以旗袍為例的數據化與模塊化定制系統構建

李旻玥,李智博,呂 釗,黃 霞,馬艷輝

(1.西安工程大學 服裝與藝術設計學院,陜西 西安 710048; 2.西安電子科技大學 光電工程學院,陜西 西安 710126)

隨著信息技術的廣泛應用,移動互聯網、大數據、云計算和智能化時代來臨,服裝消費已經顯現出多元化、多層次、多結構的狀態,人們的個性化消費需求越來越多,個性化產品應運而生[1]。服裝定制可以滿足消費者的個性需求,但傳統定制服裝針對群體少,且從設計到成品落實過程冗雜,步驟繁多,其生產加工的規模也受到市場小群體的限制,導致成果比例無法達到最大化。隨著消費者自我意識的加劇,短周期潮流化現象顯著攀升,因此服裝設計的數據化、模塊化以及客戶參與式設計理念將成為服裝行業發展的重點。

李鴻霄[2]、朱鏗樺[3]通過優化服飾模塊化設計模式從而提高生產、設計效率,將模塊化系統帶入現代服飾設計中;周海媚等[4]對服裝款式模塊化設計方法展開探討,對服飾單品進行部件分類、重組,驗證了服裝模塊式設計的可行性;李司琪[5]通過對服飾的模塊化劃分以及模塊間的相關性分析,最終完成了服飾的模塊化配置設計。現階段,對于服飾數據化和模塊化的研究主要集中在應用現有理論去實踐和驗證,而對于系統測試開發和應用的研究較少,對建立服飾模塊數據庫也鮮有提及。

本文以旗袍設計為研究實例,建立旗袍部件的數據庫,以實現設計流暢化、自由化,在分析旗袍模塊化設計中的流程、數據分析以及三維建模技術的基礎上,設計構建出一款旗袍定制系統,該系統將設計數據進行分析,完成定制化、模塊化設計以及三維建模相似體型試衣,從而達到個性定制化、資源節約化、服務高效化的設計。

1 定制化服飾的轉型與現狀

隨著社會的不斷進步,人們逐漸開始轉向無接觸定制消費模式,網絡技術與信息技術被廣泛應用于生產之中,消費者對產品數據信息的要求也越來越高,定制化結構由傳統“量體裁衣”的定制化方式向現代人機一體定制化轉型。

現代人機一體定制集個性化模塊化設計、網絡化集成化生產、信息化智能化數據分析、虛擬化試衣于一體,具有發展優勢。以旗袍為例,伴隨著社會經濟的發展、人們個性化需求的提升以及對旗袍文化的追溯,旗袍定制的比例和規模具有很大的上升空間[6]。由于身材和風格的差異,定制旗袍可以根據個人的需求和喜好進行設計制作,滿足個性化需求。旗袍的個性化定制模式主要分為傳統私人定制和現代化個性定制。現階段,2種模式都存在于市場,但我國的旗袍定制仍主要以傳統私人定制為主。傳統定制模式下,主要圍繞設計師設計意圖展開工作,顧客雖有一定的參與感,但并不徹底且等待過程也相對漫長[7],顧客在定制階段也無法預知自己的著身效果。設計師也只能依靠自己的判斷進行設計,因此傳統私人定制常常會出現溝通誤差,直接導致工序的繁復、時間成本的增加,甚至降低顧客的滿意程度。

2 系統接受度調研數據分析

以年齡區間、購置旗袍的關心因素、對于旗袍定制化接受程度、旗袍定制應用平臺的接受程度等相關問題對女性消費者設置旗袍定制調查問卷。采用線上問卷的方式調研,期間共投放線上問卷300份,回收有效問卷共計296份,有效率約為98.7%,問卷題項如表1。

表1 旗袍定制調查問卷題項Tab.1 Customize survey items of cheongsam

利用SPSS分析軟件對調研樣本數據進行方差分析,分析18～30歲、30～45歲、45～60歲3個年齡階段分別與“是否會嘗試選擇無接觸互聯網旗袍個性化定制”“是否愿意學習、嘗試個性化服裝定制系統操作”這2項的差異關系。結果顯示,不同年齡階段群體樣本對于“是否會嘗試選擇無接觸互聯網旗袍個性化定制”呈現出的差異性并不明顯(P=0.718> 0.05),說明年齡不會成為女性選擇無接觸互聯網旗袍個性化定制的制約因素,70.67%的人會選擇嘗試無接觸互聯網旗袍個性化定制;而不同年齡階段女性群體樣本與“是否愿意學習、嘗試個性化旗袍定制系統操作”呈現出了顯著的差異(P=0.028 <0.05),通過平均值對比差異可知,18～30歲、30～45歲更愿意去學習、嘗試操作定制系統,45～60歲相對意愿不強烈。綜上所述,現階段女性消費者絕大多數還是會接受、嘗試無接觸互聯網旗袍個性化定制并有意愿學習操作系統。

3 旗袍定制系統的設計與構建

旗袍作為中國傳統服飾的代表,已成為中國服飾文化的標志[8]。隨著時間的推移,旗袍開始逐漸結合西方設計元素,其風格與造型也越來越豐富多元化。數字化、模塊化的旗袍定制系統是以數據驅動和模塊化設計為主、設計師或行業專家以及客戶為輔的人機一體化定制設計系統。該系統將設計師、設計公司以及客戶進行并聯,不受地理位置和空間關系的限制,為顧客提供在線參與設計,使顧客與設計師共同設計出滿足個人需求的服裝,也可以通過系統模塊單元自行組合搭配完成定制服裝設計[9]。定制系統的整體流程如圖1所示。

圖1 定制系統流程Fig.1 Customized system process

對客戶關于購置旗袍的關心因素進行多選樣本調查,設置新的問卷,共投放線上問卷調查200份,有效樣本為197份,其中“款式”因素占比為46%,“上身效果”因素占比最高為76%(多項選擇,故有重合),其余因素占比相對較低。可見消費者對于旗袍的關心因素集中于款式與上身效果,對于定制系統來說,可將這2個因素體現于數據庫模塊化的設計和建模中。

3.1 旗袍定制系統構想

3.1.1 旗袍數據庫

旗袍數據庫的搭建是整個系統研發的根基,中心環節模塊化設計主要以數據庫為基本,因此數據庫的建立既要滿足消費者選擇材料、款式、號型、工藝的需要,又要滿足服裝企業生產加工的需要。數據庫主要分為3個構建子模塊,分別是面料、款式、版型。面料數據庫由可視化矢量圖片以及表格為主,通過可視化圖片來呈現面料肌理以及圖案效果,再將參數化的詳細面料信息通過表格呈現出來,面料參數建設內容見表2。款式構建和版型構建主要通過可視化圖片來呈現,分別設置具體的子模塊和個體部件單元。客戶可以根據自己喜好自行選擇組合具體子模塊。

表2 面料參數建設內容Tab.2 Fabric parameters construction content

在數據庫的構建方面,根據服裝款式模塊的劃分準則,模塊間需具有相對唯一性與關聯性,既保證各模塊的相對獨立,又保證模塊之間的相互配合[10]。數據庫建立完畢后,在數據庫中添加文本數據分析功能,該功能主要用于分析旗袍款式、顏色、廓形等詳細參數化數據,從而在后期給予消費者更精準的推送。文本數據分析以漢語詞語為前提,以分詞作為分析基礎,然后對不同詞匯的詞性進行相關計算與抽取,并統計詞匯的出現和使用頻率。目前,多數分詞算法都采用規則和統計相結合的方法,目的是降低統計對語料庫的依賴性,以充分利用已有詞法信息,同時彌補規則方法的不足。目前常用的方法是利用詞典進行初次切分,得出切分結果后,使用其他概率統計方法和簡單規則消歧進行未登錄詞的識別[11]。本文以NLPIR-master大數據語義智能分析平臺為基礎,NLPIR 分詞法利用詞典匹配進行初詞切分,得到詞切分圖后,再利用詞頻信息識別人名、地名、機構名等未登錄詞、新詞標注以及詞性標注[12]。

3.1.2 旗袍模塊化設計技術

旗袍的設計模塊主要包括工藝設計模塊、部件設計模塊等。工藝設計模塊劃分方法主要應用于服裝的加工生產過程; 部件設計模塊劃分方法主要應用于服裝款式的設計過程[4]。在數據庫建立期間,旗袍的設計模塊作為數據輸入,在模塊化設計中可以直接使用數據庫中的數據模塊。系統中模塊化設計功能環節的開發以MatLab軟件為基礎,該軟件具有豐富的交互開發環境、數學函數語言及強大的圖像處理功能,可利用程序接口與多種編程語言實現消費者與系統之間的交互功能。 完整的數據庫參數設計,可為實現服裝款式的創新設計提供充足信息支持,最大程度上滿足消費者對服裝個性定制的高層次需求[13]。

分析市面上旗袍組成要素、款式與風格及各個子模塊之間的關聯性。例如經典款式的旗袍更注重華麗、精致、繁復的設計,通常有大量的花紋、刺繡或裝飾;素雅款式的旗袍注重簡潔、清新、樸素的設計風格,通常采用單色或少量色彩搭配,以簡單、基礎的廓形為主;混搭款式的旗袍是一種將傳統旗袍與現代時尚元素融合在一起的設計,在款式選擇方面追求多元化。綜上所述,在確保旗袍設計模塊的通用性與互換性的同時,將旗袍劃分為經典、素雅、混搭3種風格和基本、輔助2種模塊,具體見表3。

表3 旗袍模塊化分類Tab.3 Modular classification of cheongsam

旗袍的設計風格主要由其結構模塊、輔料選擇方式及裝飾形式等構成,在此基礎上進行產品設計。在整個過程中,每個階段都需要對所選取的功能模塊進行相應調整,同時根據用戶反饋信息不斷修正并完善各模塊的相關參數,直至達到最優狀態,以保證最終設計方案能滿足使用者個性化需求。系統中模塊化設計針對旗袍模塊數據庫中的特定信息參數進行編碼與分類,采用簡單的數字或符號替代模塊數據庫中繁復的文字描述來簡要貼切地傳達旗袍模塊參數特征和具體內容以及個性定制需求和設計師的設計效果。

前期對客戶數據進行參數化分析設計,然后將交互輸出與匹配結果供消費者進行評估,整個設計過程可以循環往復。模塊化設計的核心功能區域劃分為參數預設區、模塊組合區、參數評估區3個功能區,其中參數預設區主要包括基礎數據、面料類型等;模塊組合區可實現不同類別及樣式之間的搭配及其在不同面料上的運用;參數評估區則是針對各種服裝的樣板制作提供參考依據,系統后臺數據庫用于管理相關信息,最后進行系統的測試分析。

3.1.3 建模技術

虛擬試衣技術是數據化與模塊化定制系統的一個重點功能,虛擬試衣技術依據建模來實現。以旗袍為例,設計師通常會根據自己的經驗進行設計。建模技術可以通過自然的二維圖像,準確預測三維空間中人體的體型和動作,模擬日常穿著中可能出現的人體動作(如下蹲、坐下等),幫助設計師判斷服飾是否適合日常穿著,并進一步輔助設計師與客戶完成個性化服飾的定制。此外,通過虛擬試穿,客戶可以不受地點限制,更加直觀地感受到試衣效果。

對于人體建模,目前常用的方式為多視角圖像重建,其建模過程如圖2所示,需要多個拍攝設備同時拍攝出用戶的正、側、后面3個角度的照片,通過輪廓檢測、背景剝離、關鍵部位點云提取、空間點位置判斷、機器計算圍度尺寸來獲取用戶身體關鍵部位的低維參數,呈現出三維人體模型。但是多角度同時拍攝用戶站位具有一定的局限性,轉換建模方式勢在必行。目前常見的參數化人體模型有SCAPE[14]、SMPL[15]、SMPL-X[16]等,其中SMPL只需1張二維圖片,便可通過深度學習精準預測出三維空間中的人體及動作,以模型優良的光滑性和連續性被廣泛應用,因而本文采取SMPL模型。

SMPL模型可以通過人體姿勢參數θ和體型參數β驅動人體模型,其中姿勢參數由1個人體方位向量和23個人體關節的位置向量組成,關節分布如圖3所示;體型參數由10個與人體高矮、胖瘦、頭身比等參數有關的數據組成。為了使得生成的模型更真實準確,采用能夠在結合關節軸角先驗條件后完成三維人體重建任務的殘差網絡設計一個二段式回歸的三維人體重建結構方法(如圖4所示)。原輸入圖像首先經過預處理,得到輸入圖像的二維特征(包括輪廓信息、背景深度等),然后根據二維特征學習回歸三維特征,在判斷三維特征的值符合體型認知邏輯和關節軸角先驗條件后,輸入SMPL模型完成重建。

圖3 SMPL模型的人體關節分布圖Fig.3 Human joint distribution map of the SMPL model

圖4 SMPL模型的人體關節分布圖Fig.4 Human joint distribution map of the SMPL model

二段式回歸的三維人體重建結構方法的第1步是圖像預處理環節,將原輸入圖像改為去掉背景等干擾項而只保留人體輪廓的RGB圖像,進一步減少了圖像的信息噪聲,使得最后模擬的圖像效果達到最優。圖像預處理具體流程延續了文獻[17]中的工作,如圖5所示,根據原始輸入圖像,得到人體部分分割渲染圖(Render-light)①和輪廓二值圖(Binary Image)③,然后根據原始圖像和生成的去除背景的RGB圖像(background-free RGB)②對①②③進行最大外接矩形的獲取得到④⑤⑥,最后將④和⑤進行通道疊加,其他條件與原圖相同,通道數由3變為6的圖像矩陣作為后期回歸關節軸角時的輸入。

二段式回歸的三維人體重建結構方法的第2步是回歸,將圖像預處理結束輸出的最大外切人體輪廓二值圖像(如圖5中⑥)和六通道疊加圖像(如圖5中⑦)分別輸入體型回歸器和姿勢回歸器,得到體型參數和姿勢參數。為了得到正確的姿勢參數,需對姿勢回歸器進行訓練。在對人體姿勢參數θ訓練時,常常會出現回歸過程中梯度損失和遞歸難以下降的情況,導致回歸結果誤差太大,無法完成人體重建,即使通過仔細調節學習率、訓練集大小、Dropout等方法,也無法徹底解決。因此,在利用卷積網絡訓練姿勢回歸器時,以UP-3D數據集作為訓練樣本,經過多次實驗,采用以下參數訓練得到的回歸器效果最好:批處理數為24、學習率為5e-6、優化算法為Adam算法、損失函數為L2、Rectified Linear Unit作為激活函數,共80 000次迭代。

在選擇姿勢回歸網絡時,選擇50層殘差網絡Resnet50作為主要的卷積神經網絡,并且下接3層全連接層,對應神經元數量分別為1 024、512、72,最后一層放置72個神經元,以確保輸出神經元的個數與姿勢參數θ的個數相同,從而達到成功輸出姿勢參數的目的。試驗后,損失下降統計圖如圖6所示(圖片尺寸128×128,在Adam算法和L2函數下迭代40 000次),沒有出現爆炸和泛化能力失效的現象,回歸精度和結果穩定,姿勢回歸器訓練成功。當回歸精度滿足一定的要求后,回歸結果常常呈現出人類非正常動作狀態。因此,著重考慮姿勢回歸結果是否符合人體工學、機械結構問題,從機械原理的角度去分析關節連接的結構在機械上的運動劃分,然后對所有的關節做自由度限制,根據限制的自由度計算每個關節角的值域,接著根據值域列表設置姿勢回歸結果的值域先驗,將一個整體姿勢回歸任務轉化成一個分類任務,使回歸得到的姿勢參數在擬合SMPL模型時均在符合人體可完成的動作范圍之內。為了得到正常人體動作所對應的關節軸角值域范圍,改變SMPL模型中姿勢參數的24個關鍵點,每個關鍵點的空間位置向量由3個參數構成,共計72個參數。分析參數改變后人體模型的具體形變情況,具體操作為:首先將72個參數數值全部置0,然后逐一賦值-π/6,獲得關節變化圖,SMPL模型定義了24個關鍵點: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,頸部,左、右鎖骨,頭部,左、右肩,左、右肘,左、右腕,左、右手。圖7展示了人體6個左半邊關節逐一賦值為-π/6的變形示意圖,可以看出很多動作是違反人體工學且不可能實現的(如關節9、12、13、14)。通過對每個關節進行人體工學分析,計算關節點的空間自由度,設置姿勢參數的關節軸角先驗判別器。

圖6 損失下降統計圖Fig.6 Statistical chart of loss decline

圖7 SMPL標準模板各關節逐一變形效果Fig.7 Deformation effect of each joint of SMPL standard template

在確定網絡結構和參數之后,進行三維人體建模實驗對比,對比不同條件下的建模效果,顯示差異性,以證明加入關節軸角先驗后,經訓練得到的姿勢參數回歸器具有良好的準確性。姿勢訓練結果的整體變化情況對比如圖8所示,其中a為原圖,b為無權重回歸,即直接從二維圖像回歸SMPL模型的姿勢和體型參數擬合后的三維模型,在b的回歸結果下,往往會由于重建結果中存在視角問題而在不同投影中產生視角差錯,從而造成較大總體誤差。因此,將回歸結果計算損失的對象從姿勢參數和體型參數轉為基于2個參數生成SMPL模型的6 890個人體表面點,損失值為網格點的計算誤差,以高效確定回歸方向得到c。對訓練結果增加關節軸角值域分析得到d,表明之前學習得到的c在關節點數值上有一定的不合理性,包括左手、左腿等關節的位置放置。將關節軸角先驗判別器加入整個回歸網絡,重新訓練之后得到e,而將所有的損失函數加上后得到整體網絡訓練的結果f。

圖8 姿式訓練結果的整體變化情況Fig.8 Overall changes in posture training results

同樣經過實驗,在訓練體型回歸器的回歸網絡選擇上采取5層3×3的卷積網絡(對應10個輸出參數)和1層1×1的神經層以及1層線性連接層連接數據。為了提高回歸模型的精度,需要對體型影響較大的體形參數(如高矮、胖瘦等)進行權重判斷和權值賦予,利用基于體型及已知人體姿勢產生的SMPL模型3D網格頂點(Per_vertex)的位置,求出其損失值,將所有損失函數加上后,可以取得較好的回歸效果(見圖9),三維模型也很流暢、真實。

圖9 調整體型參數后的擬合SMPL圖Fig.9 Fitting SMPL map after adjusting body shape parameters.(a)Input Image;(b)UP-3D samples;(c)Imaging effect

二段式回歸的三維人體重建結構方法的第3步是人體模型的生成。將回歸的72個姿勢參數與體型回歸器得到的10個體型參數疊加輸入,如圖8中g為姿勢回歸器回歸成功后,加上體型回歸器后一起擬合的全局重建結果,即最終的建模結果。

以上為基于SMPL與殘差網絡的二段式回歸的三維人體重建結構方法下的建模技術,該技術可以更加高效、便捷的得到客戶的人體模型。同時,設計師和客戶還可以通過不同角度的模型來觀察服飾在不同角度下的效果,以更好地了解服飾的質感和剪裁,從而判斷是否適合客戶。

3.2 旗袍定制系統構建

旗袍定制系統的功能區主要由旗袍數據庫、旗袍模塊化設計技術以及建模技術3個模塊構成,旗袍定制系統功能區模塊間的關聯如圖10所示。

圖10 旗袍定制系統模塊關聯圖Fig.10 Association diagram of cheongsamcustomization system modules

3.2.1 系統體系架構

系統體系架構采用3層B/S模式體系結構,分為用戶層、業務邏輯層、數據層3個獨立隔開的單元,其系統架構如圖11所示。

圖11 系統架構圖Fig.11 System architecture diagram

3.2.2 系統構建原理

數據庫的搭建是本文系統的基礎,將用戶信息、設計師信息、up-3D模型集、旗袍款式及面料信息、背景素材、預置展示旗袍等信息分別打包輸入不同的數據元區,并設置相應分區對用戶的所有信息分區存放,使用 Tomcat數據庫連接池方式連接數據庫。

在系統中占據核心位置的是數據管理模塊,其統籌著用戶信息、款式信息、體態特征信息及各部分所對應的子級信息樹。用戶創立賬戶后,為賬戶分配無限大的虛擬內存。為保證用戶隱私,以用戶ID和密碼作為個人數據解鎖條件,設計師可以查看用戶設定的可查看信息,只有管理員有權限在數據庫端口查找用戶儲存的個人信息。設計師工作進度通過聯網,每15 min系統自動備份,每1 h系統同步進度給用戶,設計師也可開啟即時同步,方便雙方溝通與交流。設計師、用戶、管理員被分為3種柵,以表示身份區別,也便于系統管理。

虛擬試衣模塊作為最為直接的展示功能,將用戶輸入的圖片進行遍歷,提取輪廓信息后的數據傳輸至終端處理器,系統采用快速“人體-服裝”沖突及檢測算法,展現逼真的服飾試穿效果。定義出base point 、angle、size、light數組,并采用曲線算法,使用循環數組,在數組中刪除原始寬度,再調用顯示函數對曲線進行映射,如此循環最終顯示整個模型。

3.2.3 系統功能測試

系統搭建后還需對系統的功能進行測試,判斷系統是否可以實現預期目標以及設計的功能實現是否正常。在參數a(身高1 752 mm,體重55 kg,肩寬378 mm,上臀圍900 mm,下臀圍1 000 mm,腰圍700 mm,頸圍375 mm,頭尾460 mm,臀腿曲率半徑300 mm,弧度0.5 rad,腿長770 mm,大腿圍550 mm,小腿圍355 mm,大臂圍300 mm,小臂圍200 mm)和定義參數b(身高1 755 mm,體重70 kg,肩寬439 mm,上臀圍1 200 mm,下臀圍1 228 mm,腰圍900 mm,頸圍455 mm,頭尾500 mm,臀腿曲率半徑350 mm,弧度0.3 rad,腿長770 mm,大腿圍600 mm,小腿圍375 mm,大臂圍335 mm,小臂圍220 mm)條件下得到2個不同的模型,再為模型穿上合體的旗袍,進行系統效果展示(見圖12)。分別對人體建模和虛擬試衣的功能性進行測試,測試結果分別如表4、5所示。經測試,2個功能結果均符合預期要求。

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

表4 三維人體建模功能測試Tab.4 Functional testing of 3D human modeling

表5 虛擬試衣功能測試Tab.5 Virtual fitting function test

4 結束語

通過問卷調查法、跨學科研究法、實驗法3種研究方法,以旗袍作為研究切入點,從模塊數據庫、模塊化設計、三維建模試衣3個方面入手,進行服飾數據化與模塊化定制系統創新研究。研究得出:旗袍定制系統通過對各個環節新興技術的整合,用高效的參數鏈與模塊鏈既滿足消費者復雜多變的個性化需求又縮短設計周期、滿足消費群體的試衣理想化,從而有效提升企業的模塊化、數字化設計程度,降低設計生產運營成本。搭建的旗袍定制系統也可應用于其他服裝設計領域,簡化步驟,提高工作效率,同時提高服飾設計精度和設計的完整性。