CN112418273B - 一种服饰流行程度评价方法、装置、智能终端及存储介质 - Google Patents

一种服饰流行程度评价方法、装置、智能终端及存储介质 Download PDF

Info

Publication number
CN112418273B
CN112418273B CN202011204546.0A CN202011204546A CN112418273B CN 112418273 B CN112418273 B CN 112418273B CN 202011204546 A CN202011204546 A CN 202011204546A CN 112418273 B CN112418273 B CN 112418273B
Authority
CN
China
Prior art keywords
popularity
reference image
image
evaluation
evaluated
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
CN202011204546.0A
Other languages
English (en)
Other versions
CN112418273A (zh
Inventor
王京华
江健民
毛隆春
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 University
Original Assignee
Shenzhen University
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 University filed Critical Shenzhen University
Priority to CN202011204546.0A priority Critical patent/CN112418273B/zh
Publication of CN112418273A publication Critical patent/CN112418273A/zh
Application granted granted Critical
Publication of CN112418273B publication Critical patent/CN112418273B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • 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
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0282—Rating or review of business operators or products
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • General Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种服饰流行程度评价方法、装置、智能终端及存储介质，其中，上述服饰流行程度评价方法包括：获取目标图像，其中，上述目标图像为待评价服饰的图像；获取参考图像以及各上述参考图像对应的流行值；基于上述目标图像、上述参考图像以及上述流行值对上述待评价服饰的流行程度进行评价，获取评价结果数据；输出上述评价结果数据。由于本发明方案基于多个参考图像及其对应的流行值对待评价服饰的流行程度进行评价，考虑广大用户群体对已有的参考图像的流行程度的评价值，即参考图像对应的流行值。因此相较于现有技术，本方案可收集并评价获得体现某一服饰的总体流行程度的评价结果数据，提高对于服饰的总体流行程度数据的准确率。

Description

一种服饰流行程度评价方法、装置、智能终端及存储介质
技术领域
本发明涉及图像处理技术领域，尤其涉及的是一种服饰流行程度评价方法、装置、智能终端及存储介质。
背景技术
随着社会经济的发展和生活质量的提高，人们对于自身的衣食住行的必需品的要求也越来越高。服饰作为个人形象的重要组成部分，也越来越受到人们重视。目前，随着互联网技术和电子商务的发展，网络逐渐成为服装销售的重要途径。网购极大的方便了用户的购物过程，网络店铺通常根据用户的需求、喜好和习惯为用户进行服饰推荐。
现有技术中，通常考虑如何为某一特定用户进行服饰推荐，如基于用户的面部图像进行服饰推荐、基于用户给定的条件为用户提供服饰套装推荐、基于用户的人体数据为用户进行服饰推荐等。上述方法都是基于某一特定用户给出的特定条件对相关服饰进行评价，其评价结果数据无法体现出广大用户群体对相关服饰的喜爱程度。现有技术的问题在于，对于服饰的评价数据收集都是以特定用户的角度出发，未考虑广大用户群体对于某一服饰的综合评价数据，无法收集并评价获得某一服饰的总体流行程度数据、导致现有流行程度数据不准确，从而无法对服装店铺所有者起到指导作用。
因此，现有技术还有待改进和发展。
发明内容
针对现有技术中对于服饰的评价数据收集都是以特定用户的角度出发，未考虑广大用户群体对于某一服饰的综合评价，无法收集并评价获得某一服饰的总体流行程度数据、导致现有流行程度数据不准确的技术问题，本发明提供一种服饰流行程度评价方法、装置、智能终端及存储介质，可通过获取目标图像，其中，上述目标图像为待评价服饰的图像；获取参考图像以及各上述参考图像对应的流行值；基于上述目标图像、上述参考图像以及上述流行值对上述待评价服饰的流行程度进行评价，获取评价结果数据；输出上述评价结果数据。基于多个参考图像及其对应的流行值对待评价服饰的流行程度进行评价，得到准确率高的流行程度数据，从而可达到收集并评价获得体现某一服饰的总体流行程度的评价结果数据，提高对于服饰的总体流行程度数据的准确率的技术效果。且可输出待评价服饰的流行程度的评价结果数据，进一步为服装店铺所有者起到指导作用。
为了实现上述技术效果，本发明第一方面提供一种服饰流行程度评价方法，其中，上述方法包括：
获取目标图像，其中，上述目标图像为待评价服饰的图像；
获取参考图像以及各上述参考图像对应的流行值；
基于上述目标图像、上述参考图像以及上述流行值对上述待评价服饰的流行程度进行评价，获取评价结果数据；
输出上述评价结果数据。
可选的，上述获取参考图像以及各上述参考图像对应的流行值，包括：
分别获取各参考图像以及各上述参考图像对应的互动次数，其中，上述互动次数包括转发次数、点赞次数和评论次数；
基于各上述互动次数分别获取各上述参考图像对应的流行值。
可选的，上述基于上述目标图像、上述参考图像以及上述流行值对上述待评价服饰的流行程度进行评价，获取评价结果数据，包括：
基于上述参考图像以及上述流行值建立评价模型；
基于上述目标图像以及上述评价模型对上述待评价服饰的流行程度进行评价，获取评价结果数据。
可选的，上述基于上述参考图像以及上述流行值建立评价模型，包括：
基于上述参考图像获取参考图像块；
基于上述参考图像块获取参考特征；
基于预设的聚类阈值和上述参考特征对各上述参考图像块进行聚类分析，获取参考簇；
基于预设的簇阈值对上述参考簇进行筛选，获取有效簇；
对于每一个上述参考图像，分别基于上述有效簇获取与上述参考图像对应的参考特征向量；
基于各上述参考特征向量以及各上述流行值的对应关系建立评价模型。
可选的，上述基于各上述参考特征向量以及各上述流行值的对应关系建立评价模型，包括：
基于上述流行值和预设的流行阈值对上述参考图像划分流行等级；
获取上述参考特征向量与上述流行等级的对应关系；
基于上述参考特征向量与上述流行等级的对应关系进行模型训练，获取评价模型。
可选的，上述基于上述目标图像以及上述评价模型对上述待评价服饰的流行程度进行评价，获取评价结果数据，包括：
基于上述有效簇获取上述目标图像的目标特征向量；
基于上述目标特征向量和上述评价模型获取上述目标图像的流行等级，作为评价结果数据。
本发明第二方面提供一种服饰流行程度评价装置，其中，上述装置包括：
目标图像获取模块，用于获取目标图像，其中，上述目标图像为待评价服饰的图像；
参考图像获取模块，用于获取参考图像以及各上述参考图像对应的流行值；
评价模块，用于基于上述目标图像、上述参考图像以及上述流行值对上述待评价服饰的流行程度进行评价，获取评价结果数据；
输出模块，用于输出上述评价结果数据。
可选的，上述评价模块包括：
模型建立单元，用于基于上述参考图像以及上述流行值建立评价模型；
流行评价单元，用于基于上述目标图像以及上述评价模型对上述待评价服饰的流行程度进行评价，获取评价结果数据。
本发明第三方面提供一种智能终端，包括存储器、处理器以及存储在上述存储器上并可在上述处理器上运行的程序，上述程序被上述处理器执行时实现上述任意一种服饰流行程度评价方法的步骤。
本发明第四方面提供一种非临时性计算机可读存储介质，其上存储有计算机程序，上述计算机程序被处理器执行时实现上述任意一种服饰流行程度评价方法的步骤。
由上可见，本发明方案获取目标图像，其中，上述目标图像为待评价服饰的图像；获取参考图像以及各上述参考图像对应的流行值；基于上述目标图像、上述参考图像以及上述流行值对上述待评价服饰的流行程度进行评价，获取评价结果数据；输出上述评价结果数据。由于本发明方案基于多个参考图像及其对应的流行值对待评价服饰的流行程度进行评价，考虑了广大用户群体对已有的参考图像的流行程度的评价值，即参考图像对应的流行值，得到准确率高的流行程度数据。因此相较于现有技术中基于某一特定用户给出的特定条件对相关服饰进行评价的方案，本方案可收集并评价获得体现某一服饰的总体流行程度的评价结果数据，提高对于服饰的总体流行程度数据的准确率，且可进一步为服装店铺所有者起到指导作用。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术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它的附图。
图1是本发明实施例提供的一种服饰流行程度评价方法的流程示意图；
图2是本发明实施例图1中步骤S20的具体流程示意图；
图3是本发明实施例图1中步骤S30的具体流程示意图；
图4是本发明实施例图3中步骤S31的具体流程示意图；
图5是本发明实施例图4中步骤S316的具体流程示意图；
图6是本发明实施例图3中步骤S32的具体流程示意图；
图7是本发明实施例提供的一种服饰流行程度评价装置的结构示意图；
图8是本发明实施例图7中评价模块730的具体结构示意图；
图9是本发明实施例提供的一种智能终端的内部结构原理框图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况下，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当…时”或“一旦”或“响应于确定”或“响应于检测到”。类似的，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述的条件或事件]”或“响应于检测到[所描述条件或事件]”。
下面结合本发明实施例的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，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做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其它不同于在此描述的方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
随着电子商务和移动互联网的普及，网络已经成为服装销售的重要途径之一。与线下商店不同，网络店铺不能为用户提供实物和当面服务，而只能为用户提供服饰图片。因此，对于网络店铺，如何更好的满足用户需求是网络店铺所有者十分关心的问题。现有技术中，通常考虑如何为某一特定用户进行服饰推荐，如基于用户的面部图像进行服饰推荐、基于用户给定的条件为用户提供服饰套装推荐、基于用户的人体数据为用户进行服饰推荐等。上述方法都是基于某一特定用户给出的特定条件对相关服饰进行评价，其评价结果数据无法在服装店铺所有者服务广大消费者的时候起到有效的指导作用。因此，需要有一种能对服饰的总体流行程度进行评价并获得总体流行程度数据的方法。
为了解决现有技术中存在的问题，本发明提供一种服饰流行程度评价方法，在本发明实施例中，当要对服饰的流行程度进行评价时，获取目标图像，其中，上述目标图像为待评价服饰的图像；获取参考图像以及各上述参考图像对应的流行值；基于上述目标图像、上述参考图像以及上述流行值对上述待评价服饰的流行程度进行评价，获取评价结果数据；输出上述评价结果数据。如此，基于多个参考图像及其对应的流行值对待评价服饰的流行程度进行评价，考虑了广大用户群体对已有的参考图像的流行程度的评价值，即参考图像对应的流行值，得到准确率高的流行程度数据。因此相较于现有技术中基于某一特定用户给出的特定条件对相关服饰进行评价的方案，本方案可收集并评价获得体现某一服饰的总体流行程度的评价结果数据，提高对于服饰的总体流行程度数据的准确率，且可进一步为服装店铺所有者起到指导作用。服装店铺所有者可以基于上述评价结果数据，为用户提供更多流行程度高的服饰，吸引用户浏览及购买。
示例性方法
如图1所示，本发明实施例提供一种服饰流行程度评价方法，上述方法包括如下步骤：
步骤S10，获取目标图像，其中，上述目标图像为待评价服饰的图像。
本实施例中，上述目标图像内应当仅包括待评价服饰，避免出现模特、背景等影响因素，以提高评价的准确性。
可选的，对于每一件待评价服饰，可以获取一个目标图像进行评价，减小评价过程中的计算量。例如获取待评价服饰的正面图像作为目标图像，因为正面图像往往是用户最关心的图像。还可以获取多张目标图像进行评价，以实现对于待评价服饰的更准确的评价。例如，获取待评价服饰的正面图、背面图和侧面图作为目标图像，提高评价准确性。本实施例中，以一个目标图像为例进行说明。
步骤S20，获取参考图像以及各上述参考图像对应的流行值。
本实施例中，上述参考图像内应当仅包括对应的参考服饰，避免出现模特、背景等影响因素，以提高评价的准确性。
可选的，上述参考图像可以为已经公开且有用户群体访问并作出评价的服饰图像，上述流行值体现出对应参考图像在上述用户群体中的受欢迎程度。其中，上述流行值可以通过用户群体打分进行评价获得，也可以基于用户群体的浏览、转发等互动行为进行评价获得。具体的，上述用户群体可以为特定的用户群体，如待评价服饰的目标消费者群体，也可以为没有特定条件的广大消费者用户群体。例如，待评价服饰为裙子时，上述用户群体可以为女性，从而实现更准确的评价。
步骤S30，基于上述目标图像、上述参考图像以及上述流行值对上述待评价服饰的流行程度进行评价，获取评价结果数据。
可选的，上述目标图像体现出上述待评价服饰的特征，上述参考图像以及各参考图像对应的流行值体现出参考图像中对应特征的流行程度。因此可以将上述目标图像中体现出的待评价服饰的特征与各上述参考图像中的特征进行对应匹配及评价，从而获得评价结果数据。
步骤S40，输出上述评价结果数据。
可选的，上述评价结果数据可以包括目标图像所对应的待评价服饰的评价值或评价等级。输出上述评价结果数据可以使服装店铺所有者获知对应的待评价服饰的流行程度，从而制定相应的展示和售卖策略，对服装店铺所有者起到有效的指导作用。
由上可见，本发明实施例提供的服饰流行程度评价方法获取目标图像，其中，上述目标图像为待评价服饰的图像；获取参考图像以及各上述参考图像对应的流行值；基于上述目标图像、各上述参考图像以及各上述流行值对上述待评价服饰的流行程度进行评价上述参考图像以及上述流行值对上述待评价服饰的流行程度进行评价，获取评价结果数据；输出上述评价结果数据。由于本发明方案基于多个参考图像及其对应的流行值对待评价服饰的流行程度进行评价，考虑了广大用户群体对已有的参考图像的流行程度的评价值，即参考图像对应的流行值，得到准确率高的流行程度数据。因此相较于现有技术中基于某一特定用户给出的特定条件对相关服饰进行评价的方案，本方案可收集并评价获得体现某一服饰的总体流行程度的评价结果数据，提高对于服饰的总体流行程度数据的准确率，且可进一步为服装店铺所有者起到指导作用。
具体的，如图2所示，本实施例中，上述步骤S20包括：
步骤S21，分别获取各参考图像以及各上述参考图像对应的互动次数，其中，上述互动次数包括转发次数、点赞次数和评论次数。
本实施例中，可以从预设的社交网站下载数据，获取上述各参考图像以及各上述参考图像对应的互动次数。例如，若某社交网站可以供用户上传图像并添加图像标签，同时可以使其他用户对上述图像进行转发、点赞、评论等互动。此时，可以获取该社交网站的后台数据，筛选出图像标签为服饰的图像作为参考图像，同时获得上述参考图像的互动次数。
可选的，可以基于预设的参考图像数量阈值获取对应数量的参考图像，也可以获取对应社交网站上所有的图像标签为服饰的图像作为参考图像，在此不做具体限制。具体的，上述参考图像的数量越多，对于待评价服饰的流行程度的评价越准确，但计算量也越大，因此可以预先设置参考图像数量阈值，以平衡计算量和准确性。其中，上述参考图像数量阈值可以基于实际情况进行调整。
可选的，上述互动次数可以统计所有用户对于各对应参考图像的互动次数，也可以统计特定的目标用户群体对于各对应参考图像的互动次数。上述特定的目标用户群体可以为男性群体、女性群体、儿童群体、二十到三十岁的用户群体等，可根据待评价服饰的目标消费者群体进行划分。此时，本实施例方案获取的评价结果数据体现该待评价服饰在上述特定的目标用户群体中的流行程度，从而可以使服装店铺所有者更精准的了解待评价服饰在目标消费者群体中的流行程度，并制定相应营销策略。
步骤S22，基于各上述互动次数分别获取各上述参考图像对应的流行值。
可选的，本实施例中，若某一参考图像的转发次数为n1，点赞次数为n2，评论次数为n3，则确定该参考图像对应的流行值l＝α1n1+α2n2+α3n3，其中α1、α2、和α3为预设的权重参数，上述α1、α2、和α3可以基于实际需求进行设置。可选的，上述流行值还可以有其它计算方式，在此不做具体限定。
具体的，如图3所示，本实施例中，上述步骤S30包括：
步骤S31，基于上述参考图像以及上述流行值建立评价模型。
步骤S32，基于上述目标图像以及上述评价模型对上述待评价服饰的流行程度进行评价，获取评价结果数据。
具体的，上述参考图像与上述流行值之间存在一一对应的关系，上述流行值体现了对应参考图像中的服饰的流行程度，因此可以基于多个参考图像及其对应的流行值建立评价模型。可选的，可以基于目标图像与参考图像的相似程度，通过上述评价模型对上述目标图像中的待评价服饰进行评价，从而获得待评价服饰的评价结果数据。例如，上述评价模型可以基于上述目标图像的图像特征获取与上述目标图像最接近的参考图像的流行值，并作为上述评价结果数据。当然，还可以有其它的计算方法，在此不做具体限制。
具体的，如图4所示，本实施例中，上述步骤S31包括：
步骤S311，基于上述参考图像获取参考图像块。
本实施例中，对每一个参考图像，分别在水平方向和竖直方向按照预设步幅进行密集采样获取图像块,并将所有图像块作为对应参考图像的参考图像块。其中，上述预设步幅可以设置为使得各相邻的图像块之间采集的内容连续的长度，例如，当采样的图像块为正方形图像块时，上述预设步幅可以设置为与上述正方形图像块的边长相等，以实现连续采样，保证不丢失参考图像中的任何视觉特征，提高识别和评价的准确性。可选的，上述采样的图像块还可以为矩形、三角形、圆形等规则形状，也可以为自定义的不规则图案，在此不做具体限定。
步骤S312，基于上述参考图像块获取参考特征。
具体的，对于上述每一个参考图像块，分别进行特征提取，获得每个参考图像块中包含的视觉特征作为该参考图像块对应的参考特征。本实施例中，使用预先训练的深度神经网络模型来进行特征提取，以保证提取获得的参考特征有足够的表达能力。如，可以使用ImageNet数据库训练过的1000类分类模型来进行特征提取。可选的，可以使用神经网络中全连接层之前的最后一个卷积层进行特征提取，以保证获取的参考特征可以保留对应图像块的空间信息。
步骤S313，基于预设的聚类阈值和上述参考特征对各上述参考图像块进行聚类分析，获取参考簇。
其中，上述预设的聚类阈值为预先设置的进行聚类分析时要获得的参考簇的目标数量，本实施例中，为了学习到足够多的视觉特征，设置一个较大的数值作为上述聚类阈值，如，设置上述聚类阈值为2000。实际使用中，上述聚类阈值还可以根据实际情况进行设置和调整，在此不做具体限制。
本实施例中，将上述参考图像块对应的参考特征作为输入信息，通过K均值聚类算法对上述参考图像块进行聚类分析，获得聚类阈值(如2000)个参考簇。K均值聚类算法是一种常用的划分聚类算法，简洁和效率高使得它被广泛使用。可选的，还可以采用其它聚类算法进行聚类分析，在此不做具体限定。
可选的，还可以不对参考图像块进行特征提取，直接将上述参考图像中的像素值作为输出信息进行聚类分析，获取参考簇。如此，可以减小计算量，提高对服饰进行流行程度评价的速度。
步骤S314，基于预设的簇阈值对上述参考簇进行筛选，获取有效簇。
可选的，上述预设的簇阈值为预先设置的需要获取的有效簇的目标数量。在聚类分析后获得了较多数目的参考簇，如果将上述参考簇全部选用进行计算，可能会使得计算量过大，因此，可以在上述参考簇中选择部分簇作为用于计算的有效簇。
本实施例中，可以预先设置上述簇阈值为100，从2000个参考簇中获取100个有效簇进行进一步计算，以减小计算量。具体的，本实施例中，在步骤S313中获得上述参考簇之后，将上述参考簇按照簇内包括的参考图像块的数目从多到少进行排序，并选取前面的100(簇阈值)个簇作为有效簇。因为包括的参考图像块的数目较少的参考簇一般只包括了偶然出现的视觉特征，往往不具有代表性，因此可以仅选择包括参考图像块的数目的参考簇作为有效簇进行计算，以减小计算量。
可选的，还可以通过其它方式选取上述有效簇，如随机选择或人工选择，在此不做具体限定。例如，在所有参考簇中包括的参考图像块的数目相差不多时，说明偶然出现的视觉特征较少，此时可以对上述参考簇进行随机选择以获得有效簇。
可选的，还可以不进行筛选，直接将所有的参考簇都视为有效簇，例如，在获得的参考簇数目较少时不进行筛选，直接将所有参考簇都作为有效簇。
步骤S315，对于每一个上述参考图像，分别基于上述有效簇获取与上述参考图像对应的参考特征向量。
具体的，上述每一个有效簇代表并定义了在所有的参考图像中某种频繁出现的视觉特征。可选的，分别获取每一个有效簇的簇中心特征，将上述簇中心特征作为对应有效簇内所有视觉特征的代表。
本实施例中，对于每一个参考图像，获取其所有的参考图像块及对应的参考特征，分别将上述参考图像块对应的参考特征与上述所有有效簇的簇中心特征进行对比，判断上述参考图像块是否包括上述簇中心特征。具体的，当某一参考图像块的参考特征与某一簇中心特征的相似度大于预设的相似阈值时，则判断该参考图像块包括该簇中心特征，也即，该参考图像块对应的参考图像包括该簇中心特征。其中，上述预设的相似阈值为判定两个视觉特征相似程度的阈值，可以预先设置，也可以基于实际需求进行调整。
进一步的，基于上述判断的结果，为每一个参考图像生成对应的参考特征向量。具体的，当有n个有效簇时，则有n个簇中心特征，按照上述有效簇的排序，为每一个参考图像生成一个n维二值向量作为参考特征向量，其中，n为簇阈值，n为正整数，本实施例中n可以取100。具体的，如果上述参考图像包括第i个簇中心特征，则设置上述参考特征向量的第i个元素的值为1；不包括第i个簇中心特征，则设置上述参考特征向量的第i个元素的值为0，其中，上述i为大于0且小于或等于n的整数。
步骤S316，基于各上述参考特征向量以及各上述流行值的对应关系建立评价模型。
在上述步骤S315获得每一个参考图像对应的参考特征向量后，可以基于上述参考图像与上述流行值的对应关系，获得上述参考特征向量与上述流行值的对应关系。从而建立基于参考特征向量和流行值的对应关系的评价模型，以实现基于特征向量评价获得对应的流行值。
具体的，如图5所示，本实施例中，上述步骤S316包括：
步骤S3161，基于上述流行值和预设的流行阈值对上述参考图像划分流行等级。
步骤S3162，获取上述参考特征向量与上述流行等级的对应关系。
步骤S3163，基于上述参考特征向量与上述流行等级的对应关系进行模型训练，获取评价模型。
本实施例中，为了使服饰的流行程度的评价结果数据更直观，将其以流行等级的形式呈现而不是流行值的形式呈现。具体的，基于预设的流行阈值对流行值划分流行等级，并基于流行值与参考图像的对应关系对上述参考图像划分流行等级。本实施例中，上述流行阈值包括第一阈值和第二阈值，其中上述第一阈值大于上述第二阈值，基于上述第一阈值和第二阈值划分高、中、低三个流行等级。当流行值大于或等于第一阈值时，流行等级为高，当流行值小于第一阈值且大于或等于第二阈值时，流行等级为中，当流行值小于第二阈值时，流行等级为低。可选的，还可以划分更多的流行等级，在此不做具体限定。
本实施例中，获得上述参考图像对应的流行等级后，基于上述参考特征向量与上述参考图像的对应关系获得各上述参考特征向量与上述流行等级的对应关系，然后基于上述参考特征向量与上述流行等级的对应关系进行模型训练，从而获取基于参考特征向量和流行等级的对应关系的评价模型。以实现基于待评价服饰的特征向量评价获得对应待评价服饰的流行等级，使用户(如服装店铺所有者)能直接获知某服饰的流行程度为高、中或低，更直观的起到指导作用。
具体的，如图6所示，本实施例中，上述步骤S32包括：
步骤S321，基于上述有效簇获取上述目标图像的目标特征向量。
步骤S322，基于上述目标特征向量和上述评价模型获取上述目标图像的流行等级，作为评价结果数据。
可选的，对上述目标图像进行密集采样获得目标图像块，对于每一个目标图像块分别进行特征提取获得对应的目标特征，其具体流程与基于参考图像获得参考特征的流程相似，在此不再赘述。获得上述目标图像的所有目标特征后，分别判断上述目标图像是否包括各有效簇对应的簇中心特征，具体的，当某一目标特征与某一簇中心特征的相似度大于预设的目标相似阈值时，则判断目标图像包括该簇中心特征。基于上述判断的结果与上述有效簇的排序，为上述目标图像生成目标特征向量，其具体流程与前述生成参考特征向量的流程相似，在此不再赘述。
在一种应用场景中，获得上述目标图像的目标特征向量后，将上述目标特征向量作为输入信息输入上述评价模型。上述评价模型获取与上述目标特征向量最接近的参考特征向量，并将最接近的参考特征向量对应的流行等级作为评价结果数据输出。在另一种应用场景中，获取与上述目标特征向量的相似程度大于预设向量相似阈值的所有参考特征向量，并基于上述所有参考特征向量对应的流行等级综合确定上述目标特征向量对应的流行等级，以实现更精准的评价。可选的，上述评价模型还可以有其它评价方法，在此不做具体限定。
示例性设备
如图7中所示，对应于上述服饰流行程度评价方法，本发明实施例还提供一种服饰流行程度评价装置，上述服饰流行程度评价装置包括：
目标图像获取模块710，用于获取目标图像，其中，上述目标图像为待评价服饰的图像。
本实施例中，上述目标图像内应当仅包括待评价服饰，避免出现模特、背景等影响因素，以提高评价的准确性。
可选的，对于每一件待评价服饰，上述目标图像获取模块710可以获取一个目标图像进行评价，减小评价过程中的计算量。例如获取待评价服饰的正面图像作为目标图像，因为正面图像往往是用户最关心的图像。还可以获取多张目标图像进行评价，以实现对于待评价服饰的更准确的评价。例如，获取待评价服饰的正面图、背面图和侧面图作为目标图像，提高评价准确性。本实施例中，以一个目标图像为例进行说明。
参考图像获取模块720，用于获取参考图像以及各上述参考图像对应的流行值。
本实施例中，上述参考图像内应当仅包括对应的参考服饰，避免出现模特、背景等影响因素，以提高评价的准确性。
可选的，上述参考图像可以为已经公开且有用户群体访问并作出评价的服饰图像，上述流行值体现出对应参考图像在上述用户群体中的受欢迎程度。其中，上述流行值可以通过用户群体打分进行评价获得，也可以基于用户群体的浏览、转发等互动行为进行评价获得。具体的，上述用户群体可以为特定的用户群体，如待评价服饰的目标消费者群体，也可以为没有特定条件的广大消费者用户群体。例如，待评价服饰为裙子时，上述用户群体可以为女性，从而实现更准确的评价。
评价模块730，用于基于上述目标图像、上述参考图像以及上述流行值对上述待评价服饰的流行程度进行评价，获取评价结果数据。
可选的，上述目标图像体现出上述待评价服饰的特征，上述参考图像以及各参考图像对应的流行值体现出参考图像中对应特征的流行程度。因此可以将上述目标图像中体现出的待评价服饰的特征与各上述参考图像中的特征进行对应匹配及评价，从而获得评价结果数据。
输出模块740，用于输出上述评价结果数据。
可选的，上述评价结果数据可以包括目标图像所对应的待评价服饰的评价值或评价等级。通过上述输出模块740输出上述评价结果数据可以使服装店铺所有者获知对应的待评价服饰的流行程度，从而制定相应的展示和售卖策略，对服装店铺所有者起到有效的指导作用。
由上可见，本发明实施例提供的服饰流行程度评价方法通过目标图像获取模块710获取目标图像，其中，上述目标图像为待评价服饰的图像；通过参考图像获取模块720获取参考图像以及各上述参考图像对应的流行值；通过评价模块730基于上述目标图像、各上述参考图像以及各上述流行值对上述待评价服饰的流行程度进行评价上述参考图像以及上述流行值对上述待评价服饰的流行程度进行评价，获取评价结果数据；通过输出模块740输出上述评价结果数据。由于本发明方案基于多个参考图像及其对应的流行值对待评价服饰的流行程度进行评价，考虑了广大用户群体对已有的参考图像的流行程度的评价值，即参考图像对应的流行值，得到准确率高的流行程度数据。因此相较于现有技术中基于某一特定用户给出的特定条件对相关服饰进行评价的方案，本方案可收集并评价获得体现某一服饰的总体流行程度的评价结果数据，提高对于服饰的总体流行程度数据的准确率，且可进一步为服装店铺所有者起到指导作用。
可选的，上述参考图像获取模块720具体用于：分别获取各参考图像以及各上述参考图像对应的互动次数，其中，上述互动次数包括转发次数、点赞次数和评论次数；基于各上述互动次数分别获取各上述参考图像对应的流行值。
本实施例中，上述参考图像获取模块720可以从预设的社交网站下载数据，获取上述各参考图像以及各上述参考图像对应的互动次数。例如，若某社交网站可以供用户上传图像并添加图像标签，同时可以使其他用户对上述图像进行转发、点赞、评论等互动。此时，上述参考图像获取模块720可以获取该社交网站的后台数据，筛选出图像标签为服饰的图像作为参考图像，同时获得上述参考图像的互动次数。
可选的，上述参考图像获取模块720可以基于预设的参考图像数量阈值获取对应数量的参考图像，也可以获取对应社交网站上所有的图像标签为服饰的图像作为参考图像，在此不做具体限制。具体的，上述参考图像的数量越多，对于待评价服饰的流行程度的评价越准确，但计算量也越大，因此可以预先设置参考图像数量阈值，以平衡计算量和准确性。其中，上述参考图像数量阈值可以基于实际情况进行调整。
可选的，上述互动次数可以统计所有用户对于各对应参考图像的互动次数，也可以统计特定的目标用户群体对于各对应参考图像的互动次数。上述特定的目标用户群体可以为男性群体、女性群体、儿童群体、二十到三十岁的用户群体等，可根据待评价服饰的目标消费者群体进行划分。此时，本实施例方案获取的评价结果数据体现该待评价服饰在上述特定的目标用户群体中的流行程度，从而可以使服装店铺所有者更精准的了解待评价服饰在目标消费者群体中的流行程度，并制定相应营销策略。
可选的，本实施例中，若某一参考图像的转发次数为n1，点赞次数为n2，评论次数为n3，则确定该参考图像对应的流行值l＝α1n1+α2n2+α3n3，其中α1、α2、和α3为预设的权重参数，上述α1、α2、和α3可以基于实际需求进行设置。可选的，上述流行值还可以有其它计算方式，在此不做具体限定。
具体的，如图8所示，本实施例中，上述评价模块730包括：
模型建立单元731，用于基于上述参考图像以及上述流行值建立评价模型。
流行评价单元732，用于基于上述目标图像以及上述评价模型对上述待评价服饰的流行程度进行评价，获取评价结果数据。
具体的，上述参考图像与上述流行值之间存在一一对应的关系，上述流行值体现了对应参考图像中的服饰的流行程度，因此上述模型建立单元731可以基于多个参考图像及其对应的流行值建立评价模型。可选的，上述流行评价单元732可以基于目标图像与参考图像的相似程度，通过上述评价模型对上述目标图像中的待评价服饰进行评价，从而获得待评价服饰的评价结果数据。例如，上述评价模型可以基于上述目标图像的图像特征获取与上述目标图像最接近的参考图像的流行值，并作为上述评价结果数据。当然，还可以有其它的计算方法，在此不做具体限制。
可选的，上述模型建立单元731具体用于：基于上述参考图像获取参考图像块；基于上述参考图像块获取参考特征；基于预设的聚类阈值和上述参考特征对各上述参考图像块进行聚类分析，获取参考簇；基于预设的簇阈值对上述参考簇进行筛选，获取有效簇；对于每一个上述参考图像，分别基于上述有效簇获取与上述参考图像对应的参考特征向量；基于各上述参考特征向量以及各上述流行值的对应关系建立评价模型。
本实施例中，对每一个参考图像，分别在水平方向和竖直方向按照预设步幅进行密集采样获取图像块,并将所有图像块作为对应参考图像的参考图像块。其中，上述预设步幅可以设置为使得各相邻的图像块之间采集的内容连续的长度，例如，当采样的图像块为正方形图像块时，上述预设步幅可以设置为与上述正方形图像块的边长相等，以实现连续采样，保证不丢失参考图像中的任何视觉特征，提高识别和评价的准确性。可选的，上述采样的图像块还可以为矩形、三角形、圆形等规则形状，也可以为自定义的不规则图案，在此不做具体限定。
具体的，对于上述每一个参考图像块，分别进行特征提取，获得每个参考图像块中包含的视觉特征作为该参考图像块对应的参考特征。本实施例中，使用预先训练的深度神经网络模型来进行特征提取，以保证提取获得的参考特征有足够的表达能力。如，可以使用ImageNet数据库训练过的1000类分类模型来进行特征提取。可选的，可以使用神经网络中全连接层之前的最后一个卷积层进行特征提取，以保证获取的参考特征可以保留对应图像块的空间信息。
其中，上述预设的聚类阈值为预先设置的进行聚类分析时要获得的参考簇的目标数量，本实施例中，为了学习到足够多的视觉特征，设置一个较大的数值作为上述聚类阈值，如，设置上述聚类阈值为2000。实际使用中，上述聚类阈值还可以根据实际情况进行设置和调整，在此不做具体限制。
本实施例中，将上述参考图像块对应的参考特征作为输入信息，通过K均值聚类算法对上述参考图像块进行聚类分析，获得聚类阈值(如2000)个参考簇。K均值聚类算法是一种常用的划分聚类算法，简洁和效率高使得它被广泛使用。可选的，还可以采用其它聚类算法进行聚类分析，在此不做具体限定。
可选的，还可以不对参考图像块进行特征提取，直接将上述参考图像中的像素值作为输出信息进行聚类分析，获取参考簇。如此，可以减小计算量，提高对服饰进行流行程度评价的速度。
可选的，上述预设的簇阈值为预先设置的需要获取的有效簇的目标数量。在聚类分析后获得了较多数目的参考簇，如果将上述参考簇全部选用进行计算，可能会使得计算量过大，因此，可以在上述参考簇中选择部分簇作为用于计算的有效簇。
本实施例中，可以预先设置上述簇阈值为100，从2000个参考簇中获取100个有效簇进行进一步计算，以减小计算量。具体的，本实施例中，在获得上述参考簇之后，将上述参考簇按照簇内包括的参考图像块的数目从多到少进行排序，并选取前面的100(簇阈值)个簇作为有效簇。因为包括的参考图像块的数目较少的参考簇一般只包括了偶然出现的视觉特征，往往不具有代表性，因此可以仅选择包括参考图像块的数目的参考簇作为有效簇进行计算，以减小计算量。
可选的，还可以通过其它方式选取上述有效簇，如随机选择或人工选择，在此不做具体限定。例如，在所有参考簇中包括的参考图像块的数目相差不多时，说明偶然出现的视觉特征较少，此时可以对上述参考簇进行随机选择以获得有效簇。
可选的，还可以不进行筛选，直接将所有的参考簇都视为有效簇，例如，在获得的参考簇数目较少时不进行筛选，直接将所有参考簇都作为有效簇。
具体的，上述每一个有效簇代表并定义了在所有的参考图像中某种频繁出现的视觉特征。可选的，分别获取每一个有效簇的簇中心特征，将上述簇中心特征作为对应有效簇内所有视觉特征的代表。
本实施例中，对于每一个参考图像，获取其所有的参考图像块及对应的参考特征，分别将上述参考图像块对应的参考特征与上述所有有效簇的簇中心特征进行对比，判断上述参考图像块是否包括上述簇中心特征。具体的，当某一参考图像块的参考特征与某一簇中心特征的相似度大于预设的相似阈值时，则判断该参考图像块包括该簇中心特征，也即，该参考图像块对应的参考图像包括该簇中心特征。其中，上述预设的相似阈值为判定两个视觉特征相似程度的阈值，可以预先设置，也可以基于实际需求进行调整。
进一步的，基于上述判断的结果，为每一个参考图像生成对应的参考特征向量。具体的，当有n个有效簇时，则有n个簇中心特征，按照上述有效簇的排序，为每一个参考图像生成一个n维二值向量作为参考特征向量，其中，n为簇阈值，n为正整数，本实施例中n可以取100。具体的，如果上述参考图像包括第i个簇中心特征，则设置上述参考特征向量的第i个元素的值为1；不包括第i个簇中心特征，则设置上述参考特征向量的第i个元素的值为0，其中，上述i为大于0且小于或等于n的整数。
在上述获得每一个参考图像对应的参考特征向量后，可以基于上述参考图像与上述流行值的对应关系，获得上述参考特征向量与上述流行值的对应关系。从而建立基于参考特征向量和流行值的对应关系的评价模型，以实现基于特征向量评价获得对应的流行值。
进一步的，上述模型建立单元731还可具体用于：基于上述流行值和预设的流行阈值对上述参考图像划分流行等级；获取上述参考特征向量与上述流行等级的对应关系；基于上述参考特征向量与上述流行等级的对应关系进行模型训练，获取评价模型。
本实施例中，为了使服饰的流行程度的评价结果数据更直观，将其以流行等级的形式呈现而不是流行值的形式呈现。具体的，基于预设的流行阈值对流行值划分流行等级，并基于流行值与参考图像的对应关系对上述参考图像划分流行等级。本实施例中，上述流行阈值包括第一阈值和第二阈值，其中上述第一阈值大于上述第二阈值，基于上述第一阈值和第二阈值划分高、中、低三个流行等级。当流行值大于或等于第一阈值时，流行等级为高，当流行值小于第一阈值且大于或等于第二阈值时，流行等级为中，当流行值小于第二阈值时，流行等级为低。可选的，还可以划分更多的流行等级，在此不做具体限定。
本实施例中，获得上述参考图像对应的流行等级后，基于上述参考特征向量与上述参考图像的对应关系获得各上述参考特征向量与上述流行等级的对应关系，然后基于上述参考特征向量与上述流行等级的对应关系进行模型训练，从而获取基于参考特征向量和流行等级的对应关系的评价模型。以实现基于待评价服饰的特征向量评价获得对应待评价服饰的流行等级，使用户(如服装店铺所有者)能直接获知某服饰的流行程度为高、中或低，更直观的起到指导作用。
可选的，上述评价模块730还可以具体用于：基于上述有效簇获取上述目标图像的目标特征向量；基于上述目标特征向量和上述评价模型获取上述目标图像的流行等级，作为评价结果数据。
可选的，上述评价模块730对上述目标图像进行密集采样获得目标图像块，对于每一个目标图像块分别进行特征提取获得对应的目标特征，其具体流程与基于参考图像获得参考特征的流程相似，在此不再赘述。获得上述目标图像的所有目标特征后，上述评价模块730分别判断上述目标图像是否包括各有效簇对应的簇中心特征，具体的，当某一目标特征与某一簇中心特征的相似度大于预设的目标相似阈值时，则判断目标图像包括该簇中心特征。基于上述判断的结果与上述有效簇的排序，为上述目标图像生成目标特征向量，其具体流程与前述生成参考特征向量的流程相似，在此不再赘述。
在一种应用场景中，获得上述目标图像的目标特征向量后，上述评价模块730将上述目标特征向量作为输入信息输入上述评价模型。上述评价模型获取与上述目标特征向量最接近的参考特征向量，并将最接近的参考特征向量对应的流行等级作为评价结果数据输出。在另一种应用场景中，上述评价模块730获取与上述目标特征向量的相似程度大于预设向量相似阈值的所有参考特征向量，并基于上述所有参考特征向量对应的流行等级综合确定上述目标特征向量对应的流行等级，以实现更精准的评价。可选的，上述评价模型还可以有其它评价方法，在此不做具体限定。
基于上述实施例，本发明还提供了一种智能终端，其原理框图可以如图9所示。上述智能终端包括通过系统总线连接的处理器、存储器、网络接口以及显示屏。其中，该智能终端的处理器用于提供计算和控制能力。该智能终端的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该智能终端的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时实现上述任意一种服饰流行程度评价方法的步骤。该智能终端的显示屏可以是液晶显示屏或者电子墨水显示屏。
本领域技术人员可以理解，图9中示出的原理框图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的智能终端的限定，具体的智能终端可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种智能终端，包括有存储器、处理器以及存储在上述存储器上并可在上述处理器上运行的程序，上述程序被上述处理器执行时进行以下操作指令：
获取目标图像，其中，上述目标图像为待评价服饰的图像；
获取参考图像以及各上述参考图像对应的流行值；
基于上述目标图像、上述参考图像以及上述流行值对上述待评价服饰的流行程度进行评价，获取评价结果数据；
输出上述评价结果数据。
本发明实施例还提供一种非临时性计算机可读存储介质，其上存储有计算机程序，上述计算机程序被处理器执行时实现本发明实施例提供的任一种服饰流行程度评价方法所述的步骤。
应理解，上述实施例中各步骤的序号大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将上述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通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实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。这些功能究竟是以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同的方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，上述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以由另外的划分方式，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。
上述集成的模块/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存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，上述计算机程序可存储于以计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，上述计算机程序包括计算机程序代码，上述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。上述计算机可读介质可以包括：能够携带上述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，上述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减。
以上所述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，并不是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，均应包含在本发明的保护范围之内。

Claims (7)

1.一种服饰流行程度评价方法，其特征在于，所述方法包括：
获取目标图像，其中，所述目标图像为待评价服饰的图像；
获取参考图像以及各所述参考图像对应的流行值；
所述获取参考图像以及各所述参考图像对应的流行值，包括：
分别获取各参考图像以及各所述参考图像对应的互动次数，其中，所述互动次数包括转发次数、点赞次数和评论次数；
预先设置参考图像数量阈值，平衡计算量和准确性；
基于各所述互动次数分别获取各所述参考图像对应的流行值；或预先划分待评价服饰的目标用户群体，基于划分后用户群体对于各对应参考图像的互动次数，分别获取各所述参考图像对应的流行值；基于所述目标图像、所述参考图像以及所述流行值对所述待评价服饰的流行程度进行评价，获取评价结果数据；
所述基于所述目标图像、所述参考图像以及所述流行值对所述待评价服饰的流行程度进行评价，获取评价结果数据，包括：
基于所述参考图像以及所述流行值建立评价模型；
基于所述目标图像以及所述评价模型对所述待评价服饰的流行程度进行评价，获取评价结果数据；
所述基于所述参考图像以及所述流行值建立评价模型，包括：
基于所述参考图像获取参考图像块；
基于所述参考图像块获取参考特征；
基于预设的聚类阈值和所述参考特征对各所述参考图像块进行聚类分析，获取参考簇；
基于预设的簇阈值对所述参考簇进行筛选，获取有效簇；
对于每一个所述参考图像，分别基于所述有效簇获取与所述参考图像对应的参考特征向量；
基于各所述参考特征向量以及各所述流行值的对应关系建立评价模型；
输出所述评价结果数据。
2.根据权利要求1所述的服饰流行程度评价方法，其特征在于，所述基于各所述参考特征向量以及各所述流行值的对应关系建立评价模型，包括：
基于所述流行值和预设的流行阈值对所述参考图像划分流行等级；
获取所述参考特征向量与所述流行等级的对应关系；
基于所述参考特征向量与所述流行等级的对应关系进行模型训练，获取评价模型。
3.根据权利要求2所述的服饰流行程度评价方法，其特征在于，所述基于所述目标图像以及所述评价模型对所述待评价服饰的流行程度进行评价，获取评价结果数据，包括：
基于所述有效簇获取所述目标图像的目标特征向量；
基于所述目标特征向量和所述评价模型获取所述目标图像的流行等级，作为评价结果数据。
4.一种服饰流行程度评价装置，其特征在于，所述装置包括：
目标图像获取模块，用于获取目标图像，其中，所述目标图像为待评价服饰的图像；
参考图像获取模块，用于获取参考图像以及各所述参考图像对应的流行值；
所述获取参考图像以及各所述参考图像对应的流行值，包括：
分别获取各参考图像以及各所述参考图像对应的互动次数，其中，所述互动次数包括转发次数、点赞次数和评论次数；
预先设置参考图像数量阈值，平衡计算量和准确性；
基于各所述互动次数分别获取各所述参考图像对应的流行值；或预先划分待评价服饰的目标用户群体，基于划分后用户群体对于各对应参考图像的互动次数，分别获取各所述参考图像对应的流行值；
评价模块，用于基于所述目标图像、所述参考图像以及所述流行值对所述待评价服饰的流行程度进行评价，获取评价结果数据；
所述基于所述目标图像、所述参考图像以及所述流行值对所述待评价服饰的流行程度进行评价，获取评价结果数据，包括：
基于所述参考图像以及所述流行值建立评价模型；
基于所述目标图像以及所述评价模型对所述待评价服饰的流行程度进行评价，获取评价结果数据；
所述基于所述参考图像以及所述流行值建立评价模型，包括：
基于所述参考图像获取参考图像块；
基于所述参考图像块获取参考特征；
基于预设的聚类阈值和所述参考特征对各所述参考图像块进行聚类分析，获取参考簇；
基于预设的簇阈值对所述参考簇进行筛选，获取有效簇；
对于每一个所述参考图像，分别基于所述有效簇获取与所述参考图像对应的参考特征向量；
基于各所述参考特征向量以及各所述流行值的对应关系建立评价模型；
输出模块，用于输出所述评价结果数据。
5.根据权利要求4所述的服饰流行程度评价装置，其特征在于，所述评价模块包括：
模型建立单元，用于基于所述参考图像以及所述流行值建立评价模型；
流行评价单元，用于基于所述目标图像以及所述评价模型对所述待评价服饰的流行程度进行评价，获取评价结果数据。
6.一种智能终端，其特征在于，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的程序，所述程序被所述处理器执行时实现如权利要求1-3任意一项所述方法的步骤。
7.一种非临时性计算机可读存储介质，其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如权利要求1-3任意一项所述的方法的步骤。
CN202011204546.0A 2020-11-02 2020-11-02 一种服饰流行程度评价方法、装置、智能终端及存储介质 Active CN112418273B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011204546.0A CN112418273B (zh) 2020-11-02 2020-11-02 一种服饰流行程度评价方法、装置、智能终端及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011204546.0A CN112418273B (zh) 2020-11-02 2020-11-02 一种服饰流行程度评价方法、装置、智能终端及存储介质

Publications (2)

Publication Number Publication Date
CN112418273A CN112418273A (zh) 2021-02-26
CN112418273B true CN112418273B (zh) 2024-03-26

Family

ID=74827328

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011204546.0A Active CN112418273B (zh) 2020-11-02 2020-11-02 一种服饰流行程度评价方法、装置、智能终端及存储介质

Country Status (1)

Country Link
CN (1) CN112418273B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114880057A (zh) * 2022-04-22 2022-08-09 北京三快在线科技有限公司 图像显示方法、装置、终端、服务器及存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104331417A (zh) * 2014-10-09 2015-02-04 深圳码隆科技有限公司 一种用户个人服饰的搭配方法
CN105913433A (zh) * 2016-04-12 2016-08-31 北京小米移动软件有限公司 信息推送方法及装置
CN107577897A (zh) * 2017-09-25 2018-01-12 广州云翥轩设计有限公司 一种个性化服装设计专家推荐系统
CN108280477A (zh) * 2018-01-22 2018-07-13 百度在线网络技术（北京）有限公司 用于聚类图像的方法和装置
CN108960499A (zh) * 2018-06-27 2018-12-07 东华大学 一种融合视觉和非视觉特征的服装流行趋势预测系统
CN109003266A (zh) * 2018-07-13 2018-12-14 中国科学院长春光学精密机械与物理研究所 一种基于模糊聚类统计图像质量主观评价结果的方法
CN109639973A (zh) * 2018-12-21 2019-04-16 中国科学院自动化研究所南京人工智能芯片创新研究院 拍摄图像评分方法、评分装置、电子设备及存储介质
CN110021061A (zh) * 2018-01-08 2019-07-16 广东欧珀移动通信有限公司 搭配模型构建方法、服饰推荐方法、装置、介质及终端
KR20200044198A (ko) * 2018-10-10 2020-04-29 (주)필링크아이 딥 러닝 기반의 의상 스타일 평가 방법 및 시스템
CN111145242A (zh) * 2019-12-26 2020-05-12 赛维时代科技股份有限公司 预测流行趋势的方法、智能设备和计算机可读存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104331417A (zh) * 2014-10-09 2015-02-04 深圳码隆科技有限公司 一种用户个人服饰的搭配方法
CN105913433A (zh) * 2016-04-12 2016-08-31 北京小米移动软件有限公司 信息推送方法及装置
CN107577897A (zh) * 2017-09-25 2018-01-12 广州云翥轩设计有限公司 一种个性化服装设计专家推荐系统
CN110021061A (zh) * 2018-01-08 2019-07-16 广东欧珀移动通信有限公司 搭配模型构建方法、服饰推荐方法、装置、介质及终端
CN108280477A (zh) * 2018-01-22 2018-07-13 百度在线网络技术（北京）有限公司 用于聚类图像的方法和装置
CN108960499A (zh) * 2018-06-27 2018-12-07 东华大学 一种融合视觉和非视觉特征的服装流行趋势预测系统
CN109003266A (zh) * 2018-07-13 2018-12-14 中国科学院长春光学精密机械与物理研究所 一种基于模糊聚类统计图像质量主观评价结果的方法
KR20200044198A (ko) * 2018-10-10 2020-04-29 (주)필링크아이 딥 러닝 기반의 의상 스타일 평가 방법 및 시스템
CN109639973A (zh) * 2018-12-21 2019-04-16 中国科学院自动化研究所南京人工智能芯片创新研究院 拍摄图像评分方法、评分装置、电子设备及存储介质
CN111145242A (zh) * 2019-12-26 2020-05-12 赛维时代科技股份有限公司 预测流行趋势的方法、智能设备和计算机可读存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
《基于数据驱动的网络内容流行度预测研究 ——以服装流行趋势为例》;李晓颖，等;现代信息科技;20190625;第第3卷卷(第第12期期);20-22 *

Also Published As

Publication number Publication date
CN112418273A (zh) 2021-02-26

Similar Documents

Publication Publication Date Title
CN109559208B (zh) 一种信息推荐方法、服务器及计算机可读介质
Xie et al. Scut-fbp: A benchmark dataset for facial beauty perception
Inoue et al. Multi-label fashion image classification with minimal human supervision
US20190102652A1 (en) Information pushing method, storage medium and server
CN108510000A (zh) 复杂场景下行人细粒度属性的检测与识别方法
CN106202316A (zh) 基于视频的商品信息获取方法及装置
CN106326441A (zh) 信息推荐方法及装置
CN109993595A (zh) 个性化推荐商品及服务的方法、系统及设备
WO2020156171A1 (zh) 视频发布方法、装置、设备和存储介质
CN110705755A (zh) 一种基于深度学习的服装流行趋势预测方法与装置
CN107729380A (zh) 服饰搭配方法、终端、计算机终端
CN108959323A (zh) 视频分类方法和装置
CN113689324A (zh) 一种基于二分类标签的人像物件的自动增删方法及装置
CN111401339A (zh) 识别人脸图像中的人的年龄的方法、装置及电子设备
CN112434210A (zh) 一种服装流行趋势预测系统与方法
CN111861678A (zh) 一种资源推荐方法、装置、电子设备及存储介质
CN112418273B (zh) 一种服饰流行程度评价方法、装置、智能终端及存储介质
CN114239754A (zh) 基于属性特征学习解耦的行人属性识别方法及系统
CN111126457A (zh) 信息的获取方法和装置、存储介质和电子装置
CN112767038B (zh) 基于美学特征的海报ctr预测方法及装置
CN108875496A (zh) 行人画像的生成及基于画像的行人识别
CN113159876A (zh) 服装搭配推荐装置、方法及存储介质
Hu et al. HCRS: A hybrid clothes recommender system based on user ratings and product features
KR102495868B1 (ko) Ai를 활용한 패션 연계 맞춤형 향수 추천시스템
CN106649300A (zh) 一种基于云平台的智能服饰搭配推荐方法及系统

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