基于机器学习的静态三维仿真衣袖模型构建

针对现有虚拟试衣软件不能实时仿真的问题,提出一种基于机器学习的静态衣袖虚拟仿真方法。首先根据袖窿、袖山高和袖肥的变化规律,均匀划分出20个二维衣袖样板,组合6类面料,在CLO3D中制作120个与实物面料悬垂指标一致的三维仿真衣袖样本;提出三角网格规则四边形化的转化方法,通过UV传递将衣袖模型的不规则三角网格转化为规则四边形网格;最后选取随机森林RF和极端梯度提升XGBoost 2种机器学习算法进行拟合并优化。结果表明:XGBoost算法模型的顶点坐标预测值的MAE值为1.81 mm,比RF模型降低了0.51 mm,MAPE值为11.03%,比RF模型降低了2.51%,预测一组数据平均耗时0.389 s,总体表现优于RF模型;当新衣袖样板数据输入时,XGBoost算法模型可快速输出对应的三维衣袖网格顶点坐标,该方法为研究静态虚拟服装的实时仿真提供了参考。