CN111401306A - 用于衣物穿搭推荐的方法及装置、设备 - Google Patents

Abstract

本申请涉及智能设备技术领域，公开一种用于衣物穿搭推荐的方法及装置、设备。该方法包括：获取包含一件或多件待穿搭衣物的待穿搭图片；将所述待穿搭图片输入配置的多标签单模型中，得到待穿搭衣物属性特征向量；根据获取的每张待推荐图片的推荐衣物属性特征向量，以及，所述待穿搭衣物属性特征向量，确定至少一张待推荐图片为第一待推荐图片，并进行推荐。这样，实现衣物穿搭的自动推荐，提高了与衣物相关设备的智能性。

Description

用于衣物穿搭推荐的方法及装置、设备

技术领域

本申请涉及智能设备技术领域，例如涉及用于衣物穿搭推荐的方法及装置、设备。

背景技术

随着科学技术的进步和人工智能的发展，智慧家居已与用户紧密相关，为了让用户在“穿”方面有更智能的体验，不少厂家推出了许多智能衣橱，在这些衣橱中，可利用传感器、遥控和各种智能设备，实现了自动除菌、除湿、照明等人性化功能。但却鲜有针对衣物搭配做个性推荐的此类功能，衣橱与用户之间的交互也比较低，因此，衣橱等与衣物相关的设备的智能性还有待提高。

发明内容

为了对披露的实施例的一些方面有基本的理解，下面给出了简单的概括。所述概括不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围，而是作为后面的详细说明的序言。

本公开实施例提供了一种用于衣物穿搭推荐的方法、装置和设备，以解决衣物相关设备智能性不高的技术问题。

在一些实施例中，所述方法包括：

获取包含一件或多件待穿搭衣物的待穿搭图片；

将所述待穿搭图片输入配置的多标签单模型中，得到待穿搭衣物属性特征向量；

根据获取的每张待推荐图片的推荐衣物属性特征向量，以及，所述待穿搭衣物属性特征向量，确定至少一张待推荐图片为第一待推荐图片，并进行推荐。

在一些实施例中，所述装置包括：

获取模块，被配置为获取包含一件或多件待穿搭衣物的待穿搭图片；

训练模块，被配置为将所述待穿搭图片输入配置的多标签单模型中，得到待穿搭衣物属性特征向量；

推荐模块，被配置为根据获取的每张待推荐图片的推荐衣物属性特征向量，以及，所述待穿搭衣物属性特征向量，确定至少一张待推荐图片为第一待推荐图片，并进行推荐。

在一些实施例中，所述设备包括：上述用于衣物穿搭推荐的装置。

本公开实施例提供的用于衣物穿搭推荐的方法、装置和设备，可以实现以下技术效果：

可通过多标签单模型，对包括待穿搭衣物的待穿搭图片的进行图像识别以及根据图像特征向量的进行图像匹配，即可实现衣物穿搭的自动推荐，提高了与衣物相关设备的智能性，并且，通过多标签单模型深度学习的图像识别，可以提高衣物识别的准确性，从而提高衣物穿搭推荐的可信度。

以上的总体描述和下文中的描述仅是示例性和解释性的，不用于限制本申请。

附图说明

一个或多个实施例通过与之对应的附图进行示例性说明，这些示例性说明和附图并不构成对实施例的限定，附图中具有相同参考数字标号的元件示为类似的元件，附图不构成比例限制，并且其中：

图1是本公开实施例提供的一种用于衣物穿搭推荐方法的流程示意图；

图2是本公开实施例提供的一种用于衣物穿搭推荐衣橱的结构示意图；

图3是本公开实施例提供的一种用于衣物穿搭推荐系统的结构示意图；

图4是本公开实施例提供的一种用于衣物穿搭推荐方法的流程示意图；

图5是本公开实施例提供的一种用于衣物穿搭推荐方法的流程示意图；

图6是本公开实施例提供的一种用于衣物穿搭推荐装置的结构示意图；

图7是本公开实施例提供的一种用于衣物穿搭推荐装置的结构示意图。

具体实施方式

为了能够更加详尽地了解本公开实施例的特点与技术内容，下面结合附图对本公开实施例的实现进行详细阐述，所附附图仅供参考说明之用，并非用来限定本公开实施例。在以下的技术描述中，为方便解释起见，通过多个细节以提供对所披露实施例的充分理解。然而，在没有这些细节的情况下，一个或多个实施例仍然可以实施。在其它情况下，为简化附图，熟知的结构和装置可以简化展示。

本公开实施例的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开实施例的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含。

除非另有说明，术语“多个”表示两个或两个以上。

本公开实施例中，字符“/”表示前后对象是一种“或”的关系。例如，A/B表示：A或B。

术语“和/或”是一种描述对象的关联关系，表示可以存在三种关系。例如，A和/或B，表示：A或B，或，A和B这三种关系。

智慧家居中，家居设备可与云端服务器进行通讯，这样，很多家居设备本地可进行衣物的识别，或者通过服务器进行识别并获得衣物识别结果，本公开实施例中，衣橱、电视等家居设备可在衣物识别的基础上进行衣物推荐，同样，衣物的搭配推荐可在本地完成或可通过服务器完成。通过多标签单模型，对包括待穿搭衣物的待穿搭图片的进行图像识别以及根据图像特征向量的进行图像匹配，即可实现衣物穿搭的自动推荐，提高了与衣物相关设备的智能性，并且，通过多标签单模型深度学习的图像识别，可以提高衣物识别的准确性，从而提高衣物穿搭推荐的可信度。

图1是本公开实施例提供的一种用于衣物穿搭推荐方法的流程示意图。如图1所示，用于衣物穿搭推荐的过程包括：

步骤101：获取包含一件或多件待穿搭衣物的待穿搭图片。

目前，随着智能化技术的发展，很多家居设备，例如：电视、冰箱、投影仪等等设备都是智能化设备，这些设备都具有图像识别的能力，并且，以前的很多家具逐渐电子化和智能化，例如：衣橱、书柜等等都具有自动除菌、除湿、照明等等功能。本公开实施例中，衣橱、电视等这些可与“衣物”相关的设备可以实现衣物搭配的自动推荐。

可通过设备上配置的图像采集设备，采集包含一件或多件待穿搭衣物的待穿搭图片。其中，待穿搭图片可以用户身上穿上一件、两件或多件待穿搭衣物后拍摄得到，或者，可以是通过通讯，获得包括指定一件、两件或多件待穿搭衣物的图片。

图2是本公开实施例提供的一种用于衣物穿搭推荐衣橱的结构示意图。如图2所示，在衣橱210的正上方配置有摄像头220，这样，通过摄像头220即可获取到用户的图像。并且，具有衣物穿搭推荐功能的衣橱210可与用户进行信息交互，将用户穿着的一件、两件或多件衣物确定为待穿搭衣物，从而，获取了包含一件或多件待穿搭衣物的待穿搭图片。

或者，衣橱、电视等设备可通过服务器实现衣物穿搭推荐功能，从而，可将采集到待穿搭图片发送给服务器，从而，执行主体服务器可接收到包含一件或多件待穿搭衣物的待穿搭图片。在一些实施例中，接收衣橱发送的用户视频信息，其中，用户视频信息是衣橱确定用户处于设定位置时通过图像采集设备采集的；根据用户视频信息，得到包含一件或多件待穿搭衣物的待穿搭图片。

衣橱、电视等设备还可以控制图像采集设备的运行。例如：衣橱如图2，用户穿着待穿搭衣物后站到穿衣镜的设定位置后，衣橱即可启动摄像头采集用户视频信息，并发送给服务器，从而，服务器即可接收到用户视频信息，从而，对接收到用户视频信息每帧图片进行识别，得到包含一件或多件待穿搭衣物的待穿搭图片。

当然，可根据用户指令信息，将用户穿着的一件、两件或多件衣物确定为待穿搭衣物。例如：根据衣橱上人机交互界面上输入的用户指令信息，将用户穿着的上衣确定为待穿搭衣物，或者，将用户穿着的上衣和鞋子确定为待穿搭衣物。

在一些实施例中，衣橱、电视等设备，在确定用户离开设定位置时，即可关闭图像采集设备，这样，节省了资源。

步骤102：将待穿搭图片输入配置的多标签单模型中，得到待穿搭衣物属性特征向量。

随着人工智能的发展，目前很多图像识别过程都是基于卷积神经网络(Convolutional Neural Networks，CNN)，本实施例中也采用CNN网络来进行图像识别，得到待穿搭衣物属性特征向量。

可见，在一些实施例中，在进行图像识别之前，还需将每个标定了衣物属性特征向量的衣物样本图片，输入多标签分类卷积神经网络中进行深度学习，生成并保存多标签单模型以及对应的模型参数。

使用多标签分类卷积神经网络，即多标签单模型识别图片，需分别得到与“类型属性”、“风格”、“颜色属性”、“材质属性”等衣物属性(标签)对应的识别特征信息。举例来说，“类型属性”包括：西装、大衣、夹克、外套、马甲、针织衫、运动服、T恤、裤子、裙子、连衣裙等；而“风格属性”包括：职场、休闲、运动、约会等；“颜色属性”包括红、白、黑、蓝、黄等，“材质属性”包括皮革、棉、锦纶、呢子、亚麻等。并且，每种属性会对应一个向量，比如“颜色属性”属性根据5种颜色，这样，可分别得到5个数组成的一组向量{0.02,0.01,0.85,0.1,0.02}，这样的属性向量即可为一组待穿搭衣物属性特征向量。

这样，配置多标签单模型时，每个衣物样本图片都可如上进行标定，以“颜色属性”为例，假设C1为某张黑色短袖的图，则其颜色属性的标定特征向量应该为C₁＝{0,0,1,0,0}，将所有已经标定好的特征向量(C₁，C₂，C₃，...，C_n)送入多标签的分类模型Model1中进行训练；同理“类型属性”的特征向量(T₁，T₂，T₃，...，T_n)，“风格属性”的特征向量(S₁，S₂，S₃，...，S_n)，“材质属性”的特征向量(M₁，M₂，M₃，...，M_n)也按相同方法处理得到训练集，这样，经过训练可以得到对应的多标签单模型以及模型参数θ。

从而，本步骤中，可将待穿搭图片输入配置的多标签分类卷积神经网络模型中，通过模型参数θ，即可预测得到各个属性的特征向量，即得到待穿搭衣物属性特征向量，例如：t为衣物类型属性信息，s为衣物风格属性信息，c为衣物颜色属性信息，m为以为衣物材质属性信息，即可得到待穿搭衣物属性特征向量为(t₁，s₁，c₁，m₁)。

当然，本公开实施例中，衣物的属性信息即标签不仅仅只有“类型”“风格”“颜色”“材质”这些，还可以有其他属性信息，比如：领型、袖长、男女装、厚薄、适用季节、适用年龄等等，还可有更多的属性信息，如拼接、纽扣、口袋、拉链、系带、印花、褶皱、荷叶边、蕾丝、纱网、蝴蝶结、绑带、立体装饰、抽褶、绣花、螺纹、部队称、镂空、树脂固色等等，因此，得到的衣物属性特征向量可以有多种，不仅仅为(t₁，s₁，c₁，m₁)，具体就不一一例举了。

步骤103：根据获取的每张待推荐图片的推荐衣物属性特征向量，以及，待穿搭衣物属性特征向量，确定至少一张待推荐图片为第一待推荐图片，并进行推荐。

衣橱、电视等家居设备可以本地进行图片的搜索以及推荐，或者，通过服务器进行图片的搜索以及推荐。无论是衣橱、电视或服务器进行图片搜索以及图片匹配推荐，都是根据衣物属性特征向量来匹配的。

在一些实施例中，可与一些设定推荐数据库通讯，获取到一张张包括已搭配的衣物的待推荐图片，例如：第三方衣物购买平台上的待推荐图片，时尚衣物杂志平台上的待推荐图片等等。

因此，可从设定推荐数据库中获取每张待推荐图片，并在获取到每张待推荐图片后，还都需输入配置的卷积神经网络模型中，获得对应的衣物属性特征向量。在一些实施例中，可输入多标签单模型中，通过对应模型参数，预测得到每张待推荐图片对应的推荐衣物属性特征向量。如上述，可将每张待推荐图片，输入多标签分类卷积神经网络中，通过模型参数θ，即可预测得到对应的推荐衣物属性特征向量。例如：经过多标签分类卷积神经网络识别即可得到(T₁’,T₂’,T₃’,...,T_n’)，(S₁’,S₂’,S₃’,...,S_n’)，(C₁’,C₂’,C₃’,...,C_n’)，(M₁’,M₂’,M₃’,...,M_n’)。

得到了每张待推荐图片的推荐衣物属性特征向量，以及，待穿搭衣物属性特征向量后，即可根据属性特征向量进行匹配，选取最相似的待推荐图片。

衣物属性即标签有多种，包括：类型、风格、颜色、材质等等，在进行属性特征向量匹配时，可同权重进行匹配，还可根据用户预设的权重进行匹配。在一些实施例中，可预设代表类型属性信息，风格属性信息，颜色属性信息，以及材质属性信息的权重系数，分别为α、β、γ、δ，且α+β+γ+δ＝1，从而，确定了待穿搭衣物属性特征向量为(t₁，s₁，c₁，m₁)，以及确定每张待推荐图片的推荐衣物属性特征向量为(T’_i，S’_i，C’_i，M’_i)后，即可通过公式(1)，将与设定推荐衣物匹配的第i张待推荐图片确定为第一待推荐图片；

例如：待穿搭衣物为红色上衣，那么，针对设定推荐衣物为裤子的待推荐图片中，第i张待推荐图片的推荐衣物属性特征向量，以及待穿搭衣物属性特征向量，可使得公式(1)的值最小，则可将第i张待推荐图片确定为第一待推荐图片。同样，对于设定推荐衣物为鞋子的待推荐图片中，第i张待推荐图片的推荐衣物属性特征向量，以及待穿搭衣物属性特征向量，可使得公式(1)的值最小，则可将第i张待推荐图片确定为第一待推荐图片。即针对第一类型top-1，将与式(1)最小对应的第i张待推荐图片确定为第一待推荐图片，对于第N类型top-N类似，这里不再赘述。

在一些实施例中，还可采用“贪心”的优化算法，来进行图片的匹配搜索。从获取的每张待推荐图片组成的第一推荐图库中，剔除至少一种衣物属性信息不满足设定条件的图片，形成第二推荐图库；根据第二推荐图库中，每张待推荐图片的推荐衣物属性特征向量，以及，待穿搭衣物属性特征向量，确定至少一张待推荐图片为第一待推荐图片。

例如：待穿搭衣物为黑色短袖T恤，对应的t₁＝{0.02,0.01,0.03,0.01,0.08,0.01,0.01,0.7,0.09,0.02,0.02}。既然确定是“T恤”，那么“类型属性”中的除了“T恤”之外的类别，就不需要继续搜索。即可剔除类型属性信息不是T恤信息的图片，同理的，可以设定s₁,c₁,m₁对应的条件。所以假设原始的第一推荐图库为Φ，剔除“类型属性”不满足设定条件的图片后，得到推荐图库为Φ₁，剔除“风格属性”不满足设定条件的图片后，得到推荐图库为Φ₂，剔除“颜色属性”不满足设定条件的图片后，得到推荐图库为Φ₃，剔除“材质属性”不满足设定条件的图片后，得到推荐图库为Φ₄，则满足如下式：

在最后的Φ₄即为第二推荐图库，从而，可以根据第二推荐图库中，每张待推荐图片的推荐衣物属性特征向量，以及，待穿搭衣物属性特征向量，确定至少一张待推荐图片为第一待推荐图片。

具体地，可以，根据公式(1)搜索与待穿搭衣物属性特征向量(t₁，s₁，c₁，m₁)相似度最高的第一待推荐图片，即第一待推荐图片的推荐衣物属性特征向量，以及待穿搭衣物属性特征向量，可使得公式(1)的值最小。当然，相似度最高的匹配方法也可以使用纯欧式距离公式、曼哈顿距离、明可夫斯基距离、皮尔森相关系数、杰卡德相似系数等等，具体就一一累述了。

采用“贪心”的优化算法，可使得待匹配推荐图库一步步剔除了不满足设定条件的图片，使得优化后的第二推荐图库，这样，只需针对第二推荐图库中的每张待推荐图片进行匹配计算，极大地减少了计算量，提高匹配的速度以及推荐的速度。

确定了至少一张待推荐图片后，即可进行推荐。推荐时，可值推荐确定的第一待推荐图片，在一些实施例中，进行推荐包括：确定每张第一待推荐图片对应的衣物推荐信息；向终端发送第一待推荐图片以及对应衣物推荐信息。其中，衣物推荐信息可包括：衣物储藏信息，衣物购买信息等等。

当然，服务器进行衣物匹配搜索时，可主动向终端发送第一待推荐图片以及对应衣物推荐信息。也可在衣橱，电视或者其他设备发送了识别结果请求信息后，才向衣橱，电视或者其他设备发送第一待推荐图片以及对应衣物推荐信息。

可见，本实施例中，可通过对包括待穿搭衣物的待穿搭图片的图像识别以及根据图像特征向量的图像匹配，即可通过多标签单模型，对包括待穿搭衣物的待穿搭图片的进行图像识别以及根据图像特征向量的进行图像匹配，即可实现衣物穿搭的自动推荐，提高了与衣物相关设备的智能性，并且，通过多标签单模型深度学习的图像识别，可以提高衣物识别的准确性，从而提高衣物穿搭推荐的可信度。另外，采用“贪心”的优化算法，来进行图片的匹配搜索时，可极大地减少了计算量，提高匹配的速度以及推荐的速度。

下面将操作流程集合到具体实施例中，举例说明本发明实施例提供的用于衣物穿搭推荐过程。

本公开一实施例中，图3是本公开实施例提供的一种用于衣物穿搭推荐系统的结构示意图。如图3所示，包括：服务器1000、衣橱2000、以及终端3000。其中，服务器1000可与衣橱2000，以及终端3000进行通讯。服务器1000中已训练配置了多标签分类卷积神经网络模型以及模型参数θ。衣橱2000可如图2所示。

图4是本公开实施例提供的一种用于衣物穿搭推荐方法的流程示意图。结合图4，用于衣物穿搭推荐的过程包括：

步骤401：衣橱判断设定位置上是否感应到用户？若是，执行步骤402，否则，执行步骤406。

步骤402：衣橱启动摄像头采集用户视频信息，并接收用户输入的待穿搭衣物指令信息。

步骤403：衣橱将采集的用户视频信息，以及待穿搭衣物指令信息发送给服务器，使得服务器获取包含一件或多件待穿搭衣物的待穿搭图片，并确定与待穿搭图片的待穿搭衣物属性特征向量匹配的第一待推荐图片。

步骤404：衣橱向服务器发送推荐结果请求信息。

步骤405：衣橱接收到服务器发送的第一待推荐图片以及对应衣物推荐信息并呈现，使得用户确定对应的穿搭衣物。

步骤406：衣橱确定摄像头处于关闭状态。

衣橱将用户视频信息，以及待穿搭衣物指令信息发送给服务器，服务器即可进行衣物穿搭推荐了。服务器中已训练配置了多标签分类卷积神经网络模型以及模型参数θ。

图5是本公开实施例提供的一种用于衣物穿搭推荐方法的流程示意图。结合图5，用于衣物穿搭推荐的过程包括：

步骤501：服务器根据用户视频信息，以及待穿搭衣物指令信息，获取包含一件或多件待穿搭衣物的待穿搭图片。

步骤502：将待穿搭图片输入配置的多标签分类卷积神经网络中进行深度学习，通过模型参数θ，预测得到待穿搭衣物属性特征向量为(t₁，s₁，c₁，m1)。

步骤503：可将设定推荐数据库中的每张待推荐图片，输入配置的多标签分类卷积神经网络中进行深度学习，通过模型参数θ，预测得到对应的推荐衣物属性特征向量(T’_i，S’_i，C’_i，M’_i)。

步骤504：通过公式(1)，将与每种设定推荐衣物匹配的第i张待推荐图片确定为第一待推荐图片。

步骤505：确定每张第一待推荐图片对应的衣物推荐信息，并向终端发送第一待推荐图片以及对应衣物推荐信息。

可见，本实施例中，服务器可通过多标签单模型，对包括待穿搭衣物的待穿搭图片的进行图像识别以及根据图像特征向量的进行图像匹配，即可实现衣物穿搭的自动推荐，提高了与衣物相关设备的智能性，并且，通过多标签单模型深度学习的图像识别，可以提高衣物识别的准确性，从而提高衣物穿搭推荐的可信度。

根据上述用于衣物穿搭推荐的过程，可构建一种用于衣物穿搭推荐的装置。

图6是本公开实施例提供的一种用于衣物穿搭推荐装置的结构示意图。如图6所示，用于衣物穿搭推荐装置包括：获取模块610、预测模块620、以及推荐模块630。

获取模块610，被配置为获取包含一件或多件待穿搭衣物的待穿搭图片。

预测模块620，被配置为将待穿搭图片输入配置的多标签单模型中，得到待穿搭衣物属性特征向量。

推荐模块630，被配置为根据获取的每张待推荐图片的推荐衣物属性特征向量，以及，待穿搭衣物属性特征向量，确定至少一张待推荐图片为第一待推荐图片，并进行推荐。

在一些实施例中，还包括：配置模块，被配置为将每个标定了衣物属性特征向量的衣物样本图片，输入多标签分类卷积神经网络中进行深度学习，生成并保存多标签单模型以及对应的模型参数。

在一些实施例中，还包括：模板确定模块，被配置为将设定推荐数据库中的每张待推荐图片，输入多标签单模型中，通过对应模型参数，预测得到每张待推荐图片对应的推荐衣物属性特征向量。

在一些实施例中，推荐模块630，具体被配置为从获取的每张待推荐图片组成的第一推荐图库中，剔除至少一种衣物属性信息不满足设定条件的图片，形成第二推荐图库；根据第二推荐图库中，每张待推荐图片的推荐衣物属性特征向量，以及，待穿搭衣物属性特征向量，确定至少一张待推荐图片为第一待推荐图片。

在一些实施例中，推荐模块630包括：

第一确定单元，被配置为确定待穿搭衣物属性特征向量为(t₁，s₁，c₁，m₁)，以及确定每张待推荐图片的推荐衣物属性特征向量为(T’_i，S’_i，C’_i，M’_i)，其中，t为衣物类型属性信息，s为衣物风格属性信息，c为衣物颜色属性信息，m为以为衣物材质属性信息；

第二确定单元，被配置为通过公式(1)，将与设定推荐衣物匹配的第i张待推荐图片确定为第一待推荐图片；

其中，α+β+γ+δ＝1，α、β、γ、δ分别代表类型属性信息，风格属性信息，颜色属性信息，以及材质属性信息的权重系数。

在一些实施例中，获取模块610，具体被配置为接收衣橱发送的用户视频信息，其中，用户视频信息是衣橱确定用户处于设定位置时通过图像采集设备采集的；根据用户视频信息，得到包含一件或多件待穿搭衣物的待穿搭图片。

在一些实施例中，推荐模块630，具体被配置为确定每张第一待推荐图片对应的衣物推荐信息；向终端发送第一待推荐图片以及对应衣物推荐信息。

可见，本实施例中，用于衣物穿搭推荐装置可通过多标签单模型，对包括待穿搭衣物的待穿搭图片的进行图像识别以及根据图像特征向量的进行图像匹配，即可实现衣物穿搭的自动推荐，提高了与衣物相关设备的智能性，并且，通过多标签单模型深度学习的图像识别，可以提高衣物识别的准确性，从而提高衣物穿搭推荐的可信度。另外，采用“贪心”的优化算法，来进行图片的匹配搜索时，可极大地减少了计算量，提高匹配的速度以及推荐的速度。

本公开实施例提供了一种用于衣物穿搭推荐的装置，其结构如图7所示，包括：

处理器(processor)100和存储器(memory)101，还可以包括通信接口(Communication Interface)102和总线103。其中，处理器100、通信接口102、存储器101可以通过总线103完成相互间的通信。通信接口102可以用于信息传输。处理器100可以调用存储器101中的逻辑指令，以执行上述实施例的用于衣物穿搭推荐的方法。

此外，上述的存储器101中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。

存储器101作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序，如本公开实施例中的方法对应的程序指令/模块。处理器100通过运行存储在存储器101中的程序指令/模块，从而执行功能应用以及数据处理，即实现上述方法实施例中的用于衣物穿搭推荐的方法。

存储器101可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；存储数据区可存储根据终端设备的使用所创建的数据等。此外，存储器101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。

本公开实施例提供了一种设备，包含衣橱或服务器，包括：上述的用于衣物穿搭推荐装置。

本公开实施例提供了一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为执行上述用于衣物穿搭推荐方法。

本公开实施例提供了一种计算机程序产品，所述计算机程序产品包括存储在计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行上述用于衣物穿搭推荐方法。

上述的计算机可读存储介质可以是暂态计算机可读存储介质，也可以是非暂态计算机可读存储介质。

本公开实施例的技术方案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中，包括一个或多个指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本公开实施例所述方法的全部或部分步骤。而前述的存储介质可以是非暂态存储介质，包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等多种可以存储程序代码的介质，也可以是暂态存储介质。

以上描述和附图充分地示出了本公开的实施例，以使本领域的技术人员能够实践它们。其他实施例可以包括结构的、逻辑的、电气的、过程的以及其他的改变。实施例仅代表可能的变化。除非明确要求，否则单独的部件和功能是可选的，并且操作的顺序可以变化。一些实施例的部分和特征可以被包括在或替换其他实施例的部分和特征。本公开实施例的范围包括权利要求书的整个范围，以及权利要求书的所有可获得的等同物。当用于本申请中时，虽然术语“第一”、“第二”等可能会在本申请中使用以描述各元件，但这些元件不应受到这些术语的限制。这些术语仅用于将一个元件与另一个元件区别开。比如，在不改变描述的含义的情况下，第一元件可以叫做第二元件，并且同样第，第二元件可以叫做第一元件，只要所有出现的“第一元件”一致重命名并且所有出现的“第二元件”一致重命名即可。第一元件和第二元件都是元件，但可以不是相同的元件。而且，本申请中使用的用词仅用于描述实施例并且不用于限制权利要求。如在实施例以及权利要求的描述中使用的，除非上下文清楚地表明，否则单数形式的“一个”(a)、“一个”(an)和“所述”(the)旨在同样包括复数形式。类似地，如在本申请中所使用的术语“和/或”是指包含一个或一个以上相关联的列出的任何以及所有可能的组合。另外，当用于本申请中时，术语“包括”(comprise)及其变型“包括”(comprises)和/或包括(comprising)等指陈述的特征、整体、步骤、操作、元素，和/或组件的存在，但不排除一个或一个以上其它特征、整体、步骤、操作、元素、组件和/或这些的分组的存在或添加。在没有更多限制的情况下，由语句“包括一个…”限定的要素，并不排除在包括所述要素的过程、方法或者设备中还存在另外的相同要素。本文中，每个实施例重点说明的可以是与其他实施例的不同之处，各个实施例之间相同相似部分可以互相参见。对于实施例公开的方法、产品等而言，如果其与实施例公开的方法部分相对应，那么相关之处可以参见方法部分的描述。

本领域技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，可以取决于技术方案的特定应用和设计约束条件。所述技术人员可以对每个特定的应用来使用不同方法以实现所描述的功能，但是这种实现不应认为超出本公开实施例的范围。所述技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

本文所披露的实施例中，所揭露的方法、产品(包括但不限于装置、设备等)，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，可以仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例。另外，在本公开实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

附图中的流程图和框图显示了根据本公开实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这可以依所涉及的功能而定。在附图中的流程图和框图所对应的描述中，不同的方框所对应的操作或步骤也可以以不同于描述中所披露的顺序发生，有时不同的操作或步骤之间不存在特定的顺序。例如，两个连续的操作或步骤实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这可以依所涉及的功能而定。框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

Claims (10)

1.一种用于衣物穿搭推荐的方法，其特征在于，包括：

获取包含一件或多件待穿搭衣物的待穿搭图片；

将所述待穿搭图片输入配置的多标签单模型中，得到待穿搭衣物属性特征向量；

根据获取的每张待推荐图片的推荐衣物属性特征向量，以及，所述待穿搭衣物属性特征向量，确定至少一张待推荐图片为第一待推荐图片，并进行推荐。

2.根据权利要求1所述的方法，其特征在于，所述获取包含一件或多件待穿搭衣物的待穿搭图片之前，包括：

将每个标定了衣物属性特征向量的衣物样本图片，输入多标签分类卷积神经网络中进行深度学习，生成并保存所述多标签单模型以及对应的模型参数。

3.根据权利要求1或2所述的方法，其特征在于，所述确定至少一张待推荐图片为第一待推荐图片之前，包括：

将设定推荐数据库中的每张待推荐图片，输入所述多标签单模型中，通过对应模型参数，预测得到每张待推荐图片对应的推荐衣物属性特征向量。

4.根据权利要求3所述的方法，其特征在于，所述确定至少一张待推荐图片为第一待推荐图片包括：

从获取的每张待推荐图片组成的第一推荐图库中，剔除至少一种衣物属性信息不满足设定条件的图片，形成第二推荐图库；

根据所述第二推荐图库中，每张待推荐图片的推荐衣物属性特征向量，以及，所述待穿搭衣物属性特征向量，确定至少一张待推荐图片为第一待推荐图片。

5.根据权利要求3或4所述的方法，其特征在于，所述确定至少一张待推荐图片为第一待推荐图片包括：

确定所述待穿搭衣物属性特征向量为(t₁，s₁，c₁，m₁)，以及确定每张待推荐图片的推荐衣物属性特征向量为(T’_i，S’_i，C’_i，M’_i)，其中，t为衣物类型属性信息，s为衣物风格属性信息，c为衣物颜色属性信息，m为以为衣物材质属性信息；

通过公式(1)，将与设定推荐衣物匹配的第i张待推荐图片确定为第一待推荐图片；

其中，α+β+γ+δ＝1，α、β、γ、δ分别代表类型属性信息，风格属性信息，颜色属性信息，以及材质属性信息的权重系数。

6.根据权利要求1所述的方法，其特征在于，所述获取包含一件或多件待穿搭衣物的待穿搭图片包括：

接收衣橱发送的用户视频信息，其中，所述用户视频信息是所述衣橱确定用户处于设定位置时通过图像采集设备采集的；

根据所述用户视频信息，得到包含一件或多件待穿搭衣物的待穿搭图片。

7.根据权利要求1或6所述的方法，其特征在于，所述进行推荐包括：

确定每张所述第一待推荐图片对应的衣物推荐信息；

向终端发送所述第一待推荐图片以及对应所述衣物推荐信息。

8.一种用于衣物穿搭推荐的装置，其特征在于，包括：

获取模块，被配置为获取包含一件或多件待穿搭衣物的待穿搭图片；

预测模块，被配置为将所述待穿搭图片输入配置的多标签单模型中，得到待穿搭衣物属性特征向量；

推荐模块，被配置为根据获取的每张待推荐图片的推荐衣物属性特征向量，以及，所述待穿搭衣物属性特征向量，确定至少一张待推荐图片为第一待推荐图片，并进行推荐。

9.一种用于衣物穿搭推荐的装置，该装置包括处理器和存储有程序指令的存储器，其特征在于，所述处理器被配置为在执行所述程序指令时，执行如权利要求1至7任一项所述用于衣物穿搭推荐的方法。

10.一种设备，其特征在于，包括如权利要求8或9所述用于衣物穿搭推荐的装置。

Images