CN114662412B - 基于深度学习的服装设计方法、装置、设备及存储介质 - Google Patents

基于深度学习的服装设计方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN114662412B
CN114662412B CN202210564865.5A CN202210564865A CN114662412B CN 114662412 B CN114662412 B CN 114662412B CN 202210564865 A CN202210564865 A CN 202210564865A CN 114662412 B CN114662412 B CN 114662412B
Authority
CN
China
Prior art keywords
style
clothing
decision tree
color
segmentation
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
CN202210564865.5A
Other languages
English (en)
Other versions
CN114662412A (zh
Inventor
丁唐利
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 Yuanhu Technology Co ltd
Original Assignee
Shenzhen Yuanhu 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 Yuanhu Technology Co ltd filed Critical Shenzhen Yuanhu Technology Co ltd
Priority to CN202210564865.5A priority Critical patent/CN114662412B/zh
Publication of CN114662412A publication Critical patent/CN114662412A/zh
Application granted granted Critical
Publication of CN114662412B publication Critical patent/CN114662412B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/12—Geometric CAD characterised by design entry means specially adapted for CAD, e.g. graphical user interfaces [GUI] specially adapted for CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/12—Cloth

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Hardware Design (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Architecture (AREA)
  • Human Computer Interaction (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及人工智能技术，揭露了一种基于深度学习的服装设计方法，包括：获取目标用户的用户信息，并从中提取出用户性格画像；对初始决策树进行训练，得到风格分析模型，通过风格分析模型从用户性格画像中分析得到穿衣风格；将穿衣图像分割得到衣物分割图和偏好款式；对衣物分割图进行色彩分割，得到偏好颜色；获取流行元素，并根据穿衣风格、偏好款式、偏好颜色与流行元素组合生成目标用户的服装设计参数；对服装设计参数进行渲染，并通过交互平台进行展示。本发明还提出一种基于深度学习的服装设计装置、电子设备以及存储介质。本发明可以解决服装设计与用户需求贴合度不高的问题。

Description

基于深度学习的服装设计方法、装置、设备及存储介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于深度学习的服装设计方法、装置、电子设备及计算机可读存储介质。
背景技术
随着人们需求的多样化与消费理念的提升，服装设计厂商在市场上提供了越来越多的服装，但为了给用户更好地购物体验，生产更加符合用户需求与审美的服装，需要对用户的爱好以及特点进行分析，以进行服装设计。
现有的智能服装设计技术多为单一功能的服装图像生成，例如，通过统计用户对产品的满意度，设计产品参数与用户满意度的模型，进而设计满意度较高的产品。实际应用中，服装的参数较为复杂，仅考虑单一属性，可能导致服装设计的细节较为笼统，设计出的效果不符合用户预期需求，从而导致服装设计与用户需求贴合度不高。
发明内容
本发明提供一种基于深度学习的服装设计方法、装置及计算机可读存储介质，其主要目的在于解决服装设计与用户需求贴合度不高的问题。
为实现上述目的，本发明提供的一种基于深度学习的服装设计方法，包括：
获取目标用户的用户信息，并通过文本分割方式从所述用户信息中提取出用户性格画像；
构建初始决策树，并根据所述初始决策树的分裂增益对所述初始决策树进行训练，得到风格分析模型，通过所述风格分析模型对所述用户性格画像进行分析，得到所述目标用户的穿衣风格；
获取所述目标用户的穿衣图像，并构建衣物分割模型对所述穿衣图像进行分割，得到衣物分割图和偏好款式；
利用预设的色彩分类算法对所述衣物分割图进行色彩分割，得到偏好颜色；
通过预设的交互平台获取流行元素，并根据所述穿衣风格、偏好款式、偏好颜色与流行元素组合生成所述目标用户的服装设计参数；
通过预设的渲染引擎对所述服装设计参数进行渲染，得到服装设计图，并通过所述交互平台对所述服装设计图进行展示。
可选地，所述构建初始决策树，并根据所述初始决策树的分裂增益对所述初始决策树进行训练，得到风格分析模型，包括：
获取性格画像样本以及所述性格画像样本对应的真实衣物风格；
根据所述性格画像样本建立初始决策树，并计算所述初始决策树的分裂增益，通过所述分裂增益对所述初始决策树进行分裂，得到基准决策树；
利用所述基准决策树对所述性格画像样本进行衣物风格分析，得到预测衣物风格，并根据所述预测衣物风格计算所述基准决策树的理想函数值；
当所述理想函数值大于预设的阈值时，根据所述理想函数值对所述基准决策树的参数进行更新，并返回根据所述预测衣物风格计算所述基准决策树的理想函数值的步骤；
当所述理想函数值小于或等于预设的阈值时，结束参数的更新，并将更新结束时的所述基准决策树作为风格分析模型。
可选地，所述根据所述性格画像样本建立初始决策树，并计算所述初始决策树的分裂增益，通过所述分裂增益对所述初始决策树进行分裂，得到基准决策树，包括：
根据所述性格画像样本构建初始决策树，并利用如下算法计算所述性格画像样本中的用户性格与所述分裂增益，得到所述性格画像样本对应的分裂增益集：
Figure 594311DEST_PATH_IMAGE001
其中，
Figure 183555DEST_PATH_IMAGE002
为所述分裂增益，
Figure 494451DEST_PATH_IMAGE003
和
Figure 624081DEST_PATH_IMAGE004
为预设常数，
Figure 110557DEST_PATH_IMAGE005
为所述初始决策树的根节点的左 节点所包含数据的一阶偏导数累加之和，
Figure 667440DEST_PATH_IMAGE006
为所述初始决策树的根节点的左节点所包含 数据的二阶偏导数累加之和，
Figure 731211DEST_PATH_IMAGE007
为所述初始决策树的根节点的右节点所包含数据的一阶 偏导数累加之和，
Figure 664532DEST_PATH_IMAGE008
为所述初始决策树的根节点的右节点所包含数据的二阶偏导数累加 之和；
选择所述分裂增益集中最大的分裂增益所对应的用户性格作为分裂点进行分裂，得到所述分裂点的子节点；
将所述性格画像样本以及所述性格画像样本对应的真实衣物风格分配至所述子节点，并重复上述计算分裂增益与分裂处理的步骤，直至所述性格画像样本以及所述性格画像样本对应的真实衣物风格分配结束，得到基准决策树。
可选地，所述根据所述预测衣物风格计算所述基准决策树的理想函数值，包括：
利用如下算法计算所述基准决策树的理想函数值：
Figure 5515DEST_PATH_IMAGE010
其中，
Figure 530037DEST_PATH_IMAGE011
为所述基准决策树的理想函数值，
Figure 18787DEST_PATH_IMAGE012
为所述基准决策树的分裂次数，
Figure 672578DEST_PATH_IMAGE013
为 所述基准决策树的第
Figure 992701DEST_PATH_IMAGE013
个非叶子节点，
Figure 156966DEST_PATH_IMAGE014
是指第
Figure 70695DEST_PATH_IMAGE013
次迭代后的所述预测衣物风格与上一次 迭代的所述预测衣物风格的二阶导数值，
Figure 80239DEST_PATH_IMAGE015
是指第
Figure 520448DEST_PATH_IMAGE013
次迭代后的所述预测衣物风格与上一 次迭代的所述预测衣物风格的一阶导数值，
Figure 590035DEST_PATH_IMAGE016
是所述基准决策树的模型，
Figure 991061DEST_PATH_IMAGE017
是所述基准 决策树中非叶子节点的个数，
Figure 804296DEST_PATH_IMAGE018
为惩罚项函数，
Figure 99011DEST_PATH_IMAGE019
为预设常数。
可选地，所述构建衣物分割模型对所述穿衣图像进行分割，得到衣物分割图和偏好款式，包括：
获取目标衣物图集，对所述目标衣物图集进行尺寸缩放，得到相同尺寸的标准衣物图集；
对所述标准衣物图集进行图像标注，得到所述标准衣物图集中各标准衣物图像的真实衣物分割图和真实偏好款式；
通过预设的初始分割模型对所述标准衣物图集中各标准衣物图像进行特征提取，得到各标准衣物图像对应的图像特征；
对所述图像特征进行图像分割，得到图像特征对应的预测衣物分割图和预测偏好款式；
利用以下算法计算所述预测衣物分割图与所述真实衣物分割图之间的衣物损失值以及所述预测偏好款式与所述真实偏好款式之间的款式损失值，根据所述衣物损失值和所述款式损失值得到损失值，并根据所述损失值对所述初始分割模型进行参数调整优化，得到衣物分割模型：
Figure 277182DEST_PATH_IMAGE020
Figure 962242DEST_PATH_IMAGE022
Figure 641485DEST_PATH_IMAGE024
其中，
Figure 728389DEST_PATH_IMAGE025
是指损失值；
Figure 575997DEST_PATH_IMAGE026
是所述衣物损失值；
Figure 810670DEST_PATH_IMAGE027
是款式损失值；
Figure 965708DEST_PATH_IMAGE028
是指所述预测衣 物分割图的衣物概率，通过计算图像中真实衣物分割图的面积占总图像面积的比例得到；
Figure 110381DEST_PATH_IMAGE029
是真实衣物分割图的衣物概率；
Figure 958251DEST_PATH_IMAGE030
是布尔公式，当
Figure 680220DEST_PATH_IMAGE031
时，值为1，否则，值为 0；
Figure 638948DEST_PATH_IMAGE032
是指衣物概率的图像梯度；
Figure 372549DEST_PATH_IMAGE033
是指真实衣物分割图的衣物概率的图像梯度；
Figure 188058DEST_PATH_IMAGE034
是指 预测偏好款式概率，
Figure 335006DEST_PATH_IMAGE035
是真实偏好款式概率；
利用预设的读取器将所述穿衣图像输入所述衣物分割模型，得到衣物分割图和偏好款式。
可选地，所述利用预设的色彩分类算法对所述衣物分割图进行色彩分割，得到偏好颜色，包括：
利用预设的分析器构建所述衣物分割图的图像数据；
利用预设的色彩分类算法根据色彩分类的数目与种类对所述图像数据进行色彩分类；
统计分类后的每种色彩的像素占总像素的比例，得到色彩占比；
将所述色彩按照色调进行分类，根据色彩占比计算每种色调的色调占比，得到色调风格，并将所述色调风格与所述色彩作为偏好颜色。
可选地，所述通过预设的色彩分类算法对所述图像数据进行色彩分类，包括：
将所述色彩分类的数目作为色簇的数目，并根据所述色彩分类的种类得到所述色簇的簇心点的色度值；
利用以下算法计算所述图像数据中每个像素点到所述簇心点的距离，并根据所述距离的长短将所述图像数据中每个像素点归类到相应的色簇中，完成色彩分类：
Figure 35109DEST_PATH_IMAGE036
其中，
Figure 951112DEST_PATH_IMAGE037
是指任意所述像素点，
Figure 671944DEST_PATH_IMAGE038
是指所述色簇点，
Figure 476826DEST_PATH_IMAGE039
是指像素点
Figure 839674DEST_PATH_IMAGE037
到色簇点
Figure 875764DEST_PATH_IMAGE038
的距离，
Figure 908442DEST_PATH_IMAGE040
是指所述簇心点的色度的种类个数，
Figure 29981DEST_PATH_IMAGE041
是指所述簇心点的第
Figure 196521DEST_PATH_IMAGE041
个色度种类，
Figure 821537DEST_PATH_IMAGE042
是 指所述像素点的第
Figure 290696DEST_PATH_IMAGE041
类色度的色度值，
Figure 633952DEST_PATH_IMAGE043
是指所述簇心点的第
Figure 604182DEST_PATH_IMAGE041
类色度的色度值。
为了解决上述问题，本发明还提供一种基于深度学习的服装设计装置，所述装置包括：
性格画像提取模块，用于获取目标用户的用户信息，并通过文本分割方式从所述用户信息中提取出用户性格画像；
穿衣风格分析模块，用于构建初始决策树，并根据所述初始决策树的分裂增益对所述初始决策树进行训练，得到风格分析模型，通过所述风格分析模型对所述用户性格画像进行分析，得到所述目标用户的穿衣风格；
偏好款式分析模块，用于获取所述目标用户的穿衣图像，并构建衣物分割模型对所述穿衣图像进行分割，得到衣物分割图和偏好款式；
偏好颜色分析模块，用于利用预设的色彩分类算法对所述衣物分割图进行色彩分割，得到偏好颜色；
设计参数生成模块，用于通过预设的交互平台获取流行元素，并根据所述穿衣风格、偏好款式、偏好颜色与流行元素组合生成所述目标用户的服装设计参数；
服装设计展示模块，用于通过预设的渲染引擎对所述服装设计参数进行渲染，得到服装设计图，并通过所述交互平台对所述服装设计图进行展示。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述所述的基于深度学习的服装设计方法。
为了解决上述问题，本发明还提供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至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于深度学习的服装设计方法。
本发明实施例通过文本分割能够自动从所述用户信息中提取出用户性格画像，通过对初始决策树进行优化训练，能够得到风格分析模型，通过使用风格分析模型对用户性格画像进行分析，能够更准确地得到用户性格画像对应的穿衣风格，进而保证机构能够设计出更符合目标用户性格与风格的服装；通过衣物分割模型对所述穿衣图像进行分割，能够得到穿衣图像中的衣物分割图以及偏好款式，衣物分割图能够保证后续的衣物色彩分析中去除了背景与人像区域，使得色彩分割更加准确，通过对衣物分割图进行色彩分割，能够得到目标用户的偏好颜色，通过偏好颜色与偏好款式对服装进行设计，进一步提高服装设计的效率。因此本发明提出的基于深度学习的服装设计方法、装置、电子设备及计算机可读存储介质，可以解决服装设计与用户需求贴合度不高的问题。
附图说明
图1为本发明一实施例提供的基于深度学习的服装设计方法的流程示意图；
图2为本发明一实施例提供的训练初始决策树的流程示意图；
图3为本发明一实施例提供的提取偏好颜色的流程示意图；
图4为本发明一实施例提供的基于深度学习的服装设计装置的功能模块图；
图5为本发明一实施例提供的实现所述基于深度学习的服装设计方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种基于深度学习的服装设计方法。所述基于深度学习的服装设计方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于深度学习的服装设计方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的基于深度学习的服装设计方法的流程示意图。在本实施例中，所述基于深度学习的服装设计方法包括：
S1、获取目标用户的用户信息，并通过文本分割方式从所述用户信息中提取出用户性格画像；
本发明实施例中可以通过调查问卷、用户反馈等方式获取目标用户的用户信息，其中，所述用户信息是指与所述目标用户相关的个人信息，包括但不限于所述目标用户的购买回访、调查问卷、个人简介等。
详细地，所述用户性格画像是指对目标用户的性格集合表述，例如，用户王先生的用户性格画像可以是内向、年轻、悠闲、不拘小节等。
本发明实施例中，所述通过文本分割方式从所述用户信息中提取出用户性格画像，包括：
通过正则表达式识别所述用户信息中的标点符号，进而将所述用户信息分割成用户信息句子；
通过最大双向匹配算法将所述用户信息句子分割成用户信息单词；
利用预设的文本矩阵化工具根据所述用户信息单词构建所述用户信息的用户信息矩阵；
将所述用户信息矩阵输入预设的性格映射集中，得到用户性格画像。
本发明实施例中，可以通过文本矩阵化工具构建所述用户信息的用户信息矩阵。
详细地，所述文本矩阵化工具可以是sklearn库，sklearn库是一个python第三方提供的非常强力的机器学习库，能够方便地将用户信息单词转化成数字，由此将所述用户信息转化为用户信息矩阵，方便计算机进行处理。
详细地，所述性格映射集是指包含性格信息的映射集，将预先得到的性格信息矩阵化后得到的数据池，其中，预先得到的性格信息可以是使用python或者数据库语言在网页中爬取、检索得到的。
本发明实施例中，通过文本分割能够自动从所述用户信息中提取出用户性格画像，方便后续根据用户性格画像对服装进行设计，使得机构能够设计出更符合目标用户喜好的服装，提升了服装设计的效率。
S2、构建初始决策树，并根据所述初始决策树的分裂增益对所述初始决策树进行训练，得到风格分析模型，通过所述风格分析模型对所述用户性格画像进行分析，得到所述目标用户的穿衣风格；
本发明实施例中，所述穿衣风格包括但不限于复古风格、简约风格、英伦风格、欧美风格、商务风格、日韩风格等。
本发明实施例中，参照图2所示，所述构建初始决策树，并根据所述初始决策树的分裂增益对所述初始决策树进行训练，得到风格分析模型，包括：
S21、获取性格画像样本以及所述性格画像样本对应的真实衣物风格；
S22、根据所述性格画像样本建立初始决策树，并计算所述初始决策树的分裂增益，通过所述分裂增益对所述初始决策树进行分裂，得到基准决策树；
S23、利用所述基准决策树对所述性格画像样本进行衣物风格分析，得到预测衣物风格，并根据所述预测衣物风格计算所述基准决策树的理想函数值；
S24、判断所述理想函数值是否大于预设的阈值；
S25、当所述理想函数值大于预设的阈值时，根据所述理想函数值对所述基准决策树的参数进行更新，并返回上述步骤S23；
S26、当所述理想函数值小于或等于预设的阈值时，结束参数的更新，并将更新结束时的所述基准决策树作为风格分析模型。
详细地，本发明实施例可以通过检索机构数据库中的历史销售记录获取性格画像样本以及所述性格画像样本对应的真实衣物风格。
具体地，所述根据所述性格画像样本建立初始决策树，并计算所述初始决策树的分裂增益，通过所述分裂增益对所述初始决策树进行分裂，得到基准决策树，包括：
根据所述性格画像样本构建初始决策树，并利用如下算法计算所述性格画像样本中的用户性格与所述分裂增益，得到所述性格画像样本对应的分裂增益集：
Figure 349284DEST_PATH_IMAGE044
其中，
Figure 723765DEST_PATH_IMAGE002
为所述分裂增益，
Figure 616635DEST_PATH_IMAGE003
和
Figure 62660DEST_PATH_IMAGE004
为预设常数，
Figure 98486DEST_PATH_IMAGE005
为所述初始决策树的根节点的左 节点所包含数据的一阶偏导数累加之和，
Figure 971764DEST_PATH_IMAGE006
为所述初始决策树的根节点的左节点所包含 数据的二阶偏导数累加之和，
Figure 351930DEST_PATH_IMAGE007
为所述初始决策树的根节点的右节点所包含数据的一阶 偏导数累加之和，
Figure 336067DEST_PATH_IMAGE008
为所述初始决策树的根节点的右节点所包含数据的二阶偏导数累加 之和；
选择所述分裂增益集中最大的分裂增益所对应的用户性格作为分裂点进行分裂，得到所述分裂点的子节点；
将所述性格画像样本以及所述性格画像样本对应的真实衣物风格分配至所述子节点，并重复上述计算分裂增益与分裂处理的步骤，直至所述性格画像样本以及所述性格画像样本对应的真实衣物风格分配结束，得到基准决策树。
具体地，本发明实施例利用如下算法计算所述基准决策树的理想函数值：
Figure 993444DEST_PATH_IMAGE045
其中，
Figure 834361DEST_PATH_IMAGE046
为所述基准决策树的理想函数值，
Figure 639506DEST_PATH_IMAGE012
为所述基准决策树的分裂次数，
Figure 365017DEST_PATH_IMAGE013
为 所述基准决策树的第
Figure 939218DEST_PATH_IMAGE013
个非叶子节点，
Figure 216615DEST_PATH_IMAGE014
是指第
Figure 243477DEST_PATH_IMAGE013
次迭代后的所述预测衣物风格与上一次 迭代的所述预测衣物风格的二阶导数值，
Figure 772678DEST_PATH_IMAGE015
是指第
Figure 201386DEST_PATH_IMAGE013
次迭代后的所述预测衣物风格与上一 次迭代的所述预测衣物风格的一阶导数值，
Figure 649685DEST_PATH_IMAGE047
是所述基准决策树的模型，
Figure 429422DEST_PATH_IMAGE017
是所述基准 决策树中非叶子节点的个数，
Figure 995270DEST_PATH_IMAGE048
为惩罚项函数，
Figure 278484DEST_PATH_IMAGE019
为预设常数。
本发明实施例中，所述通过所述风格分析模型对所述用户性格画像进行分析，得到所述目标用户的穿衣风格，包括：将所述用户性格画像中的用户性格输入所述风格分析模型，将所述风格分析模型的输出作为所述目标用户的穿衣风格。
本发明实施例中，通过对初始决策树进行优化训练，能够得到风格分析模型，通过使用风格分析模型对用户性格画像进行分析，能够更准确地得到用户性格画像对应的穿衣风格，进而保证机构能够设计出更符合目标用户性格与风格的服装。
S3、获取所述目标用户的穿衣图像，并构建衣物分割模型对所述穿衣图像进行分割，得到衣物分割图和偏好款式；
本发明实施例中，可以通过网页爬取、调查问卷等方式获取所述目标用户的穿衣图像，其中，所述穿衣图像可以是所述目标用户的历史衣物购买信息、添加在购物车中的衣物图片信息等。
详细地，所述偏好款式是指所述目标用户的惯用衣服款式或是喜欢偏好的衣服款式，例如T恤、衬衫、卫衣、风衣、短外套、牛仔外套等。
本发明实施例中，所述构建衣物分割模型对所述穿衣图像进行分割，得到衣物分割图和偏好款式，包括：
获取目标衣物图集，对所述目标衣物图集进行尺寸缩放，得到相同尺寸的标准衣物图集；
对所述标准衣物图集进行图像标注，得到所述标准衣物图集中各标准衣物图像的真实衣物分割图和真实偏好款式；
通过预设的初始分割模型对所述标准衣物图集中各标准衣物图像进行特征提取，得到各标准衣物图像对应的图像特征；
对所述图像特征进行图像分割，得到图像特征对应的预测衣物分割图和预测偏好款式；
利用以下算法计算所述预测衣物分割图与所述真实衣物分割图之间的衣物损失值以及所述预测偏好款式与所述真实偏好款式之间的款式损失值，根据所述衣物损失值和所述款式损失值得到损失值，并根据所述损失值对所述初始分割模型进行参数调整优化，得到衣物分割模型：
Figure 163263DEST_PATH_IMAGE020
Figure 164717DEST_PATH_IMAGE049
Figure 770142DEST_PATH_IMAGE051
其中，
Figure 970179DEST_PATH_IMAGE025
是指损失值；
Figure 963543DEST_PATH_IMAGE026
是所述衣物损失值；
Figure 389976DEST_PATH_IMAGE027
是款式损失值；
Figure 861409DEST_PATH_IMAGE028
是指所述预测衣 物分割图的衣物概率，通过计算图像中真实衣物分割图的面积占总图像面积的比例得到；
Figure 181532DEST_PATH_IMAGE029
是真实衣物分割图的衣物概率；
Figure 345797DEST_PATH_IMAGE030
是布尔公式，当
Figure 993947DEST_PATH_IMAGE031
时，值为1，否则，值为 0；
Figure 269071DEST_PATH_IMAGE032
是指衣物概率的图像梯度；
Figure 709279DEST_PATH_IMAGE033
是指真实衣物分割图的衣物概率的图像梯度；
Figure 778866DEST_PATH_IMAGE034
是指 预测偏好款式概率，
Figure 678427DEST_PATH_IMAGE035
是真实偏好款式概率；
利用预设的读取器将所述穿衣图像输入所述衣物分割模型，得到衣物分割图和偏好款式。
详细地，所述图像标注可以是多边形标注，指对所述标准衣物图集中各标准衣物图像中的衣物部分进行轮廓进行描绘与标注，方便后续模型仅对标注区域进行训练。
详细地，所述初始分割模型自上到下依次包括包括1个7x7的卷积层，32个3x3的卷积层以及一个平均池化层，且自第一层开始，每两层之间配置有短路机制。
具体地，所述读取器可以是python的CV2读取器。
本发明实施例中，通过衣物分割模型对所述穿衣图像进行分割，能够得到穿衣图像中的衣物分割图以及偏好款式，衣物分割图能够保证后续的衣物色彩分析中去除了背景与人像区域，使得后续色彩分割更加准确。
S4、利用预设的色彩分类算法对所述衣物分割图进行色彩分割，得到偏好颜色；
具体地，所述偏好颜色是指所述目标用户的惯用衣服色彩搭配，包括色彩占比和色彩风格；
其中，所述色彩占比是指所述目标用户的惯用衣服的各种颜色的比例，例如黄色占比28%、棕色占比35%、白色占比37%；
其中，所述色调风格包括暖色调、中性色调、冷色调与繁杂色调，例如，灰色、黑色、棕色均数据中性色调。
具体地，参照图3所示，所述利用预设的色彩分类算法对所述衣物分割图进行色彩分割，得到偏好颜色，包括：
S31、利用预设的分析器构建所述衣物分割图的图像数据；
Figure 491662DEST_PATH_IMAGE038
S33、统计分类后的每种色彩的像素占总像素的比例，得到色彩占比；
S34、将所述色彩按照色调进行分类，根据色彩占比计算每种色调的色调占比，得到色调风格，并将所述色调风格与所述色彩作为偏好颜色。
详细地，所述分析器可以是python的imread分析器。
具体地，所述通过预设的色彩分类算法对所述图像数据进行色彩分类，包括：
将所述色彩分类的数目作为色簇的数目，并根据所述色彩分类的种类得到所述色簇的簇心点的色度值；
利用以下算法计算所述图像数据中每个像素点到所述簇心点的距离，并根据所述距离的长短将所述图像数据中每个像素点归类到相应的色簇中，完成色彩分类：
Figure 786377DEST_PATH_IMAGE052
其中，
Figure 26866DEST_PATH_IMAGE037
是指任意所述像素点，
Figure 915187DEST_PATH_IMAGE053
是指所述色簇点，
Figure 328851DEST_PATH_IMAGE054
是指像素点
Figure 415756DEST_PATH_IMAGE037
到色簇点
Figure 30408DEST_PATH_IMAGE055
的距离，
Figure 202763DEST_PATH_IMAGE056
是指所述簇心点的色度的种类个数，
Figure 154539DEST_PATH_IMAGE041
是指所述簇心点的第
Figure 299212DEST_PATH_IMAGE041
个色度种类，
Figure 881503DEST_PATH_IMAGE042
是 指所述像素点的第
Figure 603472DEST_PATH_IMAGE041
类色度的色度值，
Figure 562201DEST_PATH_IMAGE043
是指所述簇心点的第
Figure 59916DEST_PATH_IMAGE041
类色度的色度值。
本发明实施例中，通过对衣物分割图进行色彩分割，能够得到目标用户的偏好颜色，通过偏好颜色与偏好款式对服装进行设计，进一步提高服装设计的效率。
S5、通过预设的交互平台获取流行元素，并根据所述穿衣风格、偏好款式、偏好颜色与流行元素组合生成所述目标用户的服装设计参数；
本发明实施例中，所述流行元素可以是刺绣图案、动画角色、流苏、垫肩、亮片等。
本发明实施例中，通过加入流行元素，可以保证服装设计在符合目标用户偏好与风格的同时，也能保证服装服装符合当下潮流。
S6、通过预设的渲染引擎对所述服装设计参数进行渲染，得到服装设计图，并通过所述交互平台对所述服装设计图进行展示。
本发明实施例中，所述渲染引擎可以是HeartDub、UE4等引擎。
本发明实施例中，通过所述交互平台对所述服装设计图进行展示，能够将服装设计的效果进行实时展示，提升了用户的交互体验。
本发明实施例通过文本分割能够自动从所述用户信息中提取出用户性格画像，通过对初始决策树进行优化训练，能够得到风格分析模型，通过使用风格分析模型对用户性格画像进行分析，能够更准确地得到用户性格画像对应的穿衣风格，进而保证机构能够设计出更符合目标用户性格与风格的服装；通过衣物分割模型对所述穿衣图像进行分割，能够得到穿衣图像中的衣物分割图以及偏好款式，衣物分割图能够保证后续的衣物色彩分析中去除了背景与人像区域，使得色彩分割更加准确，通过对衣物分割图进行色彩分割，能够得到目标用户的偏好颜色，通过偏好颜色与偏好款式对服装进行设计，进一步提高服装设计的效率。因此本发明提出的基于深度学习的服装设计方法，可以解决服装设计与用户需求贴合度不高的问题。
如图4所示，是本发明一实施例提供的基于深度学习的服装设计装置的功能模块图。
本发明所述基于深度学习的服装设计装置100可以安装于电子设备中。根据实现的功能，所述基于深度学习的服装设计装置100可以包括性格画像提取模块101、穿衣风格分析模块102、偏好款式分析模块103、偏好颜色分析模块104、设计参数生成模块105及服装设计展示模块106。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述性格画像提取模块101，用于获取目标用户的用户信息，并通过文本分割方式从所述用户信息中提取出用户性格画像；
所述穿衣风格分析模块102，用于构建初始决策树，并根据所述初始决策树的分裂增益对所述初始决策树进行训练，得到风格分析模型，通过所述风格分析模型对所述用户性格画像进行分析，得到所述目标用户的穿衣风格；
所述偏好款式分析模块103，用于获取所述目标用户的穿衣图像，并构建衣物分割模型对所述穿衣图像进行分割，得到衣物分割图和偏好款式；
所述偏好颜色分析模块104，用于利用预设的色彩分类算法对所述衣物分割图进行色彩分割，得到偏好颜色；
所述设计参数生成模块105，用于通过预设的交互平台获取流行元素，并根据所述穿衣风格、偏好款式、偏好颜色与流行元素组合生成所述目标用户的服装设计参数；
所述服装设计展示模块106，用于通过预设的渲染引擎对所述服装设计参数进行渲染，得到服装设计图，并通过所述交互平台对所述服装设计图进行展示。
详细地，本发明实施例中所述基于深度学习的服装设计装置100中所述的各模块在使用时采用与上述图1至图3中所述的基于深度学习的服装设计方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
如图5所示，是本发明一实施例提供的实现基于深度学习的服装设计方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于深度学习的服装设计程序。
其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心（ControlUnit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块（例如执行基于深度学习的服装设计程序等），以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡（Smart Media Card， SMC）、安全数字（Secure Digital，SD）卡、闪存卡（Flash Card）等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如基于深度学习的服装设计程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准（peripheral componentinterconnect，简称PCI）总线或扩展工业标准结构（extended industry standardarchitecture，简称EISA）总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图中仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图中示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于深度学习的服装设计程序是多个指令的组合，在所述处理器10中运行时，可以实现：
获取目标用户的用户信息，并通过文本分割方式从所述用户信息中提取出用户性格画像；
构建初始决策树，并根据所述初始决策树的分裂增益对所述初始决策树进行训练，得到风格分析模型，通过所述风格分析模型对所述用户性格画像进行分析，得到所述目标用户的穿衣风格；
获取所述目标用户的穿衣图像，并构建衣物分割模型对所述穿衣图像进行分割，得到衣物分割图和偏好款式；
利用预设的色彩分类算法对所述衣物分割图进行色彩分割，得到偏好颜色；
通过预设的交互平台获取流行元素，并根据所述穿衣风格、偏好款式、偏好颜色与流行元素组合生成所述目标用户的服装设计参数；
通过预设的渲染引擎对所述服装设计参数进行渲染，得到服装设计图，并通过所述交互平台对所述服装设计图进行展示。
具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1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。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所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）。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取目标用户的用户信息，并通过文本分割方式从所述用户信息中提取出用户性格画像；
构建初始决策树，并根据所述初始决策树的分裂增益对所述初始决策树进行训练，得到风格分析模型，通过所述风格分析模型对所述用户性格画像进行分析，得到所述目标用户的穿衣风格；
获取所述目标用户的穿衣图像，并构建衣物分割模型对所述穿衣图像进行分割，得到衣物分割图和偏好款式；
利用预设的色彩分类算法对所述衣物分割图进行色彩分割，得到偏好颜色；
通过预设的交互平台获取流行元素，并根据所述穿衣风格、偏好款式、偏好颜色与流行元素组合生成所述目标用户的服装设计参数；
通过预设的渲染引擎对所述服装设计参数进行渲染，得到服装设计图，并通过所述交互平台对所述服装设计图进行展示。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能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，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能（Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (9)

1.一种基于深度学习的服装设计方法，其特征在于，所述方法包括：
获取目标用户的用户信息，并通过文本分割方式从所述用户信息中提取出用户性格画像；
获取性格画像样本以及所述性格画像样本对应的真实衣物风格，根据所述性格画像样本建立初始决策树，并计算所述初始决策树的分裂增益，通过所述分裂增益对所述初始决策树进行分裂，得到基准决策树；
利用所述基准决策树对所述性格画像样本进行衣物风格分析，得到预测衣物风格，并根据所述预测衣物风格计算所述基准决策树的理想函数值；
当所述理想函数值大于预设的阈值时，根据所述理想函数值对所述基准决策树的参数进行更新，并返回根据所述预测衣物风格计算所述基准决策树的理想函数值的步骤；
当所述理想函数值小于或等于预设的阈值时，结束参数的更新，并将更新结束时的所述基准决策树作为风格分析模型；
通过所述风格分析模型对所述用户性格画像进行分析，得到所述目标用户的穿衣风格；
获取所述目标用户的穿衣图像，并构建衣物分割模型对所述穿衣图像进行分割，得到衣物分割图和偏好款式；
利用预设的色彩分类算法对所述衣物分割图进行色彩分割，得到偏好颜色；
通过预设的交互平台获取流行元素，并根据所述穿衣风格、偏好款式、偏好颜色与流行元素组合生成所述目标用户的服装设计参数；
通过预设的渲染引擎对所述服装设计参数进行渲染，得到服装设计图，并通过所述交互平台对所述服装设计图进行展示。
2.如权利要求1所述的基于深度学习的服装设计方法，其特征在于，所述根据所述性格画像样本建立初始决策树，并计算所述初始决策树的分裂增益，通过所述分裂增益对所述初始决策树进行分裂，得到基准决策树，包括：
根据所述性格画像样本构建初始决策树，并利用如下算法计算所述性格画像样本中的用户性格与所述分裂增益，得到所述性格画像样本对应的分裂增益集：
Figure 271985DEST_PATH_IMAGE001
其中，
Figure 915456DEST_PATH_IMAGE002
为所述分裂增益，
Figure 719464DEST_PATH_IMAGE003
和
Figure 448386DEST_PATH_IMAGE004
为预设常数，
Figure 996042DEST_PATH_IMAGE005
为所述初始决策树的根节点的左节点所 包含数据的一阶偏导数累加之和，
Figure 494019DEST_PATH_IMAGE006
为所述初始决策树的根节点的左节点所包含数据的 二阶偏导数累加之和，
Figure 468928DEST_PATH_IMAGE007
为所述初始决策树的根节点的右节点所包含数据的一阶偏导数 累加之和，
Figure 685146DEST_PATH_IMAGE008
为所述初始决策树的根节点的右节点所包含数据的二阶偏导数累加之和；
选择所述分裂增益集中最大的分裂增益所对应的用户性格作为分裂点进行分裂，得到所述分裂点的子节点；
将所述性格画像样本以及所述性格画像样本对应的真实衣物风格分配至所述子节点，并重复上述计算分裂增益与分裂处理的步骤，直至所述性格画像样本以及所述性格画像样本对应的真实衣物风格分配结束，得到基准决策树。
3.如权利要求1所述的基于深度学习的服装设计方法，其特征在于，所述根据所述预测衣物风格计算所述基准决策树的理想函数值，包括：
利用如下算法计算所述基准决策树的理想函数值：
Figure 36493DEST_PATH_IMAGE009
其中，
Figure 388977DEST_PATH_IMAGE010
为所述基准决策树的理想函数值，
Figure 800367DEST_PATH_IMAGE011
为所述基准决策树的分裂次数，
Figure 238301DEST_PATH_IMAGE012
为所述基 准决策树的第
Figure 626295DEST_PATH_IMAGE012
个非叶子节点，
Figure 98864DEST_PATH_IMAGE013
是指第
Figure 946735DEST_PATH_IMAGE012
次迭代后的所述预测衣物风格与上一次迭代的所 述预测衣物风格的二阶导数值，
Figure 340807DEST_PATH_IMAGE014
是指第
Figure 565115DEST_PATH_IMAGE012
次迭代后的所述预测衣物风格与上一次迭代的 所述预测衣物风格的一阶导数值，
Figure 361033DEST_PATH_IMAGE015
是所述基准决策树的模型，
Figure 645383DEST_PATH_IMAGE016
是所述基准决策树中 非叶子节点的个数，
Figure 526752DEST_PATH_IMAGE017
为惩罚项函数，
Figure 289171DEST_PATH_IMAGE018
为预设常数。
4.如权利要求1所述的基于深度学习的服装设计方法，其特征在于，所述构建衣物分割模型对所述穿衣图像进行分割，得到衣物分割图和偏好款式，包括：
获取目标衣物图集，对所述目标衣物图集进行尺寸缩放，得到相同尺寸的标准衣物图集；
对所述标准衣物图集进行图像标注，得到所述标准衣物图集中各标准衣物图像的真实衣物分割图和真实偏好款式；
通过预设的初始分割模型对所述标准衣物图集中各标准衣物图像进行特征提取，得到各标准衣物图像对应的图像特征；
对所述图像特征进行图像分割，得到图像特征对应的预测衣物分割图和预测偏好款式；
利用以下算法计算所述预测衣物分割图与所述真实衣物分割图之间的衣物损失值以及所述预测偏好款式与所述真实偏好款式之间的款式损失值，根据所述衣物损失值和所述款式损失值得到损失值，并根据所述损失值对所述初始分割模型进行参数调整优化，得到衣物分割模型：
Figure 939596DEST_PATH_IMAGE019
Figure 394848DEST_PATH_IMAGE020
Figure 763512DEST_PATH_IMAGE021
其中，L是指损失值；
Figure 329623DEST_PATH_IMAGE022
是所述衣物损失值；
Figure 834553DEST_PATH_IMAGE023
是款式损失值；α是指所述预测衣物分割 图的衣物概率，通过计算图像中真实衣物分割图的面积占总图像面积的比例得到；
Figure 460707DEST_PATH_IMAGE024
是真 实衣物分割图的衣物概率；(
Figure 847826DEST_PATH_IMAGE025
)是布尔公式，当
Figure 420890DEST_PATH_IMAGE025
时，值为1，否则，值为0；
Figure 577064DEST_PATH_IMAGE026
是 指衣物概率的图像梯度；
Figure 341496DEST_PATH_IMAGE027
是指真实衣物分割图的衣物概率的图像梯度；
Figure 950332DEST_PATH_IMAGE028
是指预测偏 好款式概率，
Figure 795928DEST_PATH_IMAGE029
是真实偏好款式概率；
利用预设的读取器将所述穿衣图像输入所述衣物分割模型，得到衣物分割图和偏好款式。
5.如权利要求1至4中任一项所述的基于深度学习的服装设计方法，其特征在于，所述利用预设的色彩分类算法对所述衣物分割图进行色彩分割，得到偏好颜色，包括：
利用预设的分析器构建所述衣物分割图的图像数据；
利用预设的色彩分类算法根据色彩分类的数目与种类对所述图像数据进行色彩分类；
统计分类后的每种色彩的像素占总像素的比例，得到色彩占比；
将所述色彩按照色调进行分类，根据色彩占比计算每种色调的色调占比，得到色调风格，并将所述色调风格与所述色彩作为偏好颜色。
6.如权利要求5所述的基于深度学习的服装设计方法，其特征在于，所述通过预设的色彩分类算法对所述图像数据进行色彩分类，包括：
将所述色彩分类的数目作为色簇的数目，并根据所述色彩分类的种类得到所述色簇的簇心点的色度值；
利用以下算法计算所述图像数据中每个像素点到所述簇心点的距离，并根据所述距离的长短将所述图像数据中每个像素点归类到相应的色簇中，完成色彩分类：
Figure 806609DEST_PATH_IMAGE030
其中，
Figure 40145DEST_PATH_IMAGE031
是指任意所述像素点，
Figure 339539DEST_PATH_IMAGE032
是指所述色簇点，
Figure 51143DEST_PATH_IMAGE033
是指像素点
Figure 385172DEST_PATH_IMAGE031
到色簇点
Figure 789609DEST_PATH_IMAGE032
的距 离，
Figure 576299DEST_PATH_IMAGE034
是指所述簇心点的色度的种类个数，
Figure 826015DEST_PATH_IMAGE035
是指所述簇心点的第
Figure 280130DEST_PATH_IMAGE035
个色度种类，
Figure 855468DEST_PATH_IMAGE036
是指所述像 素点的第
Figure 129454DEST_PATH_IMAGE035
类色度的色度值，
Figure 448440DEST_PATH_IMAGE037
是指所述簇心点的第
Figure 990018DEST_PATH_IMAGE035
类色度的色度值。
7.一种基于深度学习的服装设计装置，其特征在于，所述装置包括：
性格画像提取模块，用于获取目标用户的用户信息，并通过文本分割方式从所述用户信息中提取出用户性格画像；
穿衣风格分析模块，用于获取性格画像样本以及所述性格画像样本对应的真实衣物风格，根据所述性格画像样本建立初始决策树，并计算所述初始决策树的分裂增益，通过所述分裂增益对所述初始决策树进行分裂，得到基准决策树，利用所述基准决策树对所述性格画像样本进行衣物风格分析，得到预测衣物风格，并根据所述预测衣物风格计算所述基准决策树的理想函数值，当所述理想函数值大于预设的阈值时，根据所述理想函数值对所述基准决策树的参数进行更新，当所述理想函数值小于或等于预设的阈值时，结束参数的更新，并将更新结束时的所述基准决策树作为风格分析模型，通过所述风格分析模型对所述用户性格画像进行分析，得到所述目标用户的穿衣风格；
偏好款式分析模块，用于获取所述目标用户的穿衣图像，并构建衣物分割模型对所述穿衣图像进行分割，得到衣物分割图和偏好款式；
偏好颜色分析模块，用于利用预设的色彩分类算法对所述衣物分割图进行色彩分割，得到偏好颜色；
设计参数生成模块，用于通过预设的交互平台获取流行元素，并根据所述穿衣风格、偏好款式、偏好颜色与流行元素组合生成所述目标用户的服装设计参数；
服装设计展示模块，用于通过预设的渲染引擎对所述服装设计参数进行渲染，得到服装设计图，并通过所述交互平台对所述服装设计图进行展示。
8.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至6中任意一项所述的基于深度学习的服装设计方法。
9.一种计算机可读存储介质，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至6中任意一项所述的基于深度学习的服装设计方法。
CN202210564865.5A 2022-05-23 2022-05-23 基于深度学习的服装设计方法、装置、设备及存储介质 Active CN114662412B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210564865.5A CN114662412B (zh) 2022-05-23 2022-05-23 基于深度学习的服装设计方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210564865.5A CN114662412B (zh) 2022-05-23 2022-05-23 基于深度学习的服装设计方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN114662412A CN114662412A (zh) 2022-06-24
CN114662412B true CN114662412B (zh) 2022-10-11

Family

ID=82037999

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210564865.5A Active CN114662412B (zh) 2022-05-23 2022-05-23 基于深度学习的服装设计方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN114662412B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018014610A1 (zh) * 2016-07-20 2018-01-25 武汉斗鱼网络科技有限公司 基于c4.5决策树算法的特定用户挖掘系统及其方法
CN113886691A (zh) * 2021-09-29 2022-01-04 平安银行股份有限公司 基于历史数据的智能推荐方法、装置、电子设备及介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018165239A1 (en) * 2017-03-07 2018-09-13 Original, Inc. Methods and systems for customized garment and outfit design generation
CN107424012A (zh) * 2017-07-31 2017-12-01 京东方科技集团股份有限公司 一种智能导购方法、智能导购设备
CN110021061B (zh) * 2018-01-08 2021-10-29 Oppo广东移动通信有限公司 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
CN113393304A (zh) * 2021-06-30 2021-09-14 青岛海尔工业智能研究院有限公司 服装定制方法和装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018014610A1 (zh) * 2016-07-20 2018-01-25 武汉斗鱼网络科技有限公司 基于c4.5决策树算法的特定用户挖掘系统及其方法
CN113886691A (zh) * 2021-09-29 2022-01-04 平安银行股份有限公司 基于历史数据的智能推荐方法、装置、电子设备及介质

Also Published As

Publication number Publication date
CN114662412A (zh) 2022-06-24

Similar Documents

Publication Publication Date Title
US20220108042A1 (en) Computer aided systems and methods for creating custom products
CN108229559B (zh) 服饰检测方法、装置、电子设备、程序和介质
CN108109055B (zh) 一种基于图像渲染的跨场景服装检索方法
CN112396005A (zh) 生物特征图像识别方法、装置、电子设备及可读存储介质
CN114758362A (zh) 基于语义感知注意力和视觉屏蔽的换衣行人重识别方法
CN106096542A (zh) 基于距离预测信息的图像视频场景识别方法
CN113704614A (zh) 基于用户画像的页面生成方法、装置、设备及介质
CN111881901A (zh) 截图内容检测方法、设备及计算机可读存储介质
CN114708461A (zh) 基于多模态学习模型的分类方法、装置、设备及存储介质
CN115374189A (zh) 基于区块链的食品安全溯源方法、装置及设备
CN114821590A (zh) 文档信息提取方法、装置、设备及介质
CN116167825A (zh) 基于电子商务的商品推荐方法、装置、设备及存储介质
CN114707474A (zh) 报表生成方法、装置、电子设备及计算机可读存储介质
CN113705469A (zh) 人脸识别方法、装置、电子设备及计算机可读存储介质
CN108764232B (zh) 标签位置获取方法及装置
CN114662412B (zh) 基于深度学习的服装设计方法、装置、设备及存储介质
CN115098644B (zh) 图像与文本匹配方法、装置、电子设备及存储介质
CN114511741B (zh) 图像的识别方法、装置、设备、存储介质及程序产品
Vashisht et al. Traffic sign recognition using multi-layer color texture and shape feature based on neural network classifier
CN113918769A (zh) 视频中关键动作标记方法、装置、设备及存储介质
CN114943306A (zh) 意图分类方法、装置、设备及存储介质
CN113656703A (zh) 基于新上线课程的智能推荐方法、装置、设备及存储介质
Juan [Retracted] Research on Embroidery Feature Recognition Algorithm of Traditional National Costumes Based on Double‐Layer Model
CN111639207A (zh) 线下目标物推荐方法、装置、电子设备及存储介质
CN112631589A (zh) 应用程序首页布局配置方法、装置、电子设备及存储介质

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