CN103886026A - 基于个体特征的服装匹配方法 - Google Patents

Abstract

本发明公开一种基于个体特征的服装匹配方法，其包含以下步骤：步骤1：根据个体特征与服装属性特征匹配的知识构建个体特征与服装属性特征匹配的数据库；步骤2：终端设备收集用户的个体特征模型相关数据，该数据包括主观特征数据和客观特征数据，形成体现个体特征的属性特征值集合IP={a’₁,a’₂,…a’_m,b’₁,b’₂,…b’_n}，并存储;步骤3：终端设备获取相应服装的特征值集合并存储，该服装特征信息数据记为IC={c’₁,c’₂,…c’_z}；步骤4：终端设备或服务器根据用户需求，与特定服装的某一属性的特征信息进行匹配计算。

Description

基于个体特征的服装匹配方法

技术领域

本发明涉及一种服装匹配方法，具体涉及到利用用户的个体特征(身材，五官，色系，尺码，性格，喜好，特质等)构建的个体数据模型，通过与服饰服装生产厂家或供应商提供的服装数据（款式，色彩，尺寸，材质，配饰等）进行自动检索与匹配，确认或寻找满足用户个体条件的服饰服装的方法。

背景技术

互联网给人类社会带来巨大的变革，它的无处不在、随时随地、互联互通的特性给人们的生活带来了极大的便利性。网络购物已逐渐成为大众普遍接受的购物方式，其低成本和简单方便有着无可比拟的优势。但由于物品基本都是基于图片的静态展示，与用户的实际需求的匹配上往往存在各种问题。特别像网络的服装购物，与个体的特征有着密切关联的物品，仅基于用户对网络展示物品的图片和提供相关信息的主观判断，经常会发生实物与个体的搭配上偏差；另外，面对互联网提供的巨大数量的服装种类和款式，用户很难通过言语准确表达自身的个体特征和需求，以致用户在购物时，只能在有限的范围内通过人工来寻找适合自己的服装，无法根据自身的个体特征和需求，来大范围的寻找与自己匹配的服装；再者，穿衣搭配本身是一门科学，在穿衣的合体性、风格搭配、颜色搭配上，有它基本的规则和方法。普通用户在选择服装时多是凭感觉，由于缺乏对这方面的了解，造成购衣的盲目性，经常发生不合体，搭配不妥，或穿一两次后觉得不合意的问题。

发明内容

因此，针对上述的问题，本发明提出一种基于个体特征的服装（包含各式的衣服鞋帽装饰品等，以下相同）匹配方法，收集用户端的个体特征信息，并根据该各类的个体特征信息形成个体数据模型，在基于服装搭配的专业知识构建数据库基础上，与服装的生产厂商或供应商提供的服装信息进行匹配，从而实现基于用户的个体特征的服装匹配和检索的方法，从而解决现有技术之不足。

本发明所采用的技术方案是，一种基于个体特征的服装匹配方法，包含以下步骤：

步骤1：根据个体特征与服装属性特征匹配的知识构建个体特征与服装属性特征匹配的数据库；具体步骤如下：

步骤11：个体特征包括主观属性集A（例如性格、偏好等）和客观属性集B（例如脸型，体型，五官，色系等），A记为{A₁,A₂,…A_i,…,A_m},其中，A_i的属性特征值记为{a_i1,a_i2,a_i3,…,a_iti},列表表示如下（表1）：

主观属性	属性特征值	特征值判别方法	关联数据集	特征值判别标准
					A1	a11,a12,a13,…,a1t1	Δ1	D1	σ11,σ12,σ13,…,σ1t1
A2	a21,a22,a23,…,a2t2	Δ2	D2	σ21,σ22,σ23,…,σ2t2
					Ai	ai1,ai2,ai3,…,aiti	Δ3	D3	σ31,σ32,σ33,…,σ3t3
…	…		…	…
					Am	am1,am2,am3,…,amtm	Δm	Dm	σm1,σm2,σm3,…,σmtm

表1

其中，a_ij是主观属性A_i的属性特征值，a_ij（i=1,…,m;j=1,…,t_i）的下标中，i是指第i个的主观属性，j是指A_i属性的第j个属性特征值，t_i是表示A_i的属性特征值的个数；特征值判别方法Δ_i（i=1,…,m）是判别主观属性组A_i（i=1,…,m）各特征值的方法；关联数据集是判别方法Δ_i中使用的相关数据的集合；特征值判别标准σ_ij是对应主观属性A_i确认各个特征值a_ij（i=1,…,m;j=1,…,t_i）的判断标准值。例如，主观属性包括性格、偏好，设A_i为性格，A_i的属性包括温婉、刚烈、直爽，设a_ij是温婉，Δ_i是判断性格为温婉的阈值区间，关联数据集D_i是判别方法Δ_i中使用的相关阈值区间的数据集合，特征值判别标准σ_ij是对应主观属性A_i确认各个特征值的判断标准值。

客观属性集B记为{B₁,B₂,…B_i,…,B_n},其中，B_i的属性特征值记为{b_i1,b_i2,b_i3,…,b_iri},列表表示如下（表2）：

客观属性	属性特征值	特征值判别方法	关联数据集	特征值判别标准
					B1	b11,b12,b13,…,b1r1	Δm+1	Dm+1	η11,η12,η13,…,η1r1
B2	b21,b22,b23,…,b2r2	Δm+2	Dm+2	η21,η22,η23,…,η2r2
					Bi	bi1,bi2,bi3,…,biri	Δm+3	Dm+3	η31,η32,η33,…,η3r3
…	…		…	…
					Bn	bn1,bn2,bn3,…,bnrn	Δm+n	Dm+n	ηn1,ηn2,ηn3,…,ηnrn

表2

其中，b_ij是客观属性B_i的属性特征值，b_ij（i=1,…,n;j=1,…,r_i）的下标中，i是指第i个的客观属性，j是指B_i属性的第j个属性特征值，r_i是表示B_i的属性特征值的个数。特征值判别方法Δ_m+i（i=1,…,n）是判别主观属性组B_i（i=1,…,n）各特征值的方法；关联数据集是判别方法Δ_m+i中使用的相关数据集合；特征值判别标准η_ij是对应Bi属性确认各个特征值b_ij的判别标准值。

步骤12：定义服装属性信息C，该服装属性信息C包含但不限于服装的风格特征，色系，板型，尺码，款式，材质，搭配佩饰等属性；服装属性信息C记为{C₁,C₂,…C_i,…,C_z};其中，C_i的属性特征值记为{c_i1,c_i2,c_i3,…,c_ipi},列表表示如下（表3）：

服装属性C

属性特征值

C1	c11,c12,c13,…,c1p1
		C2	c21,c22,c23,…,c2p2
Ci	ci1,ci2,ci3,…,cipi
		…	…
Cz	cz1,cz2,cz3,…,czpz

表3

其中，c_ij是C_i服装属性所罗列的属性特征值，c_ij（i=1,…,z;j=1,…,p_i）的下标中，i是指第i个的服装属性，j是指C_i属性的第j个属性特征值，p_i是表示C_i的属性特征值的个数。

步骤13：根据个体特征与服装匹配的知识，构建主观属性组A的属性特征值与服装C_k（k=1,…,z）属性的特征值关联权重值和匹配值集合；列表如下（表4）：

主观属性	属性特征值	Ck属性关联权重值	与Ck的属性特征值的匹配值集合
				A1	a11,a12,a13,…,a1t1	aw1k	AM11,AM12,AM13,…,AM1t1
A2	a21,a22,a23,…,a2t2	aw2k	AM21,AM22,AM23,…,AM2t2
				Ai	ai1,ai2,ai3,…,aiti	awik	AMi1,AMi2,AMi3,…,AMiti
…	…	…	…
				Am	am1,am2,am3,…,amtm	awmk	AMm1,AMm2,AMm3,…,AMmtm

表4

其中AM_ij为A_i的属性特征值a_ij与服装C_k的所有属性特征值的匹配值{am₁,…,am_pk}的集合，am_q为主观属性A_i的a_ij特征值与服装特征信息C_k属性的第q个特征值的匹配值；aw_ik是主观属性A_i与服装特征信息C_k属性在个体特征匹配计算时加权值，满足 $\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{aw}}_{\mathrm{ik}}=1(k=1,...,z).$

步骤14：根据个体特征与服装匹配的知识，构建客观属性组B的属性特征值与服装C_k（k=1,…,z）属性的特征值关联权重值和匹配值集合；列表如下（表5）：

客观属性组	属性特征值	Ck属性关联权重值	与Ck的属性特征值的匹配值集合
				B1	b11,b12,b13,…,b1r1	bw1k	BM11,BM12,BM13,…,BM1r1
B2	b21,b22,b23,…,b2r2	bw2k	BM21,BM22,BM23,…,BM2r2
				Bi	bi1,bi2,bi3,…,biri	bwik	BMi1,BMi2,BMi3,…,BMiri
…	…	…	…
				Bn	bn1,bn2,bn3,…,bnrn	bwnk	BMn1,BMn2,BMn3,…,BMnrn

表5

其中BM_ij为B_i的属性特征值b_ij与服装C_k的所有属性特征值的匹配值{bm₁,…,bm_pk}的集合，bm_q（q=1,…,p_k）为客观特征B_i属性的b_ij特征值与服装特征信息C_k属性的第q个特征值的匹配值。bw_ik是主观属性b_i与服装特征信息C_k属性在个体特征匹配计算时加权值，满足

步骤2：终端设备收集用户的个体特征模型相关数据，该数据包括主观特征数据（例如性格问答、偏好选择等）和客观特征数据（例如年龄，身高、体重、五官数据，体型数据，脚形数据，各种尺码，颜色数据等），终端设备可以是用户的移动终端，该个体特征收集的方式可采用移动终端通过包含但不限于3D扫描、拍照、数据提交或在线测试等方式进行收集；利用主客观（主观特征和客观特征）的各属性特征值的判别方法Δ_i（i=1,…,m+n），按照特征值判别标准σ_ij和η_ij，对收集到数据进行主客观属性特征值归类判别，形成体现个体特征的属性特征值集合IP={a’₁,a’₂,…a’_m,b’₁,b’₂,…b’_n}，并存储；其中，a’₁,a’₂,…a’_m为主观特征数据，b’₁,b’₂,…b’_n为客观特征数据；

步骤3：在与服装匹配时，终端设备获取某服装的特征值集合并存储，该服装特征信息数据IC={c’₁,c’₂,…c’_z}；

步骤4：终端设备或服务器根据用户需求，与特定服装的某一属性的特征信息进行匹配计算，其计算过程如下：

步骤41：用户根据自己需求预设主观属性A的主观权重值为δ，δ∈[0,1]，则客观属性B的客观权重值为1-δ；系统设定主观权重值δ的初始值为δ₀，δ₀∈[0,1];

步骤42：令主观属性特征值a’_i（i=1,…,m）与服装特征信息IC的某一属性的特征值c’_k的综合匹配值为match_ak，令客观属性特征值b’_i（i=1,…,n）与服装特征信息IC的某一属性的特征值c’_k的综合匹配值为match_bk；其中，match_ak计算如下：针对主观属性特征值a’_i（i=1,…,m），找出在属性A_i（i=1,…,m）所在的特征值位置索引值ind(i)（i=1,…,m）,找出c’_k在属性C _k所在的特征值位置ind_k,通过这两个索引值在表4中找出两者相应的匹配值am’_i，则

$\mathrm{match}\_\mathrm{ak}=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{am}}_i^{\′}{\mathrm{aw}}_{\mathrm{ik}};$

match_bk计算如下：针对主观属性特征值b’_i（i=1,…,n），找出在属性B_i（i=1,…,n）所在的特征值位置索引值ind(i)（i=1,…,n）,找出c’_k在属性C_k所在的特征值位置ind_k,通过这两个索引值在表4中找出两者相应的匹配值bm’_i，则

$\mathrm{match}\_\mathrm{bk}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{bm}}_i^{\′}{\mathrm{bw}}_{\mathrm{ik}};$

步骤43：基于个体特征与服装特征信息的第k个特征属性的匹配值V_k由下式决定：V_k=match_ak*δ+match_bk*(1-δ)。

通过该匹配值的计算，可获得获得基于用户的个体特征与用于匹配服装某一特性的匹配值，为了用户更好理解，最后可将匹配度V_k划分多个匹配等级区间，例如划分为5个匹配等级：完美（Perfect）、很好（Good）、一般（OK）、略差（Not Good）、很差（BAD），这样，用户在可查看基于个体特征的不同匹配等级的服装特征信息，方便快捷。

另外，该基于个体特征的服装匹配方法还包括用于用户检索的步骤5，该步骤5包括：

步骤51：用户通过终端设备向服务器发送体现个体特征的属性特征值集

IP={a’₁,a’₂,…a’_m,b’₁,b’₂,…b’_n}以及与服装某属性的匹配等级要求；

步骤52：服务器接收终端设备发来的属性特征值集，根据服装某属性的匹配要求，对服务器获取的服装库中的各服装的属性特征值进行步骤4的匹配计算；

步骤53：服务器根据计算得出的匹配度V_k，按照发送的用户要求匹配等级区间，将符合用户匹配等级区间的服装挑出来，并把关联信息展现至用户的终端设备。

本发明通过上述方法，首先构建个体特征与服装属性特征匹配的数据库，用户通过终端设备获取个体特征数据，根据数据库中属性特征值的定义，确定体现个体特征的属性特征值集合；与终端或服务器端获取特定服装的属性数据信息匹配时，可按照数据库中事先定义的匹配值和属性间关系权重值，计算出个体特征与特定服装某一属性特征值的匹配度。同时，用户可在终端设备上提交个体特征值和匹配等级区间要求，在服务器上通过对服务器中获取的服装信息进行匹配检索，返回满足用户检索要求的服装关联信息，以供用户选购参考。

具体实施方式

现结合具体实施方式对本发明进一步说明。

本实施例以实际的使用实例来阐述本发明的基于个体特征的服装匹配方法，具体的，其包含以下步骤：

步骤1：终端设备收集用户用于创建个体特征模型相关数据并存储，该数据包括主观特征数据（例如性格问答、偏好选择等）和客观特征数据（例如年龄，身高、体重、五官数据，体型数据，脚形数据，各种尺码，颜色数据等）；其中，终端设备可以是用户的移动终端，该个体特征收集的方式可采用移动终端通过包含但不限于3D扫描、拍照、数据提交或在线测试等方式进行收集；为了很好的实现服装匹配，本发明中采集的个体特征包括以下内容：基于性别和年龄的基本类别特征；基于身高，体重，体形等构成的体型特征；基于心理测试获取的性格风格特征；基于肤色，毛发，眼睛构成色系特征；基于长度，宽度，围度构成的尺码特征；的个体数据模型；数据来源于用户提交或测量的客观数据(性别，年龄，身高，体重，相片或3D扫描)和通过喜好选择，性格测试等确认的主观数据；其主要技术实现步骤如下:

1)在用户构建购衣身份模型界面中，提交用户性别，年龄，身高，体重等基本数据，并按照拍照的姿势，着装要求和参照轮廓，拍摄正面和侧面的全身照；

2)终端或数据模型生成管理的服务器端根据性别，年龄组合定义类别特征；包括:男少年，女少年，男青年，女青年，男中青年，女中青年，男中年，女中年，男中老年，女中老年，男老年，女老年；

3)终端或数据模型生成管理的服务器端根据提供身高数据，对拍摄相片的身材轮廓抽取，通过部位特征描述，正面抽取和比例测算肩宽，胸宽，腰宽，臀宽及臂长；同样根据身高数据，侧面抽取和比例测算颈长，胸部厚度，腰部厚度，臀部厚度以及腿长，并确定用户的身高，颈部尺码，肩宽，胸围，腰围，臀围，腿长，臂长等尺码特征值；或根据3D扫描直接计算各个部位的数据；

4)终端或数据模型生成管理的服务器端通过正面的轮廓特征抽取，与身材特征类型匹配，找出用户的身材特征；

5)终端或数据模型生成管理的服务器端通过头部的发型，眼睛，肤色的颜色范围的抽取，按照个人色系类型的组合，确认用户的色系特征；

6)终端或数据模型生成管理的服务器端提供用户喜好的着装类型，根据用户选择以及追加性格测试题的主观判断答案，确定个人适合风格类型。基本类型包括了优雅型，少女型，可爱型，浪漫型，时尚型，前卫型，古典型，自然型，戏剧型。

步骤2：服务器获取服装特征信息并存储，同时，服装厂商或电商可通过条形码、二维码以及其他识别标志把该服装特征信息存储起来，该服装特征信息包含但不限于服装的风格特征，色系，板型，尺码，材质，搭配及佩饰等数据；其主要技术实现步骤如下：

1)在服装数据生成终端的系统中，根据格式提供服装的风格特征，色系，板型，尺码，材质，搭配及合适佩饰等定义的数据，或通过在设计或生产过程中形成服装数据直接或通过数据格式转换得到的数据，在标准定义的格式，进行条形码或二维码以及其他识别标志的生成；或

2)在生成终端的系统上通过生成特定的厂商，电商及服装的序列编号的条形码或二维码以及其他识别标志与厂家或电商在网路平台上提供的风格特征，色系，板型，尺码，材质，搭配，佩饰以及对应图片进行关联。

3)在终端上生成的条形码或二维码以及其他识别标志作为服装标签打印或与网上展示服装进行数据的绑定；

步骤3：根据服装搭配基础理论构建个体特征与服装匹配数据库，将个体特征与服装特征信息关联起来，其主要技术实现的步骤如下：

1)定义基本类型特征；年龄划分4个阶段：少年期（7-17岁），青年期（18-28岁），中青年期（29-40岁），中年期（40-50岁），中老年期（50-65岁），老年期（65岁以上）

2)在以上的基本类型特征基础上，对体型，皮肤，性格，发型，脸型，眼睛，颈部，肩形，胸型，腰型，臀形，手臂，腿形进行分类和量化描述，并对各个定义类型与适合着装风格，色系，搭配和特征要求进行匹配值定义，并定义五个匹配度类别Perfect，Good，OK，Not good，Bad和相应的权重值；

3)在性格测试方面，划分柔弱，冷淡，悲观，安静，自私，虚伪，保守，犹豫，愚钝，依赖，懒惰，刻板，单纯，现实，内向，随和类型。针对这些类型与喜好风格的选择和性格测试题关联，并与着装风格，色系，搭配进行匹配值定义，定义匹配度类别Perfect，Good，OK，Not good，Bad和相应权重值；

4)在色彩方面，对色彩视觉的色相，明度，纯度的量化定义，以及色彩心理的冷暖感，体量感，软硬感，前后感，表情感的量化定义，并与匹配的着装风格和适合色系同样进行五个匹配度定义和相应权重值；

5)在服装特征方面，对风格，色彩，款型，材质，构成，饰品，图案，细节，尺码进行量化定义。风格主要包括典型类型（瑞丽，中性，学院，民族，上班，嬉皮，百搭，田园，朋克，欧美，韩版，淑女，街头，简约），长短，宽松等类型定义；

6)尺码定义部分包括，尺码类型，服装款式，板型尺寸，余量，加权值等方面定义，给出身材尺码的匹配度比例；

7)在以上数据基础上，系统进行数据库的构建；

另外，该基于个体特征的服装匹配方法还包括检索的步骤，用户在终端设备上利用上述建立的个体模型，基于服装搭配的知识库，与实体服装或网络服装的识别标志所表现或关联的信息进行匹配，得到各个包括但不限于风格，色系，尺寸的匹配度数据，以供用户购物参考选择；其主要技术实现步骤如下：

1)在用户终端，基于搭配知识库模型，通过对个体的性格，风格，身材特征与服装的识别标志所表现或关联的服装的风格信息进行匹配，得出风格匹配度的数据；用户在这个匹配基础，可以放弃或进一步匹配；

2)根据用户的色系特征，基于搭配知识库模型，对服装的识别标志所表现或关联的服装的色系信息进行匹配，根据搭配知识库的得出色系匹配度的数据；用户在这个匹配基础，可以放弃或进一步匹配；

3)在用户尺码数据基础上，对服装的识别标志所表现或关联的各个部位的尺码信息进行匹配，基于搭配知识库模型，按照服装风格特征，对宽松量的定义，等综合计算得出身材尺码匹配度；用户在这个匹配基础，可以放弃或进一步匹配；

4)根据服装提供的佩饰和搭配的信息，推荐适合这个服装的搭配和佩饰。

在用户终端的搜索服务窗口输入用户检索需求，用户终端通过网络提交终端的个体数据模型和用户检索需求给服装搜索服务平台；在服装搜索服务平台，对网络抓取，或厂家及电商提供的，服装识别标志所表现或关联的信息构成数据库，基于服装搭配知识库，对数据库的数据进行特征的匹配和检索。得到满足用户检索需求的服装信息及对应网站的链接表；其主要技术实现步骤如下：

1)在用户端的搜索服务窗口，通过选择或指定的筛选条件，比如选择与自身风格的匹配度Perfect，尺码匹配度80%以上的服装作为检索需求，通过网络，把终端的个体数据模型和检索需求给服装搜索服务平台；

2)服装搜索服务平台通过网络抓取，或厂家及电商提供的，服装识别标志所表现或关联的信息，按照服务的厂家或电商，服装序列号构成唯一编码，并对应的服装风格，色彩，款型，材质，构成，饰品，图案，细节，尺码构成服装信息管理数据库；

3)服装搜索服务平台接受终端的个体数据模型和检索需求后，按照个体数据与服装信息管理数据库的服装相关数据进行匹配计算，得到匹配度结果与检索需求比较，把满足需求的包括相片，服装信息以及网站链接，等信息发给用户终端；

4)在用户终端接受搜索服务平台发还的信息，按匹配度高低分页显示；用户可直接对搜索到服装的信息进行购买，或跳转访问电商或生产厂家的相关网站；

尽管结合优选实施方案具体展示和介绍了本发明，但所属领域的技术人员应该明白，在不脱离所附权利要求书所限定的本发明的精神和范围内，在形式上和细节上可以对本发明做出各种变化，均为本发明的保护范围。

Claims (3)

1.一种基于个体特征的服装匹配方法，包含以下步骤：

步骤1：根据个体特征与服装属性特征匹配的知识构建个体特征与服装属性特征匹配的数据库；具体步骤如下：

步骤11：个体特征包括主观属性集A和客观属性集B；A记为{A₁,A₂,…A_i,…,A_m},其中，A_i的属性特征值记为{a_i1,a_i2,a_i3,…,a_iti}；客观属性集B记为{B₁,B₂,…B_i,…,B_n},其中，B_i的属性特征值记为{b_i1,b_i2,b_i3,…,b_iri}；

步骤12：定义服装属性信息C，服装属性信息C记为{C₁,C₂,…C_i,…,C_z};其中，C_i的属性特征值记为{c_i1,c_i2,c_i3,…,c_ipi}；

步骤13：根据个体特征与服装匹配的知识，构建主观属性组A的属性特征值与服装C_k（k=1,…,z）属性的特征值关联权重值和匹配值集合，列表如下：

主观属性 属性特征值 C_k属性关联权重值 与C_k的属性特征值的匹配值集合 A₁ a₁₁,a₁₂,a₁₃,…,a_1t1 aw_1k AM₁₁,AM₁₂,AM₁₃,…,AM_1t1 A₂ a₂₁,a₂₂,a₂₃,…,a_2t2 aw_2k AM₂₁,AM₂₂,AM₂₃,…,AM_2t2 A_i a_i1,a_i2,a_i3,…,a_iti aw_ik AM_i1,AM_i2,AM_i3,…,AM_iti … … … … A_m a_m1,a_m2,a_m3,…,a_mtm aw_mk AM_m1,AM_m2,AM_m3,…,AM_mtm

其中AM_ij为A_i的属性特征值a_ij与服装C_k的所有属性特征值的匹配值{am₁,…,am_pk}的集合，am_q为主观属性A_i的a_ij特征值与服装特征信息C_k属性的第q个特征值的匹配值；aw_ik是主观属性A_i与服装特征信息C_k属性在个体特征匹配计算时加权值，满足

步骤14：根据个体特征与服装匹配的知识，构建客观属性组B的属性特征值与服装C_k（k=1,…,z）属性的特征值关联权重值和匹配值集合，列表如下：

客观属性组 属性特征值 C_k属性关联权重值 与C_k的属性特征值的匹配值集合 B₁ b₁₁,b₁₂,b₁₃,…,b_1r1 bw_1k BM₁₁,BM₁₂,BM₁₃,…,BM_1r1 B₂ b₂₁,b₂₂,b₂₃,…,b_2r2 bw_2k BM₂₁,BM₂₂,BM₂₃,…,BM_2r2 B_i b_i1,b_i2,b_i3,…,b_iri bw_ik BM_i1,BM_i2,BM_i3,…,BM_iri

… … … … B_n b_n1,b_n2,b_n3,…,b_nrn bw_nk BM_n1,BM_n2,BM_n3,…,BM_nrn

其中BM_ij为B_i的属性特征值b_ij与服装C_k的所有属性特征值的匹配值{bm₁,…,bm_pk}的集合，bm_q（q=1,…,p_k）为客观特征B_i属性的b_ij特征值与服装特征信息C_k属性的第q个特征值的匹配值；bw_ik是主观属性b_i与服装特征信息Ck属性在个体特征匹配计算时加权值，满足

步骤2：终端设备收集用户的个体特征模型相关数据，该数据包括主观特征数据和客观特征数据，形成体现个体特征的属性特征值集合IP={a’₁,a’₂,…a’_m,b’₁,b’₂,…b’_n}，并存储;其中，a’₁,a’₂,…a’_m为主观特征数据，b’₁,b’₂,…b’_n为客观特征数据；

步骤3：终端设备获取相应服装的特征值集合并存储，该服装特征信息数据记为IC={c’₁,c’₂,…c’_z}；

步骤4：终端设备或服务器根据用户需求，与特定服装的某一属性的特征信息进行匹配计算，其计算过程如下：

步骤41：用户根据自己需求预设主观属性A的主观权重值为δ，δ∈[0,1]，则客观属性B的客观权重值为1-δ；系统设定主观权重值δ的初始值为δ₀，δ₀∈[0,1]）;

步骤42：令主观属性特征值a’_i（i=1,…,m）与服装特征信息IC的某一属性的特征值c’_k的综合匹配值为match_ak，令客观属性特征值b’_i（i=1,…,n）与服装特征信息IC的某一属性的特征值c’_k的综合匹配值为match_bk；

其中，match_ak计算如下：

match_bk计算如下： $\mathrm{match}\_\mathrm{bk}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{bm}}_i^{\′}{\mathrm{bw}}_{\mathrm{ik}};$

步骤43：基于个体特征与服装特征信息的第k个特征属性的匹配值V_k由下式决定：V_k=match_ak*δ+match_bk*(1-δ)。

2.根据权利要求1所述的基于个体特征的服装匹配方法，其特征在于，还包含步骤5，该步骤5包括：

步骤51：用户通过终端设备向服务器发送体现个体特征的属性特征值集IP={a’₁,a’₂,…a’_m,b’₁,b’₂,…b’_n}以及与服装某属性的匹配等级要求;

步骤52：服务器接收终端设备发来的属性特征值集，根据服装某属性的匹配要求，对服务器获取的服装库中的各服装的属性特征值进行步骤4的匹配计算；

步骤53：服务器根据计算得出的匹配度V_k，按照发送的用户要求匹配等级区间，将符合用户匹配等级区间的服装挑出来，并把关联信息展现至用户的终端设备。

3.根据权利要求1所述的基于个体特征的服装匹配方法，其特征在于，属性特征值集合IP={a’₁,a’₂,…a’_m,b’₁,b’₂,…b’_n}，是利用主观特征和客观特征的各属性特征值的判别方法Δ_i（i=1,…,m+n），按照特征值判别标准σ_ij和η_ij，对收集到数据进行主客观属性特征值归类判别，最后形成属性特征值集合IP={a’₁,a’₂,…a’_m,b’₁,b’₂,…b’_n}；

其中，主观特征列表如下：

主观属性 属性特征值 特征值判别方法 关联数据集 特征值判别标准 A₁ a₁₁,a₁₂,a₁₃,…,a_1t1 Δ₁ D₁ σ₁₁,σ₁₂,σ₁₃,…,σ_1t1 A₂ a₂₁,a₂₂,a₂₃,…,a_2t2 Δ₂ D₂ σ₂₁,σ₂₂,σ₂₃,…,σ_2t2 A_i a_i1,a_i2,a_i3,…,a_iti Δ₃ D₃ σ₃₁,σ₃₂,σ₃₃,…,σ_3t3 … … … … A_m a_m1,a_m2,a_m3,…,a_mtm Δ_m D_m σ_m1,σ_m2,σ_m3,…,σ_mtm

表中，特征值判别方法Δ_i（i=1,…,m）是判别主观属性组A_i各特征值的方法；关联数据集是判别方法Δ_i中使用的相关数据的集合；特征值判别标准σ_ij（i=1,…,m;j=1,…,t_i）是对应主观属性A_i确认各个特征值a_ij（i=1,…,m;j=1,…,t_i）的判断标准值；

客观特征列表如下：

客观属性 属性特征值 特征值判别方法 关联数据集 特征值判别标准 B₁ b₁₁,b₁₂,b₁₃,…,b_1r1 Δ_m+1 D_m+1 η₁₁,η₁₂,η₁₃,…,η_1r1 B₂ b₂₁,b₂₂,b₂₃,…,b_2r2 Δ_m+2 D_m+2 η₂₁,η₂₂,η₂₃,…,η_2r2 B_i b_i1,b_i2,b_i3,…,b_iri Δ_m+3 D_m+3 η₃₁,η₃₂,η₃₃,…,η_3r3 … … … … B_n b_n1,b_n2,b_n3,…,b_nrn Δ_m+n D_m+n η_n1,η_n2,η_n3,…,η_nrn

表中，特征值判别方法Δ_m+i（i=1,…,n）是判别主观属性组B_i（i=1,…,n）各特征值的方法；关联数据集是判别方法Δ_m+i中使用的相关数据集合；特征值判别标准η_ij（i=1,…,n;j=1,…,r_i）是对应B_i属性确认各个特征值b_ij（i=1,…,n;j=1,…,r_i）的判别标准值。