CN106875203A - 一种确定商品图片的款式信息的方法及装置 - Google Patents

Abstract

本申请实施例公开了一种确定商品图片的款式信息的方法及装置。该方法包括：确定商品的款式分类规则，基于所述款式分类规则获取相应款式分类的商品样本图片；对所述商品样本图片进行预处理得到训练图片；基于所述训练图片的款式参数对所述训练图片进行卷积神经网络训练，确定出图片训练模型；将待识别商品图片在所述图片款式识别模型中进行识别，确定出所述待识别商品图片的款式参数；根据所述待识别商品图片的款式参数确定所述待识别商品图片的款式信息。利用本申请实施例提供的技术方案可以提高商品图片的款式信息识别准确率，为用户提供准确的款式导购。

Description

一种确定商品图片的款式信息的方法及装置

技术领域

本申请涉及图像信息处理技术领域，特别涉及一种确定商品图片的款式信息的方法及装置。

背景技术

随着互联网消费时代的发展，人们可以在一淘、淘宝以及天猫商城等提供在线商品搜索和在线购物的服务平台来挑选自己喜爱的商品。其中商品的款式是用户最关心的商品属性之一，准确的款式导购可以提高用户体验和成交转化率。

目前商品的款式信息主要依赖于商家自主填写的文字信息。一旦商家填写的款式信息不准确，往往会导致在线购物网不能准确展示出用户搜索的商品的款式信息。并且由于商品的款式受主观因素影响较大，不同商家填写的款式较为混乱，没有统一确认方式，这样会导致展示给用户的商品展示效果参差不齐，不仅影响商品成交转化率，也降低了用户体验。同时，由于互联网信息的爆发性增长，通过人工方式确定商品的款式信息也会消耗大量的人工和时间成本，降低了商品款式信息的处理效率。

发明内容

本申请实施例的目的是提供一种确定商品图片的款式信息的方法及装置，以根据商品的图片，通过图像处理技术来确定商品图片中商品的款式信息，为用户提供准确的款式导购，改善用户体验。

本申请提供一种确定商品图片的款式信息的方法及装置是这样实现的：

一种确定商品图片的款式信息的方法，所述方法包括：

确定商品的款式分类信息，基于所述款式分类规则获取相应款式分类的商品样本图片；

对所述商品样本图片进行预处理得到训练图片；

基于所述训练图片的款式参数对所述训练图片进行卷积神经网络训练，确定出图片训练模型；

将待识别商品图片在所述图片款式识别模型中进行识别，确定出所述待识别商品图片的款式参数；

根据所述待识别商品图片的款式参数确定所述待识别商品图片的款式信息。

一种确定商品图片的款式信息的装置，所述装置包括：

分类规则确定模块，用于确定商品的款式分类信息；

数据获取模块，用于基于所述款式分类规则获取相应款式分类的商品样本图片；

数据处理模块，用于对所述商品样本图片进行预处理得到训练图片；

第一训练模块，用于基于所述训练图片的款式参数对所述训练图片进行卷积神经网络训练，确定出图片训练模型；

第二训练模块，用于将待识别商品图片在所述图片款式识别模型中进行识别，确定出所述待识别商品图片的款式参数；

款式信息确定模块，用于根据所述待识别商品图片的款式参数确定所述待识别商品图片的款式信息。

本申请实施例通过对商品样本图片进行预处理，得到训练图片，并基于所述训练图片的款式参数对所述训练图片进行卷积神经网络训练，可以确定出图片训练模型。然后利用所述图片训练模型对待识别商品图片进行识别，可以确定所述待识别商品图片的款式参数；根据所述待识别商品图片的款式参数可以准确确定所述待识别商品图片的款式信息，后续利用待识别商品图片的款式信息为用户提供准确的款式导购。与现有技术相比，利用本申请实施例提供的技术方案可以大大提高商品图片的款式信息识别准确率，为用户提供准确的款式导购，不仅可以改善用户体验，同时增加了成交转化率。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本申请提供的确定商品图片的款式信息的方法实施例的一种流程示意图；

图2是本申请实施例提供的对所述商品样本图片的预处理过程的一种流程示意图；

图3是本申请通过的确定图片训练模型过程的流程图；

图4是本申请实施例提供的卷积神经网络的结构的一种示意图；

图5是是本申请所述卷积层的结构的一种示意图；

图6是本申请提供的确定商品图片的款式信息的装置实施例的一种示意图；

图7是本申请实施例提供的数据处理模块得模块示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

以下以具体的实施例来说明本申请的具体实现方式。

以下首先介绍本申请一种确定商品图片的款式信息的方法的实施例。图1是本申请提供的确定商品图片款式信息的实施例的流程示意图，本申请提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或客户端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。具体的如图1所示，所述方法可以包括：

S110：确定商品的款式分类规则，基于所述款式分类规则获取相应款式分类的商品样本图片。

在本申请中，可以确定商品的款式分类规则，基于所述款式分类规则获取相应款式分类的商品样本图片。具体的，所述商品的款式分类规则可以包括预先根据实际应用中的商品款式的情况为商品设置的，可以包括用于识别所述商品样本图片所属的所述款式分类的信息和商品图片颜色、大小等的属性信息，例如所述女士低帮鞋中的平地单鞋款式可以对应FB_Shoes(color_red,size_400*600,…)等信息。

在一个具体的应用场景中，当所述商品为女士低帮鞋时，根据女士低帮鞋款式分类规则，所述女士低帮鞋的款式分类可以包括下述款式信息：平底单鞋，高跟单鞋，坡跟单鞋，防水台单鞋，牛津鞋，帆布鞋，豆豆鞋，松糕鞋，乐福鞋，其他，一共10种款式分类。其中“其他”款式可以包括所述女士低帮鞋中数量很少的稀有款式的鞋子。确定出所述商品的款式分类后，可以采集获取每个款式分类的商品样本图片，具体的商品样本图片的采集数量可以根据实际数据处理需求进行设置，例如本实施例中可以对商品的每个款式分类采集获取3000张商品样本图片。本实施例中可以为每个款式分类的商品样本图片设置相应的款式信息。

一般的，所述商品样本图片可以包括一个商品主体齐全的图片，并且该商品样本图片有与所述商品图片所属的款式分类相对应的款式信息。

当然，本申请实施例中所述商品的款式分类可以根据实际应用场景的商品进行设置，例如男生鞋、箱包等，可以根据实际的商品款式分类需求和图片信息确定商品的款式分类。然后，可以获取各个款式分类的商品样本图片。

S120：对所述商品样本图片进行预处理得到训练图片。

本实施例在步骤S110商品所述款式分类信息所对应的商品样本图片之后，可以对所述商品样本图片进行预处理得到训练图片。具体的，图2是本申请提供的对所述商品样本图片的预处理过程的一种流程示意图，如图2所示，对所述商品样本图片的预处理过程可以包括：

S121：在所述商品样本图片中提取商品主体，形成商品主体图片。

在本申请，所述在所述商品样本图片中提取商品主体，形成商品主体图片。具体的，可以包括：获取所述商品样本图片中的多个选定区域的显著度，所述多个选定区域中显著度最高的一个选定区域为潜在商品主体区域，之后在所述潜在商品主体区域内按照增强显著度选取绝对主体区域，以得到商品主体；在提取商品主体之后，对所述商品主体进行外接矩形框的处理，形成商品主体图片。上述在所述商品样本图片中提取商品主体可以详见申请号为CN201210279081.4，发明名称为在商品图片中提取商品主体的方法和装置的专利文件。

S122：将所述商品主体图片的长边缩放为第一预设值，相应的，所述商品主体图片的短边按照所述长边缩放的比例进行等比例缩放，得到缩放后图片。

本申请中，在步骤S121形成商品主体图片之后，可以将所述商品主体图片的长边缩放为第一预设值，相应的，所述商品主体图片的短边按照所述长边缩放的比例进行等比例缩放，得到缩放后图片。

具体的，所述第一预设值可以预先根据所述商品主体图片的大小设置。在具体的实施例中所述第一预设值可以为227。相应的，可以将所述商品主体图片的长边缩放为227，且所述商品主体图片的短边等比例缩放，得到缩放后图片。

S123：将所述缩放后图片内嵌到边长为所述第一预设值的正方形框中，得到内嵌后图片。

本申请中，在步骤S122得到缩放后图片之后，可以将所述缩放后图片内嵌到边长为所述第一预设值的正方形框中，得到内嵌后图片。具体的，当所述第一预设值为227时，所述第一预设值的正方形框可以包括227*227的正方形框。

S124：将所述内嵌后图片在边长为第二预设值的正方形图片上进行随机覆盖，得到预设数量的训练图片，所述第二预设值大于第一预设值。

本申请中，在步骤S123得到内嵌后图片之后，可以将所述内嵌后图片在边长为第二预设值的正方形图片上进行随机覆盖，得到预设数量的训练图片，所述第二预设值大于第一预设值。具体的，所述随机覆盖的次数可以预先根据应用场景设置。相应的，所述可以得到相应数量的训练图片的。具体的，每次覆盖处理可以得到一张训练图片。这里通过随机覆盖处理可以得到多张不同角度的训练图片。

在一个具体的实施例中，所述正方形图片可以包括纯白正方形图片；所述边长为第二预设值的正方形图片可以包括256*256的纯白正方形图片。

上述对所述商品样本图片进行预处理的过程中通过提取商品主体，对商品主体图片的缩放，内嵌处理可以将不同商品图片的大小归一化到同等大小，避免不同尺寸的图片对确定商品图片款式信息的影响，且将商品主体图片缩放、内嵌处理后得到的内嵌后图片随机覆盖在较大尺寸的正方形图片上可以避免图片的信息损失，实现最大化利用现有的数据信息。

S130：基于所述训练图片的款式参数对所述训练图片进行卷积神经网络训练，确定出图片训练模型。

本申请中，在步骤S120得到第一预设数量的第一训练图片之后，可以基于所述训练图片的款式参数对所述训练图片进行卷积神经网络训练，确定出图片训练模型。所述图片训练模型一次随机获取不同款式分类的K张商品样本图片，然后以K张商品样本图片为单位进行样本训练。在本实施例中，所述的训练图片的款式参数可以包括根据所述商品样本图片所对应的款式信息预先设置的参数，可以用于表示图片中商品的款式信息所对应的细粒度的特征和抽象特征。所述细粒度的特征可以包括图片的线条，颜色，纹理等细节特征；所述抽象特征包括轮廓的特征。所述款式参数与所述款式信息相对应。

图3是本申请通过的确定图片训练模型过程的流程图，具体的，如图3所示，所述基于所述训练图片的款式参数对所述训练图片进行卷积神经网络训练，确定出图片训练模型可以包括：

S131：将所述训练图片输入预先设置的卷积神经网络进行训练。

S132：调整所述卷积神经网络中参数直至所述卷积神经网络的当前输出参数与商品样本图片的款式参数相匹配，将当前输出参数对应的卷积神经网络作为图片训练模型。

具体的，上述训练过程中可以利用随机梯度下降的方法，迭代调整所述卷积神经网络模型中的参数，直到当前输出参数与所述商品样本图片的款式参数相匹配。具体的，所述当前输出参数与所述商品样本图片的款式参数相匹配可以包括当前输出参数与相应的所述商品样本图片的款式参数的差值小于预设差值，或者满足所述卷积神经网络训练的参数收敛条件。在本实施例迭代调整基数中，一般的所述迭代的次数在10万以内可以达到当前输出参数与所述商品样本图片的款式参数的差值小于预设差值。

具体的，所述预先设置的卷积神经网络可以包括卷积层、全联通层、Relu层以及Dropout(休眠)层。图4是卷积神经网络的结构的一种实施例的示意图，如图4所示，在本实施例中，所述预先设置的卷积神经网络可以包括：三个卷积层、一个全联通层、一个Relu层、一个Dropout(休眠)层。具体的，从深度学习的原理上来说，底层卷积层的数据可以代表细粒度的特征；高层卷积层的数据可以代表抽象特征。确定图片款式信息时，主要确定轮廓等抽象特征，因此，高层的卷积层的卷积核数量可以大于底层卷积层的卷积核。在一个具体的应用中，所述三个卷积层可以包括有16个卷积核的第一层卷积层(即底层卷积层)、有32个卷积核的第二层卷积层以及有64个卷积核的第三层卷积层(即高层卷积层)，所述三个卷积层的卷积核的尺寸可以均为5*5。所述卷积层可以包括扩展层、卷积处理层、Relu层以及Pooling层。如图5所示的是本申请所述卷积层的结构的一种示意图。

进一步的，所述预先设置的卷积神经网络可以被设置成，包括：

包括16个卷积核的第一卷积层；以及与所述第一卷积层相连的包括32个卷积核的第二卷积层；以及与所述第二卷积层相连的包括64个卷积核的第三卷积层；以及与所述第三卷积层相连的全联通层；以及与所述全联通层相连的Relu层；以及与所述Relu层相连的Dropout层。

具体的，所述扩展层可以用于将输入的图片进行像素扩展，在一个具体的实施例中，所述扩展层可以将输入的第一训练图片外围增加2像素的白边。

具体的，所述卷积处理层可以对所述扩展层输出的图片进行卷积处理。

具体的，所述Relu(rectified linear unit，校正线性单元，一种激活函数)层是对上一层数据结果进行修正的层，包括将上一层小于0的输入全部变成0后输出，大于0的输出不变。

具体的，所述Pooling层可以对上一层的输出进行降采样操作，即返回采样窗口中最大值作为降采样的输出。在一个具体的实施例中，所述采样窗口均设置为3*3，采样间隔可以为2像素。

具体的，所述全联通层可以作为上下两层的节点之间的连接层，将上下两层所得到的各节点数据建立连接关系，在一个具体的应用中，所述全联通层的输出是128维的矩阵。

具体的，所述Dropout(休眠层)层可以随机让上一层50％的输出节点的数据为0，可以有效避免过拟合。

S140：将待识别商品图片在所述图片款式识别模型中进行识别，确定出所述待识别商品图片的款式参数。

本申请中，在步骤S130确定出图片训练模型之后，可以将待识别商品图片在所述图片款式识别模型中进行识别，确定出所述待识别商品图片的款式参数。

所述图片训练模型对应的训练类型与所述待识别商品图片对应的类型属于一个类型。例如，图片训练模型对应训练的是鞋类图片，那么所述图片训练模型可以用于对鞋类型的图片进行训练。

具体的，所述待识别商品图片可以包括商品图片进行预处理后的图片。如上所述，在获取一张商品图片之后，可以将所述商品图片进行预处理后作为待识别商品图片，这样可以满足所述图片训练模型对输入图片的要求。

S150：根据所述待识别商品图片的款式参数确定所述待识别商品图片的款式信息。

在本申请中，在步骤S140确定所述待识别商品图片的款式参数之后，可以根据所述待识别商品图片的款式参数确定所述待识别商品图片的款式信息。具体的，可以利用softmax函数来进行分类，Softmax函数中包含的是一个非线性分类器，对款式参数进行分类器训练，确定所述待识别商品图片与各个款式信息对应款式参数匹配的概率值。并根据款式参数与款式信息之间的对应关系，确定所述待识别商品图片的款式信息。

在实际具体的应用场景中，所述待识别商品图片中的商品可能与多个款式相对应。当所述待识别商品图片为某款防水台单鞋时，通过所述Softmax函数确定出的待识别商品图片的款式参数与各个款式信息对应款式参数匹配的概率值可以包括：防水台单鞋99％，平底单鞋0.1％，高跟单鞋0.2％，坡跟单鞋0.1％，牛津鞋0.1％，帆布鞋0.1％，豆豆鞋0.1％，松糕鞋0.1％，乐福鞋0.1％，其他0.1％。然后，可以根据款式参数与款式信息之间的对应关系，确定所述待识别商品图片的款式信息。

本申请中具体的可以采用预先设置的判定方式根据所述待识别商品图片的款式参数确定待识别商品图片的款式信息。本申请的一种实施例中，为了更加快速、准确的确定商品的款式信息，所述根据所述待识别商品图片的款式参数确定所述待识别商品图片的款式信息可以包括：根据所述待识别商品图片的款式参数确定所述待识别商品图片的款式信息的概率值；将所述概率值中最高值的款式信息作为所述待识别商品图片的款式信息。

进一步的，在实际应用中，由于商品款式繁多，可能出现某些商品并不仅属于多个款式分类且所述多个款式分类的概率值较为相近，或者所述多个款式分类的概率值相近且较小，达不到相应款式分类的预期要求。此时，可以采用本申请提供的另一种实施方式确定所述待识别商品图片的款式信息。具体的，本申请的另一种实施例中，所述根据所述待识别商品图片的款式参数确定所述待识别商品图片的款式信息可以包括：

根据所述待识别商品图片的款式参数确定所述待识别商品图片的款式信息的概率值；

比较所述概率值中的最高值与预设阈值的大小；

当所述比较的结果为所述最高值大于所述预设阈值时，将所述最高值所对应的款式信息作为所述待识别商品图片的款式信息；否则，将预设款式信息作为所述待识别商品图片的款式信息。

本实施例中所述的预设阈值可以根据设计需求进行预先设置，比如将所述预设阈值设置为50％。

具体的，所述预设款式信息可以根据应用场景预先设置，例如在箱包的应用场景中，所述预设款式信息可以设置为：“百搭包”。若所述比较的结果为所述最高值小于等于所述预设阈值时，可以判断待识别商品图片不符合设置的十种款式分类，则可以将待识别商品图片的款式信息设置为所述预设款式信息“百搭包”。本实施例的方案可以避免因线上数据复杂多变的导致基于款式信息的输出混乱，可以准确、清晰、可靠的输出商品图片的款式信息，提高确定款式信息的准确性和处理效率。

由上述可见，本申请一种确定商品图片的款式信息的方法的实施例通过对商品样本图片进行预处理，得到训练图片，并基于所述训练图片的款式参数对所述训练图片进行卷积神经网络训练，可以确定出图片训练模型。然后利用所述图片训练模型对待识别商品图片进行识别，可以确定所述待识别商品图片的款式参数；根据所述待识别商品图片的款式参数可以准确确定所述待识别商品图片的款式信息，后续利用待识别商品图片的款式信息为用户提供准确的款式导购。与现有技术相比，利用本申请实施例提供的技术方案可以大大提高商品图片的款式信息识别准确率，为用户提供准确的款式导购，不仅可以改善用户体验，同时增加了商品成交转化率。

图6是本申请提供的确定商品图片的款式信息的装置实施例的一种示意图；本申请另一方面还提供一种确定商品图片的款式信息的装置，如图6所示，所述装置600可以包括：

分类规则确定模块610，可以用于确定商品的款式分类信息；

数据获取模块620，可以用于基于所述款式分类规则获取相应款式分类的商品样本图片；

数据处理模块630，可以用于对所述商品样本图片进行预处理得到训练图片；

第一训练模块640，可以用于基于所述训练图片的款式参数对所述训练图片进行卷积神经网络训练，确定出图片训练模型；

第二训练模块650，可以用于将待识别商品图片在所述图片款式识别模型中进行识别，确定出所述待识别商品图片的款式参数；

款式信息确定模块660，可以用于根据所述待识别商品图片的款式参数确定所述待识别商品图片的款式信息。

本申请实施例提供的确定商品图片的款式信息的装置，可以基于训练图片的款式参数对所述训练图片进行卷积神经网络训练，确定出图片训练模型。然后利用所述图片训练模型对待识别商品图片进行识别，根据识别出的所述待识别商品图片的款式参数可以准确确定所述待识别商品图片的款式信息。后续利用待识别商品图片的款式信息为用户提供准确的款式导购。与现有技术相比，利用本申请实施例提供的技术方案可以大大提高商品图片的款式信息识别准确率，为用户提供准确的款式导购，不仅可以改善用户体验，同时增加了商品成交转化率。

图7是本申请实施例提供的数据处理模块得模块示意图，在一个优选的实施例中，如图7所示，所述数据处理模块630可以包括：

主体提取单元631，可以用于在所述商品样本图片中提取商品主体，形成商品主体图片；

缩放单元632，可以用于将所述商品主体图片的长边缩放为第一预设值，相应的，所述商品主体图片的短边按照所述长边缩放的比例进行等比例缩放，得到缩放后图片；

内嵌单元633，可以用于将所述缩放后图片内嵌到边长为所述第一预设值的正方形框中，得到内嵌后图片；

图片覆盖单元634，可以用于将所述内嵌后图片在边长为第二预设值的正方形图片上进行随机覆盖，得到预设数量的训练图片，所述第二预设值大于第一预设值。

本实施例中可以对所述商品样本图片进行预处理，包括提取商品主体，对商品主体图片的缩放，内嵌处理等，可以将不同商品图片的大小归一化到同等大小，避免不同尺寸的图片对确定商品图片款式信息的影响。且将商品主体图片缩放、内嵌处理后得到的内嵌后图片随机覆盖在较大尺寸的正方形图片上可以避免图片的信息损失，实现最大化利用现有的数据信息。

在一个优选的实施例中，所述第一训练模块640可以包括：

第一处理单元，可以用于将所述训练图片输入预先设置的卷积神经网络进行训练；

第二处理单元，可以用于调整所述卷积神经网络中参数直至所述卷积神经网络的当前输出参数与商品样本图片的款式参数相匹配，将当前输出参数对应的卷积神经网络作为图片训练模型。

在一个优选的实施例中，所述预先设置的卷积神经网络可以包括：

三卷积层、一层全联通层、一层Relu层以及一层Dropout层。

在一个优选的实施例中，所述预先设置的卷积神经网络可以被设置成，包括：

包括16个卷积核的第一卷积层；以及与所述第一卷积层相连的包括32个卷积核的第二卷积层；以及与所述第二卷积层相连的包括64个卷积核的第三卷积层；以及与所述第三卷积层相连的全联通层；以及与所述全联通层相连的Relu层；以及与所述Relu层相连的Dropout层。

在一个优选的实施例中，所述款式信息确定模块660可以包括：

第一概率值确定单元，可以用于根据所述待识别商品图片的款式参数确定所述待识别商品图片的款式信息的概率值；

第三处理单元，可以用于将所述概率值中最高值的所对应的款式信息作为所述待识别商品图片的款式信息。

在一个优选的实施例中，所述款式信息确定模块660可以包括：

第二概率值确定单元，可以用于根据所述待识别商品图片的款式参数确定所述待识别商品图片的款式信息的概率；

比较单元，可以用于比较所述概率值中的最高值与预设阈值的大小；

第四处理单元，可以用于当所述比较单元的比较的结果为所述最高值大于所述预设阈值时，将所述最高值的款式信息作为所述待识别商品图片的款式信息；

第五处理单元，可以用于当所述比较单元的比较的结果为所述最高值小于等于所述预设阈值时，将预设款式信息作为所述待识别商品图片的款式信息。

由上述可见，本申请提供的确定商品图片的款式信息的方法或装置的实施例可以通过对商品样本图片进行预处理，得到训练图片，并基于所述训练图片的款式参数对所述训练图片进行卷积神经网络训练，可以确定出图片训练模型。然后利用所述图片训练模型对待识别商品图片进行识别，可以确定所述待识别商品图片的款式参数；根据所述待识别商品图片的款式参数可以准确确定所述待识别商品图片的款式信息，后续利用待识别商品图片的款式信息为用户提供准确的款式导购。与现有技术相比，利用本申请实施例提供的技术方案可以大大提高商品图片的款式信息识别准确率，为用户提供准确的款式导购，不仅可以改善用户体验，同时增加了商品成交转化率。

尽管本申请内容中提到图片裁剪、缩放、卷积网络层结构等数据处理、网络模型的描述，但是，本申请并不局限于必须是完全标准或者所提及的数据处理、网络模型的情况。本申请中各个实施例中所涉及的上述描述仅是本申请中的一些实施例中的应用，当然，在符合本申请上述各实施例的中所述的处理方法步骤的其他无创造性的变形，仍然可以实现相同的申请，在此不再赘述。

虽然本申请提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或客户端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。

上述实施例阐明装置或模块，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本申请时可以把各模块的功能在同一个或多个软件和/或硬件中实现，也可以将实现同一功能的模块由多个子模块或子单元的组合实现。

本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构、类等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，移动终端，服务器，或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。

本说明书中的各个实施例采用递进的方式描述，各个实施例之间相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、移动通信终端、多处理器系统、基于微处理器的系统、可编程的电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。

虽然通过实施例描绘了本申请，本领域普通技术人员知道，本申请有许多变形和变化而不脱离本申请的精神，希望所附的权利要求包括这些变形和变化而不脱离本申请的精神。

Claims (14)

1.一种确定商品图片的款式信息的方法，其特征在于，所述方法包括：

确定商品的款式分类规则，基于所述款式分类规则获取相应款式分类的商品样本图片；

对所述商品样本图片进行预处理得到训练图片；

基于所述训练图片的款式参数对所述训练图片进行卷积神经网络训练，确定出图片训练模型；

将待识别商品图片在所述图片款式识别模型中进行识别，确定出所述待识别商品图片的款式参数；

根据所述待识别商品图片的款式参数确定所述待识别商品图片的款式信息。

2.根据权利要求1所述的方法，其特征在于，所述对所述商品样本图片进行预处理得到训练图片包括：

在所述商品样本图片中提取商品主体，形成商品主体图片；

将所述商品主体图片的长边缩放为第一预设值，相应的，所述商品主体图片的短边按照所述长边缩放的比例进行等比例缩放，得到缩放后图片；

将所述缩放后图片内嵌到边长为所述第一预设值的正方形框中，得到内嵌后图片；

将所述内嵌后图片在边长为第二预设值的正方形图片上进行随机覆盖，得到预设数量的训练图片，所述第二预设值大于第一预设值。

3.根据权利要求1所述的方法，其特征在于，所述基于所述训练图片的款式参数对所述训练图片进行卷积神经网络训练，确定出图片训练模型包括：

将所述训练图片输入预先设置的卷积神经网络进行训练；

调整所述卷积神经网络中参数直至所述卷积神经网络的当前输出参数与商品样本图片的款式参数相匹配，将当前输出参数对应的卷积神经网络作为图片训练模型。

4.根据权利要求3所述的方法，其特征在于，所述预先设置的卷积神经网络包括：

三卷积层、一层全联通层、一层Relu层以及一层Dropout层。

5.根据权利要求4所述的方法，其特征在于，所述预先设置的卷积神经网络被设置成，包括：

包括16个卷积核的第一卷积层；以及与所述第一卷积层相连的包括32个卷积核的第二卷积层；以及与所述第二卷积层相连的包括64个卷积核的第三卷积层；以及与所述第三卷积层相连的全联通层；以及与所述全联通层相连的Relu层；以及与所述Relu层相连的Dropout层。

6.根据权利要求1所述的方法，其特征在于，所述根据所述待识别商品图片的款式参数确定所述待识别商品图片的款式信息包括：

根据所述待识别商品图片的款式参数确定所述待识别商品图片的款式信息的概率值；

将所述概率值中最高值的所对应的款式信息作为所述待识别商品图片的款式信息。

7.根据权利要求1所述的方法，其特征在于，所述根据所述待识别商品图片的款式参数确定所述待识别商品图片的款式信息包括：

根据所述待识别商品图片的款式参数确定所述待识别商品图片的款式信息的概率值；

比较所述概率值中的最高值与预设阈值的大小；

当所述比较的结果为所述最高值大于所述预设阈值时，将所述最高值所对应的款式信息作为所述待识别商品图片的款式信息；否则，将预设款式信息作为所述待识别商品图片的款式信息。

8.一种确定商品图片的款式信息的装置，其特征在于，所述装置包括：

分类规则确定模块，用于确定商品的款式分类规则；

数据获取模块，用于基于所述款式分类规则获取相应款式分类的商品样本图片；

数据处理模块，用于对所述商品样本图片进行预处理得到训练图片；

第一训练模块，用于基于所述训练图片的款式参数对所述训练图片进行卷积神经网络训练，确定出图片训练模型；

第二训练模块，用于将待识别商品图片在所述图片款式识别模型中进行识别，确定出所述待识别商品图片的款式参数；

款式信息确定模块，用于根据所述待识别商品图片的款式参数确定所述待识别商品图片的款式信息。

9.根据权利要求8所述的装置，其特征在于，所述数据处理模块包括：

主体提取单元，用于在所述商品样本图片中提取商品主体，形成商品主体图片；

缩放单元，用于将所述商品主体图片的长边缩放为第一预设值，相应的，所述商品主体图片的短边按照所述长边缩放的比例进行等比例缩放，得到缩放后图片；

内嵌单元，用于将所述缩放后图片内嵌到边长为所述第一预设值的正方形框中，得到内嵌后图片；

图片覆盖单元，用于将所述内嵌后图片在边长为第二预设值的正方形图片上进行随机覆盖，得到预设数量的训练图片，所述第二预设值大于第一预设值。

10.根据权利要求8所述的装置，其特征在于，所述第一训练模块包括：

第一处理单元，用于将所述训练图片输入预先设置的卷积神经网络进行训练；

第二处理单元，用于调整所述卷积神经网络中参数直至所述卷积神经网络的当前输出参数与商品样本图片的款式参数相匹配，将当前输出参数对应的卷积神经网络作为图片训练模型。

11.根据权利要求10所述的装置，其特征在于，所述预先设置的卷积神经网络包括：

三卷积层、一层全联通层、一层Relu层以及一层Dropout层。

12.根据权利要求11所述的装置，其特征在于，所述预先设置的卷积神经网络被设置成，包括：

包括16个卷积核的第一卷积层；以及与所述第一卷积层相连的包括32个卷积核的第二卷积层；以及与所述第二卷积层相连的包括64个卷积核的第三卷积层；以及与所述第三卷积层相连的全联通层；以及与所述全联通层相连的Relu层；以及与所述Relu层相连的Dropout层。

13.根据权利要求8所述的装置，其特征在于，所述款式信息确定模块包括：

第一概率值确定单元，用于根据所述待识别商品图片的款式参数确定所述待识别商品图片的款式信息的概率值；

第三处理单元，用于将所述概率值中最高值的所对应的款式信息作为所述待识别商品图片的款式信息。

14.根据权利要求8所述的装置，其特征在于，所述款式信息确定模块包括：

第二概率值确定单元，用于根据所述待识别商品图片的款式参数确定所述待识别商品图片的款式信息的概率；

比较单元，用于比较所述概率值中的最高值与预设阈值的大小；

第四处理单元，用于当所述比较单元的比较的结果为所述最高值大于所述预设阈值时，将所述最高值的款式信息作为所述待识别商品图片的款式信息；

第五处理单元，用于当所述比较单元的比较的结果为所述最高值小于等于所述预设阈值时，将预设款式信息作为所述待识别商品图片的款式信息。