CN109948702A - 一种基于卷积神经网络的服装分类和推荐模型 - Google Patents

Abstract

本发明为一种基于卷积神经网络的服装分类和相似推荐模型，属于深度学习和数据挖掘领域。随着服装电子商务的兴起，越来越多的人通过网络购买服装，但是现有的购物网站中往往存在分类准确度低和搜索不准确问题，并且在对用户进行服装相似推荐时，不能很好的满足用户的的需求，因而研究一种可以精确的对服装进行分类并为用户推荐相似服装的要求，便成为当前购物网站研究的重点和难点。本发明提出的基于卷积神经网络的服装分类及推荐模型，它通过改进相应的算法实现服装的精确分类识别，并通过计算图片的相似性，将最相似这5个图片推荐给用户。利用该模型能够精确的对服装进行分类和相似推荐。

Description

一种基于卷积神经网络的服装分类和推荐模型

技术领域

本发明为一种基于卷积神经网络的服装分类和推荐模型，属于深度学习和数据挖掘领域。

背景技术

随着电子商务平台的快速发展，开始兴起了服装电子商务，即人们津津乐道的网上购买服装，网上购买服装逐渐成了一种潮流，在这些电子商务平台网站上会有很多服装图片，并且每幅图片都配有文字说明。但是由于服装文字描述的片面性和主观性，因此服装的文字描述并不能很好的表达出服装的图片信息。因此如何准确的提取图片特征进而进行精确分类，对相似服装的推荐，服装的搜素等应用有很重要的研究价值。另一方面，随着移动设备的迅速发展，人们通过手机拍下行人身上或实体店中的衣服，通过上传网络搜索同款或相似款式的衣服，通常会出现推荐准确度低和搜索不准确的问题。

目前的服装分类算法基本上存在两个局限性：一是传统的服装检测算法无法取得满意的结果；其次，传统算法不能提供令人满意的分类效果，特别是对于类似属性的分类。目前我国在服装识别方面做的研究较少，近几年深度学习发展态势迅猛，这为服装分类识别与相似服装推荐模型的设计和构建提供了新的思路。虽然现在存在一些服装分类与推荐模型，但是在服装分类方面也没有很好的表现，在分类精确度上不够高，对于服装目标提取不够准确，分析其原因主要有两点：一是数据预处理没有做好，不能准确提取目标图片；二是针对数据对卷积神经网络加大训练，没有形成自己的神经网络模型，导致分类准确度没有明显提高。于是针对这两个问题，提出基于卷积神经网络模型的服装分类和相似推荐模型。该模型可以对服装进行精确提取，并进一步对服装进行分类，最后通过图片相似性计算，计算出相似的商品，推荐给用户。

发明内容

本发明基于卷积神经网络的服装分类和推荐模型，该模型具体流程如下：

①搜集各大网站的服装图片数据，构建服装数据集。由于服装图片背景的复杂性，需要对图片数据集上图片特征进行特征分析。

②在对服装图片信息进行特征分析后，需要提取服装特征即在复杂背景当中准确的将服装提取出来。在提取服装特征前需要使用图像分割算法对图像进行分割，方便提取目标服装。

③对分割后的服装图像进行特征提取，我们再对比多种特征检测算法后，提出一种肤色检测算法，排除掉对服装提取中干扰最大的肤色特征，通过使用背景特定像素替代肤色区域，这样提取的服装会更加精确，为进一步分类奠定基础。

④通过针对现有服装分类算法的两个局限点，我们提出一种利用语义分析对经过多人认可的服装描述语句进行分析统计，提出了具体的分类类别，结合各网络结构的优势，提出一种全新的网络结构，用于对服装的精确分类，并通过实验验证网络结构的优越性。

⑤根据图片相似性计算，计算出相似的商品，并从相似度最高的推荐商品中选取前5个推荐给通过用户，便于用户进行选择。

具体实施方式

为使本发明的目的、内容和优点更加清楚，下面结合附图对本发明具体实施步骤作进一步详细的说明。

本发明构建了基于卷积神经网络的服装分类和推荐模型，通过构建卷积神经网络，基于网络模型进行服装的分类和相似服装的推荐，解决了服装分类中存在的分类不精确、搜索不准确，推荐商品不符合用户需求的问题。具体而言，本发明包含以下步骤：

Step₁:建立服装图片数据集

通过收集各大网站的服装图片数据，建立服装数据库，并对收集到的图片进行特征分析，具体特征分析公式如下：

其中，Edgelet(p)表示Edgelet在图像I中p处的特征值，M^l(u_i+p)表示图像边缘方向，n^l(u_i+p)表示图形强度。

Step₂:对服装图像进行分割

通过对服装图像进行分割，我们采用GrabCut算法对图像进行分割，基本想法是将图像映射到RGB 颜色空间中形成S-T图。S代表前景像素，而T则代表背景像素，将目标与背景分割开来。当Gibbs能量达到近似最小值时标志图像分割完成，此时分割出来的图片即为目标服装。图像分割公式如下：

其中V表示分割边界信息权值的边界项。γ为常数，β由图像的对比度决定。

Step₃:服装特征提取

将分割后的服装信息进行特征提取，通过提取关键的服装信息，进而为下一步的服装分类识别奠定基础，进行图像特征提取的公式如下：

其中，(x,y)表示像素点的标准差，G(x,y)表示像素点(x,y)的梯度幅值，G_x(x,y)表示横坐标x的梯度，G_y(x,y)表示纵坐标y的梯度值。通过计算图像像素各点的横纵坐标的梯度值对图像特征进行提取然后对图像进行分析。

Step₄:对提取的服装特征进行分类

通过对多种网络模型进行分析结合残差网络对VGG模型进行改进结合残差学习，多层感知机网络思想以及Inception单元思想，对网络模型进行改进，并将改进后的模型通过对比试验验证模型分类的精确度，从而根据试验结果得出结论，具体的网络模型卷积层结构如下：

其中，f代表输入，g代表卷积核，m和n分别为卷积核的尺寸，通过对网络模型进行改进，避免了模型过拟合，在模型训练时，对最后几个全连接层使用损失函数技术，随机去除一部分神经元，通过对改进后的模型进行实验对比，进行验证模型在服装分类上表现的强大的优势，同时通过对服装的精确提取，为进一步的服装推荐奠定基础。

Step₅:相似服装推荐

通过聚类算法的思想，将测试图片输入到分类模型中，在确定图片类别后，提取测试图片全连接层最后一层的特征值，再对所有图片的特征值进行提取，利用聚类算法计算测试图片特征值得相似度，选择相似度最高的5张图片作为推荐，推荐给用户。一般采用全局误差函数来表示聚类算法的准则函数，按如下公式计算：

其中，E表示误差，q表示数据对象，m_i表示类簇C_i的中心，k表示聚类个数。通过聚类分析给用户推荐最相似的5种服装商品。

附图说明

图1本发明的服装特征提取流程图

图2本发明的相似服装推荐流程图。

Claims (4)

1.基于卷积神经网络的服装分类和推荐模型，针对当前购物网站通过卖家上传服装图片并配备相应介绍文字推销产品，由此带来的网站对服装分类和搜索不准确的问题，基于卷积神经网络模型设计出高精度的服装分类模型，并给用户进行相似服装的推荐。

2.根据权利要求1所述的方法，需要构建服装图片数据集，精确提取服装信息并构建服装分类网络模型。

3.根据权利要求1所述的方法以及2构建的卷积神经网络模型，对服装图片数据集进行精确分类。

4.根据权利要求3所建立网络识别模型，在最后一层全连接层的特征值，进行图片相似性计算，计算出最相似的5个商品，然后将这5个商品推荐给用户。