhuǎn)變換和隨機(jī)裁剪，用于增加樣本數(shù)量。

在所述步驟s202中，生成網(wǎng)絡(luò)是一個(gè)先編碼后解碼的過程，輸入圖像為3通道分辨率為256*256，先將輸入圖像通過8層卷積層解析成1*1*512的向量，每層卷積層后跟一個(gè)relu激活層；隨后將該解析后的向量通過8層反卷積層，上采樣成為3通道分辨率為256*256的圖像，每層卷積層后跟一個(gè)relu激活層；最后編碼和解碼對應(yīng)的層之間，從編碼層到解碼層有對應(yīng)的超通道直連；判別網(wǎng)絡(luò)是一個(gè)編碼的過程，輸入為組內(nèi)的另一張圖像和生成網(wǎng)絡(luò)g生成的圖像組成的6通道的圖，包括5個(gè)卷積層，每個(gè)卷積層后跟一個(gè)relu激活層，最終得到一個(gè)8*8的置信度圖，用來判別生成網(wǎng)絡(luò)生成的圖像是否為真實(shí)圖像；訓(xùn)練目標(biāo)為：

其中，x,y為采集的真實(shí)鞋子圖像樣本和腳型圖像樣本，y為生成網(wǎng)絡(luò)g生成的鞋子圖像樣本和腳型圖像樣本。

在所述步驟s203中，利用誤差反向傳播(bp)算法訓(xùn)練生成式對抗網(wǎng)絡(luò)，根據(jù)判別網(wǎng)絡(luò)的預(yù)測結(jié)果與實(shí)際樣本的誤差更新網(wǎng)絡(luò)參數(shù)，先固定生成網(wǎng)絡(luò)，調(diào)整判別網(wǎng)絡(luò)，等到判別網(wǎng)絡(luò)的loss不再下降時(shí)，固定判別網(wǎng)絡(luò)，調(diào)整生成網(wǎng)絡(luò)，如此交替進(jìn)行，直到兩個(gè)網(wǎng)絡(luò)都達(dá)到穩(wěn)定時(shí)，停止訓(xùn)練。

優(yōu)選地，所述步驟s3為利用訓(xùn)練好的生成網(wǎng)絡(luò)擴(kuò)充現(xiàn)有鞋子圖像數(shù)據(jù)和腳型圖像數(shù)據(jù)，從而將訓(xùn)練樣本擴(kuò)充一倍。

優(yōu)選地，所述步驟s4進(jìn)一步包括如下步驟：

s401，將鞋子圖像和腳型圖像組合成一張六通道圖像，使用卷積神經(jīng)網(wǎng)絡(luò)作為提取組合圖像特征的網(wǎng)絡(luò)；

s402，初始化卷積神經(jīng)網(wǎng)絡(luò)和遞歸神經(jīng)網(wǎng)絡(luò)的權(quán)重，將組合圖像輸入卷積神經(jīng)網(wǎng)絡(luò)中，將該組合圖像對應(yīng)的鞋楦參數(shù)依次輸入遞歸神經(jīng)網(wǎng)絡(luò)中，在神經(jīng)網(wǎng)絡(luò)中做前傳計(jì)算，得到預(yù)測的鞋楦參數(shù)，并與真實(shí)的鞋楦參數(shù)計(jì)算誤差，反向傳播誤差，同時(shí)更新卷積神經(jīng)網(wǎng)絡(luò)和遞歸神經(jīng)網(wǎng)絡(luò)參數(shù)。

優(yōu)選地，所述步驟s5進(jìn)一步包括如下步驟：

s501，將待預(yù)測的鞋子圖像和腳型圖像輸入生成網(wǎng)絡(luò)，生成新的鞋子圖像和腳型圖像；

s502，將真實(shí)的組合圖像和生成的組合圖像分別輸入鞋楦參數(shù)模型中，做前向計(jì)算得到兩組鞋楦參數(shù)；

s503，將這兩組鞋楦參數(shù)的平均值作為最終結(jié)果，預(yù)測得到鞋楦參數(shù)。

如圖4所示，本發(fā)明還提供了一種基于鞋子圖像和腳型圖像的鞋楦參數(shù)自動預(yù)測裝置，包括鞋子圖像采集模塊，用于采集鞋子圖像；腳型圖像采集模塊，用于采集腳型圖像；圖像擴(kuò)充模塊，用于擴(kuò)充鞋子圖像和腳型圖像；訓(xùn)練模塊，用于訓(xùn)練生成式對抗網(wǎng)絡(luò)和遞歸神經(jīng)網(wǎng)絡(luò)；存儲模塊，用于保存鞋子圖像、鞋楦參數(shù)和生成式對抗網(wǎng)絡(luò)模型、遞歸神經(jīng)網(wǎng)絡(luò)模型；自動預(yù)測模塊，用于自動預(yù)測鞋楦參數(shù)。

優(yōu)選地，所述自動預(yù)測模塊分別預(yù)測真實(shí)組合圖像和生成組合圖像對應(yīng)的鞋楦參數(shù)，然后求平均值，得到最終的鞋楦參數(shù)預(yù)測值。

針對當(dāng)前鞋楦參數(shù)過于依賴技術(shù)工人，成為制約制鞋生產(chǎn)力提高和成本下降的關(guān)鍵因素的問題，設(shè)計(jì)出基于鞋子圖像和腳型圖像的鞋楦參數(shù)自動預(yù)測方法與預(yù)測裝置，能夠通過拍攝消費(fèi)者的鞋子圖像和腳型圖像，快速、便捷、準(zhǔn)確的獲取相應(yīng)鞋楦參數(shù)。

以上詳細(xì)描述了本發(fā)明的優(yōu)選的具體實(shí)施例。應(yīng)當(dāng)理解，本領(lǐng)域的普通技術(shù)人員無需創(chuàng)造性勞動就可以根據(jù)本發(fā)明的設(shè)計(jì)構(gòu)思做出諸多修改和變化。因此，凡本技術(shù)領(lǐng)域中技術(shù)人員依本發(fā)明的設(shè)計(jì)構(gòu)思在現(xiàn)有技術(shù)的基礎(chǔ)上通過邏輯分析、推理或者有限的實(shí)驗(yàn)可以得到的技術(shù)方案，皆應(yīng)在本發(fā)明的范圍之內(nèi)和/或由權(quán)利要求書所確定的保護(hù)范圍內(nèi)。