CN113159826A - 基于深度学习的服装流行元素预测的系统及方法 - Google Patents

Abstract

本发明属于服装智能制造技术领域，公开了一种基于深度学习的服装流行元素预测的系统及方法，包括数据收集模块，图像处理模块，服装检索模块，结果预测模块。数据收集模块用于收集网络上各种社交平台的图像；图像处理模块用于给服装图像贴上语义标注；服装检索模块，用于符合相关附属信息的服装图像检索出来；结果预测模块，用于对服装流行元素得到预测结果。一种服装流行元素预测方法包括：非线性回归模型，时序预测模型。非线性回归模型用于分析附属属性对于流行程度的分析，时序预测模型利用神经网络对于流行元素进行预测。本发明相比于现有技术，减少了计算成本，提高了预测的准确率。

Description

基于深度学习的服装流行元素预测的系统及方法

技术领域

本发明属于智能服装技术领域，更具体地，涉及一种基于深度学习的服装流行元素预测的系统与方法。

背景技术

现代服装发展的一个明显趋势是服装的新旧款式之间的更替越来越快，服装变化的周期也越来越短。追求衣着的流行化已经成为了现代人的显著特征。流行服装反映了大多数人的意愿，它集中表现了某一时期人们的整体精神面貌。人们在特定的时间内对款式、色彩、着装方式的喜爱，以及相互之间的模仿使服装流行成为一种社会现象。也正是通过模仿，使这些个人的偏好逐渐扩大，进而成为一种社会喜好，并成为一种流动性的社会现象。

近年来，出现了各式各样的服装流行趋势预测系统，公开号为“CN110705755A”的“一种基于深度学习的服装流行趋势预测方法与装置”的中国专利从电商服装网站采集历年的流行服装图片和信息,对图片提取照片中服装的特征，再将数据进行整合,结果输出系统用于根据模型结果输出服装流行度为topk的服装排名,该发明还提供了一种基于深度学习的服装流行趋势预测方法,不仅提高了服装流行趋势预测的效率,还大大增强了模型计算的准确性。这个方法不能实时的服装流行的情况，且流行预测准确率有待商榷，目前，一般的服装预测一般是在网上进行检索的流行图像，网上检索的流行服装图像，这种检索预测结果一般不适用于大众，比较适用于公众人物，主持人物和模特，大众民众的流行因素与模特流行因素差别较大，导致目前的服装预测只适用于模特，无法融入到大众民众之中。

发明内容

本发明所要解决的技术问题是提供一种基于深度学习的服装流行元素预测的系统与方法，能够提高预测准确率，提高实时性。

为解决上述技术问题，本发明所采用的技术方案是：一种基于深度学习的服装流行元素预测的系统，包括数据收集模块，图像处理模块，数据处理模块，服装检索模块，结果预测模块；

数据收集模块采集各大网站平台的服装图形和室内或者室外人流视频，利用图像处理模块的图形自动标注系统对网站图形照片进行语义标签，利用视频自动识别标注视频中服装进行识别标准，数据处理模块对商场、步行街或者大学的人流量和服装通过数据处理模块将服装穿着比例进行统计，对服装的颜色进行比例统计，将商场、步行街或者大学衣服穿着结合各大网站的图形进行集合统计，数据处理模块计算得出受欢迎的服装款式和颜色，服装检索模块对受欢迎的服装款式和颜色的图像进行检索，检索得出相应的服装穿着，结果预测模块得出短时间内的服装流行元素结果。

优选的方案中，数据收集模块通过“网络爬虫”技术对网络上各个时段的图像进行爬取，生成图像列表，对图像列表上的图像进行识别，生成服装颜色、款式和服装搭配的分析表。

优选的方案中，数据收集模块通过商场、步行街或者大学进行视频采集，对视频的服装颜色和款式进行识别。

优选的方案中，图像处理模块标记网络上各个时段的图像的地址来源或者照片的预览数量，对服装上的图案和款式进行分类，服装上的图案包括字母图案、卡通图案和清爽无图案。

优选的方案中，图像处理模块标记对商场、步行街或者大学视频颜色和款式进行处理，对服装上的图案进行分类。

优选的方案中，数据处理模块用于对图像处理模块标记的服装颜色、款式、服装搭配进行统计生成图像信息表，数据处理模块还对服装图像的信息、名称和地域进行信息标注形成图像信息表，该图像信息表记录了图像名称对应的有效信息，对应的少量没有相关信息的图像对其再标注送入到图像信息表；

图像自动标注系统通过深度学习对处理好的数据进行模型训练并分类，利用图像分类算法进行视觉特征提取，运用神经网络经过卷积池化操作后得到特征图，使用ReLU作为激活函数对特征图进行修正，通过分类器SoftMax分类并输出对应的标签，通过输出的标签整理成对应的目录表。

优选的方案中，服装检索通过将目标图像输入至神经网络中，通过神经网络提取目标图像的特征，然后输入至分类器输出对应的标签，通过标签得到系统数据库中的对应类别属性之间的数据。

优选的方案中，所述结果预测模块利用神经网络对未来一段时间的服装流行元素进行预测。

预测方法包括：

S1、数据收集模块采集各大社交平台和服装网站的服装图像，且生成图像列表；

S2、数据收集模块室内或者室外人流视频，对视频的服装颜色和款式进行分析；

S3、对网站爬取的服装图像关键点特征进行提取，提取的特征点包括有款式、色彩、图案等特征，对图像的来源，照片的预览人数进行统计生成表格；

S4、将网站爬取的服装信息和商场、步行街或者大学采集视频的服装信息进行数据整理，列出计算数据最高的服装；

S5、利用回归分析对数据处理模块的列出计算数据最高的服装进行多元非线性回归模型分析外在因素对于服装的影响，其中时间和季节为自变量，预测结果为因变量，通过时间和季节预测服装流行因素；

S7、由于服装元素受着当地的时间、季节所影响着，数据集中特征与结果存在着线性关系：y_i＝a₁x_i+a₂z_i+a₃(i＝1,2,3,…n)，其中a₁,a₂,a₃是我们要求出来的，y_i为结果，x₁,x₂为特征，这里我们运用多变量线性回归的方式：最小二乘法矩阵形式；

S8、为了求参数，目标：让误差平方和最小，

最小值通过对S(a₁,a₂,a₃)分别求a₁,a₂,a₃的偏导数，然后使它们等于零得到。

通过解该方程组可以解出：a₁,a₂,a₃的值。此时的y_i＝a₁x_i+a₂z_i+a₃(i＝1,2,3,…n)是所求的最佳解；

S9、计算数据最高的服装因素利用时序预测方法通过时间网络对于服装的流行元素进行预测。

本发明提供的一种基于深度学习的服装流行元素预测的系统与方法，相比现有技术，本发明的有益效果是：

1、本发明的附属属性影响因子软数据，提高了流行元素预测的准确率。

2、本发明的图像处理模块，通过“网络爬虫”技术爬取服装图像，并生成了服装信息目录表，减少了人工标注的时间与成本。

3、对人流量较大的地区进行服装属性采集，结合“网络爬虫”服装图像对大众的服装流行因素进行预测，使服装流行元素更适应大众民众。

附图说明

下面结合附图和实施例对本发明作进一步说明：

图1是本发明基于深度学习的服装流行元素预测的系统的流程示意图；

图2是本发明网络爬虫爬取图片处理示意图；

图3是本发商场视频服装因素处理示意图；

图4是本发明数据处理服装预测的系统的流程示意图；

图5是本发明商场视频图像服装因素提取示意图；

图6是本发明商场视频图像服装因素标记颜色、款式示意图；

图7是本发明网络爬虫爬取图片列表服装因素提取示意图；

图8是本发明网络爬虫爬取图片列表服装因素提标记统计示意图；

图9是本发明商场视频衣服颜色统计表；

图10是本发明商场视频外套搭配分布统计表；

图11是本发明商场视频外套分布统计表；

具体实施方式

实施例1

如图1～11所示，一种基于深度学习的服装流行元素预测的系统，包括数据收集模块，图像处理模块，数据处理模块，服装检索模块，结果预测模块；

数据收集模块采集各大网站平台的服装图形和室内或者室外人流视频，利用图像处理模块的图形自动标注系统对网站图形照片进行语义标签，利用视频自动识别标注视频中服装进行识别标准，数据处理模块对商场、步行街或者大学的人流量和服装通过数据处理模块将服装穿着比例进行统计，对服装的颜色进行比例统计，将商场、步行街或者大学衣服穿着结合各大网站的图形进行集合统计，数据处理模块计算得出受欢迎的服装款式和颜色，服装检索模块对受欢迎的服装款式和颜色的图像进行检索，检索得出相应的服装穿着，结果预测模块得出短时间内的服装流行元素结果。

优选的方案中，数据收集模块通过“网络爬虫”技术对网络上各个时段的图像进行爬取，生成图像列表，对图像列表上的图像进行识别，生成服装颜色、款式和服装搭配的分析表。如图7所示结构，“网络爬虫”技术对网络上各个时段的图像进行爬取，生成图像列表，图中的红色框对图像服装进行选取，确认图中服装颜色、款式和服装搭配。

优选的方案中，数据收集模块通过商场、步行街或者大学进行视频采集，对视频的服装颜色和款式进行识别。如图8所示结构，图中的红色框对图像服装进行选取，在图中左侧位置显示服装颜色比例表，本业图像的地址源，和照片的爬取地址，和本页的图片数量。

优选的方案中，图像处理模块标记网络上各个时段的图像的地址来源或者照片的预览数量，对服装上的图案和款式进行分类，服装上的图案包括字母图案、卡通图案和清爽无图案。如图2-3所示结构，对“网络爬虫”的图像进行分类，分别分类出服装上的图案和款式，服装上是否有图案，服装上的图案一般包括字母图案和卡通图案。

优选的方案中，图像处理模块标记对商场、步行街或者大学视频颜色和款式进行处理，对服装上的图案进行分类。如图5-6所示结构，商场的视频监控显示人流，利用图像处理模块标记图像中的服装，将标记的服装分别标出服装的信息，包括颜色和款式，款式包括长款和短款，对商场、步行街或者大学服装预测仅提供服装的款式和颜色，帮助服装预测更接近大众范围。

其中，还利用了图像自动标注系统，(Automatic Image Annotation,AIA)图像自动标注就是让计算机自动地给图像加上能够反映其内容的语义关键词，是图像检索领域一项基础而又富有挑战性的任务。图像自动标注技术由来已久，但在该技术提出的初期很长的一段时间内，受限于传统图像处理的种种不足，该技术长期处于缓慢发展阶段。如果图像自动标注技术能发展成熟，那么其会让过往的人工图像标注工作带来了福音，免去人工标注的巨大工作量。

优选的方案中，数据处理模块用于对图像处理模块标记的服装颜色、款式、服装搭配进行统计生成图像信息表，数据处理模块还对服装图像的信息、名称和地域进行信息标注形成图像信息表，该图像信息表记录了图像名称对应的有效信息，对应的少量没有相关信息的图像对其再标注送入到图像信息表。信息表如图9-11所示结构，本方案只列举部分服装搭配的统计图。图像自动标注系统通过深度学习对处理好的数据进行模型训练并分类，利用图像分类算法进行视觉特征提取，运用神经网络经过卷积池化操作后得到特征图，使用ReLU作为激活函数对特征图进行修正，通过分类器SoftMax分类并输出对应的标签，通过输出的标签整理成对应的目录表。

优选的方案中，服装检索模块通过卷积神经网络检索出符合相应属性的服装图像。服装检索通过将目标图像输入至神经网络中，通过神经网络提取目标图像的特征，然后输入至分类器输出对应的标签，通过标签得到系统数据库中的对应类别属性之间的数据。所述结果预测模块利用神经网络对未来一段时间的服装流行元素进行预测。上述的神经网络可选LSTM(Long-Short Term Memory RNN，长短期记忆模型循环神经网络)，Bidirectional RNN(双向循环神经网络),GRU(Gate Recurrent Unit，门循环单元)。上述的神经网络可选LSTM(Long-Short Term Memory RNN，长短期记忆模型循环神经网络)，Bidirectional RNN(双向循环神经网络),GRU(Gate Recurrent Unit，门循环单元)。

利用回归分析对数据处理模块的列出计算数据最高的服装进行多元非线性回归模型分析外在因素对于服装的影响，其中时间和季节为自变量，预测结果为因变量，通过时间和季节预测服装流行因。

由于服装元素受着当地的时间、季节所影响着，假设数据集中特征与结果存在着线性关系：y_i＝a₁x_i+a₂z_i+a₃(i＝1,2,3,…n)，其中a₁,a₂,a₃是我们要求出来的，y_i为结果，x₁,x₂为特征。这里我们运用多变量线性回归的方式：最小二乘法矩阵形式。

为了求参数，目标：让误差平方和最小，

最小值通过对S(a₁,a₂,a₃)分别求a₁,a₂,a₃的偏导数，然后使它们等于零得到。

通过解该方程组可以解出：a₁,a₂,a₃的值。此时的y_i＝a₁x_i+a₂z_i+a₃(i＝1,2,3,…n)是所求的最佳解。

实施例2

数据收集模块采集各大社交平台和服装网站的服装图像，且生成图像列表，数据收集模块通过“网络爬虫”技术对各个时段的图像进行爬取的同时，自动生成服装信息目录，该服装信息目录包括了服装图像的名称以及地域，时间等附属属性，图像处理模块对于“网络爬虫技术”没有收集到的少量进行手动标注，并将其送入服装信息目录表。

数据收集模块室内或者室外人流视频，对视频的服装颜色和款式进行分析，对网站爬取的服装图像关键点特征进行提取，提取的特征点包括有款式、色彩、图案等特征，对图像的来源，照片的预览人数进行统计生成表格，将网站爬取的服装信息和商场、步行街或者大学采集视频的服装信息进行数据整理，列出计算数据最高的服装。

利用回归分析对数据处理模块的列出计算数据最高的服装进行多元非线性回归模型分析外在因素对于服装的影响，其中时间和季节为自变量，预测结果为因变量，通过时间和季节预测服装流行因素，计算数据最高的服装因素利用时序预测方法通过时间网络对于服装的流行元素进行预测。服装检索模块，通过使用DenseNet神经网络对于想要检索的在哪个地域、哪个节日、哪个事件的服装图像检索出来，经过检索过程一系列的卷积池化操作，得到的特征图经过分类器，得到相应的服装图像的语义信息。

通过运用最小二乘估计线性回归模型处理输入数据后，得到软数据，可选然后采用Z得分法将经过预处理后的数据进行标准化处理，将标准化处理后的数据作为神经网络的输入数据，再将原基础序列数据形式进行升维处理，利用GRU神经网络对输入数据进行训练，得到训练后的时序预测模型并保存，读取保存后的训练好的模型，使用GRU-SES模型进行时间序列数据的预测，得到初步的预测值，将得到的初步预测数据进行二次平滑处理及逆标准化处理，得到最终的预测数据值。

上述的实施例仅为本发明的优选技术方案，而不应视为对于本发明的限制，本发明的保护范围应以权利要求记载的技术方案，包括权利要求记载的技术方案中技术特征的等同替换方案为保护范围。即在此范围内的等同替换改进，也在本发明的保护范围之内。

Claims (9)

1.一种基于深度学习的服装流行元素预测的系统，其特征是：包括数据收集模块，图像处理模块，数据处理模块，服装检索模块，结果预测模块；

数据收集模块采集各大网站平台的服装图形和室内或者室外人流视频，利用图像处理模块的图形自动标注系统对网站图形照片进行语义标签，利用视频自动识别标注视频中服装进行识别标准，数据处理模块对商场、步行街或者大学的人流量和服装通过数据处理模块将服装穿着比例进行统计，对服装的颜色进行比例统计，将商场、步行街或者大学衣服穿着结合各大网站的图形进行集合统计，数据处理模块计算得出受欢迎的服装款式和颜色，服装检索模块对受欢迎的服装款式和颜色的图像进行检索，检索得出相应的服装穿着，结果预测模块得出短时间内的服装流行元素结果。

2.根据权利要求1所述一种基于深度学习的服装流行元素预测的系统，其特征是：数据收集模块通过“网络爬虫”技术对网络上各个时段的图像进行爬取，生成图像列表，对图像列表上的图像进行识别，生成服装颜色、款式和服装搭配的分析表。

3.根据权利要求1所述一种基于深度学习的服装流行元素预测的系统，其特征是：数据收集模块通过商场、步行街或者大学进行视频采集，对视频的服装颜色和款式进行识别。

4.根据权利要求1所述一种基于深度学习的服装流行元素预测的系统，其特征是：图像处理模块标记网络上各个时段的图像的地址来源或者照片的预览数量，对服装上的图案和款式进行分类，服装上的图案包括字母图案、卡通图案和清爽无图案。

5.根据权利要求1所述一种基于深度学习的服装流行元素预测的系统，其特征是：图像处理模块标记对商场、步行街或者大学视频颜色和款式进行处理，对服装上的图案进行分类。

6.根据权利要求1所述一种基于深度学习的服装流行元素预测的系统，其特征是：数据处理模块用于对图像处理模块标记的服装颜色、款式、服装搭配进行统计生成图像信息表，数据处理模块还对服装图像的信息、名称和地域进行信息标注形成图像信息表，该图像信息表记录了图像名称对应的有效信息，对应的少量没有相关信息的图像对其再标注送入到图像信息表；

图像自动标注系统通过深度学习对处理好的数据进行模型训练并分类，利用图像分类算法进行视觉特征提取，运用神经网络经过卷积池化操作后得到特征图，使用ReLU作为激活函数对特征图进行修正，通过分类器SoftMax分类并输出对应的标签，通过输出的标签整理成对应的目录表。

7.根据权利要求1所述一种基于深度学习的服装流行元素预测的系统，其特征是：服装检索通过将目标图像输入至神经网络中，通过神经网络提取目标图像的特征，然后输入至分类器输出对应的标签，通过标签得到系统数据库中的对应类别属性之间的数据。

8.根据权利要求7所述一种基于深度学习的服装流行元素预测的系统，其特征是：所述结果预测模块利用神经网络对未来一段时间的服装流行元素进行预测。

9.一种采用权利要求1～8任一项所述的基于深度学习的服装流行元素预测系统所用的预测方法，其特征是：

预测方法包括：

S1、数据收集模块采集各大社交平台和服装网站的服装图像，且生成图像列表；

S2、数据收集模块室内或者室外人流视频，对视频的服装颜色和款式进行分析；

S3、对网站爬取的服装图像关键点特征进行提取，提取的特征点包括有款式、色彩、图案等特征，对图像的来源，照片的预览人数进行统计生成表格；

S4、将网站爬取的服装信息和商场、步行街或者大学采集视频的服装信息进行数据整理，列出计算数据最高的服装；

S5、利用回归分析对数据处理模块的列出计算数据最高的服装进行多元非线性回归模型分析外在因素对于服装的影响，其中时间和季节为自变量，预测结果为因变量，通过时间和季节预测服装流行因素；

S7、由于服装元素受着当地的时间、季节所影响着，数据集中特征与结果存在着线性关系：y_i＝a₁x_i+a₂z_i+a₃(i＝1,2,3,…n)，其中a₁,a₂,a₃是我们要求出来的，y_i为结果，x₁,x₂为特征，这里我们运用多变量线性回归的方式：最小二乘法矩阵形式；

S8、为了求参数，目标：让误差平方和最小，

最小值通过对S(a₁,a₂,a₃)分别求a₁,a₂,a₃的偏导数，然后使它们等于零得到。

通过解该方程组可以解出：a₁,a₂,a₃的值。此时的y_i＝a₁x_i+a₂z_i+a₃(i＝1,2,3,…n)是所求的最佳解；

S9、计算数据最高的服装因素利用时序预测方法通过时间网络对于服装的流行元素进行预测。

Images