一种基于深度学习的服饰推荐方法及系统与流程

本发明涉及深度学习，尤其涉及一种基于深度学习的服饰推荐搭配方法及系统。

背景技术：

1、众所周知，服装不仅是人们的生活必需品，还是人们用来展示身份、生活态度和个人魅力的重要装饰品；随着人们生活水平的不断提高，人们对于服装搭配具有了更高的要求，同时对于服装的消费需求也越来越强烈，而互联网线上提供服装销售，则更进一步满足了人们的购衣需求。

2、经过多年的发展，服装产品的线上销售已经非常发达，可是由于消费者属于远程购买不能提供试穿，再加上消费者的审美眼光不同，当前服装电商的退货率一直居高不下，平均退货率高达40％以上，这给服装行业的良性发展带来了巨大障碍。为此亟需设计一种能够为消费者进行智能化服饰推荐搭配推荐的方案，以结合消费者的实际情况进行服装推荐，帮助消费者获得更适合的产品推荐，从而提高消费满意度，同时也能够帮助服装商家有效地减少退货风险，实现更加良性的产业发展。

技术实现思路

1、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饰推荐搭配方法，以解决现有的网络购物无法准确有效地向用户推荐合适服饰搭配的问题。

2、为了解决上述技术问题，本发明的技术方案为：一种基于深度学习的服饰推荐方法，其包括步骤：

3、s1：获取服装信息集合和人体信息集合，所述服装信息集合包括若干件服饰的服装信息，所述人体信息集合包括若干个用户的人体信息；其中，所述服装信息包括：服装的照片、颜色及面料信息；所述人体信息包括：用户的照片、身高、体重、职业信息；

4、s2：搭建神经网络模型，针对所述服装信息集合进行标签化分类，针对所述人体信息集合进行标签化分类，并获得服装信息标签和人体信息标签，以对所述神经网络模型进行训练；

5、s3：基于美学原理建立人体信息标签和服装信息标签的映射匹配关系，以对所述神经网络模型进行训练；

6、s4：将待推荐用户的人体信息作为输入，基于训练后的神经网络模型，输出匹配概率最大的服饰。

7、当前，由于消费者属于远程购买不能提供试穿，再加上消费者的审美眼光不同，当前服装电商的退货率一直居高不下，平均退货率高达40％以上，这给服装行业的良性发展带来了巨大障碍。

8、在相关现有技术中，部分研究人员尝试利用用户的现有服装存储为服装图像，并构建搭配模型并利用该模型对服装图像进行搭配。然而，这种搭配推荐方案仅仅只是根据服装本身的属性如颜色、长度等来进行搭配，不同用户采用这种搭配方案时，搭配效果差异较大，甚至部分用户采用这种搭配方案所选用的服装因不符合自身身形和长相，让自己的身材缺点更加突出。

9、为此，本发明希望通过ai技术与服饰搭配专业美学的结合，设计出基于深度学习的服饰推荐搭配方法，其通过利用专业人员的美学知识与ai技术的结合，能够训练并构建出新的神经网络模型，该神经网络模型能够有效识别用户的人体信息，并基于用户的人体信息推荐出最佳的服装搭配，从而帮助消费者获得更适合的产品推荐，提高消费满意度，并且也能够帮助服装商家有效地减少退货风险，实现更加良性的产业发展。

10、进一步的，在本发明所述的服饰推荐方法中，在步骤s2中，针对所述服装信息集合进行标签化分类，具体为：

11、根据所述服装信息集合中的若干件服饰的服装信息，专业人员按照不同的廓形比例、款式、颜色图案、面料及风格类型进行标签化分类，并形成不同的服装信息标签。

12、进一步的，在本发明所述的服饰推荐方法中，在步骤s2中，针对所述服装信息集合进行标签化分类，获得服装信息标签，以对所述神经网络模型进行训练，包括步骤：

13、搭建神经网络模型，将所述服装信息集合中的若干件服饰的图片缩放到相同大小，并做归一化处理，将归一化处理后的图片作为所述神经网络模型的输入；所述神经网络模型采用resnet网络结构，最后一层经过softmax激活函数，输出各类服装分类标准下的标签化分类的概率，并输出概率最大值的分类，即为服装预测类别；

14、在训练神经网络模型时，将专业人员进行标签化分类获得的服装信息标签进行独热编码，并与所述服装预测类别计算交叉熵损失函数，通过梯度下降法，学习模型参数。

15、进一步的，在本发明所述的服饰推荐方法中，在步骤s2中，针对所述人体信息集合进行标签化分类，具体为：

16、根据所述人体信息集合中的若干个用户的人体信息，通过图像识别技术识别用户的照片信息，以使专业人员针对用户的体型、脸型、肤色、职业、风格类型进行标签化分类，并形成不同的人体信息标签。

17、进一步的，在本发明所述的服饰推荐方法中，在步骤s2中，针对所述人体信息集合进行标签化分类，并获得人体信息标签，以对所述神经网络模型进行训练，包括步骤：

18、搭建神经网络模型，通过openpose算法检测所述人体信息集合中的若干个用户的照片中的人体关键点，通过人体关键点得到目标人体边界框，经由目标人体边界框将人体目标图片裁剪出来，缩放到相同大小，并做归一化处理，将归一化处理后的人体目标图片作为所述神经网络模型的输入；所述神经网络模型采用resnet网络结构，最后一层经过softmax激活函数，输出在各类人体分类标准下的标签化分类的概率，并输出概率最大值的分类，即为人体预测类别；

19、在训练神经网络模型时，将专业人员进行标签化分类获得的人体信息标签进行独热编码，并与所述人体预测类别计算交叉熵损失函数，通过梯度下降法，学习模型参数。

20、进一步的，在本发明所述的服饰推荐方法中，所述目标人体边界框为身体边界框或脸部边界框。

21、进一步的，在本发明所述的服饰推荐方法中，在步骤s2中，在对用户的肤色进行标签化分类前，通过图像识别技术识别用户的照片，识别用户的肤色；其中，在用户的照片中，包括至少一部分白色参考区域，以基于图片rgb值减去所述白色参考区域的白色色彩数值rgb平均值，获得照片在平衡光照后的颜色值。

22、进一步的，在本发明所述的服饰推荐方法中，在步骤s4中，具体包括以下步骤：

23、s41：将待推荐用户的人体信息作为输入，输入训练后的神经网络模型；

24、s42：根据待推荐用户的人体信息分类得到对应的人体信息标签，编码后输入并得到不同分类标准下的匹配概率；

25、s43：基于所述匹配概率，输出匹配概率最大值的服饰。

26、相应地，本发明的另一目的在于公开一种服饰推荐系统，该服饰推荐系统用于实施本发明上述的服饰推荐方法。

27、本发明的有益效果在于：发明人优化设计了一种基于深度学习的服饰推荐方法，该服饰推荐方法可以借助图像识别手段以及相关用户的人体数据，从用户的体型、脸型、肤色、职业、风格等不同维度对用户进行分类；同样，该服饰推荐方法也会对服装按照不同的廓形比例、款式类型、颜色图案、面料质地、风格类型等进行标签化分类；基于标签化分类后获得的人体信息标签和服装信息标签，形象设计专家可以根据美学原理对用户和不同类型的服装进行专业的匹配，并且利用这些数据训练神经网络模型，最终让神经网络模型具备精准推荐服饰的能力，帮助用户精准挑选服饰产品，从而大大提升服装服饰线上销售的有效性，帮助商家有效降低退货率，其具有良好的推广前景和应用价值。