随着网上购物越来越流行,越来多的人通过手机、电脑等设备来购买服装,但因为无法现场试穿,随之而来的就是网购服装尺码不合适,导致购物体验差的问题。基于图像的人体特征尺寸测量技术是解决这种远程试衣难的便捷方法,但是其中的难点是如何准确的将身体各部位的特征点给提取出来。对图片中的人体进行准确的尺寸预测是线上试衣的一个重要基础,可以根据预测的人体真实尺寸来指导服装尺码的选择,本文针对如何提高身体特征点定位的精度以及如何提高图像中的身体预测尺寸的准确度与稳定性进行了以下研究。论文首先对基于深度学习的人体语义分割网络进行了研究,通过在U-Net网络中增加了一个自定义的注意力模块来提高其对人体与背景的分割能力。在对图像中的人体进行特征尺寸计算之前,将人体与图像背景进行分割是一个重要的处理步骤,其对后续人体特征点的提取有很大的影响,如果人体轮廓提取不完整,那么人体特征点的定位也不会准确,而基于深度学习的语义分割算法相比与传统的图像分割技术具有更好的分割效果,为了提高人体轮廓的分割精度,选用了语义分割网络来对图像进行人体与背景的分割,通过比较多种网络模型后,本文选用了U-Net语义分割网络进行图像的分割,并对其进行了改进,加入了一个选择注意力模块来提高网络模型对图像中目标区域的分割效果,使提取出来的人体轮廓更加的细致准确,通过两种模型对图像分割效果的对比,发现改进的网络模型对人体轮廓的分割更加的完整,说明其确实将模型分割的注意力集中到了目标人体上。通过研究已有的基于二值化图片的人体特征点提取算法,根据其缺点,提出了一种基于人脸检测算法的人体特征点查找方法。新算法根据人脸的位置并结合人体特征点之间的位置关系来查找身体各部位的特征点,相比于已有的算法,具有更快的检测速度,更准的定位,对不同服装以及体型的适应性更强。而且对于肩部特征点,本文提出了一种基于三角形定位的方法,其对肩部点的定位更准确。论文提出了一种基于深度学习的人体特征点提取方法,并在堆叠沙漏网络中加入了一个多尺度的空洞卷积模块,来提高特征点定位的准确度。基于二值化图片的人体特征点查找算法鲁棒性较差,如果图片中的人体身上的服装变形大,则无法准确找到算法期望的特征点,因此本文将人体姿态估计网络用于对人体特征点的查找上,结果显示,使用深度学习方法查找的特征点可以不受服装变形以及衣服对身体部位遮挡的影响,能够准确找到特征点的位置,为了更准确的找到身体特征点,对堆叠沙漏姿态估计网络加入了多尺度的空洞卷积模块,通过模型预测效果图以及评价指标的对比,发现其对人体特征点的定位更加的准确。文章最后分析了基于二值化图片的提取算法与深度学习算法得到的特征点对人体真实尺寸预测的差别。利用身体各部位的真实尺寸与预测尺寸的比值,画出折线图,发现基于二值化图片的方法得到的身体各部位的比值的折线波动更大,而基于深度学习方法的折线波动较小,说明深度学习算法对人体尺寸的估计更加的稳定,其更适合用来对图像中的人体真实尺寸进行估计。