CN115082669A - 服装面料推荐方法、装置、电子设备及存储介质 - Google Patents

服装面料推荐方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN115082669A
CN115082669A CN202210546233.6A CN202210546233A CN115082669A CN 115082669 A CN115082669 A CN 115082669A CN 202210546233 A CN202210546233 A CN 202210546233A CN 115082669 A CN115082669 A CN 115082669A
Authority
CN
China
Prior art keywords
fabric
picture
target
feature extraction
extraction model
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.)
Pending
Application number
CN202210546233.6A
Other languages
English (en)
Inventor
卜祥技
方思宇
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 Yijia Technology Co ltd
Original Assignee
Shenzhen Yicufang 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 Yicufang Technology Co ltd filed Critical Shenzhen Yicufang Technology Co ltd
Priority to CN202210546233.6A priority Critical patent/CN115082669A/zh
Publication of CN115082669A publication Critical patent/CN115082669A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/54—Extraction of image or video features relating to texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • 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

本申请适用于数据处理技术领域，提供了一种服装面料推荐方法、装置、电子设备及存储介质，包括：获取待识别服装图片；根据所述待识别服装图片，确定目标服装款式；根据所述目标服装款式确定初筛面料信息；根据所述待识别服装图片确定目标面料特征，并根据所述目标面料特征，从所述初筛面料信息中确定推荐面料信息。本申请实施例能够高效准确地实现服装面料推荐。

Description

服装面料推荐方法、装置、电子设备及存储介质
技术领域
本申请属于数据处理技术领域，尤其涉及一种服装面料推荐方法、装置、电子设备及存储介质。
背景技术
目前，用户在寻找某一面料时，通常需要依据个人经验或者通过买手去市场上搜寻，这种方式效率较低且准确性难以保证。因此，目前亟需一种能够高效准确地实现服装面料推荐的方法。
发明内容
有鉴于此，本申请实施例提供了服装面料推荐方法、装置、电子设备及存储介质，以解决现有技术中如何高效准确地实现服装面料推荐的问题。
本申请实施例的第一方面提供了一种服装面料推荐方法，包括：
获取待识别服装图片；
根据所述待识别服装图片，确定目标服装款式；
根据所述目标服装款式确定初筛面料信息；
根据所述待识别服装图片确定目标面料特征，并根据所述目标面料特征，从所述初筛面料信息中确定推荐面料信息。
可选地，所述根据所述待识别服装图片确定目标面料特征，并根据所述目标面料特征，从所述初筛面料信息中确定推荐面料信息，包括：
从所述待识别服装图片中确定服装局部区域图片；
通过预设的面料特征提取模型对所述服装局部区域图片进行处理，确定目标面料特征，并根据所述目标面料特征从所述初筛面料信息中确定推荐面料信息。
可选地，所述从所述待识别服装图片中确定服装局部区域图片，包括：
将所述待识别服装图片输入预设的服装分割模型进行处理，得到所述服装局部区域图片。
可选地，所述面料特征提取模型包括第一特征提取模型和第二特征提取模型，所述目标面料特征包括第一目标面料特征向量和第二目标面料特征向量，所述通过预设的面料特征提取模型对所述服装局部区域图片进行处理，确定目标面料特征，并根据所述目标面料特征从所述初筛面料信息中确定推荐面料信息，包括：
将所述服装局部区域图片输入预设的第一特征提取模型进行处理，得到所述第一目标面料特征向量；
根据所述第一目标面料特征向量，从所述初筛面料信息中确定候选面料信息；
将所述服装局部区域图片输入预设的第二特征提取模型进行处理，得到所述第二目标面料特征向量；
根据所述第二目标面料特征向量，从所述候选面料信息中确定推荐面料信息。
可选地，所述第一特征提取模型包括织造方式特征提取模型、加工工艺特征提取模型和原材料特征提取模型，所述将所述服装局部区域图片输入预设的第一特征提取模型进行处理，得到所述第一目标面料特征向量，包括：
将所述服装局部区域图片输入所述织造方式特征提取模型、所述加工工艺特征提取模型、所述原材料特征提取模型进行处理，分别得到织造方式特征向量、加工工艺特征向量、原材料特征向量；
将所述织造方式特征向量、所述加工工艺特征向量、所述原材料特征向量进行组合，得到所述第一目标面料特征向量。
可选地，所述第二特征提取模型包括布匹纹理特征提取模型、颜色特征提取模型、厚度特征提取模型、弹性特征提取模型和光滑度特征提取模型，所述将所述服装局部区域图片输入预设的第二特征提取模型进行处理，得到所述第二目标面料特征向量，包括：
将所述服装局部区域图片分别输入所述布匹纹理特征提取模型、所述颜色特征提取模型、所述厚度特征提取模型、所述弹性特征提取模型和所述光滑度特征提取模型进行处理，分别得到布匹纹理特征向量、颜色特征向量、厚度特征向量、弹性特征向量和光滑度特征向量；
将所述布匹纹理特征向量、所述颜色特征向量、所述厚度特征向量、所述弹性特征向量和所述光滑度特征向量进行组合，得到所述第二目标面料特征向量。
可选地，所述初筛面料信息包括初筛面料图片，所述候选面料信息包括候选面料图片，所述推荐面料信息包括目标推荐面料图片，在所述获取待识别服装图片之前，还包括：
建立面料图片数据库，其中所述面料图片数据库中的每张面料图片携带服装款式标签、第一面料特征标签和第二面料特征标签；
根据所述面料图片进行模型训练，得到所述第一特征提取模型和所述第二特征提取模型，并确定每张面料图片基于所述第一特征提取模型得到第一面料特征向量和基于所述第二特征提取模型得到的第二面料特征向量；
对应地，所述根据所述目标服装款式确定初筛面料信息包括：
根据所述目标服装款式，从所述面料图片数据库中确定所述服装款式标签与所述目标服装款式相符的所述面料图片作为所述初筛面料图片；
所述根据所述第一目标面料特征向量，从所述初筛面料信息中确定候选推荐面料，包括：
分别计算每张所述初筛面料图片的第一面料特征向量与所述第一目标面料特征向量的第一相似度，并将所述第一相似度最高的第一数量的所述初筛面料图片作为所述候选面料图片；
所述根据所述第二目标面料特征向量，从候选面料信息中确定推荐面料信息，包括：
分别计算每张所述候选面料图片的第二面料特征向量与所述第二目标面料特征向量的第二相似度，并将所述第二相似度最高的第二数量的所述候选面料图片作为所述目标推荐面料图片。
本申请实施例的第二方面提供了一种服装面料推荐装置，包括：
图片获取单元，用于获取待识别服装图片。
款式确定单元，用于根据所述待识别服装图片，确定目标服装款式。
初筛单元，用于根据所述目标服装款式确定初筛面料信息。
推荐单元，用于根据所述待识别服装图片确定目标面料特征，并根据所述目标面料特征，从所述初筛面料信息中确定推荐面料信息。
本申请实施例的第三方面提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，当所述处理器执行所述计算机程序时，使得电子设备实现如所述服装面料推荐方法的步骤。
本申请实施例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存储有计算机程序，当所述计算机程序被处理器执行时，使得电子设备实现如所述服装面料推荐方法的步骤。
本申请实施例的第五方面提供了一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备执行上述第一方面中任一项所述的服装面料推荐方法。
本申请实施例与现有技术相比存在的有益效果是：本申请实施例中，获取待识别服装图片后，先根据该待识别服装图片，确定目标服装款式，以便根据该目标服装款式确定初筛面料信息。之后，再根据从待识别服装图片中识别到的目标面料特征，从初筛面料信息中确定最终的推荐面料信息。本申请实施例的服装面料推荐方法，依据获取到的待识别服装图片即可自动通过前述的处理步骤确定推荐面料信息，因此能够节省人力成本和时间成本，同时在面料寻找时避免人为经验对准确性的影响。并且，由于能够先从服装整体层面识别目标服装款式，根据目标服装款式完成面料的初步筛选，减少后续处理的数据量，再依据服装细节层面的目标面料特征，进一步更准确地确定推荐面料信息，因此，能够结合服装整体特征和细节特征，高效准确地实现服装面料推荐。
附图说明
为了更清楚地说明本申请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。
图1是本申请实施例提供的一种服装面料推荐方法的实现流程示意图；
图2是本申请实施例提供的一种服装面料推荐装置的示意图；
图3是本申请实施例提供的电子设备的示意图。
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，以便透彻理解本申请实施例。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申请。在其它情况中，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申请的描述。
为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。
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，在此本申请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申请。如在本申请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，在本申请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”。类似地，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[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
目前，用户在寻找某一面料时，通常需要依据个人经验或者通过买手去市场上搜寻，这种方式效率较低且准确性难以保证。当前也存在一些面料自动搜索和推荐的方法，这些方法大多是基于文字描述的检索，然而，每个人对服装面料描述的词汇都存在差异性，即用户输入的面料文字描述信息可能也不够准确，因此很难精确地查找到想要的面料。
为了解决上述的技术问题，本申请实施例考虑通过服装图片完成面料搜索的方式，自动准确地实现面料推荐。而在考虑通过服装图片进行面料搜索时，为了进一步提高算法效率和准确性，提出了本申请实施例的服装面料推荐方法。该服装面料推荐方法包括：获取待识别服装图片；根据所述目标服装款式确定初筛面料信息；根据所述待识别服装图片确定目标面料特征，并根据所述目标面料特征，从所述初筛面料信息中确定推荐面料信息。
由于依据获取到的待识别服装图片即可自动通过前述的处理步骤确定推荐面料信息，因此能够节省人力成本和时间成本，同时在面料寻找时避免人为经验对准确性的影响。并且，由于能够先从服装整体层面识别目标服装款式，根据目标服装款式完成面料的初步筛选，减少后续处理的数据量，再依据服装细节层面的目标面料特征，进一步更准确地确定推荐面料信息，因此，能够结合服装整体特征和细节特征，高效准确地实现服装面料推荐。
实施例一：
图1示出了本申请实施例提供的一种服装面料推荐方法的流程示意图，该服装面料推荐方法应用于电子设备，详述如下：
在S101中，获取待识别服装图片。
本申请实施例中，待识别服装图片为待进行面料识别的服装图片，该服装图片包含目标服装的整体图像信息。即，该待识别服装图片为拍摄目标服装得到的图片，通过获取并对该待识别服装图片进行后续的识别处理，能够确定目标服装对应的面料信息并进行推荐。
在一个实施例中，可以通过电子设备自身携带的摄像头或者其它拍摄设备，对需要进行面料识别的目标服装的整体进行拍摄，电子设备可以接收自身的摄像头或者该其它拍摄设备传送的图像拍摄信息，得到该待识别图片。示例性地，可以将目标服装放置于自然环境中，通过普通的手机对该目标服装进行拍摄，得到待识别服装图片；示例性地，在拍摄时，距离可以控制在1.0米到1.5米，拍摄视角范围内的长度、宽度均在0.3米到0.4米之间，以保证手机能够拍摄到完整的目标服装，得到包含目标服装的整体图像信息的待识别图片。在前述的示例中，拍摄环境简单，拍摄设备也为成本较低的普通手机，因此能够提高本申请实施例的服装面料推荐方法的便捷性，降低成本。
在另一个实施例中，电子设备可以通过接收用户上传的图片直接获取到该待识别图片；在又一个实施例中，电子设备可以接收用户上传的网址信息后，根据该网址信息从指定的服装素材网站获取到该待识别服装图片。
在S102中，根据所述待识别服装图片，确定目标服装款式。
在获取到待识别服装图片后，可以根据该待识别服装图片包含的服装整体信息，确定目标服装款式。示例性地，目标服装款式可以包括：卫衣、T恤、背心、衬衫、Polo衫(Poloshirt，也称为网球衫、高尔夫球衫)、针织衫、毛衣、吊带、夹克、大衣、风衣、羽绒服、西服、外套、长裤、短裤、半身裙、连衣裙、连衣裤、泳衣、睡衣等。
在一个实施例中，通过预设的服装款式识别模型对所述待识别服装图片进行处理，得到所述目标服装款式。其中，该服装款式识别模型为提前以携带款式标签的服装图片作为样本数据进行训练得到的神经网络模型。在一个实施例中，服装款式识别模型具体为基于卷积神经网络的分类模型，其样本数据可以直接从DeepFashion数据集(一个大型服装数据集)获取到。进一步地，为了在提高计算速度的同时保证精度，可以采用EfficientNet-B3模型(一种高效的分类模型)作为本申请实施例的服装款式识别模型。
在S103中，根据所述目标服装款式确定初筛面料信息。
本申请实施例中，一种面料通常适用于指定的一种或者多种的服装款式，而一种服装款式的服装也可以采用指定的一种或者多种面料，即服装款式和面料信息之间存在着一定的对应关系。电子设备本地的数据库或者与电子设备建立了连接关系的第三方设备的数据库中，提前存储了服装款式与面料信息的对应关系。在确定出当前待识别服装图片对应的目标服装款式后，可以通过查找该数据库存储的该对应关系，确定该目标服装款式对应的初筛面料信息，该初筛面料信息可以包括一种以上的面料信息。通常，同一服装款式的服装可以根据不同需求采用不同类型的面料制成，因此，该初筛面料信息通常包括多种面料的信息。
在一个实施例中，上述的数据库具体通过存储携带服装款式标签信息的面料图片以建立服装款式与面料信息的对应关系，上述的初筛面料信息包括从该数据库中筛选得到的携带目标服装款式的标签信息的面料图片，将其称为初筛面料图片。
在另一个实施例中，上述的数据库具体通过设置服装款式的名称与面料的名称和/或型号的对照表，以建立服装款式与面料信息的对应关系，对应地，上述的初筛面料信息可以包括初步筛选得到的面料名称和/或型号。
在S104中，根据所述待识别服装图片确定目标面料特征，并根据所述目标面料特征，从所述初筛面料信息中确定推荐面料信息。
本申请实施例中，在整体识别得到待识别服装图片对应的目标服装款式之后，可以进一步提取该待识别服装图片的细节信息，确定该目标服装对应的目标面料特征。之后，根据该目标面料特征，从初筛面料信息中确定与该目标面料特征一致或者相似度较高的面料信息作为推荐面料信息。其中，目标面料特征可以包括织造方式特征、加工工艺特征、原材料特征、面料详细细节特征中的任意一项或者多项。示例性地，该织造方式特征可以包括针织、梭织等；加工工艺特征可以包括：坯布、漂白布、印花布、色织布、混合工艺布等；原材料特征可以包括：棉布、麻布、丝绸、呢绒、皮革等；面料详细细节特征可以包括：纹理、颜色、厚度、弹性和光滑度等。
在一个实施例中，在确定初筛面料信息后，可以直接或者间接地得到初筛面料图片(其中，直接得到初筛面料图片指的是该初筛面料信息直接为该初筛面料图片；间接得到初筛面料图片指的是，初筛面料信息为面料名称和/或型号，通过该面料名称和/或型号能够从数据库中索引得到对应的初筛面料图片)。数据库中存储的面料图片除了携带上述的服装款式标签外，还携带面料特征标签或者对应的面料特征编码信息。在确定当前待识别服装图片的目标面料特征后，将各张初筛面料图片携带的面料特征标签或者面料特征编码信息分别与该目标面料特征进行比对，并将面料特征标签或者面料特征编码信息与该目标面料特征完全一致或者相似度较高的初筛面料图片作为与待识别服装图片面料信息相符的目标推荐面料图片。筛选得到的目标推荐面料图片可以为多张，例如，可以从初筛面料图片中筛选得到与待识别服装图片的面料特征匹配度最高的5张面料图片作为目标推荐面料图片。
本申请实施例中的推荐面料信息包括上述的目标推荐面料图片和/或该目标推荐面料图片对应的规范描述信息，该规范描述信息可以为面料特征、标准面料名称和/或面料型号。作为一种可能的实现方式，在筛选得到最终的目标推荐面料图片后，可以直接以该目标推荐面料图片作为推荐面料信息进行输出，输出的目标推荐面料图片可以携带其对应的面料特征、规范的面料名称和/或面料型号等信息。作为另一种可能的实现方式，在筛选得到最终的目标推荐面料图片后，可以不输出目标推荐面料图片，而是直接提取该目标推荐面料图片对应的面料特征、规范的面料名称和/或面料型号等信息作为最终的推荐面料信息进行输出，在一些实施例中，输出的该推荐面料信息可以表格的形式进行展示和/或保存。
本申请实施例中，由于依据获取到的待识别服装图片即可自动通过前述的处理步骤确定推荐面料信息，因此能够节省人力成本和时间成本，同时在面料寻找时避免人为经验对准确性的影响。并且，由于能够先从服装整体层面识别目标服装款式，根据目标服装款式完成面料的初步筛选，减少后续处理的数据量，再依据服装细节层面的目标面料特征，进一步更准确地确定推荐面料信息，因此，能够结合服装整体特征和细节特征，高效准确地实现服装面料推荐。
可选地，所述根据所述待识别服装图片确定目标面料特征，并根据所述目标面料特征，从所述初筛面料信息中确定推荐面料信息，包括：
S10401：从所述待识别服装图片中确定服装局部区域图片；
S10402：通过预设的面料特征提取模型对所述服装局部区域图片进行处理，确定目标面料特征，并根据所述目标面料特征从所述初筛面料信息中确定推荐面料信息。
本申请实施例中服装局部区域图片为待识别服装图片中指定的局部区域，用于进行细节的面料特征识别。该服装局部区域图片可以为目标服装的衣身主体对应的图像区域、目标服装的任意部件(例如袖子、领子等)对应的图像区域和/或用户在待识别服装图片上任意选定的一个图像区域。在一个实施例中，本步骤可以接收用户在显示的待识别服装图片上的框选指令，将用户框选的图像区域确定为用户选定的服装局部区域图片。
本申请实施例的面料特征提取模型为提前以携带面料特征标签的面料图片作为样本数据训练得到的神经网络模型，通过该面料特征提取模型能够对上述确定的服装局部区域图片进行特征提取处理，得到目标服装对应的目标面料特征。之后，根据该目标面料特征，从上述的初筛面料信息中进一步筛选与该目标面料特征相符的面料信息作为推荐面料信息。
本申请实施例中，由于能够确定具体的服装局部区域图片，并通过面料特征提取模型对该服装局部区域图片进行特征提取，因此能够准确地从细节层面提取得到待识别服装图片对应的目标面料特征，以提高面料推荐的准确性。
可选地，所述从所述待识别服装图片中确定服装局部区域图片，包括：
将所述待识别服装图片输入预设的服装分割模型进行处理，得到所述服装局部区域图片。
本申请实施例中，具体通过提前训练好的服装分割模型分割得到服装局部区域图片。该服装分割模型能够分割、定位待识别服装图片中的一个或者多个服装部位的图像区域。在一个实施例中该服装分割模型可以基于高分辨网络(High-Resolution Net,HRNet)模型，以从DeepFashion数据集获取并进行数据标注的服装图片作为训练样本训练得到。由于HRNet模型在图像分割方面有较好的效果，同时其训练速度也比两阶段的mask-rcnn(一种图像分割模型)快，因此采用HRNet模型能够高效准确地实现服装图像分割。
在一个实施例中，该预设的服装分割模型专门用于分割得到待识别服装图片中服装衣身主体对应的图像区域。示例性地，基于服装分割模型分割得到服装主体对应的图像区域后，进一步从该图像区域上裁剪出最小内切矩形，并缩放成指定像素大小(例如224×224像素大小)，得到服装主体面料图片，以该服装主体面料图片作为服装局部区域图片进行后续的目标面料特征提取。由于服装的衣身主体通常为服装的主要部分，占据了一件服装的大部分面积，因此以服装主体面料图片作为服装局部区域图片，即能够在确定服装局部区域图片时更加高效简便，又能够使得最终基于该服装局部区域图片提取的面料特征为能够代表当前目标服装的面料信息的主要特征，因此能够在提高算法效率的同时保证准确性。
在另一个实施例中，该预设的服装分割模型可以分割得到待识别服装图片中的服装衣身主体以及各个服装部件对应的图像区域。当用户选定其中的一个或者某几个部件时，则该服装局部区域图片为用户选定的该部件对应的图片，在后续根据该服装区域图片进行面料特征提取而得到的推荐面料信息具体为该选定的部件对应的面料信息。例如，用户选定进行面料识别的部件为袖子，则该服装局部区域图片为目标服装的袖子对应的图片，最终得到的推荐面料信息为该袖子对应的面料信息。当用户没有选定某个部件时，可以默认将各个服装部分别对应的图片均作为服装局部区域图片，即得到若干张服装局部区域图片，之后分别对各张服装局部区域图片进行面料特征识别和匹配，得到目标服装各个服装部件分别对应的推荐面料信息。在一些实施例中，当用户没有选定任意部件时，也可以默认以服装衣身主体对应的图片作为服装局部区域图片，以目标服装衣身主体对应的面料信息默认代表该目标服装的面料信息。
本申请实施例中，由于能够通过服装分割模型高效准确地确定服装局部区域图片，无需用户框选区域，因此能够高效准确地确定服装局部区域图片，提高服装面料推荐的效率和准确性。
可选地，所述面料特征提取模型包括第一特征提取模型和第二特征提取模型，所述目标面料特征包括第一目标面料特征向量和第二目标面料特征向量，所述通过预设的面料特征提取模型对所述服装局部区域图片进行处理，确定目标面料特征，并根据所述目标面料特征从所述初筛面料信息中确定推荐面料信息，包括：
S10402A1：将所述服装局部区域图片输入预设的第一特征提取模型进行处理，得到所述第一目标面料特征向量；
S10402A2：根据所述第一目标面料特征向量，从所述初筛面料信息中确定候选面料信息；
S10402A3：将所述服装局部区域图片输入预设的第二特征提取模型进行处理，得到所述第二目标面料特征向量；
S10402A4：根据所述第二目标面料特征向量，从所述候选面料信息中确定推荐面料信息。
本申请实施例中预设的面料特征提取模型包括预设的第一特征提取模型和预设的第二特征提取模型。第一特征提取模型为提前训练的用于提取服装局部区域图片的第一级面料特征的神经网络模型，第二特征提取模型为提前训练的用于提取服装局部区域图片的第二级面料特征的神经网络模型。
在S10402A1中，将该服装局部区域图片输入第一特征提取模型进行第一级特征提取处理，得到第一目标面料特征向量。其中，第一级特征提取处理中，提取的面料特征可以包括织造方式特征、加工工艺特征、原材料特征中的任意一项或者多项。
在S10402A2中，根据该第一目标面料特征向量，从初筛面料信息中筛选出与该第一目标面料特征向量匹配度较高的面料信息作为候选面料信息。
在S10402A3中，可以进一步将服装局部区域图片输入预设的第二特征提取模型进行第二级特征提取处理，得到第二目标面料特征向量。其中，第二级特征提取处理中提取的面料特征可以包括纹理特征、颜色特征、厚度特征、弹性特征和光滑度特征中的任意一项或者多项。
在S10402A4中，根据该第二目标面料特征向量，可以从候选面料信息中进一步筛选出与该第二目标面料特征向量匹配度较高的面料信息作为最终的推荐面料信息。
本申请实施例中，由于在进行面料特征提取时，进一步分两级特征提取和筛选，因此能够进一步高特征提取的准确性和筛选效率。
可选地，所述第一特征提取模型包括织造方式特征提取模型、加工工艺特征提取模型和原材料特征提取模型，所述将所述服装局部区域图片输入预设的第一特征提取模型进行处理，得到所述第一目标面料特征向量，包括：
将所述服装局部区域图片输入所述织造方式特征提取模型、所述加工工艺特征提取模型、所述原材料特征提取模型进行处理，分别得到织造方式特征向量、加工工艺特征向量、原材料特征向量；
将所述织造方式特征向量、所述加工工艺特征向量、所述原材料特征向量进行组合，得到所述第一目标面料特征向量。
本申请实施例中，第一特征提取模型具体包括织造方式特征提取模型、加工工艺特征提取模型和原材料特征提取模型这三个特征提取模型。其中，织造方式特征提取模型为提前以携带织造方式标签的面料图片作为样本数据训练得到的卷积神经网络模型，加工工艺特征提取模型为提前以携带加工工艺标签的面料图片作为样本数据训练得到的卷积神经网络模型，原材料特征提取模型为提前以携带原材料特征标签的面料图片作为样本数据训练得到的卷积神经网络模型。
这三个特征提取模型的基本结构可以一致。示例性地，可以采用EfficientNet-B1网络模型作为基础模型，并将该模型最后的全连接(full connection)层输出的1024特征改为64位；并且，在模型训练完成后，去掉模型最后的分类模块(softmax模块)，提取全连接层输出的64位特征向量进行输出，使得训练得到的每个特征提取模型输出的为64位特征向量。
将服装局部区域图片输入上述的织造方式特征提取模型进行处理，可以得到表示织造方式特征的64位特征向量，将其称为织造方式特征向量。
将服装局部区域图片输入上述的加工工艺特征提取模型进行处理，可以得到表示加工工艺特征的64位特征向量，将其称为加工工艺特征向量。
将服装局部区域图片输入上述的原材料特征提取模型进行处理，可以得到表示原材料特征的64为特征向量，将其称为原材料特征向量。
之后，将上述的织造方式特征向量、加工工艺特征向量和原材料特征向量按照第一预设顺序进行组合，可以得到该服装局部区域图片对应的第一目标面料特征向量。例如按照先后顺序依次将64位的织造方式特征向量、64位的加工工艺特征向量以及64位的原材料特征向量进行拼接，可以得到192位的特征向量作为第一目标面料特征向量。
本申请实施例中，由于能够通过织造方式特征提取模型、加工工艺特征提取模型和原材料特征提取模型这三个特征提取模型分别准确地提取到织造方式特征向量、加工工艺特征向量和原材料特征向量，以组合得到第一目标面料特征向量，因此能够准确地提取到第一级面料特征，提高服装面料推荐的准确性。
可选地，所述第二特征提取模型包括布匹纹理特征提取模型、颜色特征提取模型、厚度特征提取模型、弹性特征提取模型和光滑度特征提取模型，所述将所述服装局部区域图片输入预设的第二特征提取模型进行处理，得到所述第二目标面料特征向量，包括：
将所述服装局部区域图片分别输入所述布匹纹理特征提取模型、所述颜色特征提取模型、所述厚度特征提取模型、所述弹性特征提取模型和所述光滑度特征提取模型进行处理，分别得到布匹纹理特征向量、颜色特征向量、厚度特征向量、弹性特征向量和光滑度特征向量；
将所述布匹纹理特征向量、所述颜色特征向量、所述厚度特征向量、所述弹性特征向量和所述光滑度特征向量进行组合，得到所述第二目标面料特征向量。
本申请实施例中，第二特征提取模型具体包括布匹纹理特征提取模型、颜色特征提取模型、厚度特征提取模型、弹性特征提取模型和光滑度特征提取模型这五个特征提取模型。其中，布匹纹理特征提取模型为提前以携带纹理标签的面料图片作为样本数据训练得到的卷积神经网络模型，颜色特征提取模型为提前以携带颜色标签的面料图片作为样本数据训练得到的卷积神经网络模型，厚度特征提取模型为提前以携带厚度标签的面料图片作为样本数据训练得到的卷积神经网络模型，弹性特征提取模型为提前以携带弹性标签的面料图片作为样本数据训练得到的卷积神经网络模型，光滑度特征提取模型为提前以携带光滑度标签的面料图片作为样本数据训练得到的卷积神经网络模型。这五个特征提取模型可以与上述的三个特征提取模型的基本结构一致。
示例性地，将服装局部区域图片输入上述的布匹纹理特征提取模型进行处理，可以得到表示布匹纹理特征的64位特征向量，将其称为布匹纹理特征向量。
将服装局部区域图片输入上述的颜色特征提取模型进行处理，可以得到表示颜色特征的64位特征向量，将其称为颜色特征向量。
将服装局部区域图片输入上述的厚度特征提取模型进行处理，可以得到表示厚度特征的64为特征向量，将其称为厚度特征向量。
将服装局部区域图片输入上述的弹性特征提取模型进行处理，可以得到表示弹性特征的64位特征向量，将其称为弹性特征向量。
将服装局部区域图片输入上述的光滑度特征提取模型进行处理，可以得到表示光滑度特征的64为特征向量，将其称为光滑度特征向量。
之后，将上述的布匹纹理特征向量、颜色特征向量、厚度特征向量、弹性特征向量和光滑度特征向量按照第二预设顺序进行组合，可以得到该服装局部区域图片对应的第二目标面料特征向量。例如按照先后顺序依次将64位的布匹纹理特征向量、64位的颜色特征向量、64位的厚度特征向量、64位的弹性特征向量以及64位的光滑度特征向量进行拼接，可以得到320位的特征向量作为第二目标面料特征向量。
本申请实施例中，由于能够通过布匹纹理特征提取模型、颜色特征提取模型、厚度特征提取模型、弹性特征提取模型和光滑度特征提取模型这五个特征提取模型分别准确地提取到布匹纹理特征向量、颜色特征向量、厚度特征向量、弹性特征向量和光滑度特征向量，以组合得到第二目标面料特征向量，因此能够准确地提取到第二级面料特征，提高服装面料推荐的准确性。
可选地，所述初筛面料信息包括初筛面料图片，所述候选面料信息包括候选面料图片，所述推荐面料信息包括目标推荐面料图片，在所述获取待识别服装图片之前，还包括：
建立面料图片数据库，其中所述面料图片数据库中的每张面料图片携带服装款式标签、第一面料特征标签和第二面料特征标签；
根据所述面料图片进行模型训练，得到所述第一特征提取模型和所述第二特征提取模型，并确定每张面料图片基于所述第一特征提取模型得到第一面料特征向量和基于所述第二特征提取模型得到的第二面料特征向量；
对应地，所述根据所述目标服装款式确定初筛面料信息包括：
根据所述目标服装款式，从所述面料图片数据库中确定所述服装款式标签与所述目标服装款式相符的所述面料图片作为所述初筛面料图片；
所述根据所述第一目标面料特征向量，从所述初筛面料信息中确定候选推荐面料，包括：
分别计算每张所述初筛面料图片的第一面料特征向量与所述第一目标面料特征向量的第一相似度，并将所述第一相似度最高的第一数量的所述初筛面料图片作为所述候选面料图片；
所述根据所述第二目标面料特征向量，从候选面料信息中确定推荐面料信息，包括：
分别计算每张所述候选面料图片的第二面料特征向量与所述第二目标面料特征向量的第二相似度，并将所述第二相似度最高的第二数量的所述候选面料图片作为所述目标推荐面料图片。
本申请实施例中，在获取待识别图片之前，先提前建立面料图片数据库，以便后续在使用阶段能够从面料图片数据库中匹配到对应的面料图片，准确地实现面料推荐。
为了使数据库的面料图片与后续用户实际上传的图片尺寸、色度、亮度较为接近，控制两种图片的偏差保持一致，在建立面料图片数据库时，需要提前对拍摄条件作出限制。示例性地，其拍摄条件可以包括：在自然环境下拍摄面料图片，拍摄设备采用普通手机并关闭美白效果；面料拍摄的距离控制在1.0米到1.5米，拍摄视角范围内布匹的长宽在0.3米到0.4米之间。通过该拍摄条件，拍摄得到预设数量的面料图片；另外，后续在使用阶段获取待识别服装图片时，保持同样的拍摄条件，以保证服装面料推荐的准确性。
在拍摄得到预设数量的面料图片后，将这些面料图片统一缩放到224×224像素大小，以使图片尺寸规范化，便于后续输入模型进行处理。
在将尺寸规范的各张面料图片存储到面料图片数据库后，将面料数据库中的每张面料图片打上标签。标签共分为三级，第一级为服装款式标签，每种面料可以标上多个适用的服装款式标签；第二级可以包括织造方式标签、加工工艺标签和原材料标签这三种标签，将第二级的标签统称为第一面料特征标签；第三级可以包括布匹纹理标签、颜色标签、厚度标签、弹性标签和光滑度标签这五种，统称为第二面料特征标签。
在建立面料图片数据库后，可以基于面料图片数据库中的面料图片进行模型训练。由于面料图片携带服装款式标签，可以这些面料图片训练得到能够识别服装款式的服装款式识别模型。此外，还可以基于这些面料图片训练得到能够实现服装主体面料分割和/或其它服装部件分割的服装分割模型。再者，可以通过这些面料图片训练得到上述的第一特征提取模型和第二特征提取模型。在模型训练过程中，可以采用旋转、饱和度调整、色度变化等方式对图片进行数据增强。
在训练得到上述的第一特征提取模型和第二特征提取模型后，可以将每张面料图片基于该第一特征提取模型处理得到的第一面料特征向量以及基于该第二特征提取模型处理得到的第二面料特征向量进行存储，得到向量编码库，便于后续在使用阶段时根据该向量编码库确定匹配的面料图片。
示例性地，第一特征提取模型包括上述的三个特征提取模型，第二特征提取模型包括上述的五个特征提取模型，则在模型训练时，可以同时进行8个特征提取模型的训练，得到上述的织造方式特征提取模型、加工工艺特征提取模型、原材料特征提取模型、布匹纹理特征提取模型、颜色特征提取模型、厚度特征提取模型、弹性特征提取模型和光滑度特征提取模型这8个特征提取模型，每个特征模型输出的为对应的64位向量编码。在特征模型训练完成后，每张面料图片均包含对应的8个64位向量编码，对于第一特征提取模型提取到的3个64位向量编码，可以拼接得到192位的第一面料特征向量；对于第二特征提取模型提取到的5个向量编码，可以拼接得到320位的第二面料特征向量。将每张面料图片对应的该192位的第一面料特征向量和320位的第二面料特征向量进行存储，组成向量编码库。
以上描述的为服装面料推荐方法的预处理阶段，即包括了面料数据库的创建、模型训练以及向量编码库的创建过程。对应地，在服装面料推荐方法的使用阶段，一些相对应的处理步骤如下：
在S101中，获取待识别服装图片。
在S102中，根据所述待识别服装图片，确定目标服装款式。
在S103中，根据所述目标服装款式，从所述面料图片数据库中确定所述服装款式标签与所述目标服装款式相符的所述面料图片作为所述初筛面料图片。
本申请实施例的初筛面料信息具体为从面料图片数据库中初步筛选得到的面料图片(简称为初筛面料图片)。具体地，在通过服装款式识别模型识别出当前待识别服装图片的目标服装款式后，可以根据该目标服装款式，从面料图片数据库中将携带与该目标服装款式相符的服装款式标签的面料图片筛选为初筛面料图片。
在S10401中，从所述待识别服装图片中确定服装局部区域图片。
在S10402A1中，将所述服装局部区域图片输入预设的第一特征提取模型进行处理，得到所述第一目标面料特征向量。
在S10402A2中，分别计算每张所述初筛面料图片的第一面料特征向量与所述第一目标面料特征向量的第一相似度，并将所述第一相似度最高的第一数量的所述初筛面料图片作为所述候选面料图片。
本申请实施例中，候选面料信息具体为从初筛面料图片中进一步筛选得到的候选面料图片。具体地，对于每张初筛面料图片，从向量编码库中获取该初筛面料图片对应的第一面料特征向量，并计算该第一面料特征向量与第一目标面料特征向量的相似度(为了以示区别，将第一目标面料特征向量对应的相似度称为第一相似度)。示例性地，相似度的计算算法可以为均方误差算法(Mean Square Error，MSE)或者余弦算法等。在进行相似度计算后，将对应的第一相似度最高的第一数量的初筛面料图片作为候选面料图片。例如，将初筛面料图片中对应的第一相似度最高的前30张图片作为候选面料图片。
在S10402A3中，将所述服装局部区域图片输入预设的第二特征提取模型进行处理，得到所述第二目标面料特征向量。
在S10402A4中，分别计算每张所述候选面料图片的第二面料特征向量与所述第二目标面料特征向量的第二相似度，并将所述第二相似度最高的第二数量的所述候选面料图片作为所述目标推荐面料图片。
本申请实施例中，推荐面料信息具体包括从候选面料图片中进一步筛选得到的目标推荐面料图片。具体地，对于每张候选面料图片，从向量编码库中获取该候选面料图片对应的第二面料特征向量，并计算该第二面料特征向量与第二目标面料特征向量的相似度(为了以示区别，将第二目标面料特征向量对应的相似度称为第二相似度)。其相似度计算算法可以与上述步骤S10402A2中的相似度计算算法一致。在进行相似度计算后，将对应的第二相似度最高的第二数量的候选面料图片作为目标推荐面料图片。例如，将候选面料图片中对应的第二相似度最高的前5张图片作为最终的目标推荐面料图片。
本申请实施例中，通过预处理阶段的面料图片数据库创建、模型训练和特征向量存储，能够使得后续的使用阶段便捷地利用预处理阶段的数据和模型，高效准确地实现服装面料推荐。
作为示例而非限定，本申请实施例的服装面料推荐方法可以应用于服装设计场景中。服装设计师在实际工作中，通常会根据以一个参照图片作为灵感来源绘制设计图，当服装设计师需要获知该参照图片的面料信息时，可以以该参照图片作为待识别服装图片输入电子设备中，电子设备通过执行上述方法实施例中的步骤，确定出与该参照图片对应的标准的面料图片、面料名称和/或面料型号作为推荐面料信息。之后，将该推荐面料信息通过屏幕显示和/或语音播放的方式反馈至服装设计师，服装设计师可以根据该标准的推荐面料信息准确地到市场上购买相应面料的布匹。
作为示例而非限定，本申请实施例的服装面料推荐方法可以应用于布匹售卖商店的布匹销售场景中，在布匹售卖商店中，设有能够执行上述服装面料推荐方法的电子设备。当顾客前来购买指定服装面料的布匹时，可以提供该指定服装面料的图片，或者直接将该指定服装携带至布匹售卖商店，通过布匹售卖商店的摄像头拍摄该指定服装，得到该指定服装面料的图片。以该指定服装面料的图片作为待识别服装面料图片，输入上述的电子设备中，确定出与该参照图片对应的标准的面料图片、面料名称和/或面料型号作为推荐面料信息。之后，电子设备可以根据该推荐面料信息准确地定位布匹售卖商店中该面料类型的布匹的摆放位置，指引顾客准确地获取到该指定服装面料的布匹。
应理解，上述实施例中各步骤的序号的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，而不应对本申请实施例的实施过程构成任何限定。
实施例二：
图2示出了本申请实施例提供的一种服装面料推荐装置的结构示意图，为了便于说明，仅示出了与本申请实施例相关的部分：
该服装面料推荐装置包括：图片获取单元21、款式确定单元22、初筛单元23、推荐单元24。其中：
图片获取单元21，用于获取待识别服装图片。
款式确定单元22，用于根据所述待识别服装图片，确定目标服装款式。
初筛单元23，用于根据所述目标服装款式确定初筛面料信息。
推荐单元24，用于根据所述待识别服装图片确定目标面料特征，并根据所述目标面料特征，从所述初筛面料信息中确定推荐面料信息。
可选地，所述推荐单元24，包括：
局部图片确定模块，用于从所述待识别服装图片中确定服装局部区域图片；
推荐模块，用于通过预设的面料特征提取模型对所述服装局部区域图片进行处理，确定目标面料特征，并根据所述目标面料特征从所述初筛面料信息中确定推荐面料信息。
可选地，所述局部图片确定模块，具体用于将所述待识别服装图片输入预设的服装分割模型进行处理，得到所述服装局部区域图片。
可选地，所述面料特征提取模型包括第一特征提取模型和第二特征提取模型，所述目标面料特征包括第一目标面料特征向量和第二目标面料特征向量，所述推荐模块，包括：
第一特征提取模块，用于将所述服装局部区域图片输入预设的第一特征提取模型进行处理，得到所述第一目标面料特征向量；
第一筛选模块，用于根据所述第一目标面料特征向量，从所述初筛面料信息中确定候选面料信息；
第二特征提取模块，用于将所述服装局部区域图片输入预设的第二特征提取模型进行处理，得到所述第二目标面料特征向量；
第二筛选模块，用于根据所述第二目标面料特征向量，从所述候选面料信息中确定推荐面料信息。
可选地，所述第一特征提取模型包括织造方式特征提取模型、加工工艺特征提取模型和原材料特征提取模型，所述第一特征提取模块，具体用于将所述服装局部区域图片输入所述织造方式特征提取模型、所述加工工艺特征提取模型、所述原材料特征提取模型进行处理，分别得到织造方式特征向量、加工工艺特征向量、原材料特征向量；将所述织造方式特征向量、所述加工工艺特征向量、所述原材料特征向量进行组合，得到所述第一目标面料特征向量。
可选地，所述第二特征提取模型包括布匹纹理特征提取模型、颜色特征提取模型、厚度特征提取模型、弹性特征提取模型和光滑度特征提取模型，所述第二特征提取模块，具体用于将所述服装局部区域图片分别输入所述布匹纹理特征提取模型、所述颜色特征提取模型、所述厚度特征提取模型、所述弹性特征提取模型和所述光滑度特征提取模型进行处理，分别得到布匹纹理特征向量、颜色特征向量、厚度特征向量、弹性特征向量和光滑度特征向量；将所述布匹纹理特征向量、所述颜色特征向量、所述厚度特征向量、所述弹性特征向量和所述光滑度特征向量进行组合，得到所述第二目标面料特征向量。
可选地，所述初筛面料信息包括初筛面料图片，所述候选面料信息包括候选面料图片，所述推荐面料信息包括目标推荐面料图片，所述服装面料推荐装置，还包括：
数据库建立单元，用于建立面料图片数据库，其中所述面料图片数据库中的每张面料图片携带服装款式标签、第一面料特征标签和第二面料特征标签；
训练单元，用于根据所述面料图片进行模型训练，得到所述第一特征提取模型和所述第二特征提取模型，并确定每张面料图片基于所述第一特征提取模型得到第一面料特征向量和基于所述第二特征提取模型得到的第二面料特征向量；
对应地：
所述初筛单元，具体用于根据所述目标服装款式，从所述面料图片数据库中确定所述服装款式标签与所述目标服装款式相符的所述面料图片作为所述初筛面料图片；
所述第一筛选模块，具体用于分别计算每张所述初筛面料图片的第一面料特征向量与所述第一目标面料特征向量的第一相似度，并将所述第一相似度最高的第一数量的所述初筛面料图片作为所述候选面料图片；
所述第二筛选模块，具体用于分别计算每张所述候选面料图片的第二面料特征向量与所述第二目标面料特征向量的第二相似度，并将所述第二相似度最高的第二数量的所述候选面料图片作为所述目标推荐面料图片。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
实施例三：
图3是本申请一实施例提供的电子设备的示意图。如图3所示，该实施例的电子设备3包括：处理器30、存储器31以及存储在所述存储器31中并可在所述处理器30上运行的计算机程序32，例如服装面料推荐程序。所述处理器30执行所述计算机程序32时实现上述各个服装面料推荐方法实施例中的步骤，例如图1所示的步骤S101至S104。或者，所述处理器30执行所述计算机程序32时实现上述各装置实施例中各模块/单元的功能，例如图2所示图片获取单元21至推荐单元24的功能。
示例性的，所述计算机程序32可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器31中，并由所述处理器30执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序32在所述电子设备3中的执行过程。
所述电子设备3可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述电子设备可包括，但不仅限于，处理器30、存储器31。本领域技术人员可以理解，图3仅仅是电子设备3的示例，并不构成对电子设备3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，例如所述电子设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器30可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器31可以是所述电子设备3的内部存储单元，例如电子设备3的硬盘或内存。所述存储器31也可以是所述电子设备3的外部存储设备，例如所述电子设备3上配备的插接式硬盘，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31还可以既包括所述电子设备3的内部存储单元也包括外部存储设备。所述存储器31用于存储所述计算机程序以及所述电子设备所需的其他程序和数据。所述存储器31还可以用于暂时地存储已经输出或者将要输出的数据。
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，即将所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，并不用于限制本申请的保护范围。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示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方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/电子设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/电子设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，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。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元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。
所述集成的模块/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取存储介质中。基于这样的理解，本申请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，所述的计算机程序可存储于一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，所述计算机程序包括计算机程序代码，所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。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)、随机存取存储器(RAM，Random Access 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，所述计算机可读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，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种服装面料推荐方法，其特征在于，包括：
获取待识别服装图片；
根据所述待识别服装图片，确定目标服装款式；
根据所述目标服装款式确定初筛面料信息；
根据所述待识别服装图片确定目标面料特征，并根据所述目标面料特征，从所述初筛面料信息中确定推荐面料信息。
2.如权利要求1所述的服装面料推荐方法，其特征在于，所述根据所述待识别服装图片确定目标面料特征，并根据所述目标面料特征，从所述初筛面料信息中确定推荐面料信息，包括：
从所述待识别服装图片中确定服装局部区域图片；
通过预设的面料特征提取模型对所述服装局部区域图片进行处理，确定目标面料特征，并根据所述目标面料特征从所述初筛面料信息中确定推荐面料信息。
3.如权利要求2所述的服装面料推荐方法，其特征在于，所述从所述待识别服装图片中确定服装局部区域图片，包括：
将所述待识别服装图片输入预设的服装分割模型进行处理，得到所述服装局部区域图片。
4.如权利要求2所述的服装面料推荐方法，其特征在于，所述面料特征提取模型包括第一特征提取模型和第二特征提取模型，所述目标面料特征包括第一目标面料特征向量和第二目标面料特征向量，所述通过预设的面料特征提取模型对所述服装局部区域图片进行处理，确定目标面料特征，并根据所述目标面料特征从所述初筛面料信息中确定推荐面料信息，包括：
将所述服装局部区域图片输入预设的第一特征提取模型进行处理，得到所述第一目标面料特征向量；
根据所述第一目标面料特征向量，从所述初筛面料信息中确定候选面料信息；
将所述服装局部区域图片输入预设的第二特征提取模型进行处理，得到所述第二目标面料特征向量；
根据所述第二目标面料特征向量，从所述候选面料信息中确定推荐面料信息。
5.如权利要求4所述的服装面料推荐方法，其特征在于，所述第一特征提取模型包括织造方式特征提取模型、加工工艺特征提取模型和原材料特征提取模型，所述将所述服装局部区域图片输入预设的第一特征提取模型进行处理，得到所述第一目标面料特征向量，包括：
将所述服装局部区域图片输入所述织造方式特征提取模型、所述加工工艺特征提取模型、所述原材料特征提取模型进行处理，分别得到织造方式特征向量、加工工艺特征向量、原材料特征向量；
将所述织造方式特征向量、所述加工工艺特征向量、所述原材料特征向量进行组合，得到所述第一目标面料特征向量。
6.如权利要求4所述的服装面料推荐方法，其特征在于，所述第二特征提取模型包括布匹纹理特征提取模型、颜色特征提取模型、厚度特征提取模型、弹性特征提取模型和光滑度特征提取模型，所述将所述服装局部区域图片输入预设的第二特征提取模型进行处理，得到所述第二目标面料特征向量，包括：
将所述服装局部区域图片分别输入所述布匹纹理特征提取模型、所述颜色特征提取模型、所述厚度特征提取模型、所述弹性特征提取模型和所述光滑度特征提取模型进行处理，分别得到布匹纹理特征向量、颜色特征向量、厚度特征向量、弹性特征向量和光滑度特征向量；
将所述布匹纹理特征向量、所述颜色特征向量、所述厚度特征向量、所述弹性特征向量和所述光滑度特征向量进行组合，得到所述第二目标面料特征向量。
7.如权利要求4至6任意一项所述的服装面料推荐方法，其特征在于，所述初筛面料信息包括初筛面料图片，所述候选面料信息包括候选面料图片，所述推荐面料信息包括目标推荐面料图片，在所述获取待识别服装图片之前，还包括：
建立面料图片数据库，其中所述面料图片数据库中的每张面料图片携带服装款式标签、第一面料特征标签和第二面料特征标签；
根据所述面料图片进行模型训练，得到所述第一特征提取模型和所述第二特征提取模型，并确定每张面料图片基于所述第一特征提取模型得到第一面料特征向量和基于所述第二特征提取模型得到的第二面料特征向量；
对应地，所述根据所述目标服装款式确定初筛面料信息包括：
根据所述目标服装款式，从所述面料图片数据库中确定所述服装款式标签与所述目标服装款式相符的所述面料图片作为所述初筛面料图片；
所述根据所述第一目标面料特征向量，从所述初筛面料信息中确定候选推荐面料，包括：
分别计算每张所述初筛面料图片的第一面料特征向量与所述第一目标面料特征向量的第一相似度，并将所述第一相似度最高的第一数量的所述初筛面料图片作为所述候选面料图片；
所述根据所述第二目标面料特征向量，从候选面料信息中确定推荐面料信息，包括：
分别计算每张所述候选面料图片的第二面料特征向量与所述第二目标面料特征向量的第二相似度，并将所述第二相似度最高的第二数量的所述候选面料图片作为所述目标推荐面料图片。
8.一种服装面料推荐装置，其特征在于，包括：
图片获取单元，用于获取待识别服装图片；
款式确定单元，用于根据所述待识别服装图片，确定目标服装款式；
初筛单元，用于根据所述目标服装款式确定初筛面料信息；
推荐单元，用于根据所述待识别服装图片确定目标面料特征，并根据所述目标面料特征，从所述初筛面料信息中确定推荐面料信息。
9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，当所述处理器执行所述计算机程序时，使得电子设备实现如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，当所述计算机程序被处理器执行时，使得电子设备实现如权利要求1至7任一项所述方法的步骤。
CN202210546233.6A 2022-05-19 2022-05-19 服装面料推荐方法、装置、电子设备及存储介质 Pending CN115082669A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210546233.6A CN115082669A (zh) 2022-05-19 2022-05-19 服装面料推荐方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210546233.6A CN115082669A (zh) 2022-05-19 2022-05-19 服装面料推荐方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN115082669A true CN115082669A (zh) 2022-09-20

Family

ID=83248937

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210546233.6A Pending CN115082669A (zh) 2022-05-19 2022-05-19 服装面料推荐方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN115082669A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116883119A (zh) * 2023-07-27 2023-10-13 深圳市慧聚数字软件运营有限公司 服装推荐方法、装置、终端设备及计算机可读存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116883119A (zh) * 2023-07-27 2023-10-13 深圳市慧聚数字软件运营有限公司 服装推荐方法、装置、终端设备及计算机可读存储介质
CN116883119B (zh) * 2023-07-27 2024-03-19 深圳市慧聚数字软件运营有限公司 服装推荐方法、装置、终端设备及计算机可读存储介质

Similar Documents

Publication Publication Date Title
US9336459B2 (en) Interactive content generation
US10777021B2 (en) Virtual representation creation of user for fit and style of apparel and accessories
CN109670591B (zh) 一种神经网络的训练方法及图像匹配方法、装置
TWI559242B (zh) 視覺化服飾檢索
CN108229288B (zh) 神经网络训练及衣服颜色检测方法、装置、存储介质、电子设备
US11475500B2 (en) Device and method for item recommendation based on visual elements
CN109598249B (zh) 服饰检测方法和装置、电子设备、存储介质
US10007860B1 (en) Identifying items in images using regions-of-interest
CN112905889A (zh) 服饰搜索方法及装置、电子设备和介质
CN111401306A (zh) 用于衣物穿搭推荐的方法及装置、设备
CN111767817B (zh) 一种服饰搭配方法、装置、电子设备及存储介质
CN111767420A (zh) 一种生成服饰搭配数据的方法和装置
CN110147854A (zh) 服装识别方法、计算机设备和存储介质
CN115082669A (zh) 服装面料推荐方法、装置、电子设备及存储介质
US11972466B2 (en) Computer storage media, method, and system for exploring and recommending matching products across categories
US9953242B1 (en) Identifying items in images using regions-of-interest
WO2022047662A1 (en) Method and system of neural network object recognition for warpable jerseys with multiple attributes
CN112395999A (zh) 基于图像识别的穿戴规范判定方法及相关设备
CN111126179A (zh) 信息的获取方法和装置、存储介质和电子装置
CN116883119B (zh) 服装推荐方法、装置、终端设备及计算机可读存储介质
CN115221570A (zh) 服装设计方法、装置、电子设备及存储介质
CN113537043B (zh) 图像处理方法、装置、电子设备以及存储介质
CN116486209B (zh) 一种新品识别方法、装置、终端设备及存储介质
EP4181046A1 (en) System for the circular management of used garments
Zhang et al. Automatic measurement of traditional Chinese costume from its silhouette through Fuzzy c-means clustering method

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20220929

Address after: 518000 A1-1301-20, Building A, Kexing Science Park, No. 15, Keyuan Road, Science Park Community, Yuehai Street, Nanshan District, Shenzhen, Guangdong

Applicant after: Shenzhen Yijia Technology Co.,Ltd.

Address before: 518000 1806, Huafeng building, No. 6006, Shennan Avenue, Zijing community, Lianhua street, Futian District, Shenzhen, Guangdong Province

Applicant before: Shenzhen Yicufang Technology Co.,Ltd.