CN116883119A - 服装推荐方法、装置、终端设备及计算机可读存储介质 - Google Patents
服装推荐方法、装置、终端设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN116883119A CN116883119A CN202310947099.5A CN202310947099A CN116883119A CN 116883119 A CN116883119 A CN 116883119A CN 202310947099 A CN202310947099 A CN 202310947099A CN 116883119 A CN116883119 A CN 116883119A
- Authority
- CN
- China
- Prior art keywords
- image
- type
- fabric
- user
- sub
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 239000004744 fabric Substances 0.000 claims abstract description 201
- 238000001514 detection method Methods 0.000 claims description 74
- 239000000463 material Substances 0.000 claims description 51
- 238000004590 computer program Methods 0.000 claims description 21
- 238000003709 image segmentation Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 17
- 238000012216 screening Methods 0.000 claims description 16
- 230000037237 body shape Effects 0.000 claims description 12
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 229920000742 Cotton Polymers 0.000 description 24
- 238000000605 extraction Methods 0.000 description 15
- 239000010985 leather Substances 0.000 description 11
- 210000000746 body region Anatomy 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000004044 response Effects 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 235000014443 Pyrus communis Nutrition 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 210000001217 buttock Anatomy 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010224 classification analysis Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 1
- 235000012766 Cannabis sativa ssp. sativa var. sativa Nutrition 0.000 description 1
- 235000012765 Cannabis sativa ssp. sativa var. spontanea Nutrition 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 235000009120 camo Nutrition 0.000 description 1
- 235000005607 chanvre indien Nutrition 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000011487 hemp Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000009940 knitting Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30124—Fabrics; Textile; Paper
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请适用于人工智能技术领域，提供了一种服装推荐方法、装置、终端设备及计算机可读存储介质，包括：获取用户的人体图像；根据所述人体图像检测所述用户当前穿着服装的第一面料类型；根据所述人体图像检测所述用户的体型；根据检测出的所述用户的体型和第一面料类型向所述用户推荐服装。通过本申请实施例中的方法，能够针对性地为用户推荐服装，大大减少了用户挑选服装的时间，利于提高用户网络购物的体验。
Description
技术领域
本申请属于人工智能技术领域，尤其涉及一种服装推荐方法、装置、终端设备及计算机可读存储介质。
背景技术
网络购物作为一种新兴的购物方式，因其方便快捷而受到广大消费者的喜爱。随着网络购物平台的崛起和蓬勃发展，消费者对网络购物的人性化、智能化的需求越来越迫切。
目前，网络购物平台中商品种类繁多。以服装为例，其款式、颜色和面料等种类繁多，用户需要从大量的服装商品中进行挑选，这将花费用户大量的时间，影响用户网络购物的体验。
发明内容
本申请实施例提供了一种服装推荐方法、装置、终端设备及计算机可读存储介质，可以大大减少用户挑选服装的时间，提高用户网络购物的体验。
第一方面，本申请实施例提供了一种服装推荐方法，包括：
获取用户的人体图像；
根据所述人体图像检测所述用户当前穿着服装的第一面料类型；
根据所述人体图像检测所述用户的体型；
根据检测出的所述用户的体型和第一面料类型向所述用户推荐服装。
本申请实施例中，根据用户的人体图像能够自动识别出用户的体型以及所喜好的面料类型，再根据识别出的用户体型和喜好的面料类型自动向用户推荐服装。通过这种方式，能够针对性地为用户推荐服装，大大减少了用户挑选服装的时间，利于提高用户网络购物的体验。
在第一方面的一种可能的实现方式中，所述根据所述人体图像检测所述用户当前穿着服装的第一面料类型，包括：
对所述人体图像进行图像分割处理，获得至少一个第一子图像，其中，每个所述第一子图像中包括一种类型的服装，不同的第一子图像中包括的服装的类型不同；
分别检测每个所述第一子图像中所包含服装的面料的类型，得到第二面料类型；
根据至少一个所述第一子图像各自对应的所述第二面料类型确定所述第一面料类型。
本申请实施例中，根据人体图像中所包含的服装的类型对人体图像进行图像分割处理，能够对用户当前穿着服装进行分类分析，更具针对性。
在第一方面的一种可能的实现方式中，检测每个所述第一子图像中所包含服装的面料的类型的步骤，包括：
对所述第一子图像进行放大处理，得到放大图像；
检测所述放大图像中所包含服装的面料的纹理，得到纹理特征；
根据所述纹理特征确定所述第一子图像对应的所述第二面料类型。
由于不同面料的纹理特征不同，本申请实施例中，根据纹理特征识别服装的面料类型，更加精确。
在第一方面的一种可能的实现方式中，所述第二面料类型包括材质和质量等级；
所述根据所述纹理特征确定所述第一子图像对应的所述第二面料类型，包括：
根据所述纹理特征确定所述第一子图像所包含服装的面料的材质；
根据所述纹理特征确定所述第一子图像所包含服装的面料的质量等级。
本申请实施例中，同时考虑了面料的材质和质量等级，更精细地区分面料类型，利于后续提高推荐的细粒度。
在第一方面的一种可能的实现方式中，所述第一面料类型包括材质和质量等级；
所述根据至少一个所述第一子图像各自对应的所述第二面料类型确定所述第一面料类型，包括：
若至少一个所述第一子图像各自对应的所述第二面料类型中的材质均相同，则将至少一个所述第一子图像各自对应的所述第二面料类型中质量等级最低的第二面料类型确定为所述第一面料类型；
若至少一个所述第一子图像各自对应的所述第二面料类型中的材质不同，则将每个所述第一子图像对应的第二面料类型，确定为所述第一面料类型。
本申请实施例中，分别统计不同材质对应的面料类型，更精细地区分面料类型，利于后续提高推荐的细粒度。
在第一方面的一种可能的实现方式中，所述根据检测出的所述用户的体型和第一面料类型向所述用户推荐服装，包括：
获取满足所述用户的体型的候选服装；
根据所述第一面料类型从所述候选服装中筛选出目标服装；
将所述目标服装通过显示装置推荐给所述用户。
本申请实施例中，综合考虑用户的体型和用户所喜好的面料类型，自动向用户推荐服装。通过这种方式，能够针对性地为用户推荐服装，大大减少了用户挑选服装的时间，利于提高用户网络购物的体验。
在第一方面的一种可能的实现方式中，所述根据所述人体图像检测所述用户的体型，包括：
对所述人体图像进行图像识别处理，识别得到包括人体上身区域的第一检测框和包括人体下身区域的第二检测框；
根据所述第一检测框和所述第二检测框之间的比例关系，确定所述用户的体型。
本申请实施例中，对人体图像中的上身区域和下身区域进行图像识别，根据上身区域的检测框和下身区域的检测框之间的比例关系确定用户的体型，相当于根据人体上下身的比例关系确定体型，这种方式确定出的用户体型更加精确，利于后续的服装推荐。
第二方面，本申请实施例提供了一种服装推荐装置，包括：
获取单元，用于获取用户的人体图像；
第一检测单元，用于根据所述人体图像检测所述用户当前穿着服装的第一面料类型；
第二检测单元，用于根据所述人体图像检测所述用户的体型；
推荐单元，用于根据检测出的所述用户的体型和第一面料类型向所述用户推荐服装。
第三方面，本申请实施例提供了一种终端设备，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，所述处理器执行所述计算机程序时实现如上述第一方面中任一项所述的服装推荐方法。
第四方面，本申请实施例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，所述计算机程序被处理器执行时实现如上述第一方面中任一项所述的服装推荐方法。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的服装推荐方法。
可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
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，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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他的附图。
图1是本申请实施例提供的服装推荐方法的流程示意图；
图2是本申请实施例提供的面料类型的确定方法的流程示意图；
图3是本申请实施例提供的体型检测方法的流程示意图；
图4是本申请实施例提供的检测框的示意图；
图5是本申请实施例提供的服装推荐装置的结构框图；
图6是本申请实施例提供的终端设备的结构示意图。
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。
应当理解，当在本申请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。
如在本申请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，在本申请说明书和所附权利要求书的描述中，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。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。
网络购物作为一种新兴的购物方式，因其方便快捷而受到广大消费者的喜爱。随着网络购物平台的崛起和蓬勃发展，消费者对网络购物的人性化、智能化的需求越来越迫切。
目前，网络购物平台中商品种类繁多。以服装为例，其款式、颜色和面料等种类繁多，用户需要从大量的服装商品中进行挑选，这将花费用户大量的时间，影响用户网络购物的体验。
基于此，本申请实施例提供了一种服装推荐方法，能够应用于上述应用场景中。通过本申请实施例中的方法，能够针对性地为用户推荐服装，大大减少了用户挑选服装的时间，利于提高用户网络购物的体验。
参见图1，是本申请实施例提供的服装推荐方法的流程示意图，作为示例而非限定，所述方法可以包括以下步骤：
S101，获取用户的人体图像。
在一些应用场景中，用户通过终端设备浏览购物平台，如购物应用程序。购物应用程序可以提供自动推荐功能。示例性的，在购物应用程序的界面上提供“自动推荐”的按钮。用户点击或触碰该“自动推荐”的按钮，终端设备响应于该用户操作，调用终端设备上的相机应用，通过相机应用获取用户的人体图像，然后根据获取到的人体图像执行下述实施例中的服装推荐方法，以为用户自动推荐服装。
本申请实施例中，人体图像可以包括用户的半身图像(上半身或下半身)，也可以包括用户的全身图像。例如，当人体图像包括用户的上半身图像时，下述实施例中的方法中，识别用户的上半身穿着的服装的面料类型，识别用户的上半身的体型，根据用户的上半身的服装的面料类型和体型为用户推荐上装(上半身的服装)。再例如，当人体图像包括用户的全身图像时，下述实施例中的方法中，识别用户的上半身穿着的服装的面料类型和下半身穿着的服装的面料类型，识别用户的全身的体型(包括上半身的体型、下半身的体型以及整体的体型)，根据用户的上半身穿着的服装的面料类型、下半身穿着的服装的面料类型以及全身的体型，为用户推荐上装和下装(下半身的服装)。
本申请实施例中，用户可以在拍照的时候自主选择拍半身图像或全身图像，终端设备根据获取到的人体图像自动识别向用户推荐的服装类型(上装和/或下装)。这种方式利于提高用户体验度。
可以理解的是，另一些应用场景中，也可以设置选择按钮，用户通过对选择按钮执行用户操作，以选择出想要推荐的服装类型。例如，选择按钮包括“上装”按钮和“下装”按钮。用户拍摄人体图像后，可以选择“上装”按钮。响应于该用户操作，终端设备可以根据人体图像为用户推荐上装。该应用场景中，用户可以仅拍摄上半身的人体图像，也可以拍摄全身的人体图像，终端设备可以根据用户的选择(即用户操作“上装”按钮)自动识别人体图像中上半身的部分。
需要说明的是，上述仅为选择按钮的示例，在其他应用场景中，购物应用程序还可以设置更多的选择按钮，如“连衣裙”按钮、“短裤”按钮、“衬衫”按钮、“半裙”按钮等，本申请实施例不做具体限定。另外，除了选择按钮的形式，还可以以其他形式供用户选择，如选择标签或输入框等形式等，本申请实施例不做具体限定。
S102，根据所述人体图像检测所述用户当前穿着服装的第一面料类型。
在一些应用场景中，购物应用程序可以设置面料类型的选项。响应于用户对面料类型的选项的用户操作，终端设备根据用户选择的面料类型向用户推荐服装。
另一些应用场景中，用户可能对面料类型不了解，无法准确地选择面料类型。在该场景下，可以通过S102中的方法，由终端设备自动检测用户喜好的面料类型。这种方式更加智能，利于提高用户体验。
本申请实施例中，面料类型可以包括面料的材质和质量等级。其中，面料的材质可以包括棉、麻、针织、丝绸、呢绒、化纤、混纺、莫代尔和皮革等等。
一些实现方式中，质量等级可以根据成品质量划分，例如，质量等级由高到低划分为A类、B类和C类等，或划分为一等品、二等品和三等品等。例如，检测出的面料类型可以为“A类棉”或“一等皮革”等。
另一些实现方式中，质量等级还可以根据面料本身的质量划分，如根据面料的支数划分或根据面料的经纬密度划分等。
其中，支数指一磅纱线能缠满多少卷线轴。原材料越好，纤维越细越长，强度越大，纺出的纱线就越长，能绕满的线圈轴就越多，纺出的面料也就越细腻越柔软。换言之，支数越高，纱线越细，制成面料越柔软。例如，根据面料的支数将质量等级由高到低划分为高支纱(如60支以上)、中支纱(如40-60支)和低支纱(如40支以下)；或者，划分为100支、80支、60支和40支等。
面料的经纬密度指每平方英寸中排列的经纱和纬纱的根数。常见的经纬密度如40×40、128×68等。在支数相同的情况下，经纬密度越大，面料质量越高。例如，根据面料的经纬密度将质量等级划分为高密度、中密度和低密度。
需要说明的是，对于不同的材质，其质量评判标准可能不同。本申请实施例中，对于不同的材质，可以以不同的质量等级划分。换言之，检测出的面料类型中包括面料的材质以及该材质对应的质量等级。例如，对于棉，检测出的面料类型可能为“60支棉”，或者“中支纱棉”。对于皮革，检测出的面料类型可能为“一等皮革”、“二等皮革”等。
在一些实施例中，参见图2，是本申请实施例提供的面料类型的确定方法的流程示意图。作为示例而非限定，如图2所示，S102可以包括：
S201，对所述人体图像进行图像分割处理，获得至少一个第一子图像。
其中，每个所述第一子图像中包括一种类型的服装，不同的第一子图像中包括的服装的类型不同。服装的类型可以分为上装和下装；还可以根据款式划分，如衬衣、卫衣、长袖、短袖、长裤、短裤、西装裤、连衣裙、连体裤等。
一些实现方式中，可以利用预先训练的图像分割模型对人体图像进行图像分割处理。具体的，在执行S201之前，根据大量的样本图像对图像分割模型进行训练，获得训练后的图像分割模型。在执行S201时，将人体图像输入到训练后的图像分割模型中，输出至少一个第一子图像。其中，大量的样本图像中可以包括各种姿态的人体图像以及穿着各种类型服装的人体图像，每个样本图像对应一组标记，该组标记中包括样本图像中所包含的服装的类型。通过这样的样本图像训练获得的图像分割模型，能够对各种姿态的人体图像进行图像分割处理，提高图像分割结果的准确度。
可选的，图像分割模型可以为神经网络模型，或者是其他能够实现图像分割功能的算法模型。本申请实施例中不做具体限定。
本申请实施例中，根据人体图像中所包含的服装的类型对人体图像进行图像分割处理，能够对用户当前穿着服装进行分类分析，更具针对性。
S202，分别检测每个所述第一子图像中所包含服装的面料的类型，得到第二面料类型。
若用户身着上下连体的服装，如连衣裙、连体裤等套装，对人体图像进行图像分割处理后，可以得到一个第一子图像，该第一子图像中包括整套服装。若用户身着上下分体的服装，对人体图像进行图像分割处理后，可以得到上装和下装各自对应的第一子图像。
一种实现方式中，检测每个所述第一子图像中所包含服装的面料的类型的步骤可以包括：
对所述第一子图像进行放大处理，得到放大图像；检测所述放大图像中所包含服装的面料的纹理，得到纹理特征；根据所述纹理特征确定所述第一子图像对应的所述第二面料类型。
由于面料的纹理特征较为细小，对第一子图像进行放大处理，利于放大面料的纹理特征，从而利于后续的检测。
可选的，可以利用预先训练的特征提取模型检测面料的纹理特征。具体的，在检测纹理特征之前，根据大量的样本图像对图像检测模型进行训练，获得训练后的特征提取模型。在检测纹理特征时，将第一子图像输入到训练后的特征提取模型中，输出纹理特征。例如，特征提取模型可以为神经网络模型或其他能够实现纹理特征检测的算法模型。
纹理特征是用于区分面料的一种有效特征。纹理特征可以包括如支数和经纬密度等结构的特征，还可以包括粗细和光滑程度等光洁度的特性。可以根据所需获取的纹理特征的类型训练特征提取模型。例如，若所需获取结构类型的纹理特征，则大量的样本图像中可以包括各种支数以及各种经纬密度的面料图像；相应的，特征提取模型输出的纹理特征为面料的结构特征。若所需获取光洁度类型的纹理特征，则大量的样本图像中可以包括各种材质的面料图像以及相同材质中不同质量等级的面料图像；相应的，特征提取模型输出的纹理特征为面料的光洁度特征。通过这样的样本图像训练获得的特征提取模型，能够对各种类型的面料图像进行图像检测处理，提高纹理特征提取的准确度。
示例性的，对于纹理特征中的结构特征，特征提取模型输出的形式可以为一个数组，该数组中的元素分别表示支数和经纬密度等信息。对于纹理特征中的光洁度特征，特征提取模型输入的形式可以为一个特征向量。当然，上述仅为纹理特征的示例，并不用于做具体限定。
一些实施例中，所述第二面料类型包括材质和质量等级。相应的，根据所述纹理特征确定所述第一子图像对应的所述第二面料类型的步骤可以包括：
根据所述纹理特征确定所述第一子图像所包含服装的面料的材质；根据所述纹理特征确定所述第一子图像所包含服装的面料的质量等级。
如上所述，纹理特征包括结构特征和光洁度特征等。可以根据光洁度特征区分面料的材质，根据结构特征区分面料的质量等级。当然，也可以结合结构特征和光洁度特征一起区分面料的材质和质量等级。
一些实现方式中，可以利用预先训练的面料检测模型检测面料的材质和质量等级。具体的，在检测之前，根据大量的样本图像对面料检测模型进行训练，获得训练后的面料检测模型。在检测时，将面料检测模型输出的纹理特征输入到训练后的面料检测模型中，输出材质和质量等级。例如，面料检测模型可以为神经网络模型或其他能够实现纹理特征检测的算法模型。
如上所述，特征提取模型和面料检测模型可以为单独的两个模型，两者串行处理；即第一子图像输入到特征提取模型，输出纹理特征，再将纹理特征输入到面料检测模型，输出面料的材质和质量等级。另一种实现方式中，特征提取模型和面料检测模型可以为一个模型的两个部分；即将第一子图像输入到由特征提取模型和面料检测模型组成的整体模型中，输出面料的材质和质量等级。
另一些实现方式中，还可以预先建立数据库，该数据库中存储各种类型的材质以及每种材质下各种质量等级面料的模板图像。获得纹理特征后，将该纹理特征分别与数据库中的模板图像的纹理特征进行比对，将与该纹理特征最相似的模板图像对应的材质和质量等级确定为所述第一子图像对应的材质和质量等级。
当然，可以预先对数据库中存储的模板图像进行纹理特征的检测，将各个模板图像的纹理特征也存储在数据库中。这样，在比对时，无需再次检测模板图像的纹理特征，能够有效提高比对效率。
由于不同面料的纹理特征不同，本申请实施例中，根据纹理特征识别服装的面料类型，更加精确。
在一些应用场景中，可能同一件服装由不同材质的面料构成。该情况下，根据第一子图像的纹理特征可能检测出多种材质。容易导致检测出的用户所喜好的面料类型是不准确的。
为了解决上述问题，在本申请实施例中，对于同一个第一子图像，在根据所述纹理特征确定所述第一子图像所包含服装的面料的材质之后，若材质的类型大于1种，则检测所述第一子图像中每种材质对应的图像面积；根据面积最大的材质以及该材质对应的质量等级确定所述第一子图像对应的第二面料类型。
例如，第一子图像所包含服装的面料包括40支棉和二等皮革，其中，40支棉对应的面料面积最大，则将40支棉确定为该第一子图像对应的第二面料类型。
在另一些应用场景中，可能一件幅值由相同材质的面料构成，但服装不同区域所采用面料的质量等级不同。该情况下，根据第一子图像的纹理特征可能检测出多种质量等级。容易导致检测出的用户所喜好的面料类型是不准确的。
为了解决上述问题，在本申请实施例中，对于同一个第一子图像，在根据所述纹理特征确定所述第一子图像所包含服装的面料的质量等级之后，若材质的类型等于1，且质量等级的类型大于1，则检测所述第一子图像中每种质量等级的面料对应的图像面积；根据面积最大的质量等级确定所述第一子图像对应的第二面料类型。
例如，第一子图像所包含服装的面料包括40支棉和60支棉，其中，60支棉对应的面料面积最大，则将60支棉确定为该第一子图像对应的第二面料类型。
S203，根据至少一个所述第一子图像各自对应的所述第二面料类型确定所述第一面料类型。
一些实施例中，S203可以包括两种情况。
第一种情况，至少一个所述第一子图像各自对应的所述第二面料类型中的材质均相同。
该情况下，可以将至少一个所述第一子图像各自对应的所述第二面料类型中质量等级最低的第二面料类型确定为所述第一面料类型。
例如，分割出两个第一子图像，第一个第一子图像中包括上装，第二个第一子图像中包括下装。通过检测得到第一个第一子图像对应的第二面料类型为40支棉，第二个第一子图像对应的第二面料类型为60支棉。即两种第二面料类型中的材质相同，均为棉。该情况下，两种第二面料类型中质量等级最低的第二面料类型为40支棉，将其确定为第一面料类型，即第一面料类型为40支棉。
当然，该情况下，也可以将各个第二面料类型中质量等级最高的第二面料类型确定为第一面料类型。但这种方式不利于确定出用户所喜好的面料类型，容易缩小后续推荐服装的范围。
第二种情况，至少一个所述第一子图像各自对应的所述第二面料类型中的材质不同。
该情况下，一种实现方式为，将至少一个所述第一子图像各自对应的所述第二面料类型中材质最差、且质量等级最低的第二面料类型，确定为所述第一面料类型。但该情况下，由于各个第一子图像各自对应的服装的面料材质不同、且服装的类型不同，若将所有的第二面料类型放在一起比较，不利于确定出用户所喜好的面料类型，容易缩小后续推荐服装的范围。
为了解决上述问题，该情况下，另一种实现方式为，将每个所述第一子图像对应的第二面料类型，确定为所述第一面料类型。
例如，分割出两个第一子图像，第一个第一子图像中包括上装，第二个第一子图像中包括下装。通过检测得到第一个第一子图像对应的第二面料类型为40支棉，第二个第一子图像对应的第二面料类型为一等皮革。即两种第二面料类型中的材质不同。该情况下，可以将两者均作为第一面料类型，即第一面料类型包括40支棉和一等皮革。
本申请实施例中，分别统计不同材质对应的面料类型，更精细地区分面料类型，利于后续提高推荐的细粒度。
S103，根据所述人体图像检测所述用户的体型。
在一些实施例中，可以检测人体图像的关键点，根据关键点之间的位置关系确定用户的体型。由于人体图像中涉及到的关键点较多，检测任务较为繁重，另外，较多的关键点之间的位置关系计算相对复杂，因此，这种方式计算量较大，计算效率较低。
在本申请实施例中，参见图3，是本申请实施例提供的体型检测方法的流程示意图。作为示例而非限定，如图3所示，S103可以包括：
S301，对所述人体图像进行图像识别处理，识别得到包括人体上身区域的第一检测框和包括人体下身区域的第二检测框。
本申请实施例中，第一检测框可以是能够包括人体上身区域的最小矩形框，第二检测框可以是能够包括人体下身区域的最小矩形框。其中，人体上身区域和人体下身区域的划分可以根据需要预先设定。例如，人体上身区域包括颈部以下、臀部以上的部分，人体下身区域包括臀部及以下的部分。当然，本申请实施例对此不做具体限定。
另外，检测框还可以是椭圆形或其他形状，只要能够表示人体的大致轮廓及比例即可。
一些实现方式中，可以利用预先训练的图像识别模型检测人体区域。具体的，在检测之前，根据大量的样本图像对图像识别模型进行训练，获得训练后的图像识别模型。在检测时，将人体图像输入到训练后的图像识别模型中，输出至少一个检测框。例如，图像识别模型可以为神经网络模型或其他能够实现纹理特征检测的算法模型。
可以理解的是，当用户仅拍摄半身图像时，图像识别模型可以检测出一个检测框；当用户拍摄全身图像时，图像识别模型可以检测出两个检测框。
S302，根据所述第一检测框和所述第二检测框之间的比例关系，确定所述用户的体型。
步骤S302的一种实现方式中，计算第一检测框和第二检测框之间的第一比例，所述第一比例表示人体高度方向上的比例；计算第一检测框和第二检测框之间的第二比例，所述第二比例表示与人体高度方向相垂直的方向上的比例；根据第一比例和第二比例确定用户的体型。
参见图4，是本申请实施例提供的检测框的示意图。如图4所示，第一检测框11与第二检测框12之间的第一比例为a1/a2，第一检测框11与第二检测框12之间的第二比例为b1/b2。如图4所示，第一比例相当于是第一检测框11和第二检测框12各自在y轴方向上的边长之比，第二比例相当于是第一检测框11和第二检测框12各自在x轴方向上的边长之比。其中，y轴指向的方向与人体高度方向一致，x轴与y轴相垂直。
需要说明的是，图4仅为检测框的示例。若检测框为椭圆形，可以根据椭圆的长轴和短轴计算第一比例和第二比例。若检测框为其他形状，可以根据该形状在x轴、y轴方向上的线段的长度计算第一比例和第二比例。在此不做具体限定。
根据第一比例和第二比例确定用户的体型的一些实现方式中，可以预先设定几种体型以及每种体型对应的比例参数，然后将第一比例和第二比例与预先存储的比例参数进行比对，将第一比例和第二比例符合的比例参数所对应的体型确定为检测出的用户的体型。
示例性的，预先设定，第一比例大于1、且第二比例大于1，为“V型”；第一比例大于1、且第二比例小于1，为“梨型”；第一比例等于1、且第二比例等于1，为“H型”；第一比例小于1、且第二比例大于1，为“苹果型”；第一比例小于1、且第二比例小于1，为“沙漏型”。若计算出的第一比例大于1、且第二比例小于1，表示用户的体型为“梨型”。需要说明的是，上述仅为体型的示例，本申请实施例中并不对此做具体限定。
可选的，对于体型的划分，可以根据用户使用的购物应用中商品描述的体型的关键词进行划分。示例性的，若购物应用中商品描述常见的体型的关键词有“梨型”、“苹果型”和“V型”等，可以预先将体型划分为上述“梨型”、“苹果型”和“V型”等类型。若购物应用中常见的体型的关键词有“偏瘦型”、“偏胖型”和“匀称”等，可以预先将体型划分为上述“偏瘦型”、“偏胖型”和“匀称”等类型。一些实现方式中，可以通过爬虫算法对购物应用中涉及到体型的关键字进行搜索，在根据搜索出的关键字对体型进行划分。通过这种方式，令体型的划分符合购物应用中的商品描述习惯，便于提高后续推荐的准确性。
本申请实施例中，对人体图像中的上身区域和下身区域进行图像识别，根据上身区域的检测框和下身区域的检测框之间的比例关系确定用户的体型，相当于根据人体上下身的比例关系确定体型，这种方式确定出的用户体型更加精确，利于后续的服装推荐。
S104，根据检测出的所述用户的体型和第一面料类型向所述用户推荐服装。
在一些实施例中，S104可以包括：
获取满足所述用户的体型的候选服装；根据所述第一面料类型从所述候选服装中筛选出目标服装；将所述目标服装通过显示装置推荐给所述用户。
如上实施例中所述，对于体型的划分，可以根据购物应用中商品描述的体型的关键词进行划分。相应的，获取满足用户的体型的候选服装的一种实现方式包括：对购物应用中的商品描述进行搜索，获得包含所述体型对应的关键字的候选服装。
如上述实施例可知，当检测出一个第一子图像时，第一面料类型中包括一种第二面料类型；当检测出2个第一子图像时，第一面料类型中包括2种第二面料类型。相应的，根据第一面料类型筛选目标服装的步骤可以分为以下两种情况：
第一种情况，若第一面料类型中包括一种第二面料类型，根据该第二面料类型对应的第一子图像所包含的服装的类型对候选服装进行筛选，获得筛选后的候选服装；再根据该第二面料类型对筛选后的候选服装进行筛选，得到目标服装。
例如，第一面料类型为40支棉，对应的第一子图像所包含的服装的类型为上装。则从候选服装中筛选出上装(筛选后的候选服装)，再从上装中筛选出符合40支棉的目标服装。
第二种情况，若第一面料类型中包括多种第二面料类型，分别根据每种第二面料类型对应的第一子图像所包含的服装的类型对候选服装进行筛选，获得每种第二面料类型各自对应的筛选后的候选服装；再根据每种第二面料类型对各自对应的筛选后的候选服装进行筛选，得到目标服装。
例如，第一面料类型包括两种第二面料类型，分别为40支棉和一等皮革，其中，40支棉对应的第一子图像所包含的服装的类型为T恤，一等皮革对应的第一子图像所包含的服装的类型为长裤。则从候选服装中分别筛选出T恤和长裤；然后再从T恤中筛选出符合40支棉的目标服装，从长裤中筛选出符合一等皮革的目标服装。换言之，该情况下，目标服装中包括T恤和长裤两种类型的服装。
本申请实施例中，根据该第二面料类型对筛选后的候选服装进行筛选，得到目标服装，包括：从筛选后的候选服装中删除质量等级小于该第二面料类型中的质量等级的候选服装，得到目标服装。
本申请实施例中，综合考虑用户的体型和用户所喜好的面料类型，自动向用户推荐服装。通过这种方式，能够针对性地为用户推荐服装，大大减少了用户挑选服装的时间，利于提高用户网络购物的体验。
在一些实施例中，将所述目标服装通过显示装置推荐给所述用户的步骤可以包括：在目标服装中检测与用户的人体图像中所包含的服装相匹配的服装，得到相似服装；计算目标服装中每件服装与相似服装之间的价格差；根据价格差从低到高的顺序，将目标服装推荐给用户。
例如，目标服装共有100件，其中与人体图像(即用户当前穿着服装)相匹配的相似服装的价格为150元，分别计算100件服装各自的价格与150元之间的价格差，然后按照价格差从低到高的顺序排列这100件目标服装，并向用户显示。
其中，相似服装的获取方式可以包括：将人体图像分别与购物应用中每个目标服装的展示图像进行相似度的比对；将相似度最高的目标服装确定为相似服装。
通过本申请实施例中的方法，相当于考虑了用户的购物金额，使得推荐的服装更贴近用户的购物预算，进一步提高了网络购物的智能化程度，提高了用户的购物体验。
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。
对应于上文实施例所述的服装推荐方法，图5是本申请实施例提供的服装推荐装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参照图5，该装置5包括：
获取单元51，用于获取用户的人体图像。
第一检测单元52，用于根据所述人体图像检测所述用户当前穿着服装的第一面料类型。
第二检测单元53，用于根据所述人体图像检测所述用户的体型。
推荐单元54，用于根据检测出的所述用户的体型和第一面料类型向所述用户推荐服装。
可选的，第一检测单元52还用于：
对所述人体图像进行图像分割处理，获得至少一个第一子图像，其中，每个所述第一子图像中包括一种类型的服装，不同的第一子图像中包括的服装的类型不同；
分别检测每个所述第一子图像中所包含服装的面料的类型，得到第二面料类型；
根据至少一个所述第一子图像各自对应的所述第二面料类型确定所述第一面料类型。
可选的，第一检测单元52还用于：
对所述第一子图像进行放大处理，得到放大图像；
检测所述放大图像中所包含服装的面料的纹理，得到纹理特征；
根据所述纹理特征确定所述第一子图像对应的所述第二面料类型。
可选的，所述第二面料类型包括材质和质量等级。相应的，第一检测单元52还用于：
根据所述纹理特征确定所述第一子图像所包含服装的面料的材质；
根据所述纹理特征确定所述第一子图像所包含服装的面料的质量等级。
可选的，第一检测单元52还用于：
若至少一个所述第一子图像各自对应的所述第二面料类型中的材质均相同，则将至少一个所述第一子图像各自对应的所述第二面料类型中质量等级最低的第二面料类型确定为所述第一面料类型；
若至少一个所述第一子图像各自对应的所述第二面料类型中的材质不同，则将每个所述第一子图像对应的第二面料类型，确定为所述第一面料类型。
可选的，推荐单元54还用于：
获取满足所述用户的体型的候选服装；
根据所述第一面料类型从所述候选服装中筛选出目标服装；
将所述目标服装通过显示装置推荐给所述用户。
可选的，第二检测单元53还用于：
对所述人体图像进行图像识别处理，识别得到包括人体上身区域的第一检测框和包括人体下身区域的第二检测框；
根据所述第一检测框和所述第二检测框之间的比例关系，确定所述用户的体型。
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。
另外，图5所示的服装推荐装置可以是内置于现有的终端设备内的软件单元、硬件单元、或软硬结合的单元，也可以作为独立的挂件集成到所述终端设备中，还可以作为独立的终端设备存在。
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。
图6是本申请实施例提供的终端设备的结构示意图。如图6所示，该实施例的终端设备6包括：至少一个处理器60(图6中仅示出一个)处理器、存储器61以及存储在所述存储器61中并可在所述至少一个处理器60上运行的计算机程序62，所述处理器60执行所述计算机程序62时实现上述任意各个服装推荐方法实施例中的步骤。
所述终端设备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。该终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，图6仅仅是终端设备6的举例，并不构成对终端设备6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，例如还可以包括输入输出设备、网络接入设备等。
所述处理器60可以是中央处理单元(Central Processing Unit，CPU)，该处理器60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)、现成可编程门阵列(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61在一些实施例中可以是所述终端设备6的内部存储单元，例如终端设备6的硬盘或内存。所述存储器61在另一些实施例中也可以是所述终端设备6的外部存储设备，例如所述终端设备6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61还可以既包括所述终端设备6的内部存储单元也包括外部存储设备。所述存储器61用于存储操作系统、应用程序、引导装载程序(Boot Loader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
本申请实施例还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，所述计算机程序被处理器执行时可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行时可实现上述各个方法实施例中的步骤。
所述集成的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，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至少可以包括：能够将计算机程序代码携带到装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random AccessMemory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
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/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，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。
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)
1.一种服装推荐方法，其特征在于，包括：
获取用户的人体图像；
根据所述人体图像检测所述用户当前穿着服装的第一面料类型；
根据所述人体图像检测所述用户的体型；
根据检测出的所述用户的体型和第一面料类型向所述用户推荐服装。
2.如权利要求1所述的服装推荐方法，其特征在于，所述根据所述人体图像检测所述用户当前穿着服装的第一面料类型，包括：
对所述人体图像进行图像分割处理，获得至少一个第一子图像，其中，每个所述第一子图像中包括一种类型的服装，不同的第一子图像中包括的服装的类型不同；
分别检测每个所述第一子图像中所包含服装的面料的类型，得到第二面料类型；
根据至少一个所述第一子图像各自对应的所述第二面料类型确定所述第一面料类型。
3.如权利要求2所述的服装推荐方法，其特征在于，检测每个所述第一子图像中所包含服装的面料的类型的步骤，包括：
对所述第一子图像进行放大处理，得到放大图像；
检测所述放大图像中所包含服装的面料的纹理，得到纹理特征；
根据所述纹理特征确定所述第一子图像对应的所述第二面料类型。
4.如权利要求3所述的服装推荐方法，其特征在于，所述第二面料类型包括材质和质量等级；
所述根据所述纹理特征确定所述第一子图像对应的所述第二面料类型，包括：
根据所述纹理特征确定所述第一子图像所包含服装的面料的材质；
根据所述纹理特征确定所述第一子图像所包含服装的面料的质量等级。
5.如权利要求4所述的服装推荐方法，其特征在于，所述根据至少一个所述第一子图像各自对应的所述第二面料类型确定所述第一面料类型，包括：
若至少一个所述第一子图像各自对应的所述第二面料类型中的材质均相同，则将至少一个所述第一子图像各自对应的所述第二面料类型中质量等级最低的第二面料类型确定为所述第一面料类型；
若至少一个所述第一子图像各自对应的所述第二面料类型中的材质不同，则将每个所述第一子图像对应的第二面料类型，确定为所述第一面料类型。
6.如权利要求5所述的服装推荐方法，其特征在于，所述根据检测出的所述用户的体型和第一面料类型向所述用户推荐服装，包括：
获取满足所述用户的体型的候选服装；
根据所述第一面料类型从所述候选服装中筛选出目标服装；
将所述目标服装通过显示装置推荐给所述用户。
7.如权利要求1至6任一项所述的服装推荐方法，其特征在于，所述根据所述人体图像检测所述用户的体型，包括：
对所述人体图像进行图像识别处理，识别得到包括人体上身区域的第一检测框和包括人体下身区域的第二检测框；
根据所述第一检测框和所述第二检测框之间的比例关系，确定所述用户的体型。
8.一种服装推荐装置，其特征在于，包括：
获取单元，用于获取用户的人体图像；
第一检测单元，用于根据所述人体图像检测所述用户当前穿着服装的第一面料类型；
第二检测单元，用于根据所述人体图像检测所述用户的体型；
推荐单元，用于根据检测出的所述用户的体型和第一面料类型向所述用户推荐服装。
9.一种终端设备，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，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。
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，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310947099.5A CN116883119B (zh) | 2023-07-27 | 2023-07-27 | 服装推荐方法、装置、终端设备及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310947099.5A CN116883119B (zh) | 2023-07-27 | 2023-07-27 | 服装推荐方法、装置、终端设备及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116883119A true CN116883119A (zh) | 2023-10-13 |
| CN116883119B CN116883119B (zh) | 2024-03-19 |
Family
ID=88268154
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310947099.5A Active CN116883119B (zh) | 2023-07-27 | 2023-07-27 | 服装推荐方法、装置、终端设备及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116883119B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150145671A1 (en) * | 2013-11-22 | 2015-05-28 | Roy Cohen | Smart clothing system |
| KR20200014145A (ko) * | 2018-07-31 | 2020-02-10 | 강성열 | 원단직거래를 활용한 맞춤복서비스 제공방법 및 시스템 |
| CN111028031A (zh) * | 2019-05-20 | 2020-04-17 | 珠海随变科技有限公司 | 服饰推荐方法、装置、设备及存储介质 |
| CN112700540A (zh) * | 2021-01-12 | 2021-04-23 | 北京著手健康科技有限公司 | 三维人体模型构建方法、装置、设备及可读存储介质 |
| CN112703286A (zh) * | 2018-09-12 | 2021-04-23 | Lg电子株式会社 | 衣物登记装置和衣物推荐装置及包括这些装置的线上系统 |
| CN113159876A (zh) * | 2020-01-21 | 2021-07-23 | 海信集团有限公司 | 服装搭配推荐装置、方法及存储介质 |
| US20220012791A1 (en) * | 2020-07-10 | 2022-01-13 | Gil Elias | System and Method for Real-Time Garment Recommendations |
| CN115082669A (zh) * | 2022-05-19 | 2022-09-20 | 深圳市衣立方科技有限公司 | 服装面料推荐方法、装置、电子设备及存储介质 |
| CN115587902A (zh) * | 2022-09-13 | 2023-01-10 | 深圳市广德教育科技股份有限公司 | 一种服装智能生产用可视化生产管理系统及方法 |
-
2023
- 2023-07-27 CN CN202310947099.5A patent/CN116883119B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150145671A1 (en) * | 2013-11-22 | 2015-05-28 | Roy Cohen | Smart clothing system |
| KR20200014145A (ko) * | 2018-07-31 | 2020-02-10 | 강성열 | 원단직거래를 활용한 맞춤복서비스 제공방법 및 시스템 |
| CN112703286A (zh) * | 2018-09-12 | 2021-04-23 | Lg电子株式会社 | 衣物登记装置和衣物推荐装置及包括这些装置的线上系统 |
| CN111028031A (zh) * | 2019-05-20 | 2020-04-17 | 珠海随变科技有限公司 | 服饰推荐方法、装置、设备及存储介质 |
| CN113159876A (zh) * | 2020-01-21 | 2021-07-23 | 海信集团有限公司 | 服装搭配推荐装置、方法及存储介质 |
| US20220012791A1 (en) * | 2020-07-10 | 2022-01-13 | Gil Elias | System and Method for Real-Time Garment Recommendations |
| CN112700540A (zh) * | 2021-01-12 | 2021-04-23 | 北京著手健康科技有限公司 | 三维人体模型构建方法、装置、设备及可读存储介质 |
| CN115082669A (zh) * | 2022-05-19 | 2022-09-20 | 深圳市衣立方科技有限公司 | 服装面料推荐方法、装置、电子设备及存储介质 |
| CN115587902A (zh) * | 2022-09-13 | 2023-01-10 | 深圳市广德教育科技股份有限公司 | 一种服装智能生产用可视化生产管理系统及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 李艾琳;何琬文;王梦秀;王来力;: "中国婴幼儿及儿童服装标准分析", 现代纺织技术, no. 04, 10 July 2017 (2017-07-10), pages 43 - 47 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116883119B (zh) | 2024-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10817749B2 (en) | Dynamically identifying object attributes via image analysis | |
| CN104504055B (zh) | 基于图像相似度的商品相似计算方法及商品推荐系统 | |
| US8983142B1 (en) | Programmatic silhouette attribute determination | |
| US20190073335A1 (en) | Using artificial intelligence to determine a size fit prediction | |
| CN111325226B (zh) | 信息呈现方法和装置 | |
| CN108229559B (zh) | 服饰检测方法、装置、电子设备、程序和介质 | |
| CN106202316A (zh) | 基于视频的商品信息获取方法及装置 | |
| CN110647906A (zh) | 基于Faster R-CNN方法的服饰目标检测方法 | |
| KR102517961B1 (ko) | 사용자 선택 의류를 기반으로 의류 추천 정보를 제공하는 방법, 이를 이용하는 서버 및 프로그램 | |
| Stan et al. | An intelligent personalized fashion recommendation system | |
| CN110197200B (zh) | 一种基于机器视觉的服装电子标签生成方法 | |
| US20200372560A1 (en) | Method for exploring and recommending matching products across categories | |
| CN116883119B (zh) | 服装推荐方法、装置、终端设备及计算机可读存储介质 | |
| Lin et al. | Clothing recommendation system based on visual information analytics | |
| JP2015228129A (ja) | コーディネート推薦装置及びプログラム | |
| CN110633723B (zh) | 图像处理装置和方法及存储介质 | |
| CN115082669A (zh) | 服装面料推荐方法、装置、电子设备及存储介质 | |
| CN108156504B (zh) | 一种视频显示方法及装置 | |
| 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 | |
| Islam et al. | An Automatic System for Identifying and Categorizing Tribal Clothing Based on Convolutional Neural Networks | |
| US20150139558A1 (en) | Searching device, searching method, and computer program product | |
| CN113487619A (zh) | 一种数据处理方法、装置、设备及介质 | |
| CN111126179A (zh) | 信息的获取方法和装置、存储介质和电子装置 | |
| Shanthi et al. | Robust fabric defects inspection system using deep learning architecture | |
| Murthy et al. | Texture Unit Pattern Approach for Fabric Classification |
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 |