CN106056120A - 基于服装的轮廓形状跟踪实现衣服款式识别与推荐的方法 - Google Patents

Abstract

本发明公开了基于服装的轮廓形状跟踪实现衣服款式识别与推荐的方法，包括如下步骤：(1)依据图像识别分色字典，对服装图片进行色彩标记的处理，得到处理后的服装填充图片；(2)依据图像识别分色字典，对所述步骤(1)处理后的服装图片进行识别处理，完成对服装品类的对应标记；(3)对所述步骤(2)处理后的服装图片采用轮廓跟踪，得到服装的轮廓特征值；(4)依据轮廓搭配，对所述步骤(3)处理后的服装图片和所述步骤(2)得到的服装品类标记按关联规则进行服装的推荐。本发明针对智能服装搭配领域中的缺陷，从服装的品类和服装版型相结合分析的角度实现服装搭配的推荐，实现了无需人工干预的智能推荐。

Description

基于服装的轮廓形状跟踪实现衣服款式识别与推荐的方法

技术领域

本发明涉及服装搭配领域，尤其是涉及基于服装的轮廓形状跟踪实现衣服款式识别与推荐的方法。

背景技术

随着互联网的发展，网上购物变得越来越普遍，由于网购不用出门的便捷性，以及网上价格便宜、选择性多，越来越多的消费者选择网上购物。服装网络购物市场规模不断扩大，服装的市场交易规模呈逐年增长趋势。

服装的网上购物系统融入智能服装搭配推荐功能可以更有效的促进用户的购买和电商的销售额。

目前，已经有一些针对性的解决方案，如：一件中国发明专利(公开号为102214355A)中公开了一种服装展示素材的抠图方法。该方法可以实现计算机的服装图片抠图功能，但没有进一步实现采用图像识别分色字典的方法来实现对服装品类的标记及关联记录。

另一件中国发明专利(公开号为103455921A)中公开了服装推荐方法和系统是根据服装缩水率模型数据来推荐服装，不适合通过对普通流行图片的分析来实现推荐服装。

另一件中国发明专利(公开号为103440587A)中公开了基于网络购物的个人形象设计与产品推荐的方法，是需要通过系统中系统预置的搭配规则及专业设计师设计推出的当季流行服饰搭配规则来实现服装产品的搭配推荐，为人工推荐，不具备推荐的智能性和自我进化。

发明内容

本发明的目的在于提供基于服装的轮廓形状跟踪实现衣服款式识别与推荐的方法，针对智能服装搭配领域中的缺陷，从服装的品类和服装版型相结合分析的角度实现服装搭配的推荐，实现了无需人工干预的智能推荐。

为了解决上述技术问题，采用如下技术方案：

基于服装的轮廓形状跟踪实现衣服款式识别与推荐的方法，其特征在于包括如下步骤：

(1)依据图像识别分色字典，对服装图片进行色彩标记的处理，得到处理后的服装填充图片；

(2)依据图像识别分色字典，对所述步骤(1)处理后的服装图片进行识别处理，完成对服装品类的对应标记；

(3)对所述步骤(2)处理后的服装图片采用轮廓跟踪，得到服装的轮廓特征值；

(4)依据轮廓搭配，对所述步骤(3)处理后的服装图片和所述步骤(2)得到的服装品类标记按关联规则进行服装的推荐。

优选后，所述步骤(1)中对服装图片进行色彩标记处理，其具体表现为以下步骤：首先对服装图片背景进行归一化处理，将背景颜色统一便于去除掉背景噪音。然后，依据图像识别分色字典对服装图片按服装品类进行色系标识，用不同的颜色标识图片上不同的服装类型。

优选后，所述步骤(2)中依据图像识别分色字典，对所述步骤(1)处理后的服装图片进行识别处理，其具体表现为以下步骤：结合图像识别分色字典，采用自有的分色标注识别软件对服装品类进行自动标识。

优选后，所述步骤(3)中对所述步骤(2)处理后的服装图片采用轮廓跟踪，得到服装的轮廓特征值，其具体表现为以下步骤：

a、设2个待匹配的衣服形状点集X＝{x₁,x₂,…,x_m}和Y＝{y₁,y₂,…,y_n}，对于衣服X中任一点x_i，计算余下n-1个点相对坐标的形状上下文:

h_i(k)＝#{x_j≠x_i:(x_j-x_i)∈bin(k)}k∈{1,2,…,K} (1)

式中：i＝1,2,…,m；K为径向等份数与圆周等份数目的乘积；

b、参照步骤a，对于衣服点集Y中的任一点y_j的形状上下文为h_j(k)，则x_i和y_j之间的匹配代价定义为：

$C_{ij}=\frac{1}{2}\underset{k=1}{\overset{K}{\Σ}}\frac{{\[h_i\left(k\right)-h_j\left(k\right)\]}^2}{h_i\left(k\right)+h_j\left(k\right)}---\left(2\right)$

c、利用匈牙利算法，最小化两个形状之间总的匹配代价，即可获得初始匹配；

设经过初始匹配后的形状点集分别为x＝{x₁,x₂,…,x_n}和y＝{y₁,y₂,…,y_n}，其中x_i,y_i是初始匹配对，对点集X按照如下方式构造中值K-NN图G_x(V_x,E_x)；点集中的每一个点x_i为图中一个节点v_i，即v_x＝v₁,…,v_n；如果x_j和x_i满足下面2个条件则它们之间存在一条边e(i,j)∈E_X:

1)x_j是x_i的K最近领域中的点；

2)||x_i-x_j||≤u,其中u为VX中节点之间所有距离的中值，即

第1)个条件描述了最近邻域结构的特点，而第2个条件限制了由于变形产生的出格点；如果x_i不存在K个最近邻域点，则x_i在图中完全不连通；于是无向图G_x(V_x,E_x)对应的邻接矩阵为：

$A_x(i,j)=\left\{\begin{array}{cc}1,& (i,j)\∈E_X\\ 0,& (i,j)\∉E_X\end{array}\right.---\left(3\right)$

d、同理，对点集Y构造的无向图为G_y(V_y,E_y)，对应的邻接矩阵为A_y；

接着利用Wendy Aguilar提出的GTM方法可以剔除误匹配点，两个点集对应的邻接矩阵的相似性定义为：A＝|A_x-A_y|；于是，两个图中边差别最大的列为：

$l=\arg \underset{j=1,...,n}{max}\underset{i=1}{\overset{n}{\Σ}}A(i,j)---\left(4\right)$

e、点对(x_l-y_l)被似作误匹配对，在图G_x和G_y中分别剔除这两个节点后利用剩下的节点重新计算中值K-NN图的邻接矩阵，进一步寻找误匹配点，直到

$\underset{i=1}{\overset{n}{\&Sigma;}}\underset{j=1}{\overset{n}{\&Sigma;}}A(i,j)<\mathrm{\&epsiv;}$

剔除误匹配后得到的2个点集重新整理后表示为X′＝{x′₁,x′₂,…,x′_k}和Y′＝{y′₁,y′₂,…,y′_k}，其中k<n，用该已知的匹配点集估计TPS模型参数；

利用剔除误匹配后的匹配对估计TPS模型参数，TPS插值函数f(x,y)满足最小化如式(5)所示的弯曲能量函数的条件：

$I_f=\&Integral;{\&Integral;}_{R^2}{\left(\frac{{\&part;}^{2}f}{\&part;x^2}\right)}^2+2{\left(\frac{{\&part;}^{2}f}{\&part;x\&part;y}\right)}^2+{\left(\frac{{\&part;}^{2}f}{\&part;y^2}\right)}^{2}dxdy---\left(5\right)$

并且具有如下闭合形式的解：

$f(x,y)=a_1+a_{x}x+a_{y}y+\underset{i=1}{\overset{m}{\&Sigma;}}{w}_{i}U(||\left(x_i,y_i\right)-\left(x,y\right)||)---\left(6\right)$

式中：U(r)＝r2 logr2为核函数；TPS的系数a和w为以下线性方程的解：

$\left[\begin{array}{cc}K& P\\ P^T& O\end{array}\right]\left[\begin{array}{c}w\\ a\end{array}\right]=\left[\begin{array}{c}z\\ o\end{array}\right]---\left(7\right)$

式中：K_ij＝U(||(x_i,y_i)-(x_j,y_j)||)，P的第i行为(l.x_i,y_i)，w和z是分别由w_i和z_i构成的列向量，a＝(a₁,a_x,a_y)^T。

优选后，所述步骤(4)中依据轮廓搭配，对所述步骤(3)处理后的服装图片和所述步骤(2)得到的服装品类标记按关联规则进行服装的推荐，具体表现为以下步骤：

关联法则表达的是物品之间在共现性上的关联关系。通常会以下述范例形式表达：

“A→B” 可称为「A关联B」或「B关联于A」

从步骤(2)的品类标记结果库中，采用统计频率的方法结合关联法则可以实现：“品类A的衣服→品类B的衣服”如“西服上装→西服西裤”；

从步骤(3)的服装轮廓处理结果库中，采用统计频率的方法结合关联法则可以实现：“版型A的衣服→版型B的衣服”如“正装西服→正装西裤”；

通过采用“品类A的衣服→品类B的衣服”和“版型A的衣服→版型B的衣服”的结合推荐，可以实现服装搭配的推荐。

由于采用上述技术方案具有以下有益效果：

本发明为基于服装的轮廓形状跟踪实现衣服款式识别与推荐的方法，针对智能服装搭配领域中的缺陷，从服装的品类和服装版型相结合分析的角度实现服装搭配的推荐，实现了无需人工干预的智能推荐。其具体有益效果表现为以下几点：

1、该技术将通过服装图像图形的识别计算，特征值计算，并做关联映射，以实现作为设计要素的图像图形特征值自动识别功能；进而把它与“服装构成要素及其变化关系和规律进行逻辑结构设计，形成可供计算机识别的设计要素构成法和设计变化规律研究成果”相结合，可实现服装设计素材数据库建设；在服装款式数据库支持下，将设计变化规律数据进行有条件优先排列组合设置，最终可实现由计算机来完成图像识别和智能配搭设计工作，从而替代以往设计工作中需要花大量时间进行的人工海量设计图像数据收集、匹配、优化推荐等工作，甚至可替代设计师完成一般常规服装产品设计工作。

2、该技术还可作为服装商业智能化设计集成系统的核心组件，与CAD、AutoCAD、移动APP、3D试衣等系统进行链接，形成服装商业智能设计集成系统，适用于中小企业产品开发设计者，住店设计师，个人衣橱形象师、商店高级导购者等使用。

具体实施方式

服装品类和服装版型的服装搭配推荐技术是一种用于服装智能设计相关的核心技术之一。中国现有规模以上的服装企业有近1.5万家，规模以下服装企业不计其数，他们迫切需要能满足企业需求的“设计师高手”。基于服装的轮廓形状跟踪实现衣服款式识别与推荐的方法，具体包括如下步骤：

(1)依据图像识别分色字典，对服装图片进行色彩标记的处理：首先对服装图片背景进行归一化处理，将背景颜色统一便于去除掉背景噪音。然后，依据图像识别分色字典对服装图片按服装品类进行色系标识，用不同的颜色标识图片上不同的服装类型。最终得到处理后的服装填充图片；

(2)依据图像识别分色字典，对所述步骤(1)处理后的服装图片进行识别处理；首先结合图像识别分色字典，然后采用自有的分色标注识别软件对服装品类进行自动标识，完成对服装品类的对应标记，例如：某张图片上装为西服下装为西裤，系统则依据图像识别分色字典中西服的颜色识别出该上装为西服并记录，识别出下装为西裤并记录，同时记录两者的搭配关系。

(3)对所述步骤(2)处理后的服装图片采用轮廓跟踪，得到服装的轮廓特征值，具体步骤为：

a、设2个待匹配的衣服形状点集X＝{x₁,x₂,…,x_m}和Y＝{y₁,y₂,…,y_n}，对于衣服X中任一点x_i，计算余下n-1个点相对坐标的形状上下文:

h_i(k)＝#{x_j≠x_i:(x_j-x_i)∈bin(k)}k∈{1,2,…,K} (1)

式中：i＝1,2,…,m；K为径向等份数与圆周等份数目的乘积；

b、参照步骤a，对于衣服点集Y中的任一点y_j的形状上下文为h_j(k)，则x_i和y_j之间的匹配代价定义为：

$C_{ij}=\frac{1}{2}\underset{k=1}{\overset{K}{\&Sigma;}}\frac{{\&lsqb;h_i\left(k\right)-h_j\left(k\right)\&rsqb;}^2}{h_i\left(k\right)+h_j\left(k\right)}---\left(2\right)$

c、利用匈牙利算法，最小化两个形状之间总的匹配代价，即可获得初始匹配；

设经过初始匹配后的形状点集分别为x＝{x₁,x₂,…,x_n}和y＝{y₁,y₂,…,y_n}，其中x_i,y_i是初始匹配对，对点集X按照如下方式构造中值K-NN图G_x(V_x,E_x)；点集中的每一个点x_i为图中一个节点v_i，即v_x＝v₁,…,v_n；如果x_j和x_i满足下面2个条件则它们之间存在一条边e(i,j)∈E_X:

1)x_j是x_i的K最近领域中的点；

2)||x_i-x_j||≤u,其中u为VX中节点之间所有距离的中值，即

第1)个条件描述了最近邻域结构的特点，而第2个条件限制了由于变形产生的出格点；如果x_i不存在K个最近邻域点，则x_i在图中完全不连通；于是无向图G_x(V_x,E_x)对应的邻接矩阵为：

$A_x(i,j)=\left\{\begin{array}{cc}1,& (i,j)\&Element;E_X\\ 0,& (i,j)\&NotElement;E_X\end{array}\right.---\left(3\right)$

d、同理，对点集Y构造的无向图为G_y(V_y,E_y)，对应的邻接矩阵为A_y；

接着利用Wendy Aguilar提出的GTM方法可以剔除误匹配点，两个点集对应的邻接矩阵的相似性定义为：A＝|A_x-A_y|；于是，两个图中边差别最大的列为：

$l=\arg \underset{j=1,...,n}{max}\underset{i=1}{\overset{n}{\&Sigma;}}A(i,j)---\left(4\right)$

e、点对(x_l-y_l)被似作误匹配对，在图G_x和G_y中分别剔除这两个节点后利用剩下的节点重新计算中值K-NN图的邻接矩阵，进一步寻找误匹配点，直到

$\underset{i=1}{\overset{n}{\&Sigma;}}\underset{j=1}{\overset{n}{\&Sigma;}}A(i,j)<\mathrm{\&epsiv;}$

剔除误匹配后得到的2个点集重新整理后表示为X′＝{x′₁,x′₂,…,x′_k}和Y′＝{y′₁,y′₂,…,y′_k}，其中k<n，用该已知的匹配点集估计TPS模型参数；

利用剔除误匹配后的匹配对估计TPS模型参数，TPS插值函数f(x,y)满足最小化如式(5)所示的弯曲能量函数的条件：

$I_f=\&Integral;{\&Integral;}_{R^2}{\left(\frac{{\&part;}^{2}f}{\&part;x^2}\right)}^2+2{\left(\frac{{\&part;}^{2}f}{\&part;x\&part;y}\right)}^2+{\left(\frac{{\&part;}^{2}f}{\&part;y^2}\right)}^{2}dxdy---\left(5\right)$

并且具有如下闭合形式的解：

$f(x,y)=a_1+a_{x}x+a_{y}y+\underset{i=1}{\overset{m}{\&Sigma;}}{w}_{i}U(||\left(x_i,y_i\right)-\left(x,y\right)||)---\left(6\right)$

式中：U(r)＝r2logr2为核函数；TPS的系数a和w为以下线性方程的解：

$\left[\begin{array}{cc}K& P\\ P^T& O\end{array}\right]\left[\begin{array}{c}w\\ a\end{array}\right]=\left[\begin{array}{c}z\\ o\end{array}\right]---\left(7\right)$

式中：K_ij＝U(||(x_i,y_i)-(x_j,y_j)||)，P的第i行为(l.x_i,y_i)，w和z是分别由w_i和z_i构成的列向量，a＝(a_l,a_x,a_y)^T。

综上所述非刚体衣服轮廓形状匹配算法大体步骤如下：

1)设置迭代次数为1；

2)对待匹配衣服形状点集X和Y利用形状上下文进行初始匹配；

3)利用图理论剔除误匹配点，得到精确匹配点集X′和Y′；

4)利用点集X′和Y′匹配关系，根据式(7)计算两个点集之间的TPS变换参数；

5)根据上一步求得的TPS参数，将点集X变换至新的位置，变换后的点集用来表示；

6)令X1为X；

7)迭代次数加1，如果迭代次数大于等于Mmax或者达到收敛条件，算法结束，否则跳转至步骤(2)。

该过程的收敛条件为：衣服形状X中已匹配的点经TPS变换后与衣服形状Y中有匹配关系的点的误差距离的平均值小于给定值Derro。

(4)依据轮廓搭配，对所述步骤(3)处理后的服装图片和所述步骤(2)得到的服装品类标记按关联规则进行服装的推荐，具体包括以下步骤：

关联法则表达的是物品之间在共现性上的关联关系。通常会以下述范例形式表达：

“A→B” 可称为「A关联B」或「B关联于A」

从步骤(2)的品类标记结果库中，采用统计频率的方法结合关联法则可以实现：“品类A的衣服→品类B的衣服”如“西服上装→西服西裤”；

从步骤(3)的服装轮廓处理结果库中，采用统计频率的方法结合关联法则可以实现：“版型A的衣服→版型B的衣服”如“正装西服→正装西裤”；

通过采用“品类A的衣服→品类B的衣服”和“版型A的衣服→版型B的衣服”的结合推荐，可以实现服装搭配的推荐。

以上仅为本发明的具体实施例，但本发明的技术特征并不局限于此。任何以本发明为基础，为解决基本相同的技术问题，实现基本相同的技术效果，所作出地简单变化、等同替换或者修饰等，皆涵盖于本发明的保护范围之中。

Claims (5)

1.基于服装的轮廓形状跟踪实现衣服款式识别与推荐的方法，其特征在于包括如下步骤：

(1)依据图像识别分色字典，对服装图片进行色彩标记的处理，得到处理后的服装填充图片；

(2)依据图像识别分色字典，对所述步骤(1)处理后的服装图片进行识别处理，完成对服装品类的对应标记；

(3)对所述步骤(2)处理后的服装图片采用轮廓跟踪，得到服装的轮廓特征值；

(4)依据轮廓搭配，对所述步骤(3)处理后的服装图片和所述步骤(2)得到的服装品类标记按关联规则进行服装的推荐。

2.根据权利要求1所述基于服装的轮廓形状跟踪实现衣服款式识别与推荐的方法，其特征在于：所述步骤(1)中对服装图片进行色彩标记处理，其具体表现为以下步骤：首先对服装图片背景进行归一化处理，将背景颜色统一便于去除掉背景噪音；然后，依据图像识别分色字典对服装图片按服装品类进行色系标识，用不同的颜色标识图片上不同的服装类型。

3.根据权利要求1所述基于服装的轮廓形状跟踪实现衣服款式识别与推荐的方法，其特征在于：所述步骤(2)中依据图像识别分色字典，对所述步骤(1)处理后的服装图片进行识别处理，其具体表现为以下步骤：结合图像识别分色字典，采用自有的分色标注识别软件对服装品类进行自动标识。

4.根据权利要求1所述基于服装的轮廓形状跟踪实现衣服款式识别与推荐的方法，其特征在于：步骤(3)中对步骤(2)处理后的服装图片采用轮廓跟踪，得到服装的轮廓特征值，其具体表现为以下步骤：

a、设2个待匹配的衣服形状点集X＝{x₁,x₂,…,x_m}和Y＝{y₁,y₂,…,y_n}，对于衣服X中任一点x_i，计算余下n-1个点相对坐标的形状上下文:

h_i(k)＝#{x_j≠x_i:(x_j-x_i)∈bin(k)}k∈{1,2,…,K} (1)

式中：i＝1,2,…,m；K为径向等份数与圆周等份数目的乘积；

b、参照步骤a，对于衣服点集Y中的任一点y_j的形状上下文为h_j(k)，则x_i和y_j之间的匹配代价定义为：

$C_{ij}=\frac{1}{2}\underset{k=1}{\overset{K}{\&Sigma;}}\frac{{\&lsqb;h_i\left(k\right)-h_j\left(k\right)\&rsqb;}^2}{h_i\left(k\right)+h_j\left(k\right)}---\left(2\right)$

c、利用匈牙利算法，最小化两个形状之间总的匹配代价，即可获得初始匹配；

设经过初始匹配后的形状点集分别为x＝{x₁,x₂,…,x_n}和y＝{y₁,y₂,…,y_n}，其中x_i,y_i是初始匹配对，对点集X按照如下方式构造中值K-NN图G_x(V_x,E_x)；点集中的每一个点x_i为图中一个节点v_i，即v_x＝v₁,…,v_n；如果x_j和x_i满足下面2个条件则它们之间存在一条边e(i,j)∈E_X:

1)x_j是x_i的K最近领域中的点；

2)||x_i-x_j||≤u,其中u为VX中节点之间所有距离的中值，即

第1)个条件描述了最近邻域结构的特点，而第2个条件限制了由于变形产生的出格点；如果x_i不存在K个最近邻域点，则x_i在图中完全不连通；于是无向图G_x(V_x,E_x)对应的邻接矩阵为：

$A_x(i,j)=\left\{\begin{array}{cc}1,& (i,j)\&Element;E_X\\ 0,& (i,j)\&NotElement;E_X\end{array}\right.---\left(3\right)$

d、同理，对点集Y构造的无向图为G_y(V_y,E_y)，对应的邻接矩阵为A_y；

接着利用Wendy Aguilar提出的GTM方法可以剔除误匹配点，两个点集对应的邻接矩阵的相似性定义为：A＝|A_x-A_y|；于是，两个图中边差别最大的列为：

$l=\arg \underset{j=1,...,n}{max}\underset{i=1}{\overset{n}{\&Sigma;}}A(i,j)---\left(4\right)$

e、点对(x_l-y_l)被似作误匹配对，在图G_x和G_y中分别剔除这两个节点后利用剩下的节点重新计算中值K-NN图的邻接矩阵，进一步寻找误匹配点，直到

$\underset{i=1}{\overset{n}{\&Sigma;}}\underset{j=1}{\overset{n}{\&Sigma;}}A(i,j)<\mathrm{\&epsiv;}$

剔除误匹配后得到的2个点集重新整理后表示为X′＝{x′₁,x′₂,…,x′_k}和

Y′＝{y′₁,y′₂,…,y′_k}，其中k<n，用该已知的匹配点集估计TPS模型参数；

利用剔除误匹配后的匹配对估计TPS模型参数，TPS插值函数f(x,y)满足最小化如式(5)所示的弯曲能量函数的条件：

$I_f=\&Integral;{\&Integral;}_{R^2}{\left(\frac{{\&part;}^{2}f}{\&part;x^2}\right)}^2+2{\left(\frac{{\&part;}^{2}f}{\&part;x\&part;y}\right)}^2+{\left(\frac{{\&part;}^{2}f}{\&part;y^2}\right)}^{2}dxdy---\left(5\right)$

并且具有如下闭合形式的解：

$f(x,y)=a_1+a_{x}x+a_{y}y+\underset{i=1}{\overset{m}{\&Sigma;}}{w}_{i}U\left(\right|\left|\right(x_i,y_i)-(x,y\left)\right|\left|\right)---\left(6\right)$

式中：U(r)＝r2 log r2为核函数；TPS的系数a和w为以下线性方程的解：

$\left[\begin{array}{cc}K& P\\ P^T& O\end{array}\right]\left[\begin{array}{c}w\\ a\end{array}\right]=\left[\begin{array}{c}z\\ o\end{array}\right]---\left(7\right)$

式中：K_ij＝U(||(x_i,y_i)-(x_j,y_j)||)，P的第i行为(l.x_i,y_i)，w和z是分别由w_i和z_i构成的列向量，a＝(a₁,a_x,a_y)^T。

5.根据权利要求1所述基于服装的轮廓形状跟踪实现衣服款式识别与推荐的方法，其特征在于：所述步骤(4)中依据轮廓搭配，对所述步骤(3)处理后的服装图片和所述步骤(2)得到的服装品类标记按关联规则进行服装的推荐，具体表现为以下步骤：

关联法则表达的是物品之间在共现性上的关联关系，通常会以下述范例形式表达：

“A→B”可称为「A关联B」或「B关联于A」

从所述步骤(2)的品类标记结果库中，采用统计频率的方法结合关联法则可以实现：“品类A的衣服→品类B的衣服”如“西服上装→西服西裤”；

从所述步骤(3)的服装轮廓处理结果库中，采用统计频率的方法结合关联法则可以实现：“版型A的衣服→版型B的衣服”如“正装西服→正装西裤”；通过采用“品类A的衣服→品类B的衣服”和“版型A的衣服→版型B的衣服”的结合推荐，可以实现服装搭配的推荐。