CN111881351A - 智能服饰推荐方法、装置、设备及存储介质 - Google Patents

智能服饰推荐方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN111881351A
CN111881351A CN202010734146.4A CN202010734146A CN111881351A CN 111881351 A CN111881351 A CN 111881351A CN 202010734146 A CN202010734146 A CN 202010734146A CN 111881351 A CN111881351 A CN 111881351A
Authority
CN
China
Prior art keywords
clothing
whole
image
preset
intelligent
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.)
Pending
Application number
CN202010734146.4A
Other languages
English (en)
Inventor
钦彪
周有喜
乔国坤
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.)
Shenzhen Aishen Yingtong Information Technology Co Ltd
Original Assignee
Shenzhen Aishen Yingtong Information Technology 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 Shenzhen Aishen Yingtong Information Technology Co Ltd filed Critical Shenzhen Aishen Yingtong Information Technology Co Ltd
Priority to CN202010734146.4A priority Critical patent/CN111881351A/zh
Publication of CN111881351A publication Critical patent/CN111881351A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/001—Texturing; Colouring; Generation of texture or colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本发明涉智能推荐领域，公开了一种智能服饰推荐方法、装置、设备及存储介质。该方法包括：获取用户的全身站立图像；根据预置服饰匹配算法，解析所述全身站立图像的特征，抓取预置服饰数据库中匹配所述用户的全身服饰；根据预置图像合成算法，将所述全身服饰与所述全身站立图像进行合成处理，得到服饰效果图像。本发明实施例中，通过深度学习神经网络抓取数据库中的服饰，能实现基于全身特征的服饰推荐，能解决基于身体的部分特征进行服饰推荐的推荐不准确的技术问题。

Description

智能服饰推荐方法、装置、设备及存储介质
技术领域
本发明涉及智能推荐领域，尤其涉及一种智能服饰推荐方法、装置、设备及存储介质。
背景技术
随着互联网技术不断发展，电子商务越来越壮大，人们越来越多的在互联网进行购物。最初，为了应对数据流越来越大，人们针对电子商务的技术研究方向主要在应对高并发的准确性。但是，互联网人数增速的不断下降，商家的重点逐渐从增量的应对到存量的扩展。由此，互联网技术重点也慢慢变为如何实现更好的商业服务，给人们更好的用户体验。
由于网络购买服饰在个人匹配上存在巨大差异，为了带来更好的网络购物体验，人们推出了网络推荐服饰的功能。从最初的尺码匹配，到输入传统的三围数据进行智能服饰匹配，再到最近的个人体型匹配服饰。现有的匹配的准确性都不足够，导致匹配推荐购买后，客户在试穿后仍有大量的退货，因此需要准确性更高的智能推荐技术。
发明内容
本发明的主要目的在于解决现有的服饰推荐技术基于人体的部分特征导致推荐服饰不准确的技术问题。
本发明第一方面提供了一种智能服饰推荐方法，所述智能服饰推荐方法包括：
获取用户的全身站立图像；
根据预置服饰匹配算法，解析所述全身站立图像的特征，抓取预置服饰数据库中匹配所述用户的全身服饰；
根据预置图像合成算法，将所述全身服饰与所述全身站立图像进行合成处理，得到服饰效果图像。
可选的，在本发明第一方面的第一种实现方式中，所述全身站立图像的特征包括用户的性别、体型特征、脸型特征、肤色特征，所述根据预置服饰匹配算法，解析所述全身站立图像的特征，抓取预置服饰数据库中匹配所述用户的全身服饰包括：
根据预置服饰匹配算法，截取所述全身站立图像中人脸图像，并扫描所述全身站立图像中体型特征；
解析所述人脸图像，得到用户的性别、脸型特征和肤色特征；
根据所述匹配算法中的神经网络，抓取预置服饰数据库中匹配所述体型特征、所述性别、所述脸型特征和所述肤色特征对应的服饰，生成匹配所述用户的全身服饰。
可选的，在本发明第一方面的第二种实现方式中，所述解析所述人脸图像，得到用户的性别、脸型特征和肤色特征包括：
分析所述人脸图像对应的RBG通道数据，得到肤色特征；
对所述人脸图像进行灰度处理，生成特征矩阵；
对所述特征矩阵进行卷积计算，生成卷积矩阵，以及对所述卷积矩阵进行归一化处理，得到脸型特征和性别。
可选的，在本发明第一方面的第三种实现方式中，在所述获取用户的全身站立图像之后，在所述根据预置服饰匹配算法，解析所述全身站立图像的特征，抓取预置服饰数据库中匹配所述用户的全身服饰之前，还包括：
判断预置服饰数据库是否存在筛选条件；
若存在筛选条件，则根据所述筛选条件，修改所述服饰数据库中可抓取的服饰数据，得到修改的所述服饰数据库。
可选的，在本发明第一方面的第四种实现方式中，所述筛选条件包括：价格范围、尺码范围、材质种类、品牌、适用年龄、适用季节中的一个或多个。
可选的，在本发明第一方面的第五种实现方式中，所述根据预置图像合成算法，将所述全身服饰与所述全身站立图像进行合成处理，得到服饰效果图像包括：
根据预置图像合成算法中的组合网络，将所述全身服饰与所述全身站立图像进行第一组合处理，生成对抗组合图；
根据所述图像合成算法中的图形分辨网络，对所述对抗组合图进行组合分辨处理，得到分辨结果；
判断所述分辨结果是否为通过；
若所述分辨结果不为通过，则调整所述组合网络的参数，将所述全身服饰与所述全身站立图像进行第二组合处理，生成新的对抗组合图；
若所述分辨结果为通过，则将所述对抗组合图确认为服饰效果图像，调整所述图形分辨网络的参数，用于提高分辨所述对抗组合图的概率。
可选的，在本发明第一方面的第六种实现方式中，在所述根据预置图像合成算法，将所述全身服饰与所述全身站立图像进行合成处理，得到服饰效果图像之后，还包括：
判断是否存在服饰更改请求，其中，所述服饰更改请求包括对所述全身服饰中的服饰替换为预置备选服饰；
若存在，则根据所述服饰更改请求，修改所述全身服饰，得到更新全身服饰，以及根据所述图像合成算法，将所述更新全身服饰与所述全身站立图像进行合成处理，得到更新的服饰效果图像；
若不存在，则从所述服饰数据库中，抓取所述全身服饰中所有服饰对应的价格，以及将所有所述价格进行加总，得到所述全身服饰对应的总价格。
本发明第二方面提供了一种智能服饰推荐装置，包括：
获取模块，用于获取用户的全身站立图像；
抓取模块，用于根据预置服饰匹配算法，解析所述全身站立图像的特征，抓取预置服饰数据库中匹配所述用户的全身服饰；
合成模块，用于根据预置图像合成算法，将所述全身服饰与所述全身站立图像进行合成处理，得到服饰效果图像。
本发明第三方面提供了一种智能服饰推荐设备，包括：存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互连；所述至少一个处理器调用所述存储器中的所述指令，以使得所述智能服饰推荐设备执行上述的智能服饰推荐方法。
本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的智能服饰推荐方法。
附图说明
图1为本发明实施例中智能服饰推荐方法的第一个实施例示意图；
图2为本发明实施例中智能服饰推荐方法的第二个实施例示意图；
图3为本发明实施例中智能服饰推荐方法的第三个实施例示意图；
图4为本发明实施例中智能服饰推荐装置的一个实施例示意图；
图5为本发明实施例中智能服饰推荐装置的另一个实施例示意图；
图6为本发明实施例中智能服饰推荐设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种智能服饰推荐方法、装置、设备及存储介质。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)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，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中智能服饰推荐方法的一个实施例包括：
101、获取用户的全身站立图像；
在本实施例中，用户的全身站立图像，可以接收手机拍摄的照片，也可以接收数码相机拍摄的电子相机。在接收方式上，可以使用USB接线进行传输，也可以通过无线通信进行传输，还可以通过指令主动从网络上下载用户的全身站立图像。
102、根据预置服饰匹配算法，解析全身站立图像的特征，抓取预置服饰数据库中匹配用户的全身服饰；
在本实施例中，预置服饰匹配算法是基于CNN(Convolutional Neural Networks)神经网络训练不同的体型、肤色、身高、性别的人与预置服饰数据库的服饰之间匹配得到的匹配神经网络。在训练方式上，是根据图像学习匹配的反馈调整神经网络的参数。在判断学习结果上，采用二分类交叉熵的损失函数，结果只有两种：一种是匹配，另一种就是不匹配。在训练样本上，采用全身服饰的作为训练样本。服饰包括：眼镜、项链、帽子、上衣、裤子、外套、鞋子、手环、戒指、头饰。全身站立图像的特征包括：用户的肤色、用户的五官特征、用户的体型、用户的身高、用户的是否带眼镜。通过用户的整体形象特征，进行全身服饰的匹配。
103、根据预置图像合成算法，将全身服饰与全身站立图像进行合成处理，得到服饰效果图像。
在本实施例中，预置图像合成算法是基于GAN(Generator and Discriminator)神经网络，先将全身服饰与全身站立图像进行合成，然后通过判断网络对合成图片进行判断，判断合成图片是否为合成。虽然阳性均为合成，只要判断网络没有判断出合成就对判断网络就行调整，若判断出合成则对生成网络进行调整。整个训练思路表达式为：
Figure BDA0002604292840000051
其中，Ez～P(z){log(1-D(G(z))}是判断网络对生成网络的合成图片判断是否为真的概率，Ex～N(x){logD(x)为判断网络判断真实图片是否为真实的概率，
Figure BDA0002604292840000052
表达最小化Ez～P(z){log(1-D(G(z))}的条件下最大化Ex～N(x){logD(x)}。经过对抗处理，最后得到服饰效果图像。
本发明实施例中，通过卷积神经网络对全身特征进行服饰匹配的学习，然后使用对抗神经网络合成效果图像，不仅克服了目前服饰推荐的没有基于全身特征推荐的问题，还克服了目前服饰推荐效果图无法逼近现实试穿效果的问题，提高了网络服饰推荐的准确率。
请参阅图2，本发明实施例中智能服饰推荐方法的第二个实施例包括：
201、获取用户的全身站立图像；
本实施例描述的方法实施例与第一个实施例类似，可以参考前述方法实施例中的对应过程，在此不再赘述。
202、判断预置服饰数据库是否存在筛选条件；
在本实施例中，实现判断方式是直接判断筛选状态栏是否被激活，发送判断信号，返回“0”则表示没有筛选条件，返回“1”则表示存在筛选条件。
203、若存在筛选条件，则根据筛选条件，修改服饰数据库中可抓取的服饰数据，得到修改的服饰数据库，其中，筛选条件包括：价格范围、尺码范围、材质种类、品牌、适用年龄、适用季节中的一个或多个；
在本实施例中，判断存在筛选条件后，则根据筛选修改服饰数据库中对外允许访问的服饰数据。例如,筛选条件为价格140-750，适用年龄为23-37岁，则根据价格140-750和年龄为23-37岁的并集，将服饰数据库中不满足条件的服饰数据对外允许访问权限关闭。
204、全身站立图像的特征包括用户的性别、体型特征、脸型特征、肤色特征，根据预置服饰匹配算法，截取全身站立图像中人脸图像，并扫描全身站立图像中体型特征；
在本实施例中，识别出人脸图像直接截取人脸图像，在实现上就是直接用将人脸框住的最小长方形进行截取。截取完成的同时，对全身站立图像的体型特征进行扫描，用的就是矩阵灰度化提取灰度值。
205、分析人脸图像对应的RBG通道数据，得到肤色特征；
在本实施例中，RBG通道上有三个颜色取值，通过对R通道、B通道、G通道的数值进行分析得到肤色特征，肤色特征用1-299数值表示，1表示极白、299表示极黑。
206、对人脸图像进行灰度处理，生成特征矩阵；
在本实施例中，灰度处理则是令R通道、B通道、G通道的数值相等，然后提取人脸图像中的灰度值，根据灰度值生成特征矩阵。
207、对特征矩阵进行卷积计算，生成卷积矩阵，以及对卷积矩阵进行归一化处理，得到脸型特征和性别；
在本实施例中，获取预置的卷积矩阵，将卷积矩阵根据卷积步长1对特征矩阵卷积，得到卷积矩阵。对卷积矩阵使用softmax函数，其中softmax函数的表达式为：
Figure BDA0002604292840000061
其中，f(x)为归一化的概率，j表示所有取值，x表示目前处理的元素值。经过归一化的概率，取最大的归一化的概率判断得到脸型特征和性别对应的服饰。
208、根据匹配算法中的神经网络，抓取预置服饰数据库中匹配体型特征、性别、脸型特征和肤色特征对应的服饰，生成匹配用户的全身服饰；
在本实施例中，根据脸型特征、体型特征、性别、肤色特征，根据性别和肤色特征筛选了服饰数据库中的服饰，之后将全身数据进行向量化、卷积、池化、归一化，最终获得对应的全身服饰。
209、根据预置图像合成算法，将全身服饰与全身站立图像进行合成处理，得到服饰效果图像。
本实施例描述的方法实施例与第一个实施例类似，可以参考前述方法实施例中的对应过程，在此不再赘述。
本发明实施例中，通过卷积神经网络对全身特征进行服饰匹配的学习，然后使用对抗神经网络合成效果图像，不仅克服了目前服饰推荐的没有基于全身特征推荐的问题，还克服了目前服饰推荐效果图无法逼近现实试穿效果的问题，提高了网络服饰推荐的准确率。
请参阅图3，本发明实施例中智能服饰推荐方法的第三个实施例包括：
301、获取用户的全身站立图像；
本实施例描述的方法实施例与第一个实施例类似，可以参考前述方法实施例中的对应过程，在此不再赘述。
302、根据预置服饰匹配算法，解析全身站立图像的特征，抓取预置服饰数据库中匹配用户的全身服饰；
本实施例描述的方法实施例与第一个实施例类似，可以参考前述方法实施例中的对应过程，在此不再赘述。
303、根据预置图像合成算法中的组合网络，将全身服饰与全身站立图像进行第一组合处理，生成对抗组合图；
在本实施例中，组合网络是已经训练过的网络，将全身站立图像与全身服饰进行组合，除去全身站立图像原先的服饰然后再记载上全身服饰，完成对抗组合图。
304、根据图像合成算法中的图形分辨网络，对对抗组合图进行组合分辨处理，得到分辨结果；
在本实施例中，分辨网络是已经训练过的网络，直接对抗组合图向量化、卷积、归一化得出是否通过的分辨结果。
305、判断分辨结果是否为通过；
在本实施例中，根据分辨结果输出结果{0}则为不通过，{1}则是通过。
306、若分辨结果不为通过，则调整组合网络的参数，将全身服饰与全身站立图像进行第二组合处理，生成新的对抗组合图；
在本实施例中，调整组合网络的参数，生成新的对抗组合图后继续进入步骤304进行分辨，进行对抗思路表达式为：
Figure BDA0002604292840000081
其中，Ez～P(z){log(1-D(G(z))}是判断网络对生成网络的合成图片判断是否为真的概率，Ex～N(x){logD(x)为判断网络判断真实图片是否为真实的概率，
Figure BDA0002604292840000082
表达最小化Ez～P(z){log(1-D(G(z))}的条件下最大化Ex～N(x){logD(x)}。经过对抗处理，最后得到服饰效果图像。
307、若分辨结果为通过，则将对抗组合图确认为服饰效果图像，调整图形分辨网络的参数，用于提高分辨对抗组合图的概率；
在本实施例中，调整分辨网络的参数，用于下一次分辨提升分辨概率。在分辨网络训练时，也是采用相同的步骤进行训练。例如，分辨的网络的参数矩阵为：
Figure BDA0002604292840000083
如果通过，则更改参数矩阵为：
Figure BDA0002604292840000084
使得整个矩阵的参数的梯度下降。
308、判断是否存在服饰更改请求，其中，服饰更改请求包括对全身服饰中的服饰替换为预置备选服饰；
在本实施例中，分析服饰更改请求的状态栏是否被激活，{0}表示没有被激活，{1}表示被激活。
309、若存在，则根据服饰更改请求，修改全身服饰，得到更新全身服饰，以及根据图像合成算法，将更新全身服饰与全身站立图像进行合成处理，得到更新的服饰效果图像；
在本实施例中，如果被激活，则根据更改要求对服饰效果图进行修改，合成过程为对抗神经网络进行合成，在此不作赘述。
310、若不存在，则从服饰数据库中，抓取全身服饰中所有服饰对应的价格，以及将所有价格进行加总，得到全身服饰对应的总价格。
在本实施例中，如果不存在更改请求，则对全身服饰价格进行加总。例如，全身服饰有：眼镜50、上衣400、裤子180、鞋子970、皮带560、项链70。则计算出总价格为50+400+180+970+560+70＝2230。
本发明实施例中，通过卷积神经网络对全身特征进行服饰匹配的学习，然后使用对抗神经网络合成效果图像，不仅克服了目前服饰推荐的没有基于全身特征推荐的问题，还克服了目前服饰推荐效果图无法逼近现实试穿效果的问题，提高了网络服饰推荐的准确率。
上面对本发明实施例中智能服饰推荐方法进行了描述，下面对本发明实施例中智能服饰推荐装置进行描述，请参阅图4，本发明实施例中智能服饰推荐装置一个实施例包括：
获取模块401，用于获取用户的全身站立图像；
抓取模块402，用于根据预置服饰匹配算法，解析所述全身站立图像的特征，抓取预置服饰数据库中匹配所述用户的全身服饰；
合成模块403，用于根据预置图像合成算法，将所述全身服饰与所述全身站立图像进行合成处理，得到服饰效果图像。
本发明实施例中，通过卷积神经网络对全身特征进行服饰匹配的学习，然后使用对抗神经网络合成效果图像，不仅克服了目前服饰推荐的没有基于全身特征推荐的问题，还克服了目前服饰推荐效果图无法逼近现实试穿效果的问题，提高了网络服饰推荐的准确率。
请参阅图5，本发明实施例中智能服饰推荐装置的另一个实施例包括：
获取模块401，用于获取用户的全身站立图像；
抓取模块402，用于根据预置服饰匹配算法，解析所述全身站立图像的特征，抓取预置服饰数据库中匹配所述用户的全身服饰；
合成模块403，用于根据预置图像合成算法，将所述全身服饰与所述全身站立图像进行合成处理，得到服饰效果图像。
其中，所述获取模块402包括：
截取扫描单元4021，用于根据预置服饰匹配算法，截取所述全身站立图像中人脸图像，并扫描所述全身站立图像中体型特征；
解析单元4022，用于解析所述人脸图像，得到用户的性别、脸型特征和肤色特征；
抓取单元4023，用于根据所述匹配算法中的神经网络，抓取预置服饰数据库中匹配所述体型特征、所述性别、所述脸型特征和所述肤色特征对应的服饰，生成匹配所述用户的全身服饰
其中，所述解析单元4022具体用于：
分析所述人脸图像对应的RBG通道数据，得到肤色特征；
对所述人脸图像进行灰度处理，生成特征矩阵；
对所述特征矩阵进行卷积计算，生成卷积矩阵，以及对所述卷积矩阵进行归一化处理，得到脸型特征和性别。
其中，所述智能服饰推荐装置包括筛选模块404，所述筛选模块404具体用于：
判断预置服饰数据库是否存在筛选条件；
若存在筛选条件，则根据所述筛选条件，修改所述服饰数据库中可抓取的服饰数据，得到修改的所述服饰数据库。
其中，所述合成模块403包括：
根据预置图像合成算法中的组合网络，将所述全身服饰与所述全身站立图像进行第一组合处理，生成对抗组合图；
根据所述图像合成算法中的图形分辨网络，对所述对抗组合图进行组合分辨处理，得到分辨结果；
判断所述分辨结果是否为通过；
若所述分辨结果不为通过，则调整所述组合网络的参数，将所述全身服饰与所述全身站立图像进行第二组合处理，生成新的对抗组合图；
若所述分辨结果为通过，则将所述对抗组合图确认为服饰效果图像，调整所述图形分辨网络的参数，用于提高分辨所述对抗组合图的概率。
其中，所述智能服饰推荐装置包括判断模块405，所述判断模块405具体用于：
判断是否存在服饰更改请求，其中，所述服饰更改请求包括对所述全身服饰中的服饰替换为预置备选服饰；
若存在，则根据所述服饰更改请求，修改所述全身服饰，得到更新全身服饰，以及根据所述图像合成算法，将所述更新全身服饰与所述全身站立图像进行合成处理，得到更新的服饰效果图像；
若不存在，则从所述服饰数据库中，抓取所述全身服饰中所有服饰对应的价格，以及将所有所述价格进行加总，得到所述全身服饰对应的总价格。
本发明实施例中，通过卷积神经网络对全身特征进行服饰匹配的学习，然后使用对抗神经网络合成效果图像，不仅克服了目前服饰推荐的没有基于全身特征推荐的问题，还克服了目前服饰推荐效果图无法逼近现实试穿效果的问题，提高了网络服饰推荐的准确率。
上面图4和图5从模块化功能实体的角度对本发明实施例中的智能服饰推荐装置进行详细描述，下面从硬件处理的角度对本发明实施例中智能服饰推荐设备进行详细描述。
图6是本发明实施例提供的一种智能服饰推荐设备的结构示意图，该智能服饰推荐设备600可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)610(例如，一个或一个以上处理器)和存储器620，一个或一个以上存储应用程序633或数据632的存储介质630(例如一个或一个以上海量存储设备)。其中，存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对智能服饰推荐设备600中的一系列指令操作。更进一步地，处理器610可以设置为与存储介质630通信，在智能服饰推荐设备600上执行存储介质630中的一系列指令操作。
基于智能服饰推荐设备600还可以包括一个或一个以上电源640，一个或一个以上有线或无线网络接口650，一个或一个以上输入输出接口660，和/或，一个或一个以上操作系统631，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图6示出的智能服饰推荐设备结构并不构成对基于智能服饰推荐设备的限定，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。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述智能服饰推荐方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统或装置、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。
所述集成的单元如果以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。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或者该技术方案的全部或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中，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，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种智能服饰推荐方法，其特征在于，包括步骤：
获取用户的全身站立图像；
根据预置服饰匹配算法，解析所述全身站立图像的特征，抓取预置服饰数据库中匹配所述用户的全身服饰；
根据预置图像合成算法，将所述全身服饰与所述全身站立图像进行合成处理，得到服饰效果图像。
2.根据权利要求1所述的智能服饰推荐方法，其特征在于，所述全身站立图像的特征包括用户的性别、体型特征、脸型特征、肤色特征，所述根据预置服饰匹配算法，解析所述全身站立图像的特征，抓取预置服饰数据库中匹配所述用户的全身服饰包括：
根据预置服饰匹配算法，截取所述全身站立图像中人脸图像，并扫描所述全身站立图像中体型特征；
解析所述人脸图像，得到用户的性别、脸型特征和肤色特征；
根据所述匹配算法中的神经网络，抓取预置服饰数据库中匹配所述体型特征、所述性别、所述脸型特征和所述肤色特征对应的服饰，生成匹配所述用户的全身服饰。
3.根据权利要求2所述的智能服饰推荐方法，其特征在于，所述解析所述人脸图像，得到用户的性别、脸型特征和肤色特征包括：
分析所述人脸图像对应的RBG通道数据，得到肤色特征；
对所述人脸图像进行灰度处理，生成特征矩阵；
对所述特征矩阵进行卷积计算，生成卷积矩阵，以及对所述卷积矩阵进行归一化处理，得到脸型特征和性别。
4.根据权利要求1所述的智能服饰推荐方法，其特征在于，在所述获取用户的全身站立图像之后，在所述根据预置服饰匹配算法，解析所述全身站立图像的特征，抓取预置服饰数据库中匹配所述用户的全身服饰之前，还包括：
判断预置服饰数据库是否存在筛选条件；
若存在筛选条件，则根据所述筛选条件，修改所述服饰数据库中可抓取的服饰数据，得到修改的所述服饰数据库。
5.根据权利要求4所述的智能服饰推荐方法，其特征在于，所述筛选条件包括：价格范围、尺码范围、材质种类、品牌、适用年龄、适用季节中的一个或多个。
6.根据权利要求1所述的智能服饰推荐方法，其特征在于，所述根据预置图像合成算法，将所述全身服饰与所述全身站立图像进行合成处理，得到服饰效果图像包括：
根据预置图像合成算法中的组合网络，将所述全身服饰与所述全身站立图像进行第一组合处理，生成对抗组合图；
根据所述图像合成算法中的图形分辨网络，对所述对抗组合图进行组合分辨处理，得到分辨结果；
判断所述分辨结果是否为通过；
若所述分辨结果不为通过，则调整所述组合网络的参数，将所述全身服饰与所述全身站立图像进行第二组合处理，生成新的对抗组合图；
若所述分辨结果为通过，则将所述对抗组合图确认为服饰效果图像，调整所述图形分辨网络的参数，用于提高分辨所述对抗组合图的概率。
7.根据权利要求1-6任一项所述的智能服饰推荐方法，其特征在于，在所述根据预置图像合成算法，将所述全身服饰与所述全身站立图像进行合成处理，得到服饰效果图像之后，还包括：
判断是否存在服饰更改请求，其中，所述服饰更改请求包括对所述全身服饰中的服饰替换为预置备选服饰；
若存在，则根据所述服饰更改请求，修改所述全身服饰，得到更新全身服饰，以及根据所述图像合成算法，将所述更新全身服饰与所述全身站立图像进行合成处理，得到更新的服饰效果图像；
若不存在，则从所述服饰数据库中，抓取所述全身服饰中所有服饰对应的价格，以及将所有所述价格进行加总，得到所述全身服饰对应的总价格。
8.一种智能服饰推荐装置，其特征在于，所述智能服饰推荐装置包括：
获取模块，用于获取用户的全身站立图像；
抓取模块，用于根据预置服饰匹配算法，解析所述全身站立图像的特征，抓取预置服饰数据库中匹配所述用户的全身服饰；
合成模块，用于根据预置图像合成算法，将所述全身服饰与所述全身站立图像进行合成处理，得到服饰效果图像。
9.一种智能服饰推荐设备，其特征在于，所述智能服饰推荐设备包括：存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互连；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述智能服饰推荐设备执行如权利要求1-7中任一项所述的智能服饰推荐方法。
10.一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，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的智能服饰推荐方法。
CN202010734146.4A 2020-07-27 2020-07-27 智能服饰推荐方法、装置、设备及存储介质 Pending CN111881351A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010734146.4A CN111881351A (zh) 2020-07-27 2020-07-27 智能服饰推荐方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010734146.4A CN111881351A (zh) 2020-07-27 2020-07-27 智能服饰推荐方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN111881351A true CN111881351A (zh) 2020-11-03

Family

ID=73200787

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010734146.4A Pending CN111881351A (zh) 2020-07-27 2020-07-27 智能服饰推荐方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN111881351A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104091269A (zh) * 2014-06-30 2014-10-08 京东方科技集团股份有限公司 一种虚拟试衣方法及虚拟试衣系统
WO2017005014A1 (zh) * 2015-07-09 2017-01-12 中兴通讯股份有限公司 搜索匹配商品的方法及装置
CN110084675A (zh) * 2019-04-24 2019-08-02 文允 一种线上商品销售方法、网络终端和具有存储功能的装置
CN110211196A (zh) * 2019-05-28 2019-09-06 山东大学 一种基于姿势引导的虚拟试穿方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104091269A (zh) * 2014-06-30 2014-10-08 京东方科技集团股份有限公司 一种虚拟试衣方法及虚拟试衣系统
WO2017005014A1 (zh) * 2015-07-09 2017-01-12 中兴通讯股份有限公司 搜索匹配商品的方法及装置
CN110084675A (zh) * 2019-04-24 2019-08-02 文允 一种线上商品销售方法、网络终端和具有存储功能的装置
CN110211196A (zh) * 2019-05-28 2019-09-06 山东大学 一种基于姿势引导的虚拟试穿方法及装置

Similar Documents

Publication Publication Date Title
KR102102161B1 (ko) 이미지 내 객체의 대표 특성을 추출하는 방법, 장치 및 컴퓨터 프로그램
CN110148120B (zh) 一种基于cnn与迁移学习的病害智能识别方法及系统
WO2018228448A1 (zh) 搭配服饰的推荐方法和装置、电子设备、存储介质
US20160225053A1 (en) Mobile visual commerce system
US20130343642A1 (en) Machine-learnt person re-identification
CN104866831B (zh) 特征加权的人脸识别算法
CN106055710A (zh) 基于视频的商品推荐方法及装置
JP5682569B2 (ja) 色彩解析装置、色彩解析方法、及び色彩解析プログラム
US20170124618A1 (en) Methods and Systems for Image-Based Searching of Product Inventory
CN110427972B (zh) 证件视频特征提取方法、装置、计算机设备和存储介质
Qin et al. RPNet: gait recognition with relationships between each body-parts
Kaur et al. A review of local binary pattern based texture feature extraction
CN108898269A (zh) 基于度量的电力图像环境影响评估方法
NL2025810A (en) Method for classifying and evaluating nitrogen content level of brassica rapa subsp. oleifera (brsro) canopy
CN112785441A (zh) 数据处理方法、装置、终端设备及存储介质
CN111461101A (zh) 工服标志的识别方法、装置、设备及存储介质
KR20140124087A (ko) 사용자 단말기를 이용한 개인 스타일 추천 시스템과 방법 및 그 방법을 컴퓨터로 실행시키기 위한 프로그램 코드를 저장한 기록매체
Gutierrez et al. Deep learning for automated tagging of fashion images
Liu et al. Detection of small objects in image data based on the nonlinear principal component analysis neural network
CN111881351A (zh) 智能服饰推荐方法、装置、设备及存储介质
CN116402590A (zh) 一种基于人工智能的个性化服装商城系统及推荐方法
Villegas-Cortez et al. Interest points reduction using evolutionary algorithms and CBIR for face recognition
CN113066030B (zh) 一种基于空谱融合网络的多光谱图像全色锐化方法及系统
CN115410017A (zh) 种子霉变检测方法、装置、设备及存储介质
Molina et al. Color and size image dataset normalization protocol for natural image classification: A case study in tomato crop pathologies

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20201103