以旗袍为例的数据化与模块化定制系统构建

李旻玥,李智博,吕 钊,黄 霞,马艳辉

(1.西安工程大学 服装与艺术设计学院,陕西 西安 710048; 2.西安电子科技大学 光电工程学院,陕西 西安 710126)

随着信息技术的广泛应用,移动互联网、大数据、云计算和智能化时代来临,服装消费已经显现出多元化、多层次、多结构的状态,人们的个性化消费需求越来越多,个性化产品应运而生[1]。服装定制可以满足消费者的个性需求,但传统定制服装针对群体少,且从设计到成品落实过程冗杂,步骤繁多,其生产加工的规模也受到市场小群体的限制,导致成果比例无法达到最大化。随着消费者自我意识的加剧,短周期潮流化现象显著攀升,因此服装设计的数据化、模块化以及客户参与式设计理念将成为服装行业发展的重点。

李鸿霄[2]、朱铿桦[3]通过优化服饰模块化设计模式从而提高生产、设计效率,将模块化系统带入现代服饰设计中;周海媚等[4]对服装款式模块化设计方法展开探讨,对服饰单品进行部件分类、重组,验证了服装模块式设计的可行性;李司琪[5]通过对服饰的模块化划分以及模块间的相关性分析,最终完成了服饰的模块化配置设计。现阶段,对于服饰数据化和模块化的研究主要集中在应用现有理论去实践和验证,而对于系统测试开发和应用的研究较少,对建立服饰模块数据库也鲜有提及。

本文以旗袍设计为研究实例,建立旗袍部件的数据库,以实现设计流畅化、自由化,在分析旗袍模块化设计中的流程、数据分析以及三维建模技术的基础上,设计构建出一款旗袍定制系统,该系统将设计数据进行分析,完成定制化、模块化设计以及三维建模相似体型试衣,从而达到个性定制化、资源节约化、服务高效化的设计。

1 定制化服饰的转型与现状

随着社会的不断进步,人们逐渐开始转向无接触定制消费模式,网络技术与信息技术被广泛应用于生产之中,消费者对产品数据信息的要求也越来越高,定制化结构由传统“量体裁衣”的定制化方式向现代人机一体定制化转型。

现代人机一体定制集个性化模块化设计、网络化集成化生产、信息化智能化数据分析、虚拟化试衣于一体,具有发展优势。以旗袍为例,伴随着社会经济的发展、人们个性化需求的提升以及对旗袍文化的追溯,旗袍定制的比例和规模具有很大的上升空间[6]。由于身材和风格的差异,定制旗袍可以根据个人的需求和喜好进行设计制作,满足个性化需求。旗袍的个性化定制模式主要分为传统私人定制和现代化个性定制。现阶段,2种模式都存在于市场,但我国的旗袍定制仍主要以传统私人定制为主。传统定制模式下,主要围绕设计师设计意图展开工作,顾客虽有一定的参与感,但并不彻底且等待过程也相对漫长[7],顾客在定制阶段也无法预知自己的着身效果。设计师也只能依靠自己的判断进行设计,因此传统私人定制常常会出现沟通误差,直接导致工序的繁复、时间成本的增加,甚至降低顾客的满意程度。

2 系统接受度调研数据分析

以年龄区间、购置旗袍的关心因素、对于旗袍定制化接受程度、旗袍定制应用平台的接受程度等相关问题对女性消费者设置旗袍定制调查问卷。采用线上问卷的方式调研,期间共投放线上问卷300份,回收有效问卷共计296份,有效率约为98.7%,问卷题项如表1。

表1 旗袍定制调查问卷题项Tab.1 Customize survey items of cheongsam

利用SPSS分析软件对调研样本数据进行方差分析,分析18～30岁、30～45岁、45～60岁3个年龄阶段分别与“是否会尝试选择无接触互联网旗袍个性化定制”“是否愿意学习、尝试个性化服装定制系统操作”这2项的差异关系。结果显示,不同年龄阶段群体样本对于“是否会尝试选择无接触互联网旗袍个性化定制”呈现出的差异性并不明显(P=0.718> 0.05),说明年龄不会成为女性选择无接触互联网旗袍个性化定制的制约因素,70.67%的人会选择尝试无接触互联网旗袍个性化定制;而不同年龄阶段女性群体样本与“是否愿意学习、尝试个性化旗袍定制系统操作”呈现出了显著的差异(P=0.028 <0.05),通过平均值对比差异可知,18～30岁、30～45岁更愿意去学习、尝试操作定制系统,45～60岁相对意愿不强烈。综上所述,现阶段女性消费者绝大多数还是会接受、尝试无接触互联网旗袍个性化定制并有意愿学习操作系统。

3 旗袍定制系统的设计与构建

旗袍作为中国传统服饰的代表,已成为中国服饰文化的标志[8]。随着时间的推移,旗袍开始逐渐结合西方设计元素,其风格与造型也越来越丰富多元化。数字化、模块化的旗袍定制系统是以数据驱动和模块化设计为主、设计师或行业专家以及客户为辅的人机一体化定制设计系统。该系统将设计师、设计公司以及客户进行并联,不受地理位置和空间关系的限制,为顾客提供在线参与设计,使顾客与设计师共同设计出满足个人需求的服装,也可以通过系统模块单元自行组合搭配完成定制服装设计[9]。定制系统的整体流程如图1所示。

图1 定制系统流程Fig.1 Customized system process

对客户关于购置旗袍的关心因素进行多选样本调查,设置新的问卷,共投放线上问卷调查200份,有效样本为197份,其中“款式”因素占比为46%,“上身效果”因素占比最高为76%(多项选择,故有重合),其余因素占比相对较低。可见消费者对于旗袍的关心因素集中于款式与上身效果,对于定制系统来说,可将这2个因素体现于数据库模块化的设计和建模中。

3.1 旗袍定制系统构想

3.1.1 旗袍数据库

旗袍数据库的搭建是整个系统研发的根基,中心环节模块化设计主要以数据库为基本,因此数据库的建立既要满足消费者选择材料、款式、号型、工艺的需要,又要满足服装企业生产加工的需要。数据库主要分为3个构建子模块,分别是面料、款式、版型。面料数据库由可视化矢量图片以及表格为主,通过可视化图片来呈现面料肌理以及图案效果,再将参数化的详细面料信息通过表格呈现出来,面料参数建设内容见表2。款式构建和版型构建主要通过可视化图片来呈现,分别设置具体的子模块和个体部件单元。客户可以根据自己喜好自行选择组合具体子模块。

表2 面料参数建设内容Tab.2 Fabric parameters construction content

在数据库的构建方面,根据服装款式模块的划分准则,模块间需具有相对唯一性与关联性,既保证各模块的相对独立,又保证模块之间的相互配合[10]。数据库建立完毕后,在数据库中添加文本数据分析功能,该功能主要用于分析旗袍款式、颜色、廓形等详细参数化数据,从而在后期给予消费者更精准的推送。文本数据分析以汉语词语为前提,以分词作为分析基础,然后对不同词汇的词性进行相关计算与抽取,并统计词汇的出现和使用频率。目前,多数分词算法都采用规则和统计相结合的方法,目的是降低统计对语料库的依赖性,以充分利用已有词法信息,同时弥补规则方法的不足。目前常用的方法是利用词典进行初次切分,得出切分结果后,使用其他概率统计方法和简单规则消歧进行未登录词的识别[11]。本文以NLPIR-master大数据语义智能分析平台为基础,NLPIR 分词法利用词典匹配进行初词切分,得到词切分图后,再利用词频信息识别人名、地名、机构名等未登录词、新词标注以及词性标注[12]。

3.1.2 旗袍模块化设计技术

旗袍的设计模块主要包括工艺设计模块、部件设计模块等。工艺设计模块划分方法主要应用于服装的加工生产过程; 部件设计模块划分方法主要应用于服装款式的设计过程[4]。在数据库建立期间,旗袍的设计模块作为数据输入,在模块化设计中可以直接使用数据库中的数据模块。系统中模块化设计功能环节的开发以MatLab软件为基础,该软件具有丰富的交互开发环境、数学函数语言及强大的图像处理功能,可利用程序接口与多种编程语言实现消费者与系统之间的交互功能。 完整的数据库参数设计,可为实现服装款式的创新设计提供充足信息支持,最大程度上满足消费者对服装个性定制的高层次需求[13]。

分析市面上旗袍组成要素、款式与风格及各个子模块之间的关联性。例如经典款式的旗袍更注重华丽、精致、繁复的设计,通常有大量的花纹、刺绣或装饰;素雅款式的旗袍注重简洁、清新、朴素的设计风格,通常采用单色或少量色彩搭配,以简单、基础的廓形为主;混搭款式的旗袍是一种将传统旗袍与现代时尚元素融合在一起的设计,在款式选择方面追求多元化。综上所述,在确保旗袍设计模块的通用性与互换性的同时,将旗袍划分为经典、素雅、混搭3种风格和基本、辅助2种模块,具体见表3。

表3 旗袍模块化分类Tab.3 Modular classification of cheongsam

旗袍的设计风格主要由其结构模块、辅料选择方式及装饰形式等构成,在此基础上进行产品设计。在整个过程中,每个阶段都需要对所选取的功能模块进行相应调整,同时根据用户反馈信息不断修正并完善各模块的相关参数,直至达到最优状态,以保证最终设计方案能满足使用者个性化需求。系统中模块化设计针对旗袍模块数据库中的特定信息参数进行编码与分类,采用简单的数字或符号替代模块数据库中繁复的文字描述来简要贴切地传达旗袍模块参数特征和具体内容以及个性定制需求和设计师的设计效果。

前期对客户数据进行参数化分析设计,然后将交互输出与匹配结果供消费者进行评估,整个设计过程可以循环往复。模块化设计的核心功能区域划分为参数预设区、模块组合区、参数评估区3个功能区,其中参数预设区主要包括基础数据、面料类型等;模块组合区可实现不同类别及样式之间的搭配及其在不同面料上的运用;参数评估区则是针对各种服装的样板制作提供参考依据,系统后台数据库用于管理相关信息,最后进行系统的测试分析。

3.1.3 建模技术

虚拟试衣技术是数据化与模块化定制系统的一个重点功能,虚拟试衣技术依据建模来实现。以旗袍为例,设计师通常会根据自己的经验进行设计。建模技术可以通过自然的二维图像,准确预测三维空间中人体的体型和动作,模拟日常穿着中可能出现的人体动作(如下蹲、坐下等),帮助设计师判断服饰是否适合日常穿着,并进一步辅助设计师与客户完成个性化服饰的定制。此外,通过虚拟试穿,客户可以不受地点限制,更加直观地感受到试衣效果。

对于人体建模,目前常用的方式为多视角图像重建,其建模过程如图2所示,需要多个拍摄设备同时拍摄出用户的正、侧、后面3个角度的照片,通过轮廓检测、背景剥离、关键部位点云提取、空间点位置判断、机器计算围度尺寸来获取用户身体关键部位的低维参数,呈现出三维人体模型。但是多角度同时拍摄用户站位具有一定的局限性,转换建模方式势在必行。目前常见的参数化人体模型有SCAPE[14]、SMPL[15]、SMPL-X[16]等,其中SMPL只需1张二维图片,便可通过深度学习精准预测出三维空间中的人体及动作,以模型优良的光滑性和连续性被广泛应用,因而本文采取SMPL模型。

SMPL模型可以通过人体姿势参数θ和体型参数β驱动人体模型,其中姿势参数由1个人体方位向量和23个人体关节的位置向量组成,关节分布如图3所示;体型参数由10个与人体高矮、胖瘦、头身比等参数有关的数据组成。为了使得生成的模型更真实准确,采用能够在结合关节轴角先验条件后完成三维人体重建任务的残差网络设计一个二段式回归的三维人体重建结构方法(如图4所示)。原输入图像首先经过预处理,得到输入图像的二维特征(包括轮廓信息、背景深度等),然后根据二维特征学习回归三维特征,在判断三维特征的值符合体型认知逻辑和关节轴角先验条件后,输入SMPL模型完成重建。

图3 SMPL模型的人体关节分布图Fig.3 Human joint distribution map of the SMPL model

图4 SMPL模型的人体关节分布图Fig.4 Human joint distribution map of the SMPL model

二段式回归的三维人体重建结构方法的第1步是图像预处理环节,将原输入图像改为去掉背景等干扰项而只保留人体轮廓的RGB图像,进一步减少了图像的信息噪声,使得最后模拟的图像效果达到最优。图像预处理具体流程延续了文献[17]中的工作,如图5所示,根据原始输入图像,得到人体部分分割渲染图(Render-light)①和轮廓二值图(Binary Image)③,然后根据原始图像和生成的去除背景的RGB图像(background-free RGB)②对①②③进行最大外接矩形的获取得到④⑤⑥,最后将④和⑤进行通道叠加,其他条件与原图相同,通道数由3变为6的图像矩阵作为后期回归关节轴角时的输入。

二段式回归的三维人体重建结构方法的第2步是回归,将图像预处理结束输出的最大外切人体轮廓二值图像(如图5中⑥)和六通道叠加图像(如图5中⑦)分别输入体型回归器和姿势回归器,得到体型参数和姿势参数。为了得到正确的姿势参数,需对姿势回归器进行训练。在对人体姿势参数θ训练时,常常会出现回归过程中梯度损失和递归难以下降的情况,导致回归结果误差太大,无法完成人体重建,即使通过仔细调节学习率、训练集大小、Dropout等方法,也无法彻底解决。因此,在利用卷积网络训练姿势回归器时,以UP-3D数据集作为训练样本,经过多次实验,采用以下参数训练得到的回归器效果最好:批处理数为24、学习率为5e-6、优化算法为Adam算法、损失函数为L2、Rectified Linear Unit作为激活函数,共80 000次迭代。

在选择姿势回归网络时,选择50层残差网络Resnet50作为主要的卷积神经网络,并且下接3层全连接层,对应神经元数量分别为1 024、512、72,最后一层放置72个神经元,以确保输出神经元的个数与姿势参数θ的个数相同,从而达到成功输出姿势参数的目的。试验后,损失下降统计图如图6所示(图片尺寸128×128,在Adam算法和L2函数下迭代40 000次),没有出现爆炸和泛化能力失效的现象,回归精度和结果稳定,姿势回归器训练成功。当回归精度满足一定的要求后,回归结果常常呈现出人类非正常动作状态。因此,着重考虑姿势回归结果是否符合人体工学、机械结构问题,从机械原理的角度去分析关节连接的结构在机械上的运动划分,然后对所有的关节做自由度限制,根据限制的自由度计算每个关节角的值域,接着根据值域列表设置姿势回归结果的值域先验,将一个整体姿势回归任务转化成一个分类任务,使回归得到的姿势参数在拟合SMPL模型时均在符合人体可完成的动作范围之内。为了得到正常人体动作所对应的关节轴角值域范围,改变SMPL模型中姿势参数的24个关键点,每个关键点的空间位置向量由3个参数构成,共计72个参数。分析参数改变后人体模型的具体形变情况,具体操作为:首先将72个参数数值全部置0,然后逐一赋值-π/6,获得关节变化图,SMPL模型定义了24个关键点:self,jnames = Pelvis, L_Hip, R_Hip, Spine1, L_Knee, R_Knee, Spine, L_Ankle, R_Ankle, Spine3, L_Foot, R_Foot, Neck, L_Collar, R_Collar, Head, L_Shoulder, R_Shoulder, L_Elbow, R_Elbow, L_Wrist, R_Wrist,L_Hand, R_Hand,即骨盆(角度),左、右臀,下脊柱,左、右膝,中脊柱,左、右踝,上脊柱,左、右足,颈部,左、右锁骨,头部,左、右肩,左、右肘,左、右腕,左、右手。图7展示了人体6个左半边关节逐一赋值为-π/6的变形示意图,可以看出很多动作是违反人体工学且不可能实现的(如关节9、12、13、14)。通过对每个关节进行人体工学分析,计算关节点的空间自由度,设置姿势参数的关节轴角先验判别器。

图6 损失下降统计图Fig.6 Statistical chart of loss decline

图7 SMPL标准模板各关节逐一变形效果Fig.7 Deformation effect of each joint of SMPL standard template

在确定网络结构和参数之后,进行三维人体建模实验对比,对比不同条件下的建模效果,显示差异性,以证明加入关节轴角先验后,经训练得到的姿势参数回归器具有良好的准确性。姿势训练结果的整体变化情况对比如图8所示,其中a为原图,b为无权重回归,即直接从二维图像回归SMPL模型的姿势和体型参数拟合后的三维模型,在b的回归结果下,往往会由于重建结果中存在视角问题而在不同投影中产生视角差错,从而造成较大总体误差。因此,将回归结果计算损失的对象从姿势参数和体型参数转为基于2个参数生成SMPL模型的6 890个人体表面点,损失值为网格点的计算误差,以高效确定回归方向得到c。对训练结果增加关节轴角值域分析得到d,表明之前学习得到的c在关节点数值上有一定的不合理性,包括左手、左腿等关节的位置放置。将关节轴角先验判别器加入整个回归网络,重新训练之后得到e,而将所有的损失函数加上后得到整体网络训练的结果f。

图8 姿式训练结果的整体变化情况Fig.8 Overall changes in posture training results

同样经过实验,在训练体型回归器的回归网络选择上采取5层3×3的卷积网络(对应10个输出参数)和1层1×1的神经层以及1层线性连接层连接数据。为了提高回归模型的精度,需要对体型影响较大的体形参数(如高矮、胖瘦等)进行权重判断和权值赋予,利用基于体型及已知人体姿势产生的SMPL模型3D网格顶点(Per_vertex)的位置,求出其损失值,将所有损失函数加上后,可以取得较好的回归效果(见图9),三维模型也很流畅、真实。

图9 调整体型参数后的拟合SMPL图Fig.9 Fitting SMPL map after adjusting body shape parameters.(a)Input Image;(b)UP-3D samples;(c)Imaging effect

二段式回归的三维人体重建结构方法的第3步是人体模型的生成。将回归的72个姿势参数与体型回归器得到的10个体型参数叠加输入,如图8中g为姿势回归器回归成功后,加上体型回归器后一起拟合的全局重建结果,即最终的建模结果。

以上为基于SMPL与残差网络的二段式回归的三维人体重建结构方法下的建模技术,该技术可以更加高效、便捷的得到客户的人体模型。同时,设计师和客户还可以通过不同角度的模型来观察服饰在不同角度下的效果,以更好地了解服饰的质感和剪裁,从而判断是否适合客户。

3.2 旗袍定制系统构建

旗袍定制系统的功能区主要由旗袍数据库、旗袍模块化设计技术以及建模技术3个模块构成,旗袍定制系统功能区模块间的关联如图10所示。

图10 旗袍定制系统模块关联图Fig.10 Association diagram of cheongsamcustomization system modules

3.2.1 系统体系架构

系统体系架构采用3层B/S模式体系结构,分为用户层、业务逻辑层、数据层3个独立隔开的单元,其系统架构如图11所示。

图11 系统架构图Fig.11 System architecture diagram

3.2.2 系统构建原理

数据库的搭建是本文系统的基础,将用户信息、设计师信息、up-3D模型集、旗袍款式及面料信息、背景素材、预置展示旗袍等信息分别打包输入不同的数据元区,并设置相应分区对用户的所有信息分区存放,使用 Tomcat数据库连接池方式连接数据库。

在系统中占据核心位置的是数据管理模块,其统筹着用户信息、款式信息、体态特征信息及各部分所对应的子级信息树。用户创立账户后,为账户分配无限大的虚拟内存。为保证用户隐私,以用户ID和密码作为个人数据解锁条件,设计师可以查看用户设定的可查看信息,只有管理员有权限在数据库端口查找用户储存的个人信息。设计师工作进度通过联网,每15 min系统自动备份,每1 h系统同步进度给用户,设计师也可开启即时同步,方便双方沟通与交流。设计师、用户、管理员被分为3种栅,以表示身份区别,也便于系统管理。

虚拟试衣模块作为最为直接的展示功能,将用户输入的图片进行遍历,提取轮廓信息后的数据传输至终端处理器,系统采用快速“人体-服装”冲突及检测算法,展现逼真的服饰试穿效果。定义出base point 、angle、size、light数组,并采用曲线算法,使用循环数组,在数组中删除原始宽度,再调用显示函数对曲线进行映射,如此循环最终显示整个模型。

3.2.3 系统功能测试

系统搭建后还需对系统的功能进行测试,判断系统是否可以实现预期目标以及设计的功能实现是否正常。在参数a(身高1 752 mm,体重55 kg,肩宽378 mm,上臀围900 mm,下臀围1 000 mm,腰围700 mm,颈围375 mm,头尾460 mm,臀腿曲率半径300 mm,弧度0.5 rad,腿长770 mm,大腿围550 mm,小腿围355 mm,大臂围300 mm,小臂围200 mm)和定义参数b(身高1 755 mm,体重70 kg,肩宽439 mm,上臀围1 200 mm,下臀围1 228 mm,腰围900 mm,颈围455 mm,头尾500 mm,臀腿曲率半径350 mm,弧度0.3 rad,腿长770 mm,大腿围600 mm,小腿围375 mm,大臂围335 mm,小臂围220 mm)条件下得到2个不同的模型,再为模型穿上合体的旗袍,进行系统效果展示(见图12)。分别对人体建模和虚拟试衣的功能性进行测试,测试结果分别如表4、5所示。经测试,2个功能结果均符合预期要求。

图12 参数a和b下的模型及穿衣展示效果图Fig.12 Model and dressing display renderings under parameters a(a)and b(b)

表4 三维人体建模功能测试Tab.4 Functional testing of 3D human modeling

表5 虚拟试衣功能测试Tab.5 Virtual fitting function test

4 结束语

通过问卷调查法、跨学科研究法、实验法3种研究方法,以旗袍作为研究切入点,从模块数据库、模块化设计、三维建模试衣3个方面入手,进行服饰数据化与模块化定制系统创新研究。研究得出:旗袍定制系统通过对各个环节新兴技术的整合,用高效的参数链与模块链既满足消费者复杂多变的个性化需求又缩短设计周期、满足消费群体的试衣理想化,从而有效提升企业的模块化、数字化设计程度,降低设计生产运营成本。搭建的旗袍定制系统也可应用于其他服装设计领域,简化步骤,提高工作效率,同时提高服饰设计精度和设计的完整性。