1.一种基于GA-BP-MC神经网络的人体三维尺寸信息预测方法，其特征在于，包括：S10形成训练样本集，所述训练样本集中每一组训练数据包含多个输入参数和一个目标三维尺寸，所述多个输入参数包括用户的特征信息、预设部位的二维尺寸及预设部位相对于身高的比例系数，所述预设部位的二维尺寸及其相对于身高的比例系数由获取的用户特征信息结合用户的正面图像和侧面图像得到，所述特征信息中包括身高信息；

S20构建一多输入、含多个隐含层的BP网络模型；

S30利用GA算法优化所述BP网络模型初始的权值和阈值，得到最优的个体的权值和阈值；

S40基于所述最优的个体的权值和阈值及形成的训练样本集对所述BP网络模型进行训练，确定模型参数；

S50将包含用户的特征信息、预设部位的二维尺寸及预设部位相对于身高的比例系数的测试数据输入训练好的GA-BP网络模型中得到预设部位的三维预测尺寸；

S60将所述三维预测尺寸输入MC模型中进行修正得到修正后的三维尺寸信息，完成对所述预设部位三维尺寸信息的预测。

2.如权利要求1所述的人体三维尺寸信息预测方法，其特征在于，在所述步骤S10获取用户的特征信息，并结合用户的正面图像和侧面图像得到预设部位的二维尺寸及预设部位相对于身高的比例系数形成训练样本集和测试样本集中，包括：S11获取用户的特征信息、正面图像及侧面图像；

S12对所述正面图像和侧面图像进行预处理操作，提取轮廓得到对应的正面轮廓图和侧面轮廓图；

S13针对所述正面轮廓图和侧面轮廓图进行人体结构关键区域的自适应分割；

S14针对分割后的图片提取关键区域的特征点；

S15结合提取的特征点及用户的特征信息得到相应的预设部位的二维尺寸及预设部位相对于身高的比例系数。

3.如权利要求1或2所述的人体三维尺寸信息预测方法，其特征在于，所述用户的特征信息中还包括用户的性别信息，所述预设部位的二维尺寸包括正面二维尺寸和侧面二维尺寸；

在所述步骤S20中BP网络模型输入层的输入参数包括：用户的身高信息和性别信息、预设部位的二维尺寸和侧面二维尺寸、及预设部位相对于身高的比例系数；且所述输入层的神经元数量与输入参数的维度一致，隐含层的个数S大于log2N，N表示输入参数的维度。

4.如权利要求1或2所述的人体三维尺寸信息预测方法，其特征在于，所述步骤S30利用GA算法优化所述BP网络模型初始的权值和阈值，得到最优的个体的权值和阈值中，包括：S31以所述BP网络模型中各层的权重和阀值为种群中个体的基因编码，初始化种群；

S32根据个体基因编码对应的BP网络模型中权重和阀值，计算各层神经元节点的输出，其中，前两个隐含层中神经元节点的输出为：其中，Hj为第一层隐含层第j个神经元的输出，Xi为输入层第i个神经元的输入参数，i＝

1,2,...,n；w1ij为第一层隐含层中输入层第i个神经元到第一层隐含层第j个神经元的连接权值，b1j为第一层隐含层第j个神经元的阈值；Yk为第二层隐含层第k个节点输出，w2jk为第一层隐含层第j个神经元到第二层隐含层第k个神经元的连接权值，b2k为第二层隐含层第k个神经元的阈值；

S33以F为MSE的倒数作为个体适应度，计算种群中所有个体的适应度；

其中，Tm为目标三维尺寸，Ym为三维预测尺寸，m＝1,2,3,...,n。

S34根据所有个体的适应度，采用轮盘赌法进行选择操作，从父代中挑选适应度高的个体产生下一代个体，第h个个体被选中的概率概率ph为：其中，Q为种群中个体的总数。

S35根据预先设定的交叉概率判断是否进行交叉操作，若是，随机选两个个体对相同位置基因进行交叉；

S36随机选取个体并根据预先设定的变异概率判断是否进行变异操作，若是，随机选基因片段进行变异；

S37循环步骤S32～S37直至达到预设适应度或达到预先设定的迭代次数，输出最优的个体的权值和阈值；和/或在步骤S60将所述三维预测尺寸输入MC模型中进行修正得到修正后的三维尺寸信息中，通过下式对三维预测尺寸进行修正：其中， 为修正后的三维尺寸信息，为GA-BP网络模型输出的三维预测尺寸；ΔU与ΔD分别为三维预测尺寸相对误差所处区间的上、下限值，相对误差为GA-BP网络模型三维预测尺寸误差变化区间的中点； 为平均相对误差。

5.一种基于GA-BP-MC神经网络的人体三维尺寸信息预测装置，其特征在于，包括：样本集获取模块，用于形成训练样本集，所述训练样本集中每一组训练数据包含多个输入参数和一个目标三维尺寸，所述多个输入参数包括用户的特征信息、预设部位的二维尺寸及预设部位相对于身高的比例系数，所述预设部位的二维尺寸及其相对于身高的比例系数由获取的用户特征信息结合用户的正面图像和侧面图像得到，所述特征信息中包括身高信息；

网络模型构建模块，用于构建一多输入、含多个隐含层的BP网络模型；

遗传算法优化模块，用于利用GA算法优化所述网络模型构建模块构建的BP网络模型初始的权值和阈值，得到最优的个体的权值和阈值；

模型训练模块，用于基于所述遗传算法优化模块优化的最优的个体的权值和阈值及形成的训练样本集对所述BP网络模型进行训练，确定模型参数；

三维尺寸预测模块，用于将包含用户的特征信息、预设部位的二维尺寸及预设部位相对于身高的比例系数的测试数据输入所述模型训练模块训练好的GA-BP网络模型中得到预设部位的三维预测尺寸；

预测值修正模块，用于将所述三维尺寸预测模块预测的三维预测尺寸输入MC模型中进行修正得到修正后的三维尺寸信息，完成对所述预设部位三维尺寸信息的预测。

6.如权利要求5所述的人体三维尺寸信息预测装置，其特征在于，在所述样本集获取模块中，包括：图像获取单元，用于获取用户的特征信息、正面图像及侧面图像；

预处理单元，用于对所述图像获取单元获取的正面图像和侧面图像进行预处理操作，提取轮廓得到对应的正面轮廓图和侧面轮廓图；

图像分割单元，用于针对所述预处理单元得到的正面轮廓图和侧面轮廓图进行人体结构关键区域的自适应分割；

特征点提取单元，用于针对所述图像分割单元分割后的图片提取关键区域的特征点；

二维尺寸获取单元，用于结合所述特征点提取单元提取的特征点及样本集获取单元获得的用户特征信息得到相应的预设部位的二维尺寸及预设部位相对于身高的比例系数。

7.如权利要求5或6所述的人体三维尺寸信息预测装置，其特征在于，所述用户的特征信息中还包括用户的性别信息，所述预设部位的二维尺寸包括正面二维尺寸和侧面二维尺寸；

所述网络模型构建模块构建的BP网络模型输入层的输入参数包括：用户的身高信息和性别信息、预设部位的二维尺寸和侧面二维尺寸、及预设部位相对于身高的比例系数；且所述输入层的神经元数量与输入参数的维度一致，隐含层的个数S大于log2 N，N表示输入参数的维度。

8.如权利要求5或6所述的人体三维尺寸信息预测装置，其特征在于，所述遗传算法优化模块中，包括：种群初始化单元，用于以所述BP网络模型中各层的权重和阀值为种群中个体的基因编码，初始化种群，设个体总数为m；

神经元节点输出计算模块，用于根据个体基因编码对应的BP网络模型中权重和阀值，计算各层神经元节点的输出，其中，前两个隐含层中神经元节点的输出为：其中，Hj为第一层隐含层第j个神经元的输出，Xi为输入层第i个神经元的输入参数，i＝

1,2,...,n；w1ij为第一层隐含层中输入层第i个神经元到第一层隐含层第j个神经元的连接权值，b1j为第一层隐含层第j个神经元的阈值；Yk为第二层隐含层第k个节点输出，b2k为第二层隐含层第k个神经元的阈值；

个体适应度计算单元，用于以F为MSE的倒数作为个体适应度，计算种群中所有个体的适应度；

其中，Tm为目标三维尺寸，Ym为三维预测尺寸，m＝1,2,3,...,n。

选择操作单元，用于根据所有个体的适应度，采用轮盘赌法进行选择操作，从父代中挑选适应度高的个体产生下一代个体，第h个个体被选中的概率概率ph为：其中，Q为种群中个体的总数。

交叉操作单元，用于根据预先设定的交叉概率判断是否进行交叉操作，若是，随机选两个个体对相同位置基因进行交叉；

变异操作单元，用于随机选取个体并根据预先设定的变异概率判断是否进行变异操作，若是，随机选基因片段进行变异；和/或在所述预测值修正模块中，通过下式对三维预测尺寸进行修正：

其中， 为修正后的三维尺寸信息，为GA-BP网络模型输出的三维预测尺寸；ΔU与ΔD分别为三维预测尺寸相对误差所处区间的上、下限值，相对误差为GA-BP网络模型三维预测尺寸误差变化区间的中点； 为平均相对误差。

9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器运行所述计算机程序时实现如权利要求1-4中任一项所述基于GA-BP-MC神经网络的人体三维尺寸信息预测方法的步骤。

10.一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，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-4中任一项所述基于GA-BP-MC神经网络的人体三维尺寸信息预测方法的步骤。