CN112633969A - 一种智能衣柜系统及智能试衣推荐方法 - Google Patents

Abstract

本发明涉及一种智能衣柜系统及智能试衣推荐方法，所述智能试衣推荐方法包括：智能推荐步骤和虚拟试衣步骤；所述智能推荐步骤包括：获取用户自身数据、外在关联数据以及衣服信息；通过服装搭配推荐算法进行服装搭配推荐；根据获取的用户数据输出适用于用户的服装单品；所述虚拟试衣步骤包括：获取训练的数据；图像处理和特征提取；模型训练；使用3D扫描仪和摄像头捕捉人体体型和姿态数据，根据身材模型和穿戴模型库，输出最终能够匹配用户的穿戴模型。本发明的优点在于：可以通过搜集用户的个人特征、结合购物记录及在社交网络上给博主穿搭点赞的数据，帮助用户找到最适合的穿搭产品，极大地提高了用户穿衣搭配效率以及丰富了穿衣搭配样式的风格。

Description

一种智能衣柜系统及智能试衣推荐方法

技术领域

本发明涉及智能家居技术领域，尤其涉及一种智能衣柜系统及智能试衣推荐方法。

背景技术

过去时尚家居文化仅仅停留在造型、材料、做工等方面，然而在社会全面信息化、智能化、自动化的今天，家庭智能化是大势所趋。在人们日常生活中经常会为了怎样穿搭衣服而烦恼，而且大部分人可能不会穿搭衣服；一般情况下每个人的同一个季节的衣服是比较多的，特别是女性，如何从中挑选出最佳的或者说比较满意的穿衣搭配是很花费时间的，而且有时候用户特别想穿某件衣服或者裤子时，衣柜里面的服装并不能挑选出最佳或者较好的搭配效果；因此，如何解决上述问题是现阶段我们需要考虑的。

发明内容

本发明的目的在于克服现有技术的缺点，提供了一种智能衣柜系统及智能试衣推荐方法，解决了目前通过人为的搭配服装存在的不足。

本发明的目的通过以下技术方案来实现：一种智能衣柜系统，它包括智能存储模块、智能分拣模块、智能推荐模块和虚拟试衣模块；

所述智能存储模块用于在每件新衣服入库时，在领口位置熨贴上电子标签，并通过拍照、扫描条形码或手动输入形式，记录衣服信息，电子标签将衣服与这些信息唯一绑定在一起，使智能衣柜可以通过电子标签识别每件衣服；

所述自动分拣模块主要由装置有RFID读写器的机械臂完成，用户只需要将需要清洗的衣服放到洗衣机里，洗衣机在自动完成洗衣、烘干、熨烫后，机械臂通过衣服上的电子标签确定衣服身份，并识别衣领位置将衣服拎起，衣柜根据衣服的样式、材质确定衣服悬挂位置；并在当衣柜收到取衣指令时，机械臂根据数据库中衣服的存放位置，自动取出衣服，并进行熨烫，如果不需要，只要放回即可，机械臂会重新识别并将衣服归位；

所述智能推荐模块用于用户可以输入年龄、身高、体重、性格爱好的基本信息，衣柜通过识别用户日常风格、天气、穿着场合，在衣柜中现有的衣服里选择搭配；通过搜集用户的个人特征、结合购物记录及在社交网络上给博主穿搭点赞的数据，帮助用户找到最适合的穿搭产品；

虚拟试衣模块通过衣柜前置摄像头和电子屏幕做成的试衣镜，用户只要站在镜子前面，启动人脸识别和身材识别，镜子就会自动采集人体外观数据，并在几秒内构建出一个虚拟人像，快速试穿搭配的衣服，省去穿脱的繁琐程序，并且可以试穿购物商城中的衣物饰品，效果满意即可直接下单。

一种智能试衣推荐方法，所述智能试衣推荐方法包括：智能推荐步骤和虚拟试衣步骤；

所述智能推荐步骤包括：获取用户自身数据、外在关联数据以及衣服信息；通过服装搭配推荐算法进行服装搭配推荐；根据获取的用户数据输出适用于用户的服装单品；

所述虚拟试衣步骤包括：获取训练的数据；图像处理和特征提取；模型训练；使用3D扫描仪和摄像头捕捉人体体型和姿态数据，根据身材模型和穿戴模型库，输出最终能够匹配用户的穿戴模型。

所述用户自身数据包括用户的身高、体重、三围、性别、年龄、地域、穿衣风格和穿着场合；所述外在关联数据包括天气情况、目前的穿衣流行趋势、用户关联账户关于服饰的浏览和点赞以及购买记录；所述衣服信息包括图像、颜色、品牌、价格和材质。

所述通过服装搭配推荐算法进行服装搭配推荐包括：

通过用户对不同商品的历史行为记录挖掘商品间的相似度，根据用户对商品的历史偏好信息将相似的商品推荐给用户；

基于用户购买行为数据分析用户组合购买模式，通过关联规则挖掘潜在的服装搭配模式；

将协同过滤的推荐结果和基于关联规则的推荐结果进行融合得到最终的服装搭配组合。

所述获取训练的数据包括：

利用网络爬虫抓取人物的图像和上衣产品图像来训练，其中抓取的图像包括街拍、明星、博主穿搭和大牌服饰新款海报，这些人体的体态特征都不一致，增加体态特征数据以实现更好地拟合不同姿势和衣服；

每张图像是一个多维向量，包括RGB三通道在长宽上的一个矩阵，通过特征学习自动学习目标图像的有用特征。

所述图像处理和特征提取包括：

通过图像压缩，增强和复原，匹配、描述和识别将上传的全身搭配图像处理并分割成短袖、裙子、方包和高跟鞋的单品图像；

提取出衣服颜色、线条、纹理、花边计算机需要的图片特征，并将这些特征输给训练器进行机器学习训练。

本发明具有以下优点：一种智能衣柜系统及智能试衣推荐方法，可以通过搜集用户的个人特征、结合购物记录及在社交网络上给博主穿搭点赞的数据，帮助用户找到最适合的穿搭产品，极大地提高了用户穿衣搭配效率以及丰富了穿衣搭配样式的风格。

附图说明

图1为智能推荐的流程图；

图2为虚拟试衣的流程图；

图3为智能衣柜系统架构图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请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申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的保护范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。下面结合附图对本发明做进一步的描述。

本发明的智能衣柜系统具有的功能包括：智能存储、智能分拣、智能推荐和虚拟试衣。

其中智能存储是衣柜最基本的功能，衣柜根据衣袜鞋帽的不同样式、材质，合理分区，比如将真丝、羊绒、真皮等娇贵材质的衣物分类归置，每个分区装有温度、湿度传感器，衣柜根据传感器数据和季度天气，自动抽湿或者暖风干燥，同时衣柜带有紫外线杀菌灯，当智能感应到无人时，定时开启杀菌，这样可以防止衣物发霉、变色等，延长使用寿命。

每件新衣服“入库”时，在领口位置熨贴上电子标签，并通过拍照、扫描条形码或手动输入等形式，记录衣服信息，比如颜色、品牌、价格、材质等，电子标签将衣服与这些信息唯一绑定在一起，使衣柜可以通过电子标签识别每件衣服，进而实现分类归置、智能分拣和智能推荐等功能。

智能分拣功能主要由装置有RFID(Radio Frequency Identification，射频识别)读写器的机械臂完成。用户只需要将需要清洗的衣服放到洗衣机里，洗衣机在自动完成洗衣、烘干、熨烫后，机械臂通过衣服上的电子标签确定衣服身份，并识别衣领位置将衣服拎起，衣柜根据衣服的样式、材质确定衣服悬挂位置。

同样的，当衣柜收到取衣指令时，机械臂根据数据库中衣服的存放位置，自动取出衣服，并进行熨烫，如果不需要，只要放回即可，机械臂会重新识别并将衣服归位。

“明天怎么穿”可能是除了“明天吃什么”之外最让人头疼的问题了。一位专业的形象设计师在搭配服装时要考虑到被搭配人的体型、肤色、性格、生活习惯包括职业特点等等因素，因而要价不菲。而人工智能衣柜的出现，有希望让每个人都能拥有属于自己的一位服装搭配师，不再为“明天穿什么”而犯愁。

智能推荐中衣柜中的每件衣服的信息就是一个数据，然后形成数据库。用户在移动端可以随意浏览。比如可以在app上根据衣服类别、颜色、品牌、价格进行分类查看或排序。用户可以自己选择衣服进行搭配，或者将选择权交给衣柜。

用户可以输入年龄、身高、体重、性格爱好等基本信息，衣柜通过识别用户日常风格、天气、穿着场合等，在衣柜中现有的衣服里选择搭配。甚至可以通过搜集用户的个人特征、结合购物记录及在社交网络上给博主穿搭点赞的数据，帮助用户找到最适合的穿搭产品，同时随着用户的搭配次数增多和反馈评价增多，算法也会越来越靠谱。这种基于大数据和机器学习的算法就可以帮助用户找到最适合的搭配方案。

如图所示，智能推荐算法的流程包括：

S11、获取数据：数据来源分两种：1、用户在APP端输入，包括身高、体重、三维、性别、年龄、地域、风格、穿着场合等；2、网络爬虫获取，包括天气、流行趋势，用户关联账号的浏览、点赞、购买记录等。3、用户衣柜中采集的衣服信息，包括图像、颜色、品牌、价格、材质等。

S12、服装搭配推荐算法：推荐系统主要包括协同过滤、基于内容的推荐以及混合推荐。混合推荐即综合应用多种算法，最终将各自推荐的结果进行融合。为了提高推荐精度，我们选择协同过滤和基于关联规则挖掘的混合推荐算法。

协同过滤的核心是利用用户或商品之间的相似性来进行信息过滤，基本原理是通过利用用户的历史行为记录挖掘用户间的相似性来向用户推荐感兴趣的商品。比如基于商品的协同过滤通过用户对不同商品的历史行为记录挖掘商品间的相似度，然后根据用户对商品的历史偏好信息，将相似的商品推荐给用户。将协同过滤算法应用到服装搭配场景中，可以将上衣服装对应为用户，下衣服装对应为商品，最终通过协同过滤为上衣服装或者下衣服装推荐对应的搭配组合

基于用户购买行为数据，分析用户组合购买模式，通过关联规则可以挖掘一些潜在的服装搭配模式。在服装搭配推荐的场景中，同样可以考虑通过关联规则挖掘用户购买服装的历史行为记录来寻找服装搭配模式。基于大量的数据，挖掘用户购买服装的组合模式可信度会非常髙。

S13、推荐系统根据获取的用户数据，输出适用于用户的服装单品。

推荐系统根据推荐算法帮用户推荐几套搭配组合，用户可以进行选择，然后机械臂直接挑选出所选衣物。

瑞图2所示，虚拟试衣的算法流程包括：

S21、获取数据：要实现虚拟试衣功能，首先需要利用大量不同风格的优秀的搭配图片进行训练，算法通过不断学习，建议一个拥有不同风格的搭配模型，然后通过用户选择的风格和照片，进行匹配和推荐。

利用网络爬虫抓取人物的图像和上衣产品图像来训练，包括街拍、明星、博主穿搭、大牌服饰新款海报等照片，这些人体的体态特征都不一致，增加体态特征数据可以更好地拟合不同姿势和衣服。

每张图像是一个多维向量，包括RGB三通道在长宽上的一个矩阵，传统的方法通过手工设计图像特征非常耗时耗力，而且需要大量的图像领域知识，需要对数据进行深入的洞察，而且靠经验、运气的程度非常高。特征学习不需要人为参与图像的特征设计，可以自动学习到目标图像的有用特征。在特征学习任务中，深度学习具有非常大的优势，尤其是卷积神经网络对于图像特征的学习能力非常强，而且有一定的泛化能力。

S22、图像处理和特征提取：图像处理技术的主要内容包括图像压缩，增强和复原，匹配、描述和识别3个部分。处理有图像数字化、图像编码、图像增强、图像复原、图像分割和图像分析等。比如将上传的全身搭配图片处理并分割成短袖、裙子、方包、高跟鞋等单品。

通过预处理和特征提取等对图像做一些处理，提取出计算机需要的图片特征，比如衣服的颜色、线条、纹理、花边，然后将特征输给训练器进行机器学习训练。提取的特征越多，后期的机器学习能力就会越强。

S23、模型训练：深度学习具有较强的特征学习能力，能够对服装图像进行较好的认知，我们选择卷积神经网络模型挖掘服装图像特征。

对于深度卷积神经网络，网络的结构设计对于监督学习任务非常重要，合理的网络结构可以使得模型学习的结果准确度更高。目前较为常见的网络模型结构包含五层结构、八层结构等，也存在更深层的网络模型，但是其需要较高性能的计算硬件支持。由于服装图像较大，五层结构适用于较小图像识别任务，所以我们考虑八层的深度网络结构。在深度学习领域，深度卷积神经网络模型AlexNet取得了非常重大的成功，具有非常重要的地位。鉴于AlexNet效果较好，并且符合服装图像大小，本文采用AlexNet进行服装搭配推荐问题。下图是Alexnet的网络结构，由5个卷积层和3个全连接层组成的，深度总共8层。可以利用keras实现Alexnet。

S24、输出结果：使用3D扫描仪和摄像头结合，捕捉人体体型和姿势，根据身材模型和穿戴模型库，输出最终能够匹配用户的穿戴模型。

如图3所示，智能衣柜作为一个小的物联网应用，其基本架构由三层组成，分别是感知层、网络层和应用层。

本系统感知层使用的关键技术主要包括传感器技术和射频识别技术。传感器可以完成对物品的自动检测和自动控制，本系统我们使用的传感器有温度湿度传感器、摄像头。温度湿度传感器装在衣柜的每个分区中，实时监控环境，并通过抽湿、暖风等自动调节。摄像头可以为新入库的衣服拍照，将照片信息存储，方便用户在移动端浏览，以及用于图像机器学习，实现“AI搭配”，同时可以采集用户身材信息，构建人体模型，实现虚拟试衣。

射频识别技术简称为RFID，又称电子标签技术，本射频识别系统由电子标签、读写器和中央信息系统组成。电子标签贴在衣服上，标签内存储着衣服的基本信息，以便被设备识别；读写器安装在机械臂上，用于读取电子标签中物品的信息，并将信息传输到中央信息系统中进行处理；中央信息系统的作用是分析和管理读写器从电子标签中读取的数据信息。

本系统的网络层主要由蓝牙、WiFi和4G网络组成。衣柜内分布的温湿度传感器和FRID传感器获取到的数据通过蓝牙或者有线传输到衣柜的总控制器，同时总控制器对各个部件的命令也通过蓝牙传输。控制器通过WiFi将信息上传至系统服务器，然后移动端的设备比如手机、平板、电脑等则通过4G或WiFi获取衣柜信息或者发布指令。

应用层需要将网络层传输过来的数据进行存储、分析，并利用机器学习、模式识别等技术对海量数据和信息进行分析处理，实现智能化的决策和控制。应用层有分类检索、虚拟试衣、智能搭配、购物推荐等功能。

以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (6)

1.一种智能衣柜系统，其特征在于：它包括智能存储模块、智能分拣模块、智能推荐模块和虚拟试衣模块；

所述智能存储模块用于在每件新衣服入库时，在领口位置熨贴上电子标签，并通过拍照、扫描条形码或手动输入形式，记录衣服信息，电子标签将衣服与这些信息唯一绑定在一起，使智能衣柜可以通过电子标签识别每件衣服；

所述自动分拣模块主要由装置有RFID读写器的机械臂完成，用户只需要将需要清洗的衣服放到洗衣机里，洗衣机在自动完成洗衣、烘干、熨烫后，机械臂通过衣服上的电子标签确定衣服身份，并识别衣领位置将衣服拎起，衣柜根据衣服的样式、材质确定衣服悬挂位置；并在当衣柜收到取衣指令时，机械臂根据数据库中衣服的存放位置，自动取出衣服，并进行熨烫，如果不需要，只要放回即可，机械臂会重新识别并将衣服归位；

所述智能推荐模块由智能推荐算法实现，用户可以输入年龄、身高、体重、性格爱好的基本信息，衣柜通过识别用户日常风格、天气、穿着场合，在衣柜中现有的衣服里选择搭配；还可以通过搜集用户的个人特征、结合购物记录及在社交网络上给博主穿搭点赞的数据，帮助用户找到最适合的穿搭产品；

虚拟试衣模块由虚拟试衣算法实现，通过衣柜前置摄像头和电子屏幕做成的试衣镜，用户只要站在镜子前面，启动人脸识别和身材识别，镜子就会自动采集人体外观数据，并在几秒内构建出一个虚拟人像，快速试穿搭配的衣服，省去穿脱的繁琐程序，并且可以试穿购物商城中的衣物饰品，效果满意即可直接下单。

2.一种智能试衣推荐方法，其特征在于：所述智能试衣推荐方法包括：智能推荐步骤和虚拟试衣步骤；

所述智能推荐步骤包括：获取用户自身数据、外在关联数据以及衣服信息；通过服装搭配推荐算法进行服装搭配推荐；根据获取的用户数据输出适用于用户的服装单品；

所述虚拟试衣步骤包括：获取训练的数据；图像处理和特征提取；模型训练；使用3D扫描仪和摄像头捕捉人体体型和姿态数据，根据身材模型和穿戴模型库，输出最终能够匹配用户的穿戴模型。

3.根据权利要求2所述的一种智能试衣推荐方法，其特征在于：所述用户自身数据包括用户的身高、体重、三围、性别、年龄、地域、穿衣风格和穿着场合；所述外在关联数据包括天气情况、目前的穿衣流行趋势、用户关联账户关于服饰的浏览和点赞以及购买记录；所述衣服信息包括图像、颜色、品牌、价格和材质。

4.根据权利要求2所述的一种穿衣智能推荐方法，其特征在于：所述通过服装搭配推荐算法进行服装搭配推荐包括：

通过用户对不同商品的历史行为记录挖掘商品间的相似度，根据用户对商品的历史偏好信息将相似的商品推荐给用户；

基于用户购买行为数据分析用户组合购买模式，通过关联规则挖掘潜在的服装搭配模式；

将协同过滤的推荐结果和基于关联规则的推荐结果进行融合得到最终的服装搭配组合。

5.根据权利要求2所述的一种穿衣智能推荐方法，其特征在于：所述获取训练的数据包括：

利用网络爬虫抓取人物的图像和上衣产品图像来训练，其中抓取的图像包括街拍、明星、博主穿搭和大牌服饰新款海报，这些人体的体态特征都不一致，增加体态特征数据以实现更好地拟合不同姿势和衣服；

每张图像是一个多维向量，包括RGB三通道在长宽上的一个矩阵，通过特征学习自动学习目标图像的有用特征。

6.根据权利要求2所述的一种穿衣智能推荐方法，其特征在于：所述图像处理和特征提取包括：

通过图像压缩，增强和复原，匹配、描述和识别将上传的全身搭配图像处理并分割成短袖、裙子、方包和高跟鞋的单品图像；

提取出衣服颜色、线条、纹理、花边计算机需要的图片特征，并将这些特征输给训练器进行机器学习训练。

Images