智能化服裝搭配推薦系統(tǒng)研究

前言：想要寫出一篇引人入勝的文章？我們特意為您整理了智能化服裝搭配推薦系統(tǒng)研究范文，希望能給你帶來靈感和參考，敬請閱讀。

摘要：在現(xiàn)階段，智能技術(shù)的發(fā)展速度持續(xù)加快，針對用戶實際需求展開的研究也在深入開展，從服裝行業(yè)的現(xiàn)狀來看，如何將人工智能技術(shù)與服裝時尚予以結(jié)合成為關(guān)注的重點。智能化服裝搭配推薦系統(tǒng)的應(yīng)用可以使用戶在穿衣搭配方面的需求得到切實滿足，這樣就可節(jié)約大量的時間、精力。隨著人工智能、機器學(xué)習(xí)等技術(shù)的成熟，為智能化服裝搭配系統(tǒng)奠定了堅實的基礎(chǔ)。本文針對當(dāng)下已經(jīng)得到應(yīng)用的智能化服裝搭配推薦系統(tǒng)展開深入探析，對基礎(chǔ)算法、關(guān)鍵技術(shù)等予以詳細闡述，進而尋找到未來的研究方向，使服裝搭配推薦系統(tǒng)能夠更具個性化，綜合功能大幅提高，并帶來更為理想的效益。

關(guān)鍵詞：智能化；服裝搭配；推薦；進展

引言

在當(dāng)前時期，服裝行業(yè)呈現(xiàn)出加快的發(fā)展趨勢，服裝的品牌、種類大幅增加，產(chǎn)生的服裝數(shù)據(jù)也就更多，如何對服裝進行合理搭配，成為廣大用戶的內(nèi)在需求。對智能服裝搭配技術(shù)加以利用可以使得一般用戶在短時間尋找最為適合的服裝。然而在服裝數(shù)據(jù)變得更為繁雜之際，如果依然采用傳統(tǒng)方法的話，準(zhǔn)確度就難以得到保證。通過深度學(xué)習(xí)技術(shù)則能夠使得問題有效解決，確保用戶在服裝搭配方面的實際需求得到真正滿足。

1服裝搭配推薦基礎(chǔ)算法

1.1低層傳統(tǒng)特征提取算法

（1）在對服裝圖像信息進行檢測，將其特征予以呈現(xiàn)的過程中，全局特征提取算法的適用性是較高的。對此種算法予以分析可知，其主要包括三類，其一是形狀特征，也就是對服裝外輪廓進行提取，進而將其款式予以確定，比方說通過卷積運算就能夠獲得目標(biāo)輪廓，進而做好初始圖像的處理，將輪廓線之外存在的干擾部分予以去除，這樣就能夠獲取特征矩陣，如此就可將目標(biāo)圖像區(qū)域切實提取出來。其二是紋理特征，也就是對存在于服務(wù)圖像表面的不同紋路進行提取，進而對面料特點加以識別。比方說，可對局部二值模式予以應(yīng)用，即是對圖像予以分割處理，獲得一定數(shù)量的子區(qū)域，進而對每個區(qū)域當(dāng)中的中心像素、相鄰像素間存在的對比信息予以提取，如此就能夠完成統(tǒng)計直方圖的構(gòu)建，這樣就能夠?qū)y理特征進行描述。其三是顏色特征，也就是利用顏色信息來達成識別目的，在對顏色特征予以表達時，顏色直方圖是可行的方法，在將常用顏色空間予以確定之后，對服裝圖像當(dāng)中的各個像素點進行統(tǒng)計，如此就可對顏色分布有切實的了解，而且在魯棒性方面有著明顯的優(yōu)勢。（2）通過局部特征可以將圖像存在的局部特性清晰呈現(xiàn)出來，因而在進行圖像匹配、圖像檢索時，其具有良好的適用性。和全局特征進行比較可知，局部特征之間并不存在緊密的相關(guān)性，即使圖像存在缺損，對其他特征的匹配并不會產(chǎn)生影響。對局部特征提取算法予以分析可知，其呈現(xiàn)出較強的魯棒性，確保部分干擾能夠切實消除，這樣就可使得特征提取順利完成。從當(dāng)下圖像局部提取的現(xiàn)狀來看，尺度不變，特征變化算法的應(yīng)用是較為常見的，從旋轉(zhuǎn)干擾、亮度干擾、噪聲干擾等方面來看，其魯棒性是非常高的，除此以外，高效性、擴展性等方面的優(yōu)勢也是明顯的。

1.2高級語義特征提取算法

（1）基于卷積神經(jīng)網(wǎng)絡(luò)的特征提取法。在對此種算法予以應(yīng)用時，輸入服裝圖像之后就能夠獲得結(jié)果，和傳統(tǒng)方法進行比較可知，不需要進行預(yù)處理，也不必展開特征篩選。從當(dāng)下圖像識別的現(xiàn)狀來看，CNN的運用是較為普遍的，其擁有的識別功能較為突出，然而想要保證CNN模型的作用真正發(fā)揮出來，必須要做好圖像訓(xùn)練，一旦數(shù)據(jù)不足，或者是網(wǎng)絡(luò)深度達不到要求，那么出現(xiàn)過擬合、欠擬合的幾率就會大幅增加。比方說，為了達成服裝圖像分類目標(biāo)，對深度CNN模型予以構(gòu)建時應(yīng)該要確保卷積層、池化層、連接層的數(shù)量能夠滿足實際需要，確保能夠?qū)⒏呒壵Z義特征切實提取出來，對輸出含義進行學(xué)習(xí)，如此就可對服裝款式進行合理分類。（2）基于循環(huán)神經(jīng)網(wǎng)絡(luò)的特征提取算法。采用此種算法可以對服裝單品序列數(shù)據(jù)予以充分利用，實現(xiàn)對序列外形特征的有效處理。對時序信息進行處理時，RNN的優(yōu)勢是明顯的，將序列特征數(shù)據(jù)予以輸入之后，就可實現(xiàn)遞歸目的，全部循環(huán)單位均可實現(xiàn)鏈?zhǔn)竭B接。比方說，進行時尚單品相關(guān)性建模時，可對RNN長短期記憶加以應(yīng)用，也就是通過InceptionV3卷積網(wǎng)絡(luò)就能夠?qū)D像特征向量予以明確，將其輸入雙向LSTM就能夠獲取單品序列，如此就可完成特征向量關(guān)系的提煉，如此一來，在對套裝予以推薦時就可確保單品風(fēng)險是大致相同的。（3）基于深度信念網(wǎng)絡(luò)的特征提取算法。在對此種算法予以應(yīng)用時，訓(xùn)練是需要重點關(guān)注的，先是無監(jiān)督學(xué)習(xí)，繼而展開有監(jiān)督學(xué)習(xí)，如此可以使得模型具有的特征提取能力大幅提升。即使標(biāo)注數(shù)據(jù)不足，此種算法一日按可以完成特征提取，但在應(yīng)用過程中要保證服裝圖像的尺寸是相對固定的，而且數(shù)據(jù)處理需要投入大量的時間[1]。

2服裝搭配推薦關(guān)鍵技術(shù)

2.1套裝圖像分割技術(shù)

人臉檢測技術(shù)。先要對模特面部進行檢測，確定長、寬，繼而依據(jù)既定的假設(shè)完成上裝、下裝的分割。此種技術(shù)存在明顯的局限，高腰褲、低腰群之類的款式無法加以應(yīng)用。FasterR-CNN算法。先要通過人工方式對圖像當(dāng)中的上裝、下裝區(qū)域進行標(biāo)注，繼而對模型進行訓(xùn)練，確保能夠?qū)ο嚓P(guān)的語義信息能夠有切實的了解，這樣就能夠使得上裝、下裝能夠切實區(qū)別開來。將圖像檢測所得結(jié)果作為依據(jù)，將圖像區(qū)域的置信度得分予以明確，得分最高確定為目標(biāo)服裝區(qū)域。此種技術(shù)的優(yōu)勢是明顯的，和初代R-CNN予以比較可知，對單張圖像進行檢測的時間只需要0.2s，而且精度有大幅提升，評價精度能夠達到66.9000。完成套裝圖像分割，接下來的訓(xùn)練就可圍繞目標(biāo)區(qū)域展開，如此能夠保證模型預(yù)算效益大幅提高[2]。

2.2智能化服裝搭配模型

生成式對抗網(wǎng)絡(luò)。其主要由生成器、鑒別器構(gòu)成，前者可以實現(xiàn)服裝圖像的生成，而后者則能夠?qū)D像的真實性予以辨別。在進行訓(xùn)練時，生成器要對服裝圖像予以合成，鑒別器則區(qū)分圖像，在獲得鑒別結(jié)果之后，生成器自動完成改進工作，這樣就可獲得新圖像，當(dāng)生成器不再進行自動改進，而且鑒別器確定不存在虛擬圖像時，就可獲得所需圖像。孿生卷積神經(jīng)網(wǎng)絡(luò)。其包括兩個子網(wǎng)結(jié)構(gòu)，而且共享權(quán)值、架構(gòu)是完全相同的，對兩個輸入予以分別映射，如果無法對權(quán)值予以共享的話，則是偽孿生神經(jīng)網(wǎng)絡(luò)。需要進行判別的服裝直接輸入到網(wǎng)絡(luò)之后，就可對服裝搭配予以逐層輸出，進而對結(jié)果進行準(zhǔn)確判斷[3]。

3服裝搭配推薦的個性化發(fā)展

3.1基于TPO的搭配推薦

對此種個性化推薦予以分析可知，其是將和具體著裝場景相適合的TPO規(guī)則作為依據(jù)，確保用戶的個性需求能夠得到切實滿足。其中需要重點關(guān)注的步驟如下，一是要從著裝場景出發(fā)，對服裝的風(fēng)格、面料、款式等予以細致劃分；二是在進行推薦時，將TPO規(guī)則、協(xié)同過濾、關(guān)聯(lián)規(guī)則等的基礎(chǔ)作用展現(xiàn)出來。

3.2基于用戶偏好的搭配推薦

對此種個性化推薦予以分析可知，歷史購買記錄、評價記錄等是主要的依據(jù)，這樣可以保證用戶對品位的追求得到滿足，保證搭配規(guī)則不變的情況下，使得服裝推薦能夠和用戶興趣相符。此外可以通過用戶的社交圈進行推薦，也就是對喜好大致相同者的搭配予以推薦。這里需要指出的是，其是將低層傳統(tǒng)特征作為推薦依據(jù)，而高級語義屬性則無法發(fā)揮出效用，因而推薦結(jié)果并不新穎，而且多樣性明顯不足。從關(guān)鍵步驟來看，需要重視的如下，一是要對用戶瀏覽、購買的相關(guān)數(shù)據(jù)進行收集；二是采用過濾算法。

3.3基于用戶特征的搭配推薦

此類個性化推薦依據(jù)著裝過程中合體、或有顯瘦、遮肉等其他需求，以用戶體型細部特征與服裝款式間的對應(yīng)關(guān)系作為基礎(chǔ)，為用戶推薦適合其體型的搭配。其關(guān)鍵步驟主要包括：一是根據(jù)用戶膚色、性別、身型，及臉型等劃分為不同類別；二是通過與服裝專家訪談得到適合不同人體特征的服裝規(guī)則知識；三是通過體型與款式間的映射確定體型和服裝款式之間的對應(yīng)關(guān)系從而實現(xiàn)推薦[4]。

4結(jié)語

從國內(nèi)外對智能化服裝搭配推薦相關(guān)研究現(xiàn)狀可見，提升推薦系統(tǒng)精準(zhǔn)度是當(dāng)前此領(lǐng)域的研究熱點與重點，已取得了較多研究成果?？紤]個性化的服裝搭配研究仍處于起步階段，今后在對服裝搭配推薦的研究中將智能化與個性化結(jié)合，使推薦結(jié)果具備優(yōu)良精準(zhǔn)度和多樣性的同時滿足用戶需求，綜合提升搭配推薦效益，在實際應(yīng)用中具有重要意義。

參考文獻

[1]楊怡然,吳巧英.智能化服裝搭配推薦研究進展[J].浙江理工大學(xué)學(xué)報(自然科學(xué)版),2021,45(01):1-12.

[2]紀(jì)丹丹,戴宏欽.服裝搭配方法研究綜述[J].現(xiàn)代絲綢科學(xué)與技術(shù),2020,35(04):31-35.

[3]張澤堃,張海波.服裝智能搭配研究現(xiàn)狀綜述[J].網(wǎng)絡(luò)安全技術(shù)與應(yīng)用,2019(10):128-130.

[4]高鑫.服裝智能搭配系統(tǒng)[J].黑龍江科技信息,2015(34):85.

作者:畢曉晏 單位:山東服裝職業(yè)學(xué)院