CN108197898B - 一种着装推荐方法及移动终端 - Google Patents

一种着装推荐方法及移动终端 Download PDF

Info

Publication number
CN108197898B
CN108197898B CN201810077935.8A CN201810077935A CN108197898B CN 108197898 B CN108197898 B CN 108197898B CN 201810077935 A CN201810077935 A CN 201810077935A CN 108197898 B CN108197898 B CN 108197898B
Authority
CN
China
Prior art keywords
dressing
user
image
target
clothing
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810077935.8A
Other languages
English (en)
Other versions
CN108197898A (zh
Inventor
曾星星
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Vivo Mobile Communication Co Ltd
Original Assignee
Vivo Mobile Communication Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Vivo Mobile Communication Co Ltd filed Critical Vivo Mobile Communication Co Ltd
Priority to CN201810077935.8A priority Critical patent/CN108197898B/zh
Publication of CN108197898A publication Critical patent/CN108197898A/zh
Application granted granted Critical
Publication of CN108197898B publication Critical patent/CN108197898B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G06Q10/109—Time management, e.g. calendars, reminders, meetings or time accounting
    • G06Q10/1093—Calendar-based scheduling for persons or groups
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Library & Information Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • Databases & Information Systems (AREA)
  • Operations Research (AREA)
  • Biomedical Technology (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种着装推荐方法及移动终端，该方法包括：获取用户的日程安排信息；根据预先获取的日程安排信息与着装风格标签之间的对应关系，确定与所述用户的日程安排信息对应的目标着装风格标签；从目标着装图库中确定标记有所述目标着装风格标签的N个候选着装图像，其中，N为大于或等于2的正整数；从所述N个候选着装图像中，选择与预先获取的着装参考因素相匹配的目标着装图像；显示所述目标着装图像。本发明提供的着装推荐方法，能够非常智能地向用户推荐着装图像，从而让用户能够方便快速地解决着装问题。

Description

一种着装推荐方法及移动终端
技术领域
本发明涉及通信技术领域，尤其涉及一种着装推荐方法及移动终端。
背景技术
随着人们生活水平的提高，着装不仅仅是保温装备，选择一身得体的着装是用户每天需要面对的问题。对于用户来说选择得体的着装，需要考虑日程安排、天气状况、他人评价等一系列因素。现有的移动终端在日程表中设置备忘录，提醒用户日程安排，用户查看日程安排后，还需要查看天气温度及衣柜中着装类型等各种信息，然后再进行着装选择，用户可能由于时间比较忙及考虑不周到等原因，不能选择得体的着装。可见，现有技术在向用户推荐着装的过程中存在智能化程度比较低的问题。
发明内容
本发明实施例提供一种着装推荐方法及移动终端，以解决现有技术在向用户推荐着装的过程中存在智能化程度比较低的问题。
为解决上述技术问题，本发明是这样实现的：获取用户的日程安排信息；根据预先获取的日程安排信息与着装风格标签之间的对应关系，确定与所述用户的日程安排信息对应的目标着装风格标签；从目标着装图库中确定标记有所述目标着装风格标签的N个候选着装图像，其中，N为大于或等于2的正整数；从所述N个候选着装图像中，选择与预先获取的着装参考因素相匹配的目标着装图像；显示所述目标着装图像。
第一方面，本发明实施例提供了一种着装推荐方法，包括：获取用户的日程安排信息；
根据预先获取的日程安排信息与着装风格标签之间的对应关系，确定与所述用户的日程安排信息对应的目标着装风格标签；
从目标着装图库中确定标记有所述目标着装风格标签的N个候选着装图像，其中，N为大于或等于2的正整数；
从所述N个候选着装图像中，选择与预先获取的着装参考因素相匹配的目标着装图像；
显示所述目标着装图像。
第二方面，本发明实施例还提供一种移动终端，包括：
提取模块，用于获取用户的日程安排信息；
第一确定模块，用于根据预先获取的日程安排信息与着装风格标签之间的对应关系，确定与所述用户的日程安排信息对应的目标着装风格标签；
第二确定模块，用于从目标着装图库中确定标记有所述目标着装风格标签的N个候选着装图像，其中，N为大于或等于2的正整数；
选择模块，用于从所述N个候选着装图像中，选择与预先获取的着装参考因素相匹配的目标着装图像；
显示模块，用于显示所述目标着装图像。
第三方面，本发明实施例还提供一种移动终端，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述着装推荐方法的步骤。
第四方面，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述着装推荐方法的步骤。
在本发明实施例中，通过获取用户的日程安排信息；根据预先获取的日程安排信息与着装风格标签之间的对应关系，确定与所述用户的日程安排信息对应的目标着装风格标签；从目标着装图库中确定标记有所述目标着装风格标签的N个候选着装图像，其中，N为大于或等于2的正整数；从所述N个候选着装图像中，选择与预先获取的着装参考因素相匹配的目标着装图像；显示所述目标着装图像。这样，能够结合用户的日程安排信息及着装参考因素从目标着装图库中选择出满足用户需求的着装图像，能够非常智能地向用户推荐着装图像，从而让用户能够方便快速地解决着装问题。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例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发明的一些实施例，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是本发明实施例提供的着装推荐方法的流程图之一；
图2是本发明实施例提供的着装推荐方法的流程图之二；
图3是本发明实施例提供的神经网络算法的结构示意图；
图4是本发明实施例提供的移动终端的结构图之一；
图5是本发明实施例提供的移动终端的结构图之二；
图6是本发明实施例提供的移动终端的结构图之三；
图7是本发明实施例提供的移动终端的结构图之四；
图8是本发明实施例提供的移动终端的结构图之五。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见图1，图1是本发明实施例提供的着装推荐方法的流程图，所述着装推荐方法可以应用于移动终端，如图1所示，包括以下步骤：
步骤101、获取用户的日程安排信息。
在本发明实施例中，可以根据语义分析技术，获取用户次日或者预设时间内的日程安排信息。所述日程安排信息可以包括开会日程信息、游玩日程信息及出差日程信息等。具体来说，可以通过根据语义分析技术，从日程安排表中获取用户的日程安排信息。
步骤102、根据预先获取的日程安排信息与着装风格标签之间的对应关系，确定与所述用户的日程安排信息对应的目标着装风格标签。
在本发明实施例中，着装风格标签可以包括商务着装风格标签、休闲着装风格标签及运动着装风格标签等。根据日程安排信息的具体内容，设置日程安排信息与着装风格标签之间的对应关系，可以为一对一的对应关系，也可以为一对多的对应关系，举例来说，可以将游玩日程信息与休闲着装风格标签及运动着装风格标签之间设置对应关系，可以将开会日程信息与商务着装风格标签之间设置对应关系，若用户的日程安排信息为开会日程信息，则可以确定与开会日程信息对应的目标着装风格标签为商务着装风格标签。若用户的日程安排信息为游玩日程信息，则可以确定与游玩日程信息对应的目标着装风格标签为休闲着装风格标签及运行着装风格标签。
步骤103、从目标着装图库中确定标记有所述目标着装风格标签的N个候选着装图像。
在本发明实施中，N为大于或等于2的正整数。所述目标着装图库为存储用户衣服图像的图库，所述目标着装图库中的图像为包括用户人像的着装图像。
举例来说，若目标着装风格标签为商务着装风格标签，则从目标着装图库中确定标记有商务着装风格标签的N个候选着装图像。若目标着装风格标签为运动着装风格标签及休闲着装风格标签，则从目标着装图库中确定标记有运动着装风格标签或休闲着装风格标签的N个候选着装图像。
步骤104、从所述N个候选着装图像中，选择与预先获取的着装参考因素相匹配的目标着装图像。
在本发明实施例中，所述着装参考因素包括天气状况、用户着装风格、用户体型特征及大众着装风格中的至少一个。具体来说，可以从网络上获取天气状况，所述天气状况为用户的日程安排信息所处时间段内的天气信息，天气状况可以包括气温、风级及湿度等信息。用户着装风格可以为用户自定义设置，也可以通过用户的着装图像进行图像识别后所述确定的着装风格。所述用户体型特征可以根据用户输入的体型数据进行确定，也可以通过用户的全身图像进行确定。所述大众着装风格即为流行着装风格，可以从时尚网站及服装搭配网页上获取预设时间内的流行风格。
举例来说，若所述着装参考因素包括天气状况及用户着装风格，且天气状况中的气温为0至5度，则从所述N个候选着装图像中，选择适于在0至5度的气温下保暖的着装图像，排除对用户来说不适宜保暖的着装图像，从适于在0至5度的气温下保暖的着装图像中选取标有用户着装风格的目标着装图像。
步骤105、显示所述目标着装图像。
在本发明实施中，目标着装图像的个数可以为1个，也可以为2个或2个以上，在此不做限制。所述目标着装图像包括用户人像，用户在观看到目标图像时，可以查阅到用户穿上相应衣服的着装效果，便于用户从目标着装图像中选择着装效果比较好的着装。
本发明实施例中，上述移动终端可以任何包括双摄像头的移动终端，例如：手机、平板电脑(Tablet Personal Computer)、膝上型电脑(Laptop Computer)、个人数字助理(Personal Digital Assistant，简称PDA)、移动上网装置(Mobile Internet Device，MID)或可穿戴式设备(Wearable Device)等。
本发明实施例的着装推荐方法，通过获取用户的日程安排信息；根据预先获取的日程安排信息与着装风格标签之间的对应关系，确定与所述用户的日程安排信息对应的目标着装风格标签；从目标着装图库中确定标记有所述目标着装风格标签的N个候选着装图像，其中，N为大于或等于2的正整数；从所述N个候选着装图像中，选择与预先获取的着装参考因素相匹配的目标着装图像；显示所述目标着装图像。这样，能够结合用户的日程安排信息及着装参考因素从目标着装图库中选择出满足用户需求的着装图像，能够非常智能地向用户推荐着装图像，从而让用户能够方便快速地解决着装问题。
参见图2，图2是本发明实施例提供的着装推荐方法的流程图，所述着装推荐方法可以应用于移动终端。如图2所示，包括以下步骤：
步骤201、获取用户的日程安排信息。
此步骤的实现过程和有益效果可以参见步骤101中的描述，此处不再赘述。
本发明实施例中，该步骤201之前，还可以包括以下步骤：
若从新增图片中识别到用户人像，则识别所述新增图片中的用户着装图像；
若识别到的用户着装图像与所述目标着装图库中的着装图像不匹配，则将所述用户着装图像关联至所述目标着装图库中；
对所述用户着装图像标记着装风格标签，并确定所述用户着装图像的厚度等级。
这样，可以对用户的新增图片进行识别，并对新增图片中用户着装图像标记着装风格标签及厚度等级等信息，能够对目标着装图库进行更新，便于丰富目标着装图库中的图片资料，提高从目标着装图库中匹配到用户所选的着装图像的概率。
在本发明实施例中，可以通过比较图像之间的相似度来判断用户着装图像与目标着装图库中的着装图像是否匹配，若用户着装图像与目标着装图库中的着装图像的相似度大于相似度阈值，则用户着装图像与目标着装图库中的着装图像相匹配，若用户着装图像与目标着装图库中的着装图像的相似度小于相似度阈值，则用户着装图像与目标着装图库中的着装图像不匹配。
所述对所述用户着装图像标记着装风格标签，并确定所述用户着装图像的厚度等级的步骤可以包括以下步骤：
从所述目标图库中确定与所述用户着装图像相似度最大的第一着装图像；
将所述第一着装图像的着装风格标签及厚度等级设置为所述用户着装图像的着装风格标签及厚度等级；
或者，显示至少一着装风格标签及至少一厚度等级；
根据用户的触控操作，从所述至少一着装风格标签中确定一个着装风格标签作为所述用户着装图像的着装风格标签，从所述至少一厚度等级中确定一个厚度等级作为所述用户着装图像的厚度等级。
这样，用户可以灵活的对着装图像的着装风格标签及厚度等级进行设置，提高着装图像的服装特征参数的准确度。
步骤202、根据预先获取的日程安排信息与着装风格标签之间的对应关系，确定与所述用户的日程安排信息对应的目标着装风格标签。
此步骤的实现过程和有益效果可以参见步骤102中的描述，此处不再赘述。
步骤203、从目标着装图库中确定标记有所述目标着装风格标签的N个候选着装图像。
此步骤的实现过程和有益效果可以参见步骤103中的描述，此处不再赘述。
步骤204、通过神经网络算法对所述N个候选着装图像中每一候选着装图像的服装特征参数进行匹配计算，得到所述每一候选着装图像与所述参考因素之间的匹配系数。
在本发明实施例中，所述服装特征参数包括衣服厚度等级及着装风格标签。所述预设匹配算可以为神经网络算法，请参阅图3，图3所示为本发明实施例提供的神经网络算法的结构示意图。如图3所示的神经网络算法包括输入层、隐藏层及输出层，输入层的输入数据为x1、x2…xm，输入层与隐藏层之间的权重值为w1 11、w1 12…w1 1m，隐藏层的输入值为s1 j＝Σw1 ijxi，隐藏层的输出值为θ(s1 i)，隐藏层至输出层的权重值为w2 11、w2 12…w2 1k，输出层的输入值为s2 j＝Σw2 ijθ(s1 i)，输出层的输出值为
Figure BDA0001560122840000071
其中，输入层的节点数为m、隐藏层的节点数为n及输出层的节点数为k，m、n及k均为大于或等于2的正整数。
在本发明实施例中，可以通过小随机数初始化神经网络算法的输入层与隐藏层之间的权重值及隐藏层与输出层之间的权重值，并可以根据着装参考因素调整输入层至隐藏层之间的权重值及隐藏层至输出层之间的权重值。将每一候选着装图像的服装特征参数作为所述神经网络算法的输入层的输入数据，通过神经网络算法对每一候选着装图像的服装特征参数进行匹配计算，将神经网络算法的输出层的输出值
Figure BDA0001560122840000072
之和作为候选着装图像与所述着装参考因素之间的匹配系数，通过计算可以得到所述N个候选着装图像对应的N个匹配系数。
这样，可以快速地通过神经网络算法计算候选着装图像与着装参考因素之间的匹配系数，提高计算匹配系数的速度及效率。
步骤205、若所述N个候选着装图像对应的N个匹配系数中存在超过预设阈值的目标匹配系数，则将与所述目标匹配系数对应的着装图像作为所述目标着装图像。
在本发明实施例中，预设阈值可以由用户自定义设置，也可以为默认设置值，着装图像的匹配系数超过预设阈值，则说明该着装图像与着装参考因素的匹配度比较高，适合于向用户推荐该着装图像，着装图像的匹配系数未超过预设阈值，则说明该着装图像与着装参考因素的匹配度比较低，不适合向用户推荐该着装图像。目标着装图像的个数可以为1个、2个或2个以上。这样，选择的目标着装图像与着装参考因素到的匹配度比较高，可以提高用户的满意度。在本发明实施例中，若所述N个匹配系数中不存在超过预设阈值的匹配系数，则调用第三方应用，通过第三方应用从网络上获取与所述目标着装风格标签及着装参考因素相匹配的待购买着装图像，显示所述待购买着装图像。这样，可以在用户的着装图库中没有合适的着装时，向用户显示与用户的日程安排信息及着装参考因素匹配的待购买着装图像，提醒用户购买相应的着装。
本发明实施例中，该步骤205之后，所述方法还可以包括以下步骤：
从所述目标着装图像中确定用户选择的着装图像；
确定所述用户选择的着装图像的第一匹配系数；
确定所述第一匹配系数与第二匹配系数之间的误差系数，所述第二匹配系数为所述N个匹配系数中的最大匹配系数；
根据所述误差系数，调整所述神经网络算法的权重值，使得在调整所述神经网络算法的权重值后，通过所述神经网络算法对所述用户选择的着装图像的服装特征参数进行匹配计算所得到的第三匹配系数大于所述第二匹配系数。
在本发明实施例中，用户选择的着装图像为用户最终满意的着装，根据用户每次选择的着装图像，对神经网络算法中的权重值进行调整，使得目标着装图像中匹配系数最大的着装图像成为用户选择的着装图像的概率变大，提高用户的满意度。
本发明实施例的着装推荐方法，通过获取用户的日程安排信息；根据预先获取的日程安排信息与着装风格标签之间的对应关系，确定与所述用户的日程安排信息对应的目标着装风格标签；从目标着装图库中确定标记有所述目标着装风格标签的N个候选着装图像；通过神经网络算法对所述N个候选着装图像中每一候选着装图像的服装特征参数进行匹配计算，得到所述每一候选着装图像与所述参考因素之间的匹配系数；若所述N个候选着装图像对应的N个匹配系数中存在超过预设阈值的目标匹配系数，则将与所述目标匹配系数对应的着装图像作为所述目标着装图像；显示所述目标着装图像。这样，能够结合用户的日程安排信息及着装参考因素从目标着装图库中选择出满足用户需求的着装图像，能够非常智能地向用户推荐着装图像，从而让用户能够方便快速地解决着装问题。
参见图4，图4是本发明实施例提供的移动终端的结构图，如图4所示，移动终端400包括:提取模块401、第一确定模块402、第二确定模块403、选择模块404及显示模块405，其中：
提取模块401，用于获取用户的日程安排信息；
第一确定模块402，用于根据预先获取的日程安排信息与着装风格标签之间的对应关系，确定与所述用户的日程安排信息对应的目标着装风格标签；
第二确定模块403，用于从目标着装图库中确定标记有所述目标着装风格标签的N个候选着装图像，其中，N为大于或等于2的正整数；
选择模块404，用于从所述N个候选着装图像中，选择与预先获取的着装参考因素相匹配的目标着装图像；
显示模块405，用于显示所述目标着装图像。
可选的，所述着装参考因素包括天气状况、用户着装风格、用户体型特征及大众着装风格中的至少一个。
可选的，如图5所示，所述选择模块404包括：
计算子模块，用于通过神经网络算法对所述N个候选着装图像中每一候选着装图像的服装特征参数进行匹配计算，得到所述每一候选着装图像与所述参考因素之间的匹配系数，所述服装特征参数包括衣服厚度等级及着装风格标签；
处理子模块，用于若所述N个候选着装图像对应的N个匹配系数中存在超过预设阈值的目标匹配系数，则将与所述目标匹配系数对应的着装图像作为所述目标着装图像。
可选的，如图6所示，所述移动终端400还包括：
第三确定模块406，用于从所述目标着装图像中确定用户选择的着装图像；
第四确定模块407，用于确定所述用户选择的着装图像的第一匹配系数；
第五确定模块408，用于确定所述第一匹配系数与第二匹配系数之间的误差系数，所述第二匹配系数为所述N个匹配系数中的最大匹配系数；
调整模块409，用于根据所述误差系数，调整所述神经网络算法的权重值，使得在调整所述神经网络算法的权重值后，通过所述神经网络算法对所述用户选择的着装图像的服装特征参数进行匹配计算所得到的第三匹配系数大于所述第二匹配系数。
可选的，如图7所示，所述移动终端400还包括：
识别模块4010，用于若从新增图片中识别到用户人像，则识别所述新增图片中的用户着装图像；
关联模块4011，用于若识别到的用户着装图像与所述目标着装图库中的着装图像不匹配，则将所述用户着装图像关联至所述目标着装图库中；
处理模块4012，用于对所述用户着装图像标记着装风格标签，并确定所述用户着装图像的厚度等级。移动终端400能够实现图1至图2的方法实施例中移动终端实现的各个过程，为避免重复，这里不再赘述。
本发明实施例提供的移动终端400，能够结合用户的日程安排信息及着装参考因素从目标着装图库中选择出满足用户需求的着装图像，能够非常智能地向用户推荐着装图像，从而让用户能够方便快速地解决着装问题。
图8为实现本发明各个实施例的一种移动终端的硬件结构示意图，该移动终端800包括但不限于：射频单元801、网络模块802、音频输出单元803、输入单元804、传感器805、显示单元806、用户输入单元807、接口单元808、存储器809、处理器810、以及电源811等部件。本领域技术人员可以理解，图8中示出的移动终端结构并不构成对移动终端的限定，移动终端可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。在本发明实施例中，移动终端包括但不限于手机、平板电脑、笔记本电脑、掌上电脑、车载终端、可穿戴设备、以及计步器等。
其中，处理器810用于，获取用户的日程安排信息；根据预先获取的日程安排信息与着装风格标签之间的对应关系，确定与所述用户的日程安排信息对应的目标着装风格标签；
从目标着装图库中确定标记有所述目标着装风格标签的N个候选着装图像，其中，N为大于或等于2的正整数；从所述N个候选着装图像中，选择与预先获取的着装参考因素相匹配的目标着装图像；显示所述目标着装图像。
可选的，所述着装参考因素包括天气状况、用户着装风格、用户体型特征及大众着装风格中的至少一个。
可选的，所述处理器810执行所述从所述N个候选着装图像中，选择与预先获取的着装参考因素相匹配的目标着装图像的步骤，包括：通过神经网络算法对所述N个候选着装图像中每一候选着装图像的服装特征参数进行匹配计算，得到所述每一候选着装图像与所述参考因素之间的匹配系数，所述服装特征参数包括衣服厚度等级及着装风格标签；若所述N个候选着装图像对应的N个匹配系数中存在超过预设阈值的目标匹配系数，则将与所述目标匹配系数对应的着装图像作为所述目标着装图像。
可选的，所述处理器810还用于，从所述目标着装图像中确定用户选择的着装图像；确定所述用户选择的着装图像的第一匹配系数；确定所述第一匹配系数与第二匹配系数之间的误差系数，所述第二匹配系数为所述N个匹配系数中的最大匹配系数；根据所述误差系数，调整所述神经网络算法的权重值，使得在调整所述神经网络算法的权重值后，通过所述神经网络算法对所述用户选择的着装图像的服装特征参数进行匹配计算所得到的第三匹配系数大于所述第二匹配系数。
可选的，所述处理器810还用于，若从新增图片中识别到用户人像，则识别所述新增图片中的用户着装图像；若识别到的用户着装图像与所述目标着装图库中的着装图像不匹配，则将所述用户着装图像关联至所述目标着装图库中；对所述用户着装图像标记着装风格标签，并确定所述用户着装图像的厚度等级。
移动终端800能够实现前述实施例中移动终端实现的各个过程，为避免重复，这里不再赘述。
本发明实施例的移动终端800，能够结合用户的日程安排信息及着装参考因素从目标着装图库中选择出满足用户需求的着装图像，能够非常智能地向用户推荐着装图像，从而让用户能够方便快速地解决着装问题。
应理解的是，本发明实施例中，射频单元801可用于收发信息或通话过程中，信号的接收和发送，具体的，将来自基站的下行数据接收后，给处理器810处理；另外，将上行的数据发送给基站。通常，射频单元801包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器、双工器等。此外，射频单元801还可以通过无线通信系统与网络和其他设备通信。
移动终端通过网络模块802为用户提供了无线的宽带互联网访问，如帮助用户收发电子邮件、浏览网页和访问流式媒体等。
音频输出单元803可以将射频单元801或网络模块802接收的或者在存储器809中存储的音频数据转换成音频信号并且输出为声音。而且，音频输出单元803还可以提供与移动终端800执行的特定功能相关的音频输出(例如，呼叫信号接收声音、消息接收声音等等)。音频输出单元803包括扬声器、蜂鸣器以及受话器等。
输入单元804用于接收音频或视频信号。输入单元804可以包括图形处理器(Graphics Processing Unit，GPU)8041和麦克风8042，图形处理器8041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。处理后的图像帧可以显示在显示单元806上。经图形处理器8041处理后的图像帧可以存储在存储器809(或其它存储介质)中或者经由射频单元801或网络模块802进行发送。麦克风8042可以接收声音，并且能够将这样的声音处理为音频数据。处理后的音频数据可以在电话通话模式的情况下转换为可经由射频单元801发送到移动通信基站的格式输出。
移动终端800还包括至少一种传感器805，比如光传感器、运动传感器以及其他传感器。具体地，光传感器包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板8061的亮度，接近传感器可在移动终端800移动到耳边时，关闭显示面板8061和/或背光。作为运动传感器的一种，加速计传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别移动终端姿态(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；传感器805还可以包括指纹传感器、压力传感器、虹膜传感器、分子传感器、陀螺仪、气压计、湿度计、温度计、红外线传感器等，在此不再赘述。
显示单元806用于显示由用户输入的信息或提供给用户的信息。显示单元806可包括显示面板8061，可以采用液晶显示器(Liquid Crystal Display，LCD)、有机发光二极管(Organic Light-Emitting Diode,OLED)等形式来配置显示面板8061。
用户输入单元807可用于接收输入的数字或字符信息，以及产生与移动终端的用户设置以及功能控制有关的键信号输入。具体地，用户输入单元807包括触控面板8071以及其他输入设备8072。触控面板8071，也称为触摸屏，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板8071上或在触控面板8071附近的操作)。触控面板8071可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器810，接收处理器810发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板8071。除了触控面板8071，用户输入单元807还可以包括其他输入设备8072。具体地，其他输入设备8072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆，在此不再赘述。
进一步的，触控面板8071可覆盖在显示面板8061上，当触控面板8071检测到在其上或附近的触摸操作后，传送给处理器810以确定触摸事件的类型，随后处理器810根据触摸事件的类型在显示面板8061上提供相应的视觉输出。虽然在图8中，触控面板8071与显示面板8061是作为两个独立的部件来实现移动终端的输入和输出功能，但是在某些实施例中，可以将触控面板8071与显示面板8061集成而实现移动终端的输入和输出功能，具体此处不做限定。
接口单元808为外部装置与移动终端800连接的接口。例如，外部装置可以包括有线或无线头戴式耳机端口、外部电源(或电池充电器)端口、有线或无线数据端口、存储卡端口、用于连接具有识别模块的装置的端口、音频输入/输出(I/O)端口、视频I/O端口、耳机端口等等。接口单元808可以用于接收来自外部装置的输入(例如，数据信息、电力等等)并且将接收到的输入传输到移动终端800内的一个或多个元件或者可以用于在移动终端800和外部装置之间传输数据。
存储器809可用于存储软件程序以及各种数据。存储器809可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器809可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
处理器810是移动终端的控制中心，利用各种接口和线路连接整个移动终端的各个部分，通过运行或执行存储在存储器809内的软件程序和/或模块，以及调用存储在存储器809内的数据，执行移动终端的各种功能和处理数据，从而对移动终端进行整体监控。处理器810可包括一个或多个处理单元；优选的，处理器810可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器810中。
移动终端800还可以包括给各个部件供电的电源811(比如电池)，优选的，电源811可以通过电源管理系统与处理器810逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
另外，移动终端800包括一些未示出的功能模块，在此不再赘述。
优选的，本发明实施例还提供一种移动终端，包括处理器810，存储器809，存储在存储器809上并可在所述处理器810上运行的计算机程序，该计算机程序被处理器810执行时实现上述着装推荐方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述着装推荐方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储介质，如只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明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，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本发明的保护之内。

Claims (6)

1.一种着装推荐方法，其特征在于，包括：
获取用户的日程安排信息；
根据预先获取的日程安排信息与着装风格标签之间的对应关系，确定与所述用户的日程安排信息对应的目标着装风格标签；
从目标着装图库中确定标记有所述目标着装风格标签的N个候选着装图像，其中，N为大于或等于2的正整数；所述目标着装图库中的图像为包括用户人像的着装图像；
从所述N个候选着装图像中，选择与预先获取的着装参考因素相匹配的目标着装图像；
显示所述目标着装图像；所述目标着装图像包括用户人像；
所述从所述N个候选着装图像中，选择与预先获取的着装参考因素相匹配的目标着装图像的步骤，包括：
通过神经网络算法对所述N个候选着装图像中每一候选着装图像的服装特征参数进行匹配计算，得到所述每一候选着装图像与所述着装参考因素之间的匹配系数，所述服装特征参数包括衣服厚度等级及着装风格标签；
若所述N个候选着装图像对应的N个匹配系数中存在超过预设阈值的目标匹配系数，则将与所述目标匹配系数对应的着装图像作为所述目标着装图像；
所述将与所述目标匹配系数对应的着装图像作为所述目标着装图像的步骤之后，所述方法还包括：
从所述目标着装图像中确定用户选择的着装图像；
确定所述用户选择的着装图像的第一匹配系数；
确定所述第一匹配系数与第二匹配系数之间的误差系数，所述第二匹配系数为所述N个匹配系数中的最大匹配系数；
根据所述误差系数，调整所述神经网络算法的权重值，使得在调整所述神经网络算法的权重值后，通过所述神经网络算法对所述用户选择的着装图像的服装特征参数进行匹配计算所得到的第三匹配系数大于所述第二匹配系数。
2.根据权利要求1所述的方法，其特征在于，所述着装参考因素包括天气状况、用户着装风格、用户体型特征及大众着装风格中的至少一个。
3.根据权利要求1所述的方法，其特征在于，所述获取用户的日程安排信息的步骤之前，所述方法还包括：
若从新增图片中识别到用户人像，则识别所述新增图片中的用户着装图像；
若识别到的用户着装图像与所述目标着装图库中的着装图像不匹配，则将所述用户着装图像关联至所述目标着装图库中；
对所述用户着装图像标记着装风格标签，并确定所述用户着装图像的厚度等级。
4.一种移动终端，其特征在于，包括：
提取模块，用于获取用户的日程安排信息；
第一确定模块，用于根据预先获取的日程安排信息与着装风格标签之间的对应关系，确定与所述用户的日程安排信息对应的目标着装风格标签；
第二确定模块，用于从目标着装图库中确定标记有所述目标着装风格标签的N个候选着装图像，其中，N为大于或等于2的正整数；所述目标着装图库中的图像为包括用户人像的着装图像；
选择模块，用于从所述N个候选着装图像中，选择与预先获取的着装参考因素相匹配的目标着装图像；
显示模块，用于显示所述目标着装图像；所述目标着装图像包括用户人像；
所述选择模块包括：
计算子模块，通过神经网络算法对所述N个候选着装图像中每一候选着装图像的服装特征参数进行匹配计算，得到所述每一候选着装图像与所述着装参考因素之间的匹配系数，所述服装特征参数包括衣服厚度等级及着装风格标签；
处理子模块，用于若所述N个候选着装图像对应的N个匹配系数中存在超过预设阈值的目标匹配系数，则将与所述目标匹配系数对应的着装图像作为所述目标着装图像；
还包括：
第三确定模块，用于从所述目标着装图像中确定用户选择的着装图像；
第四确定模块，用于确定所述用户选择的着装图像的第一匹配系数；
第五确定模块，用于确定所述第一匹配系数与第二匹配系数之间的误差系数，所述第二匹配系数为所述N个匹配系数中的最大匹配系数；
调整模块，用于根据所述误差系数，调整所述神经网络算法的权重值，使得在调整所述神经网络算法的权重值后，通过所述神经网络算法对所述用户选择的着装图像的服装特征参数进行匹配计算所得到的第三匹配系数大于所述第二匹配系数。
5.根据权利要求4所述的移动终端，其特征在于，所述着装参考因素包括天气状况、用户着装风格、用户体型特征及大众着装风格中的至少一个。
6.根据权利要求4所述的移动终端，其特征在于，还包括：
识别模块，用于若从新增图片中识别到用户人像，则识别所述新增图片中的用户着装图像；
关联模块，用于若识别到的用户着装图像与所述目标着装图库中的着装图像不匹配，则将所述用户着装图像关联至所述目标着装图库中；
处理模块，用于对所述用户着装图像标记着装风格标签，并确定所述用户着装图像的厚度等级。
CN201810077935.8A 2018-01-26 2018-01-26 一种着装推荐方法及移动终端 Active CN108197898B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810077935.8A CN108197898B (zh) 2018-01-26 2018-01-26 一种着装推荐方法及移动终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810077935.8A CN108197898B (zh) 2018-01-26 2018-01-26 一种着装推荐方法及移动终端

Publications (2)

Publication Number Publication Date
CN108197898A CN108197898A (zh) 2018-06-22
CN108197898B true CN108197898B (zh) 2021-06-25

Family

ID=62590907

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810077935.8A Active CN108197898B (zh) 2018-01-26 2018-01-26 一种着装推荐方法及移动终端

Country Status (1)

Country Link
CN (1) CN108197898B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111282268B (zh) * 2020-02-28 2020-09-18 苏州叠纸网络科技股份有限公司 一种虚拟环境中的剧情展示方法、装置、终端及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104809163A (zh) * 2015-04-01 2015-07-29 惠州Tcl移动通信有限公司 一种基于移动终端推荐用户服饰搭配的方法及移动终端
CN104992343A (zh) * 2015-05-18 2015-10-21 小米科技有限责任公司 服装搭配推荐方法及装置
CN105093946A (zh) * 2015-06-30 2015-11-25 小米科技有限责任公司 衣柜控制方法及装置
CN106156297A (zh) * 2016-06-29 2016-11-23 北京小米移动软件有限公司 服饰推荐方法及装置
CN106488037A (zh) * 2016-11-29 2017-03-08 北京小米移动软件有限公司 日程提醒方法及装置
CN106504064A (zh) * 2016-10-25 2017-03-15 清华大学 基于深度卷积神经网络的服装分类与搭配推荐方法及系统
CN107066628A (zh) * 2017-05-15 2017-08-18 京东方科技集团股份有限公司 穿衣推荐方法及装置
CN107180375A (zh) * 2017-05-04 2017-09-19 东华大学 一种基于多层神经网络的服装号型推荐系统
CN107358505A (zh) * 2017-07-12 2017-11-17 苏州大学 一种用于服装网购的尺码推荐方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160321547A1 (en) * 2015-04-30 2016-11-03 Globalfoundries Inc. Intelligent wardrobe program

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104809163A (zh) * 2015-04-01 2015-07-29 惠州Tcl移动通信有限公司 一种基于移动终端推荐用户服饰搭配的方法及移动终端
CN104992343A (zh) * 2015-05-18 2015-10-21 小米科技有限责任公司 服装搭配推荐方法及装置
CN105093946A (zh) * 2015-06-30 2015-11-25 小米科技有限责任公司 衣柜控制方法及装置
CN106156297A (zh) * 2016-06-29 2016-11-23 北京小米移动软件有限公司 服饰推荐方法及装置
CN106504064A (zh) * 2016-10-25 2017-03-15 清华大学 基于深度卷积神经网络的服装分类与搭配推荐方法及系统
CN106488037A (zh) * 2016-11-29 2017-03-08 北京小米移动软件有限公司 日程提醒方法及装置
CN107180375A (zh) * 2017-05-04 2017-09-19 东华大学 一种基于多层神经网络的服装号型推荐系统
CN107066628A (zh) * 2017-05-15 2017-08-18 京东方科技集团股份有限公司 穿衣推荐方法及装置
CN107358505A (zh) * 2017-07-12 2017-11-17 苏州大学 一种用于服装网购的尺码推荐方法及系统

Also Published As

Publication number Publication date
CN108197898A (zh) 2018-06-22

Similar Documents

Publication Publication Date Title
CN108520058B (zh) 一种商家信息推荐方法及移动终端
CN109032734B (zh) 一种后台应用程序显示方法和移动终端
CN108184050B (zh) 一种拍照方法、移动终端
CN107846352B (zh) 一种信息显示方法、移动终端
CN108427873B (zh) 一种生物特征识别方法及移动终端
CN109005336B (zh) 一种图像拍摄方法及终端设备
CN108334196B (zh) 一种文件处理方法及移动终端
CN108616448B (zh) 一种信息分享的路径推荐方法及移动终端
CN108460817B (zh) 一种拼图方法及移动终端
CN107734170B (zh) 一种通知消息处理方法、移动终端及穿戴设备
CN110162653B (zh) 一种图文排序推荐方法及终端设备
CN109388456B (zh) 一种头像选择方法及移动终端
CN107845057A (zh) 一种拍照预览方法及移动终端
CN111064654A (zh) 一种消息显示方法及电子设备
CN110825897A (zh) 图像筛选方法、装置及移动终端
CN107728877B (zh) 一种应用推荐方法及移动终端
CN109729210B (zh) 一种信息显示方法及终端设备
CN111143614A (zh) 视频显示方法及电子设备
CN111080747A (zh) 一种人脸图像处理方法及电子设备
CN109067979B (zh) 一种提示方法及移动终端
CN107809515B (zh) 一种显示控制方法及移动终端
CN107895108B (zh) 一种操作管理方法和移动终端
CN107967086B (zh) 一种移动终端的图标排列方法及装置、移动终端
CN108197898B (zh) 一种着装推荐方法及移动终端
CN109670105B (zh) 搜索方法及移动终端

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant