智能量体方法、装置、电子设备及存储介质

技术领域

本申请涉及数据处理技术领域，尤其涉及智能量体方法、装置、电子设备及计算机可读存储介质。

背景技术

随着消费升级，消费者对个人服饰穿搭有了更高的要求，对服装的定制化需求日渐强烈。在为顾客私人订制服装时，需要获取顾客的多个身体部位的精确尺寸信息，而获取这些信息需要专业的量体师对顾客的每个身体部位逐个测量，该方法成本较高。

现有技术提供了一种3D扫描量体机，该设备可以用于为顾客进行量体，然而该设备体积巨大、成本高昂、使用不方便，需要将该设备存放至实体店等固定地点，顾客需要到实体店内进行量体，不利于大规模推广。

发明内容

本申请的目的在于提供智能量体方法、装置、电子设备及计算机可读存储介质，操作简单方便，用户可以在家自己进行量体，且测量数据较为准确，运算量较低，量体速度较快，使用成本较低，可以大规模推广使用。

本申请的目的采用以下技术方案实现：

第一方面，本申请提供了一种智能量体方法，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。该技术方案的有益效果在于，可以利用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，根据待测用户的视觉检测信息和数值特征信息，利用智能量体模型预测得到待测用户的至少一个量体参数的预测参数值，一方面，待测用户的视觉检测信息可以由用户设备的摄像头拍摄得到，使得视觉检测信息的获取不受时间和地点的限制，用户在量体时无需到实体店面进行测量；另一方面，只需向智能量体模型输入待测用户的视觉检测信息和数值特征信息，即可得到待测用户的至少一个量体参数的预测参数值，相比于使用3D扫描量体机等体积较大的智能量体设备进行量体，该方法操作简单方便，用户可以随时随地自主地进行量体，且测量数据较为准确，运算量较低，量体速度较快，使用成本较低，可以大规模推广使用。

在一些可选的实施例中，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。该技术方案的有益效果在于，一方面，可以将样本用户的图像信息和数值特征信息输入输入层，利用输入层将该样本用户的图像信息输入卷积层以得到卷积结果，再利用卷积层将卷积结果输入全连接层，其中，数值特征信息为一维的数值信息，无需卷积这一步骤，可以利用输入层将该样本用户的数值特征信息输入全连接层，该深度学习模型可以接受不同类型的信息的输入；另一方面，可以基于卷积结果和该样本用户的数值特征信息，利用全连接层预测得到该样本用户的至少一个量体参数的预测参数值，将该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，得到该样本用户的比对结果，基于比对结果训练深度模型，得到智能量体模型，利用该方法，可以结合多个样本用户的图像信息、数值特征信息和量体标注信息三方面的数据对深度模型进行训练，样本数据越多，得到的智能量体模型预测准确率越高。

在一些可选的实施例中，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。该技术方案的有益效果在于，一方面，L2损失函数对误差较为敏感，可以利用L2损失函数来衡量误差，且L2损失函数的计算效率较高，可以防止模型过拟合；另一方面，人体不同部位的尺寸误差对制衣的影响程度不同，相应地，损失函数中的每个量体参数对应的权重可以不完全相同，对不同的量体参数赋予不同的权重，由此提高预测结果的准确性。

在一些可选的实施例中，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。该技术方案的有益效果在于，用户设备的显示屏上可以显示参考轮廓信息，用户可以根据该参考轮廓信息调整拍摄姿态，拍摄出姿态符合要求的图像，若不提供参考轮廓信息作为参考，所采集的人体轮廓图像可能会不完整，或者采集到的人体轮廓图像的质量不高。

在一些可选的实施例中，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。该技术方案的有益效果在于，可以检测待测用户的每个姿态的人体轮廓图像是否平行于拍摄面，若人体轮廓图像不平行于拍摄面，会导致图像中的人体轮廓偏离实际人体轮廓，可以对不平行于拍摄面的人体轮廓图像进行调整，得到平行于拍摄面的人体轮廓图像，根据调整后的至少一个姿态的人体轮廓图像，预测得到该待测用户的至少一个量体参数的预测参数值，预测结果较为准确。

在一些可选的实施例中，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。该技术方案的有益效果在于，可以基于待测用户的其中一个姿态的人体轮廓图像，预测得到该待测用户的其他姿态的人体轮廓图像，根据该待测用户的至少一个姿态的人体轮廓图像，预测得到该待测用户的至少一个量体参数的预测参数值，预测结果较为准确。

在一些可选的实施例中，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。该技术方案的有益效果在于，可以基于待测用户的视觉检测信息，估计得到待测用户的衣物厚度信息，待测用户所穿衣物的厚薄程度对量体结果有较大的影响，可以基于待测用户的衣物厚度信息，分别调整该待测用户的至少一个姿态的人体轮廓图像，调整后的至少一个姿态的人体轮廓图像较为接近该待测用户的实际人体轮廓，可以根据调整后的至少一个姿态的人体轮廓图像，预测得到该待测用户的至少一个量体参数的预测参数值，预测结果较为准确。

在一些可选的实施例中，所述数值特征参数包括以下至少一种：性别、年龄、体型、体重和身高；所述量体参数包括以下至少一种：身高、头围、肩型、臂展、腰围和腿长。该技术方案的有益效果在于，数值特征参数可以是用户容易获取的个人信息，数值特征参数可以包括性别、年龄、体型、体重和身高中的至少一种，其参数值较为稳定，量体参数可以是容易直接测量且参数值较为稳定的参数，量体参数可以包括身高、头围、肩型、臂展、腰围和腿长中的至少一种。

第二方面，本申请提供了一种智能量体装置，所述装置包括：样本获取模块，用于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；模型训练模块，用于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；待测获取模块，用于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；信息预测模块，用于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。

在一些可选的实施例中，所述深度学习模型包括输入层、卷积层、全连接层和输出层；所述模型训练模块包括：输入单元，用于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；图像卷积单元，用于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；数值特征单元，用于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；第一预测单元，用于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；参数比对单元，用于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；模型获取单元，用于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。

在一些可选的实施例中，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。

在一些可选的实施例中，所述装置还包括：轮廓显示模块，用于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。

在一些可选的实施例中，所述信息预测模块包括：第一获取单元，用于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；第一调整单元，用于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；第二预测单元，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。

在一些可选的实施例中，所述信息预测模块包括：第二获取单元，用于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；第三预测单元，用于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；第四预测单元，用于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。

在一些可选的实施例中，所述信息预测模块包括：第三获取单元，用于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；第二调整单元，用于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；第五预测单元，用于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。

在一些可选的实施例中，所述数值特征参数包括以下至少一种：性别、年龄、体型、体重和身高；所述量体参数包括以下至少一种：身高、头围、肩型、臂展、腰围和腿长。

第三方面，本申请提供了一种电子设备，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项方法的步骤。

第四方面，本申请提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项方法的步骤。

附图说明

下面结合附图和实施例对本申请进一步说明。

图1是本申请实施例提供的一种智能量体方法的流程示意图；

图2是本申请实施例提供的一种得到智能量体模型的流程示意图；

图3是本申请实施例提供的一种深度学习模型的结构示意图；

图4是本申请实施例提供的一种得到预测参数值的流程示意图；

图5是本申请实施例提供的另一种得到预测参数值的流程示意图；

图6是本申请实施例提供的又一种得到预测参数值的流程示意图；

图7是本申请实施例提供的另一种智能量体方法的流程示意图；

图8是本申请实施例提供的一种智能量体装置的结构示意图；

图9是本申请实施例提供的一种模型训练模块的结构示意图；

图10是本申请实施例提供的一种信息预测模块的结构示意图；

图11是本申请实施例提供的另一种信息预测模块的结构示意图；

图12是本申请实施例提供的又一种信息预测模块的结构示意图；

图13是本申请实施例提供的另一种智能量体装置的结构示意图；

图14是本申请实施例提供的一种电子设备的结构示意图；

图15是本申请实施例提供的一种用于实现智能量体方法的程序产品的结构示意图。

具体实施方式

下面，结合附图以及具体实施方式，对本申请做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。

参见图1，本申请实施例提供了一种智能量体方法，所述方法可以包括步骤S101～S104。

步骤S101：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。本申请对样本用户的数量不做限定，多个样本用户例如是30个、50个、100个、1000个或者10000个样本用户。

在一具体实施方式中，所述数值特征参数可以包括以下至少一种：性别、年龄、体型、体重和身高；所述量体参数可以包括以下至少一种：身高、头围、肩型、臂展、腰围和腿长。

由此，数值特征参数可以是用户容易获取的个人信息，数值特征参数可以包括性别、年龄、体型、体重和身高中的至少一种，其参数值较为稳定，量体参数可以是容易直接测量且参数值较为稳定的参数，量体参数可以包括身高、头围、肩型、臂展、腰围和腿长中的至少一种。

在一具体实施方式中，当数值特征参数包括身高时，无需对用户的身高进行预测，可以将用户输入的身高的参数值作为身高的预测参数值。

步骤S102：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。

参见图2-3，在一具体实施方式中，所述深度学习模型可以包括输入层10、卷积层20、全连接层30和输出层40；所述步骤S102可以包括步骤S201～S206。

步骤S201：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10；

步骤S202：通过所述输入层10将所述样本用户的图像信息输入所述卷积层20以得到卷积结果，通过所述卷积层20将所述卷积结果输入所述全连接层30。

步骤S203：通过所述输入层10将所述样本用户的数值特征信息输入所述全连接层30。

步骤S204：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30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。

步骤S205：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。

步骤S206：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。

由此，一方面，可以将样本用户的图像信息和数值特征信息输入输入层10，利用输入层10将该样本用户的图像信息输入卷积层20以得到卷积结果，再利用卷积层20将卷积结果输入全连接层30，其中，数值特征信息为一维的数值信息，无需卷积这一步骤，可以利用输入层10将该样本用户的数值特征信息输入全连接层30，该深度学习模型可以接受不同类型的信息的输入；另一方面，可以基于卷积结果和该样本用户的数值特征信息，利用全连接层30预测得到该样本用户的至少一个量体参数的预测参数值，将该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，得到该样本用户的比对结果，基于比对结果训练深度模型，得到智能量体模型，利用该方法，可以结合多个样本用户的图像信息、数值特征信息和量体标注信息三方面的数据对深度模型进行训练，样本数据越多，得到的智能量体模型预测准确率越高。

在一具体实施方式中，所述深度学习模型的损失函数可以采用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可以不相同。

由此，一方面，L2损失函数对误差较为敏感，可以利用L2损失函数来衡量误差，且L2损失函数的计算效率较高，可以防止模型过拟合；另一方面，人体不同部位的尺寸误差对制衣的影响程度不同，相应地，损失函数中的每个量体参数对应的权重可以不完全相同，对不同的量体参数赋予不同的权重，由此提高预测结果的准确性。

在一具体实施方式中，可以根据服装设计师等专业人士的经验和建议，为不同的量体参数设置不同的权重。例如，身高对制衣的影响程度比腰围小，可以为身高设置较低的权重，为腰围设置较高的权重。

步骤S103：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。其中，用户设备可以是手机、计算机、平板电脑、智能穿戴设备等具有摄像头的电子设备。摄像头例如是光学摄像头和/或红外摄像头。

步骤S104：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。

由此，可以利用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，根据待测用户的视觉检测信息和数值特征信息，利用智能量体模型预测得到待测用户的至少一个量体参数的预测参数值，一方面，待测用户的视觉检测信息可以由用户设备的摄像头拍摄得到，使得视觉检测信息的获取不受时间和地点的限制，用户在量体时无需到实体店面进行测量；另一方面，只需向智能量体模型输入待测用户的视觉检测信息和数值特征信息，即可得到待测用户的至少一个量体参数的预测参数值，相比于使用3D扫描量体机等体积较大的智能量体设备进行量体，该方法操作简单方便，用户可以随时随地在家自主地进行量体，且测量数据较为准确，运算量较低，量体速度较快，使用成本较低，可以大规模推广使用。

参见图4，在一具体实施方式中，所述步骤S104可以包括步骤S301～S303。

步骤S301：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。待测用户的姿态可以包括待测用户的正面、背面、顶面、侧面、底面等，其中，侧面可以与正面成任意角度。

步骤S302：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。

步骤S303：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。

例如，至少一个姿态的人体轮廓图像例如是正面的全身图像和侧面的全身图像，正面的全身图像可以包括平举胳膊的全身图像和放下胳膊的全身图像，侧面的全身图像可以包括平举胳膊的全身图像。

由此，可以检测待测用户的每个姿态的人体轮廓图像是否平行于拍摄面，若人体轮廓图像不平行于拍摄面，会导致图像中的人体轮廓偏离实际人体轮廓，可以对不平行于拍摄面的人体轮廓图像进行调整，得到平行于拍摄面的人体轮廓图像，根据调整后的至少一个姿态的人体轮廓图像，预测得到该待测用户的至少一个量体参数的预测参数值，预测结果较为准确。

参见图5，在一具体实施方式中，所述步骤S104可以包括步骤S304～S306。

步骤S304：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。

步骤S305：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。

在一具体实施方式中，所述步骤S305可以包括：基于所述待测用户的其中一个姿态的人体轮廓图像，利用PIFuHD网络预测所述人体轮廓图像对应的3D模型，根据所述3D模型，预测得到所述待测用户的其他姿态的人体轮廓图像。

由此，可以基于待测用户的其中一个姿态的人体轮廓图像，利用PIFuHD网络预测该人体轮廓图像对应的3D模型，由3D模型预测得到该待测用户的其他姿态的人体轮廓图像，整个过程智能化程度和自动化程度高，且生成的3D模型精度较高。

步骤S306：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。

由此，可以基于待测用户的其中一个姿态的人体轮廓图像，预测得到该待测用户的其他姿态的人体轮廓图像，根据该待测用户的至少一个姿态的人体轮廓图像，预测得到该待测用户的至少一个量体参数的预测参数值，预测结果较为准确。

参见图6，在一具体实施方式中，所述步骤S104可以包括步骤S307～S309。

步骤S307：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。其中，衣物厚度信息可以包括上衣厚度信息和/或下衣厚度信息。

其中，视觉检测信息例如是图像信息或者视频信息，当视觉检测信息为图像信息时，可以提示需要至少一个姿态的人体轮廓图像，当视觉检测信息为视频信息时，可以针对视频信息中的每一帧图像，检测是否存在用户呈现不同姿态的图像，判断用户呈现不同姿态的标准例如是姿态之间的变化满足预设条件，预设条件是预先设定的条件，例如可以将姿态之间的转动角度超过30度作为不同姿态。

其中，步骤S307可以包括：获取多个样本对象的视觉检测信息和衣物厚度标注信息，所述衣物厚度标注信息用于指示衣物厚度信息；根据所述多个样本对象的视觉检测信息和衣物厚度标注信息，利用深度学习模型进行训练，得到衣物厚度分类模型；将所述待测用户的视觉检测信息输入所述衣物厚度分类模型，得到所述待测用户的衣物厚度信息。

步骤S308：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。

步骤S309：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。

由此，可以基于待测用户的视觉检测信息，估计得到待测用户的衣物厚度信息，待测用户所穿衣物的厚薄程度对量体结果有较大的影响，可以基于待测用户的衣物厚度信息，分别调整该待测用户的至少一个姿态的人体轮廓图像，调整后的至少一个姿态的人体轮廓图像较为接近该待测用户的实际人体轮廓，可以根据调整后的至少一个姿态的人体轮廓图像，预测得到该待测用户的至少一个量体参数的预测参数值，预测结果较为准确。

参见图7，在一具体实施方式中，所述方法还可以包括步骤S105。

步骤S105：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。其中，用户设备例如是手机，参考轮廓信息例如是人物形状框，用户可以调整和手机之间的距离以及手机的摆放角度，使得用户所拍摄的人体轮廓图像位于该人物形状框内，从而得到较为完整的人体轮廓图像。

在一个实际应用中，所述步骤S105还可以包括：在所述用户设备的显示屏上显示文本提示信息，以使所述待测用户根据所述文本提示信息调整拍摄姿态。其中，文本提示信息例如是：举起胳膊、站直、挺胸抬头、放下胳膊等，可以引导用户摆出各种姿势。

在另一个实际应用中，所述步骤S105还可以包括：控制所述用户设备播放语音提示信息，以使所述待测用户根据所述语音提示信息调整拍摄姿态。其中，语音提示信息例如是：举起胳膊、站直、挺胸抬头、放下胳膊等，可以引导用户摆出各种姿势。

由此，用户设备的显示屏上可以显示参考轮廓信息，用户可以根据该参考轮廓信息调整拍摄姿态，拍摄出姿态符合要求的图像，若不提供参考轮廓信息作为参考，所采集的人体轮廓图像可能会不完整，或者采集到的人体轮廓图像的质量不高。

在一具体应用中，本申请实施例提供了一种智能量体方法，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，所述图像信息包括两种正面的人体轮廓图像和一种侧面的人体轮廓图像，其中一种正面的人体轮廓图像中人物的胳膊张开，与肩部平行，另一只正面的人体轮廓图像中人物的胳膊贴于身体两侧，侧面的人体轮廓图像中人物的胳膊张开，与肩部垂直，所述数值特征信息包括身高、体重、年龄、性别等信息，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，所述量体参数的实际参数值可以由专业的量体师测量；

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；

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；

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；

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。

参见图8，本申请实施例还提供了一种智能量体装置，其具体实现方式与上述智能量体方法的实施例中记载的实施方式、所达到的技术效果一致，部分内容不再赘述。

所述装置包括：样本获取模块101，用于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；模型训练模块102，用于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；待测获取模块103，用于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；信息预测模块104，用于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。

在一具体实施方式中，所述数值特征参数可以包括以下至少一种：性别、年龄、体型、体重和身高；所述量体参数可以包括以下至少一种：身高、头围、肩型、臂展、腰围和腿长。

参见图9，在一具体实施方式中，所述深度学习模型可以包括输入层、卷积层、全连接层和输出层；所述模型训练模块102可以包括：输入单元1021，可以用于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；图像卷积单元1022，用于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；数值特征单元1023，可以用于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；第一预测单元1024，可以用于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；参数比对单元1025，可以用于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；模型获取单元1026，可以用于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。

在一具体实施方式中，所述深度学习模型的损失函数可以采用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可以不相同。

参见图10，在一具体实施方式中，所述信息预测模块104可以包括：第一获取单元1041，可以用于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；第一调整单元1042，可以用于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；第二预测单元1043，可以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。

参见图11，在一具体实施方式中，所述信息预测模块104可以包括：第二获取单元1044，可以用于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；第三预测单元1045，可以用于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；第四预测单元1046，可以用于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。

参见图12，在一具体实施方式中，所述信息预测模块104可以包括：第三获取单元1047，可以用于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；第二调整单元1048，可以用于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；第五预测单元1049，可以用于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。

参见图13，在一具体实施方式中，所述装置还可以包括：轮廓显示模块105，可以用于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。

参见图14，本申请实施例还提供了一种电子设备200，电子设备200包括至少一个存储器210、至少一个处理器220以及连接不同平台系统的总线230。

存储器210可以包括易失性存储器形式的可读介质，例如随机存取存储器(RAM)211和/或高速缓存存储器212，还可以进一步包括只读存储器(ROM)213。

其中，存储器210还存储有计算机程序，计算机程序可以被处理器220执行，使得处理器220执行本申请实施例中智能量体方法的步骤，其具体实现方式与上述智能量体方法的实施例中记载的实施方式、所达到的技术效果一致，部分内容不再赘述。

存储器210还可以包括具有至少一个程序模块215的实用工具214，这样的程序模块215包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

相应的，处理器220可以执行上述计算机程序，以及可以执行实用工具214。

总线230可以为表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器、外围总线、图形加速端口、处理器或者使用多种总线结构中的任意总线结构的局域总线。

电子设备200也可以与一个或多个外部设备240例如键盘、指向设备、蓝牙设备等通信，还可与一个或者多个能够与该电子设备200交互的设备通信，和/或与使得该电子设备200能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等)通信。这种通信可以通过输入输出接口250进行。并且，电子设备200还可以通过网络适配器260与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器260可以通过总线230与电子设备200的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备200使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储平台等。

本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质用于存储计算机程序，所述计算机程序被执行时实现本申请实施例中智能量体方法的步骤，其具体实现方式与上述智能量体方法的实施例中记载的实施方式、所达到的技术效果一致，部分内容不再赘述。

图15示出了本实施例提供的用于实现上述智能量体方法的程序产品300，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品300不限于此，在本申请中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。程序产品300可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等，或者上述的任意合适的组合。可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，程序设计语言包括面向对象的程序设计语言诸如Java、C++等，还包括常规的过程式程序设计语言诸如C语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

本申请从使用目的上，效能上，进步及新颖性等观点进行阐述，已符合专利法所强调的功能增进及使用要件，本申请以上的说明书及说明书附图，仅为本申请的较佳实施例而已，并非以此局限本申请，因此，凡一切与本申请构造，装置，特征等近似、雷同的，即凡依本申请专利申请范围所作的等同替换或修饰等，皆应属本申请的专利申请保护的范围之内。