CN112163926B - 服饰胸部尺码匹配方法、装置、设备及存储介质 - Google Patents
服饰胸部尺码匹配方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112163926B CN112163926B CN202011019790.XA CN202011019790A CN112163926B CN 112163926 B CN112163926 B CN 112163926B CN 202011019790 A CN202011019790 A CN 202011019790A CN 112163926 B CN112163926 B CN 112163926B
- Authority
- CN
- China
- Prior art keywords
- size
- clothing
- matrix set
- matrix
- chest
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 100
- 238000012545 processing Methods 0.000 claims abstract description 54
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 40
- 238000001514 detection method Methods 0.000 claims abstract description 22
- 239000011159 matrix material Substances 0.000 claims description 182
- 230000008569 process Effects 0.000 claims description 38
- 238000011282 treatment Methods 0.000 claims description 24
- 238000011176 pooling Methods 0.000 claims description 19
- 230000007704 transition Effects 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 17
- 230000004913 activation Effects 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims 2
- 239000013598 vector Substances 0.000 description 51
- 230000006870 function Effects 0.000 description 18
- 238000012549 training Methods 0.000 description 16
- 238000013528 artificial neural network Methods 0.000 description 8
- 230000003213 activating effect Effects 0.000 description 2
- 238000013138 pruning Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011284 combination treatment Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明涉及服饰匹配领域，公开了一种服饰胸部尺码匹配方法、装置、设备及存储介质。该方法包括：获取目标服饰的图像数据和胸围尺寸，并获取待匹配的用户胸围数据；基于预置类别检测算法，对所述图像数据进行检测分析处理，得到服饰种类，并基于预置属性识别算法，对所述图像数据进行识别处理，得到服饰袖长属性；根据所述服饰种类和所述服饰袖长属性，对所述胸围尺寸和预置偏差值进行组合处理，得到所述目标服饰的尺寸范围；将所述用户胸围数据与所述尺寸范围进行比对，得到匹配结果。
Description
技术领域
本发明涉及服饰匹配领域，尤其涉及一种服饰胸部尺码匹配方法、装置、设备及存储介质。
背景技术
电商网络发展迅速，大量商品通过网络成交，常见的商品有电子产品、汽车、家电、家具、图书、文具、服装、鞋子等。在商品交易过程中，很多商品是标准化的工业品，个体差异对这些商品的使用和销售并没有什么影响。标准化的工业品可以很简单的就直接通过网络方式销售给消费者，但是服装和鞋子就对个体差异十分敏感。
在对个体差异敏感的服装与鞋子销售时，就需要对服装与鞋子的尺寸进行精确标注。在生产服装与鞋子过程中，尺寸的要求又截然不同。不同类的鞋子对尺寸的要求基本都是相同的，而服饰对尺寸的要求是不同的。相同的尺寸在不同服饰中要求的偏差不同，对于无袖的连衣裙和普通连衣裙来说，无袖的连衣裙会更加要求用户的胸部不能过大的小于衣服的尺寸，而普通连衣裙可以允许用户穿起来相对宽松。所以，在比较用户和商品胸部尺寸前，必须先判定衣服的胸部类型，再进行比较。因此，需要一种能准确根据衣服种类推荐胸部尺寸符合用户的技术。
发明内容
本发明的主要目的在于解决不同类型衣服对胸部尺寸的要求不同导致衣服匹配准确率和效率不足的技术问题。
本发明第一方面提供了一种服饰胸部尺码匹配方法，所述服饰胸部尺码匹配方法包括：
获取目标服饰的图像数据和胸围尺寸，并获取待匹配的用户胸围数据；
基于预置类别检测算法，对所述图像数据进行检测分析处理，得到服饰种类，并基于预置属性识别算法，对所述图像数据进行识别处理，得到服饰袖长属性；
根据所述服饰种类和所述服饰袖长属性，对所述胸围尺寸和预置偏差值进行组合处理，得到所述目标服饰的尺寸范围；
将所述用户胸围数据与所述尺寸范围进行比对，得到匹配结果。
可选的，在本发明第一方面的第一种实现方式中，所述基于预置类别检测算法，对所述图像数据进行检测分析处理，得到服饰种类包括：
将所述图像数据与预置前置矩阵集进行乘积预处理，得到初始输入矩阵集；
读取预置卷积矩阵集中的标签顺序，根据所述标签顺序，将所述初始输入矩阵集与所述卷积矩阵集中的矩阵进行卷积合并计算，得到深入输出矩阵集；
对所述深入输出矩阵集中的每个深入输出矩阵依次进行平均池化处理和蜕化处理，得到结果矩阵；
对所述结果矩阵进行归一激活处理，得到服饰种类。
可选的，在本发明第一方面的第二种实现方式中，所述根据所述标签顺序，将所述初始输入矩阵集与所述卷积矩阵集中的矩阵组合进行卷积合并计算，得到深入输出矩阵集包括：
将所述初始输入矩阵集与所述卷积矩阵集中第一顺序的矩阵组合进行卷积计算，得到四个独立的第一过程矩阵；
将四个独立的所述第一过程矩阵进行合并过滤处理，得到第一过渡矩阵集；
将所述第一过渡矩阵集与所述卷积矩阵集中第二顺序的矩阵组合进行卷积计算，得到四个独立的第二过程矩阵；
将四个独立的所述第二过程矩阵进行合并过滤处理，得到第二过渡矩阵集；
根据所述标签顺序循环迭代，将第N-1过渡矩阵集与所述卷积矩阵集值第N顺序的矩阵组合进行卷积合并计算，得到深入输出矩阵集，其中，N为大于1的自然数。
可选的，在本发明第一方面的第三种实现方式中，所述基于预置属性识别算法，对所述图像数据进行识别处理，得到服饰袖长属性包括：
将所述图像数据与预置加深卷积矩阵进行乘积处理，得到预处理矩阵集；
对所述预处理矩阵集进行拆解卷积处理，得到拆解矩阵集，以及对所述拆解矩阵集进行合并分辨处理，得到服饰袖长属性。
可选的，在本发明第一方面的第四种实现方式中，所述对所述预处理矩阵集进行拆解卷积处理，得到拆解矩阵集，以及对所述拆解矩阵集进行合并分辨处理，得到服饰袖长属性包括：
对所述预处理矩阵集进行分批归一化处理，得到第一拆解矩阵集；
将所述第一拆解矩阵集进行池化映射处理，得到第二拆解矩阵集；
将所述第二拆解矩阵集进行基础卷积处理，得到第三拆解矩阵集；
对所述第三拆解矩阵集进行双通道卷积合并处理，得到基础激活矩阵；
将所述基础激活矩阵与所述第一拆解矩阵集进行合并分辨处理，得到服饰袖长属性。
可选的，在本发明第一方面的第五种实现方式中，所述服饰种类包括：标记类、非标记类，所述服饰袖长属性包括：无袖类、非无袖类，其中，所述标记类和所述无袖类属于尺寸限制严格类，所述非标记类和所述非无袖类属于尺寸限制普通类，所述根据所述服饰种类和所述服饰袖长属性，对所述胸围尺寸和预置偏差值进行组合处理，得到所述目标服饰的尺寸范围包括：
判断所述服饰袖长属性与所述服饰种类是否均属于尺寸限制严格类；
若均属于尺寸限制严格类，则读取预置尺寸波动参数R和所述胸围尺寸的数值T，将尺寸范围确定为[T-R/2，T+R/2]；
若不均属于尺寸限制严格类，则读取预置尺寸波动参数R和所述胸围尺寸的数值T，将尺寸范围确定为[T-R，T]。
可选的，在本发明第一方面的第六种实现方式中，所述将所述用户胸围数据与所述尺寸范围进行比对，得到匹配结果包括：
判断所述用户胸围数据是否在所述尺寸范围中；
若在所述尺寸范围中，则将所述目标服饰确定为匹配所述用户胸围数据；
若不在所述尺寸范围中，则将所述目标服饰确定为不匹配所述用户胸围数据。
本发明第二方面提供了一种服饰胸部尺码匹配装置，包括：
获取模块，用于获取目标服饰的图像数据和胸围尺寸，并获取待匹配的用户胸围数据；
分析模块，用于基于预置类别检测算法，对所述图像数据进行检测分析处理，得到服饰种类，并基于预置属性识别算法，对所述图像数据进行识别处理，得到服饰袖长属性；
判别生成模块，用于根据所述服饰种类和所述服饰袖长属性，对所述胸围尺寸和预置偏差值进行组合处理，得到所述目标服饰的尺寸范围；
比对模块，用于将所述用户胸围数据与所述尺寸范围进行比对，得到匹配结果。
本发明第三方面提供了一种服饰胸部尺码匹配设备，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，以使得所述服饰胸部尺码匹配设备执行上述的服饰胸部尺码匹配方法。
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服饰胸部尺码匹配方法。
附图说明
图1为本发明实施例中服饰胸部尺码匹配方法的第一个实施例示意图；
图2为本发明实施例中服饰胸部尺码匹配方法的第二个实施例示意图；
图3为本发明实施例中服饰胸部尺码匹配方法的第三个实施例示意图；
图4为本发明实施例中服饰胸部尺码匹配方法的第四个实施例示意图；
图5为本发明实施例中服饰胸部尺码匹配装置的一个实施例示意图；
图6为本发明实施例中服饰胸部尺码匹配装置的另一个实施例示意图；
图7为本发明实施例中服饰胸部尺码匹配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服饰胸部尺码匹配方法、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，本发明实施例中服饰胸部尺码匹配方法的第一个实施例包括：
101、获取目标服饰的图像数据和胸围尺寸，并获取待匹配的用户胸围数据；
在本实施例中，获取目标服饰的在网络平台中上传的照片信息作为图像数据，胸围尺寸作为输入图像数据中附带标签存在的。用户胸围数据是用户在网页端输入的数据，通过网络传输最终将用户胸围数据传输至本发明。在获取得到数据后，还可以检验数据的格式是否为数值，如果数据格式为字符串则报错并重新获取整个数据框架中的参数。
102、基于预置类别检测算法，对图像数据进行检测分析处理，得到服饰种类，并基于预置属性识别算法，对图像数据进行识别处理，得到服饰袖长属性；
在本实施例中，类别检测算法是基于通过神经网络训练不同胸围数据服饰的图像数据，训练过程上是第一步对输入数据进行剪枝处理生成229*229*3的初始数据，将初始数据进行一次卷积成为35*35*384然后依次处理变化为35*35*384、17*17*1024、8*8*1536、8*8*1536、8*8*1536，将最后得到8*8*1536图像数据进行平均池化处理，生成1536个元素的单维向量，将1536个元素的单维向量使用Softmax函数处理，得到服饰种类。而属性识别算法，则另一种神经训练结构，将数据服饰的图像数据输入后同样进行剪枝处理生成229*229*3，依次用1*1卷积向量、分批归一化处理、对每个元素进行放缩处理得到960个元素的单维向量。分批归一化处理的内容是：先将选定元素作为一个集合B＝{x1…m}，先求的集合B的平均值μB，再求出集合B的方差σB 2，根据函数：
其中，xi为B中的元素，q为设置波动常数。将结果Xi ～在通过第二个函数其中Yi为分批归一化处理得到结构，r为设置的线性参数，Q为线性截距。放缩处理则将Yi基于h-swish[Yi]函数：
其中，Relu函数为内嵌函数，h-swish[Yi]则960个元素的单维向量中的元素。
将得到结果依次进行平均池化、1*1卷积向量卷积、h-swish[Yi]函数处理，得到1280个元素的单维向量。对1280个元素的单维向量使用1*1卷积向量卷积，得到1000个元素的单维向量。将1000个元素的单维向量作为输入数据，输入到现有的SSD神经网络模型中，得到结果向量。将结果向量再与960个元素的单维向量进行组合得到最终向量。最终向量使用Softmax函数，得到服饰袖长属性。这个过程中不停使用检测器进行训练，调整神经网络中的参数，最终得到合格的类别检测算法和属性识别算法。
103、根据服饰种类和服饰袖长属性，对胸围尺寸和预置偏差值进行组合处理，得到目标服饰的尺寸范围；
在本实施例中，输入商品p的图片到类别检测网络，获取该商品的类别检测结果c，c∈{C1,C2}，其中C1为标记类，C2为非标记类。输入商品p的图片到属性识别网络，获取该商品的属性分类结果t，t∈{T1,T2}，其中T1为无袖类，而T2为非无袖类。如果最终得到结果为C1和T1则认为容忍度范围为[S-T/2,S+T/2]，其中S为输入的胸围尺寸,T为设置波动参数。若不是设置C1和T1，则容忍度范围为[S-T,S]。
104、将用户胸围数据与尺寸范围进行比对，得到匹配结果。
在本实施例中，用户胸围数据为Q，当容忍度范围为[S-T/2,S+T/2]时，则当S-T/2<Q<S+T/2时，确定目标服饰是与用户匹配的。而S-T/2>Q或Q>S+T/2时，则确定目标服饰是与用户不匹配的。当容忍度范围为[S-T,S]，则在S-T<Q<S时，则确定目标服饰与用户匹配的，而S-T>Q或Q>S时，则确定目标服饰是与用户不匹配的。
本发明实施例中，通过两个不同的神经网络得到两个不同训练算法，将需要匹配的服饰利用训练算法进行分析，得出是否与客户的尺寸是否匹配的结论，最终使得服饰与用户胸围数据得到匹配，提高了服饰匹配的准确率。
请参阅图2，本发明实施例中服饰胸部尺码匹配方法的第二个实施例包括：
201、获取目标服饰的图像数据和胸围尺寸，并获取待匹配的用户胸围数据；
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、将图像数据与预置前置矩阵集进行乘积预处理，得到初始输入矩阵集；
在本实施例中，将图像数据进行步长为3的像素点抓取形成3幅图像，将三幅图像向量化形成229*229*3的矩阵。对229*229*3进行3*3的卷积，再使用3*3最大池化和3*3卷积，将结果合并，再分开两个通道进行处理。第一个通道：1*1的卷积、3*3的卷积。第二个通道：1*1的卷积、7*1的卷积、1*7的卷积、3*3的卷积。将两个通道的结果合并在分别使用3*3卷积和最大池化，产生两个结果。再将两个结果合并得到35*35*384的初始输入矩阵集。
203、读取预置卷积矩阵集中的标签顺序，将初始输入矩阵集与卷积矩阵集中第一顺序的矩阵组合进行卷积计算，得到四个独立的第一过程矩阵；
在本实施例中，将35*35*384输入后按照路线1：平均池化、1*1向量卷积。路线2:1*1向量卷积。路线3:1*1向量卷积、3*3向量卷积。路线4:1*1向量卷积、3*3向量卷积、3*3向量卷积。得到路线1-4对应的四个处理矩阵。
204、将四个独立的第一过程矩阵进行合并过滤处理，得到第一过渡矩阵集；
在本实施例中，将路线1-4对应的四个处理矩阵使用合并过滤(Filter concat)，得到35*35*384的处理的四个独立矩阵合并生成35*35*384的第一过渡矩阵集。
205、将第一过渡矩阵集与卷积矩阵集中第二顺序的矩阵组合进行卷积计算，得到四个独立的第二过程矩阵；
在本实施例中，将35*35*384的第一过渡矩阵集使用第二路线1：1*1向量卷积、1*7向量卷积、7*1向量卷积、1*7向量卷积、7*1向量卷积。第二路线2：1*1向量卷积、1*7向量卷积、7*1向量卷积。第二路线3：1*1向量卷积。第二路线4：平均池化、1*1向量卷积。
206、将四个独立的第二过程矩阵进行合并过滤处理，得到第二过渡矩阵集；
在本实施例中，第二路线1-4路线得到四个矩阵进行合并，生成8*8*1536的第二过渡矩阵集。
207、根据标签顺序循环迭代，将第N-1过渡矩阵集与卷积矩阵集值第N顺序的矩阵组合进行卷积合并计算，得到深入输出矩阵集，其中，N为大于1的自然数；
在本实施例中，卷积矩阵集值中可以随意设置卷积深度，循环6次，可以扩大数据量，也可以维持数据量不变，本次深入卷积后得到8*8*1536的卷积向量。
208、对深入输出矩阵集中的每个深入输出矩阵依次进行平均池化处理和蜕化处理，得到结果矩阵；
在本实施例中，将得到的8*8*1536矩阵集，进行平均池化，得到1536个元素单维向量，按照80％的概率减少元素特性得到1000个元素的单维向量。
209、对结果矩阵进行归一激活处理，得到服饰种类；
在本实施例中，将到1000个元素的单维向量使用Softmax函数激活，得到服饰种类。
210、基于预置属性识别算法，对图像数据进行识别处理，得到服饰袖长属性；
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。
211、根据服饰种类和服饰袖长属性，对胸围尺寸和预置偏差值进行组合处理，得到目标服饰的尺寸范围；
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。
212、将用户胸围数据与尺寸范围进行比对，得到匹配结果。
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，通过两个不同的神经网络得到两个不同训练算法，将需要匹配的服饰利用训练算法进行分析，得出是否与客户的尺寸是否匹配的结论，最终使得服饰与用户胸围数据得到匹配，提高了服饰匹配的准确率。
请参阅图3，本发明实施例中服饰胸部尺码匹配方法的第三个实施例包括：
301、获取目标服饰的图像数据和胸围尺寸，并获取待匹配的用户胸围数据；
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、基于预置类别检测算法，对图像数据进行检测分析处理，得到服饰种类；
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、将图像数据与预置加深卷积矩阵进行乘积处理，得到预处理矩阵集；
在本实施例中，将数据图像数据转换矩阵数据，将转换的数据与1*1的卷积向量乘积后，得到229*229*3的预处理矩阵集。
304、对预处理矩阵集进行分批归一化处理，得到第一拆解矩阵集；
在本实施例中，分批归一化处理的内容是：先将选定元素作为一个集合B＝{x1…m}，先求的集合B的平均值μB，再求出集合B的方差σB 2，根据函数：
其中，xi为B中的元素，q为设置波动常数。将结果Xi ～在通过第二个函数其中Yi为分批归一化处理得到结构，r为设置的线性参数，Q为线性截距。放缩处理则将Yi基于h-swish[Yi]函数：
其中，Relu函数为内嵌函数，h-swish[Yi]则960个元素的单维向量中的元素。960个元素的单维向量为第一拆解矩阵集。其中，Relu函数的表达式为Relu(Yi+3)＝min(max(0，Yi+3)，6)。
305、将第一拆解矩阵集进行池化映射处理，得到第二拆解矩阵集；
在本实施例中，将960个元素的单维向量为第一拆解矩阵集，进行平均池化处理，然后使用1*1向量卷积，在使用h-swish[Yi]函数对每个元素进行映射，得到1280个元素的单维向量第二拆解矩阵集。
306、将第二拆解矩阵集进行基础卷积处理，得到第三拆解矩阵集；
在本实施例中，将1280个元素的单维向量使用1*1卷积向量卷积，得到1000个单维向量的第三拆解矩阵集。
307、对第三拆解矩阵集进行双通道卷积合并处理，得到基础激活矩阵；
在本实施例中，对1000个单维向量进行，通道1：1*1卷积、分批归一化处理、h-swish[Yi]函数处理。通道2：49*49向量平均池化、1*1卷积向量、sigmoid函数处理。将通道1和通道2的函数进行组合生成过程矩阵，然后对过程矩阵进行1*1向量卷积，得到基础激活矩阵。
308、将基础激活矩阵与第一拆解矩阵集进行合并分辨处理，得到服饰袖长属性；
在本实施例中，基础激活矩阵与第一拆解矩阵进行元素对应相加，然后对生成矩阵使用Softmax函数进行处理，激活得到服饰袖长属性。
309、根据服饰种类和服饰袖长属性，对胸围尺寸和预置偏差值进行组合处理，得到目标服饰的尺寸范围；
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。
310、将用户胸围数据与尺寸范围进行比对，得到匹配结果。
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，通过两个不同的神经网络得到两个不同训练算法，将需要匹配的服饰利用训练算法进行分析，得出是否与客户的尺寸是否匹配的结论，最终使得服饰与用户胸围数据得到匹配，提高了服饰匹配的准确率。
请参阅图4，本发明实施例中服饰胸部尺码匹配方法的第四个实施例包括：
401、获取目标服饰的图像数据和胸围尺寸，并获取待匹配的用户胸围数据；
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。
402、基于预置类别检测算法，对图像数据进行检测分析处理，得到服饰种类，并基于预置属性识别算法，对图像数据进行识别处理，得到服饰袖长属性；
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。如果最终得到结果为C1和T1则认为容忍度范围为[S-T/2,S+T/2]，其中S为输入的胸围尺寸,T为设置波动参数。若
403、判断服饰袖长属性与服饰种类是否均属于尺寸限制严格类；
在本实施例中，输入商品p的图片到类别检测网络，获取该商品的类别检测结果c，c∈{C1,C2}，其中C1为标记类，C2为非标记类。输入商品p的图片到属性识别网络，获取该商品的属性分类结果t，t∈{T1,T2}，其中T1为无袖类，而T2为非无袖类。
404、若均属于尺寸限制严格类，则读取预置尺寸波动参数R和胸围尺寸的数值T，将尺寸范围确定为[T-R/2，T+R/2]；
在本实施例中，如果最终得到结果为C1和T1则认为容忍度范围为[T-R/2，T+R/2]，其中T为输入的胸围尺寸,R为设置波动参数。
405、若不均属于尺寸限制严格类，则读取预置尺寸波动参数R和胸围尺寸的数值T，将尺寸范围确定为[T-R，T]；
在本实施例中，不是设置C1和T1，则容忍度范围为[T-R，T]，其中T为输入的胸围尺寸,R为设置波动参数。
406、判断用户胸围数据是否在尺寸范围中；
在本实施例中，用户胸围数据为Q，当容忍度范围为[S-T/2,S+T/2]，则将Q与整个容忍范围进行比较。
407、若在尺寸范围中，则将目标服饰确定为匹配用户胸围数据；
在本实施例中，用户胸围数据为Q，当容忍度范围为[S-T/2,S+T/2]时，则当S-T/2<Q<S+T/2时，确定目标服饰是与用户匹配的。
408、若不在尺寸范围中，则将目标服饰确定为不匹配用户胸围数据。
在本实施例中，当S-T/2>Q或Q>S+T/2时，则确定目标服饰是与用户不匹配的。
本发明实施例中，通过两个不同的神经网络得到两个不同训练算法，将需要匹配的服饰利用训练算法进行分析，得出是否与客户的尺寸是否匹配的结论，最终使得服饰与用户胸围数据得到匹配，提高了服饰匹配的准确率。
上面对本发明实施例中服饰胸部尺码匹配方法进行了描述，下面对本发明实施例中服饰胸部尺码匹配装置进行描述，请参阅图5，本发明实施例中服饰胸部尺码匹配装置一个实施例包括：
获取模块501，用于获取目标服饰的图像数据和胸围尺寸，并获取待匹配的用户胸围数据；
分析模块502，用于基于预置类别检测算法，对所述图像数据进行检测分析处理，得到服饰种类，并基于预置属性识别算法，对所述图像数据进行识别处理，得到服饰袖长属性；
判别生成模块503，用于根据所述服饰种类和所述服饰袖长属性，对所述胸围尺寸和预置偏差值进行组合处理，得到所述目标服饰的尺寸范围；
比对模块504，用于将所述用户胸围数据与所述尺寸范围进行比对，得到匹配结果。
本发明实施例中，通过两个不同的神经网络得到两个不同训练算法，将需要匹配的服饰利用训练算法进行分析，得出是否与客户的尺寸是否匹配的结论，最终使得服饰与用户胸围数据得到匹配，提高了服饰匹配的准确率。
请参阅图6，本发明实施例中服饰胸部尺码匹配装置的另一个实施例包括：
获取模块501，用于获取目标服饰的图像数据和胸围尺寸，并获取待匹配的用户胸围数据；
分析模块502，用于基于预置类别检测算法，对所述图像数据进行检测分析处理，得到服饰种类，并基于预置属性识别算法，对所述图像数据进行识别处理，得到服饰袖长属性；
判别生成模块503，用于根据所述服饰种类和所述服饰袖长属性，对所述胸围尺寸和预置偏差值进行组合处理，得到所述目标服饰的尺寸范围；
比对模块504，用于将所述用户胸围数据与所述尺寸范围进行比对，得到匹配结果。
其中，所述分析模块502具体包括：
预处理单元5021，用于将所述图像数据与预置前置矩阵集进行乘积预处理，得到初始输入矩阵集；
合并单元5022，用于读取预置卷积矩阵集中的标签顺序，根据所述标签顺序，将所述初始输入矩阵集与所述卷积矩阵集中的矩阵进行卷积合并计算，得到深入输出矩阵集；
池化单元5023，用于对所述深入输出矩阵集中的每个深入输出矩阵依次进行平均池化处理和蜕化处理，得到结果矩阵；
激活单元5024，用于对所述结果矩阵进行归一激活处理，得到服饰种类；
乘积单元5025，用于将所述图像数据与预置加深卷积矩阵进行乘积处理，得到预处理矩阵集；
拆解合并单元5026，用于对所述预处理矩阵集进行拆解卷积处理，得到拆解矩阵集，以及对所述拆解矩阵集进行合并分辨处理，得到服饰袖长属性。
其中，所述合并单元5022具体用于：
将所述初始输入矩阵集与所述卷积矩阵集中第一顺序的矩阵组合进行卷积计算，得到四个独立的第一过程矩阵；
将四个独立的所述第一过程矩阵进行合并过滤处理，得到第一过渡矩阵集；
将所述第一过渡矩阵集与所述卷积矩阵集中第二顺序的矩阵组合进行卷积计算，得到四个独立的第二过程矩阵；
将四个独立的所述第二过程矩阵进行合并过滤处理，得到第二过渡矩阵集；
根据所述标签顺序循环迭代，将第N-1过渡矩阵集与所述卷积矩阵集值第N顺序的矩阵组合进行卷积合并计算，得到深入输出矩阵集，其中，N为大于1的自然数。
其中，所述拆解合并单元5026具体用于：
对所述预处理矩阵集进行分批归一化处理，得到第一拆解矩阵集；
将所述第一拆解矩阵集进行池化映射处理，得到第二拆解矩阵集；
将所述第二拆解矩阵集进行基础卷积处理，得到第三拆解矩阵集；
对所述第三拆解矩阵集进行双通道卷积合并处理，得到基础激活矩阵；
将所述基础激活矩阵与所述第一拆解矩阵集进行合并分辨处理，得到服饰袖长属性。
其中，所述判别生成模块503具体用于：
判断所述服饰袖长属性与所述服饰种类是否均属于尺寸限制严格类；
若均属于尺寸限制严格类，则读取预置尺寸波动参数R和所述胸围尺寸的数值T，将尺寸范围确定为[T-R/2，T+R/2]；
若不均属于尺寸限制严格类，则读取预置尺寸波动参数R和所述胸围尺寸的数值T，将尺寸范围确定为[T-R，T]。
其中，所述比对模块504具体用于：
判断所述用户胸围数据是否在所述尺寸范围中；
若在所述尺寸范围中，则将所述目标服饰确定为匹配所述用户胸围数据；
若不在所述尺寸范围中，则将所述目标服饰确定为不匹配所述用户胸围数据。
本发明实施例中，通过两个不同的神经网络得到两个不同训练算法，将需要匹配的服饰利用训练算法进行分析，得出是否与客户的尺寸是否匹配的结论，最终使得服饰与用户胸围数据得到匹配，提高了服饰匹配的准确率。
上面图5和图6从模块化功能实体的角度对本发明实施例中的服饰胸部尺码匹配装置进行详细描述，下面从硬件处理的角度对本发明实施例中服饰胸部尺码匹配设备进行详细描述。
图7是本发明实施例提供的一种服饰胸部尺码匹配设备的结构示意图，该服饰胸部尺码匹配设备700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)710(例如，一个或一个以上处理器)和存储器720，一个或一个以上存储应用程序733或数据732的存储介质730(例如一个或一个以上海量存储设备)。其中，存储器720和存储介质730可以是短暂存储或持久存储。存储在存储介质730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服饰胸部尺码匹配设备700中的一系列指令操作。更进一步地，处理器710可以设置为与存储介质730通信，在服饰胸部尺码匹配设备700上执行存储介质730中的一系列指令操作。
基于服饰胸部尺码匹配设备700还可以包括一个或一个以上电源740，一个或一个以上有线或无线网络接口750，一个或一个以上输入输出接口760，和/或，一个或一个以上操作系统731，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图7示出的服饰胸部尺码匹配设备结构并不构成对基于服饰胸部尺码匹配设备的限定，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服饰胸部尺码匹配方法的步骤。
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 (7)
1.一种服饰胸部尺码匹配方法，其特征在于，包括步骤：
获取目标服饰的图像数据和胸围尺寸，并获取待匹配的用户胸围数据；
基于预置类别检测算法，对所述图像数据进行检测分析处理，得到服饰种类，并基于预置属性识别算法，对所述图像数据进行识别处理，得到服饰袖长属性；
根据所述服饰种类和所述服饰袖长属性，对所述胸围尺寸和预置偏差值进行组合处理，得到所述目标服饰的尺寸范围；
将所述用户胸围数据与所述尺寸范围进行比对，得到匹配结果；
其中，所述基于预置类别检测算法，对所述图像数据进行检测分析处理，得到服饰种类包括：
将所述图像数据与预置前置矩阵集进行乘积预处理，得到初始输入矩阵集；
读取预置卷积矩阵集中的标签顺序，根据所述标签顺序，将所述初始输入矩阵集与所述卷积矩阵集中的矩阵进行卷积合并计算，得到深入输出矩阵集；
对所述深入输出矩阵集中的每个深入输出矩阵依次进行平均池化处理和蜕化处理，得到结果矩阵；
对所述结果矩阵进行归一激活处理，得到服饰种类；
其中，所述基于预置属性识别算法，对所述图像数据进行识别处理，得到服饰袖长属性包括：
将所述图像数据与预置加深卷积矩阵进行乘积处理，得到预处理矩阵集；
对所述预处理矩阵集进行拆解卷积处理，得到拆解矩阵集，以及对所述拆解矩阵集进行合并分辨处理，得到服饰袖长属性；
其中，所述服饰种类包括：标记类、非标记类，所述服饰袖长属性包括：无袖类、非无袖类，其中，所述标记类和所述无袖类属于尺寸限制严格类，所述非标记类和所述非无袖类属于尺寸限制普通类，所述根据所述服饰种类和所述服饰袖长属性，对所述胸围尺寸和预置偏差值进行组合处理，得到所述目标服饰的尺寸范围包括：
判断所述服饰袖长属性与所述服饰种类是否均属于尺寸限制严格类；
若均属于尺寸限制严格类，则读取预置尺寸波动参数R和所述胸围尺寸的数值T，将尺寸范围确定为[T-R/2，T+R/2]；
若不均属于尺寸限制严格类，则读取预置尺寸波动参数R和所述胸围尺寸的数值T，将尺寸范围确定为[T-R，T]。
2.根据权利要求1所述的服饰胸部尺码匹配方法，其特征在于，所述根据所述标签顺序，将所述初始输入矩阵集与所述卷积矩阵集中的矩阵组合进行卷积合并计算，得到深入输出矩阵集包括：
将所述初始输入矩阵集与所述卷积矩阵集中第一顺序的矩阵组合进行卷积计算，得到四个独立的第一过程矩阵；
将四个独立的所述第一过程矩阵进行合并过滤处理，得到第一过渡矩阵集；
将所述第一过渡矩阵集与所述卷积矩阵集中第二顺序的矩阵组合进行卷积计算，得到四个独立的第二过程矩阵；
将四个独立的所述第二过程矩阵进行合并过滤处理，得到第二过渡矩阵集；
根据所述标签顺序循环迭代，将第N-1过渡矩阵集与所述卷积矩阵集值第N顺序的矩阵组合进行卷积合并计算，得到深入输出矩阵集，其中，N为大于1的自然数。
3.根据权利要求1所述的服饰胸部尺码匹配方法，其特征在于，所述对所述预处理矩阵集进行拆解卷积处理，得到拆解矩阵集，以及对所述拆解矩阵集进行合并分辨处理，得到服饰袖长属性包括：
对所述预处理矩阵集进行分批归一化处理，得到第一拆解矩阵集；
将所述第一拆解矩阵集进行池化映射处理，得到第二拆解矩阵集；
将所述第二拆解矩阵集进行基础卷积处理，得到第三拆解矩阵集；
对所述第三拆解矩阵集进行双通道卷积合并处理，得到基础激活矩阵；
将所述基础激活矩阵与所述第一拆解矩阵集进行合并分辨处理，得到服饰袖长属性。
4.根据权利要求1-3中任一项所述的服饰胸部尺码匹配方法，其特征在于，所述将所述用户胸围数据与所述尺寸范围进行比对，得到匹配结果包括：
判断所述用户胸围数据是否在所述尺寸范围中；
若在所述尺寸范围中，则将所述目标服饰确定为匹配所述用户胸围数据；
若不在所述尺寸范围中，则将所述目标服饰确定为不匹配所述用户胸围数据。
5.一种服饰胸部尺码匹配装置，其特征在于，所述服饰胸部尺码匹配装置包括：
获取模块，用于获取目标服饰的图像数据和胸围尺寸，并获取待匹配的用户胸围数据；
分析模块，用于基于预置类别检测算法，对所述图像数据进行检测分析处理，得到服饰种类，并基于预置属性识别算法，对所述图像数据进行识别处理，得到服饰袖长属性，将所述图像数据与预置前置矩阵集进行乘积预处理，得到初始输入矩阵集；
读取预置卷积矩阵集中的标签顺序，根据所述标签顺序，将所述初始输入矩阵集与所述卷积矩阵集中的矩阵进行卷积合并计算，得到深入输出矩阵集；
对所述深入输出矩阵集中的每个深入输出矩阵依次进行平均池化处理和蜕化处理，得到结果矩阵；
对所述结果矩阵进行归一激活处理，得到服饰种类；
判别生成模块，用于根据所述服饰种类和所述服饰袖长属性，对所述胸围尺寸和预置偏差值进行组合处理，得到所述目标服饰的尺寸范围，将所述图像数据与预置加深卷积矩阵进行乘积处理，得到预处理矩阵集；
对所述预处理矩阵集进行拆解卷积处理，得到拆解矩阵集，以及对所述拆解矩阵集进行合并分辨处理，得到服饰袖长属性；
所述服饰种类包括：标记类、非标记类，所述服饰袖长属性包括：无袖类、非无袖类，其中，所述标记类和所述无袖类属于尺寸限制严格类，所述非标记类和所述非无袖类属于尺寸限制普通类，所述根据所述服饰种类和所述服饰袖长属性，对所述胸围尺寸和预置偏差值进行组合处理，得到所述目标服饰的尺寸范围包括：
判断所述服饰袖长属性与所述服饰种类是否均属于尺寸限制严格类；
若均属于尺寸限制严格类，则读取预置尺寸波动参数R和所述胸围尺寸的数值T，将尺寸范围确定为[T-R/2，T+R/2]；
若不均属于尺寸限制严格类，则读取预置尺寸波动参数R和所述胸围尺寸的数值T，将尺寸范围确定为[T-R，T]；
比对模块，用于将所述用户胸围数据与所述尺寸范围进行比对，得到匹配结果。
6.一种服饰胸部尺码匹配设备，其特征在于，所述服饰胸部尺码匹配设备包括：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，以使得所述服饰胸部尺码匹配设备执行如权利要求1-4中任一项所述的服饰胸部尺码匹配方法。
7.一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1-4中任一项所述的服饰胸部尺码匹配方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011019790.XA CN112163926B (zh) | 2020-09-24 | 2020-09-24 | 服饰胸部尺码匹配方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011019790.XA CN112163926B (zh) | 2020-09-24 | 2020-09-24 | 服饰胸部尺码匹配方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112163926A CN112163926A (zh) | 2021-01-01 |
| CN112163926B true CN112163926B (zh) | 2024-04-09 |
Family
ID=73862864
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011019790.XA Active CN112163926B (zh) | 2020-09-24 | 2020-09-24 | 服饰胸部尺码匹配方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112163926B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110895702A (zh) * | 2018-09-12 | 2020-03-20 | 深圳云天励飞技术有限公司 | 一种服饰属性识别检测方法及装置 |
| CN110909746A (zh) * | 2018-09-18 | 2020-03-24 | 深圳云天励飞技术有限公司 | 一种服饰推荐方法、相关装置和设备 |
| CN111666963A (zh) * | 2019-03-07 | 2020-09-15 | 深圳云天励飞技术有限公司 | 一种服饰风格的识别方法、装置及设备 |
-
2020
- 2020-09-24 CN CN202011019790.XA patent/CN112163926B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110895702A (zh) * | 2018-09-12 | 2020-03-20 | 深圳云天励飞技术有限公司 | 一种服饰属性识别检测方法及装置 |
| CN110909746A (zh) * | 2018-09-18 | 2020-03-24 | 深圳云天励飞技术有限公司 | 一种服饰推荐方法、相关装置和设备 |
| CN111666963A (zh) * | 2019-03-07 | 2020-09-15 | 深圳云天励飞技术有限公司 | 一种服饰风格的识别方法、装置及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112163926A (zh) | 2021-01-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112035742B (zh) | 用户画像生成方法、装置、设备及存储介质 | |
| JP6825141B2 (ja) | 服飾コーディネーションの推薦方法および装置、電子デバイス、記憶媒体 | |
| Simo-Serra et al. | Fashion style in 128 floats: Joint ranking and classification using weak data for feature extraction | |
| CN110399890B (zh) | 图像识别方法、装置、电子设备及可读存储介质 | |
| Nikolentzos et al. | Kernel graph convolutional neural networks | |
| US9424466B2 (en) | Shoe image retrieval apparatus and method using matching pair | |
| US11475500B2 (en) | Device and method for item recommendation based on visual elements | |
| CN109191133B (zh) | 支付渠道的选择方法及终端设备 | |
| CN109766942A (zh) | 一种基于注意力神经网络的小样本学习图像识别方法 | |
| WO2020007989A1 (en) | Method for co-clustering senders and receivers based on text or image data files | |
| US10832305B1 (en) | System and method for image processing and searching for classification in a product database | |
| Latha et al. | Automatic Fruit Detection System using Multilayer Deep Convolution Neural Network | |
| CN112163926B (zh) | 服饰胸部尺码匹配方法、装置、设备及存储介质 | |
| CN104331395A (zh) | 从文本中识别中文商品名称的方法和装置 | |
| CN116402590B (zh) | 一种基于人工智能的个性化服装商城系统及推荐方法 | |
| CN114936326B (zh) | 基于人工智能的信息推荐方法、装置、设备及存储介质 | |
| CN114491086A (zh) | 服饰个性化搭配推荐方法、系统、电子设备及存储介质 | |
| CN112000701B (zh) | 数据查询的方法、装置、设备及存储介质 | |
| Meenakshi et al. | A novel image recognition using Fuzzy C-Means and content-based fabric image retrieval | |
| Lee et al. | Style Recommendation for Fashion Items using Heterogeneous Information Network. | |
| Blandon et al. | An enhanced and interpretable feature representation approach to support shape classification from binary images | |
| TW202016757A (zh) | 商品圖像比較搜尋系統與其方法 | |
| CN112445910B (zh) | 一种信息分类方法及系统 | |
| JP7457738B2 (ja) | 情報処理装置、情報処理方法および情報処理プログラム | |
| Ferreira | Retail Product Matching |
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 |