本發(fā)明涉及一種基于圖像內容的服裝分類和推薦方法，屬計算機視覺技術領域。

背景技術：

當前技術可根據(jù)用戶多方面的需求向其推薦服裝，但還缺乏準確性。缺乏準確性的原因包括服裝的日漸多樣化和該領域技術的不成熟。目前，很多推薦系統(tǒng)只考慮推薦適合特殊著裝準則的服裝搭配。Liu(<ACM international conference>,2012)提出基于統(tǒng)一的潛SVM框架學習服裝推薦模型的“魔法衣櫥”系統(tǒng)。這個潛在模型由四方面組成：1)視覺特征對屬性、2)視覺特征對場景、3)屬性對場景、4)屬性對屬性。前三項是屬于服裝與場景的聯(lián)系，最后一項是屬于服裝對服裝的聯(lián)系。將上述規(guī)則植入潛在的支持向量機(SVM)模型中，可以保證所推薦的服裝符合用戶及滿足大眾審美要求。Iwata(<Artificial Intelligence Volume>,2011)等人提出利用時尚雜志上的全身照，推薦配套服裝的推薦系統(tǒng)。方法中用一個主題模型去學習配套服裝的信息，包括時尚物品之間的本質關系。此外，還提出了一個用于主題模型的配套推薦方法。Shen(<Intelligent user interfaces>,2007)等人介紹了一種基于方案導向推薦的服裝推薦方法，并在此基礎上實現(xiàn)了一個時尚服裝推薦系統(tǒng)解決了“用戶要穿什么？”的問題。用戶可以用自然的語言描述它們所想要穿衣服的場合、風格等，而后系統(tǒng)將會為他們推薦出適合的服裝。如果客戶滿意系統(tǒng)所推薦的服裝，可以保留供以后使用。挑選出來的服裝還可作為此用戶在該場合的服裝推薦。Yu(<ACM transactionsongraphics>,2012)等人提出了一種基于概率模型和著裝準則的服裝推薦系統(tǒng)，這個模型用服裝圖像集作為訓練集，通過貝葉斯網(wǎng)絡方法以及最優(yōu)價值函數(shù)來獲得所推薦的服裝，這個價值函數(shù)用來最大化服裝匹配顏色和著裝準則。系統(tǒng)可以適用于常見的四種場合：休閑場合、運動場合、商務休閑場合和正式場合。

技術實現(xiàn)要素：

本發(fā)明提供了一種基于圖像內容的服裝分類和推薦方法，以用于有效地分析、分類不同的人物特征，并為其推薦個性化的服裝，從而滿足其個性化服裝推薦的需求。

本發(fā)明的技術方案是：一種基于圖像內容的服裝分類和推薦方法，包括對建立的人臉圖像集合訓練分類模型及構建服裝推薦的依據(jù)；對需要進行服裝推薦的人臉圖像進行服裝推薦。

所述對建立的人臉圖像集合訓練分類模型及構建服裝推薦的依據(jù)包括：

對建立的人臉圖像集合A＝{A_i,i＝1,...,n}中的圖像根據(jù)四季色彩理論分為四類，分別對每類圖像中每一個人臉圖像的皮膚、頭發(fā)和瞳孔三個位置進行顏色提取，得到發(fā)色、膚色和瞳色的顏色數(shù)據(jù)，并將顏色數(shù)據(jù)的格式轉換為HSV格式，接著對轉換為HSV格式的發(fā)色、膚色和瞳色的顏色數(shù)據(jù)采用支持向量機進行訓練，得到訓練好的模型；

分別對服裝圖像集合D＝{D_j,j＝1,...,m}中的每一個圖像人工添加釋文標簽，接著將圖像集合中的每一個圖像及其對應的釋文標簽儲存到服裝數(shù)據(jù)集中，作為后期服裝推薦的依據(jù)；其中，釋文標簽包括顏色標簽L₁和風格標簽L₂，顏色標簽L₁的格式為HSV格式，風格標簽L₂包括11類：百搭、淑女、日韓、簡約歐美、英倫學院、通勤、中性、田園森女、街頭朋克、甜美洛麗塔和民族。

所述對需要進行服裝推薦的人臉圖像B進行服裝推薦包括：

Step1、對輸入的需要進行服裝推薦的人臉圖像B的皮膚、頭發(fā)和瞳孔三個位置進行顏色提取，得到發(fā)色、膚色和瞳色的顏色數(shù)據(jù)，并將顏色數(shù)據(jù)的格式轉換為HSV格式；

將訓練好的模型對需要進行服裝推薦的人臉圖像B轉換為HSV格式的發(fā)色、膚色和瞳色的顏色數(shù)據(jù)進行分類，得到輸入的需要進行服裝推薦的人臉圖像B所屬的色彩季節(jié)P，并根據(jù)所屬的色彩季節(jié)P得出對應的色彩區(qū)間C；其中，色彩季節(jié)S分為春季P₁、夏季P₂、秋季P₃、冬季P₄；

Step2、根據(jù)需要進行服裝推薦的人臉圖像B對應的色彩區(qū)間C及用戶選擇的風格標簽，從得到的服裝數(shù)據(jù)集中為需要進行服裝推薦的人臉圖像B所代表的用戶推薦服裝；

Step3、讓需要進行服裝推薦的人臉圖像B所代表的用戶對步驟Step2.2中推薦的服裝進行評分，將評分后圖像放入推薦圖像集E中；E包括用戶信息、用戶評分的圖像及圖像的評分；

Step4、如果需要進行服裝推薦的人臉圖像B所代表的用戶是第一次進行服裝推薦，則結束；否則，對步驟Step2中推薦的服裝根據(jù)推薦圖像集E中圖像的評分高低重新進行推薦。

本發(fā)明的有益效果是：

1、在普通服裝推薦的基礎上加入了個人四季色彩理論的知識，可以根據(jù)用戶的膚色、發(fā)色和瞳色進行分類，使其所推薦的服裝具有較高的針對性，避免了推薦結果與用戶膚色等不協(xié)調的現(xiàn)象發(fā)生，實現(xiàn)了服裝推薦的個性化需求，增加了服裝推薦的準確性。

2、在前期的數(shù)據(jù)集準備過程當中，將數(shù)據(jù)集進行分類并添加標簽，按照風格和顏色進行分類。數(shù)據(jù)集的準備工作有益于后期對用戶進行服裝推薦，并且前期對服裝圖像進行準確的分類有益于后期服裝推薦計算時的效率，縮短計算時間，提高整個系統(tǒng)的效率。

3、系統(tǒng)在普通服裝推薦方法的基礎上增加了評分模塊，該模塊可以使用戶對所推薦的服裝結果進行選擇和評價，系統(tǒng)再根據(jù)用戶的評分進行分析和推薦結果優(yōu)化。評分的分析有益于后期系統(tǒng)對同一用戶的喜好有更進一步的了解，對該用戶的推薦也會進行進一步個性化的優(yōu)化。

總之，這種基于圖像內容的服裝分類和推薦方法為服裝推薦提供了高準確性、高效率和高個性化的方法。通過引入四季色彩理論可以滿足用戶更高的個性化需求；數(shù)據(jù)集的分類及處理可以為服裝推薦計算提高效率；評分模塊的加入可以將服裝推薦計算方法根據(jù)單個用戶進一步進行優(yōu)化，滿足了用戶個性化的需求，該方法使得服裝推薦的準確性隨著使用次數(shù)的增加而增加。

附圖說明

圖1為本發(fā)明中的流程圖；

圖2為本發(fā)明中部分色彩季節(jié)判斷訓練數(shù)據(jù)示例；

圖3為本發(fā)明中風格標簽標注示例圖；

圖4為本發(fā)明中3名用戶經過一次評分后的推薦圖像集E；

圖5為本發(fā)明中4位用戶進行服裝推薦的示例對比圖；

圖6為本發(fā)明中用戶評價次數(shù)與服裝推薦結果滿意度之間的關系圖。

具體實施方式

實施例1：如圖1-6所示，一種基于圖像內容的服裝分類和推薦方法，包括對建立的人臉圖像集合訓練分類模型及構建服裝推薦的依據(jù)；對需要進行服裝推薦的人臉圖像進行服裝推薦。

所述對建立的人臉圖像集合訓練分類模型及構建服裝推薦的依據(jù)包括：

對建立的人臉圖像集合A＝{A_i,i＝1,...,n}中的圖像根據(jù)四季色彩理論分為四類，分別對每類圖像中每一個人臉圖像的皮膚、頭發(fā)和瞳孔三個位置進行顏色提取，得到發(fā)色、膚色和瞳色的顏色數(shù)據(jù)，并將顏色數(shù)據(jù)的格式轉換為HSV格式，接著對轉換為HSV格式的發(fā)色、膚色和瞳色的顏色數(shù)據(jù)采用支持向量機進行訓練，得到訓練好的模型；

分別對服裝圖像集合D＝{D_j,j＝1,...,m}中的每一個圖像人工添加釋文標簽，接著將圖像集合中的每一個圖像及其對應的釋文標簽儲存到服裝數(shù)據(jù)集中，作為后期服裝推薦的依據(jù)；其中，釋文標簽包括顏色標簽L₁和風格標簽L₂，顏色標簽L₁的格式為HSV格式，風格標簽L₂包括11類：百搭、淑女、日韓、簡約歐美、英倫學院、通勤、中性、田園森女、街頭朋克、甜美洛麗塔和民族。

所述對需要進行服裝推薦的人臉圖像B進行服裝推薦包括：

Step1、對輸入的需要進行服裝推薦的人臉圖像B的皮膚、頭發(fā)和瞳孔三個位置進行顏色提取，得到發(fā)色、膚色和瞳色的顏色數(shù)據(jù)，并將顏色數(shù)據(jù)的格式轉換為HSV格式；

將訓練好的模型對需要進行服裝推薦的人臉圖像B轉換為HSV格式的發(fā)色、膚色和瞳色的顏色數(shù)據(jù)進行分類，得到輸入的需要進行服裝推薦的人臉圖像B所屬的色彩季節(jié)P，并根據(jù)所屬的色彩季節(jié)P得出對應的色彩區(qū)間C；其中，色彩季節(jié)S分為春季P₁、夏季P₂、秋季P₃、冬季P₄；

Step2、根據(jù)需要進行服裝推薦的人臉圖像B對應的色彩區(qū)間C及用戶選擇的風格標簽，從得到的服裝數(shù)據(jù)集中為需要進行服裝推薦的人臉圖像B所代表的用戶推薦服裝；

Step3、讓需要進行服裝推薦的人臉圖像B所代表的用戶對步驟Step2.2中推薦的服裝進行評分，將評分后圖像放入推薦圖像集E中；E包括用戶信息、用戶評分的圖像及圖像的評分；

Step4、如果需要進行服裝推薦的人臉圖像B所代表的用戶是第一次進行服裝推薦，則結束；否則，對步驟Step2中推薦的服裝根據(jù)推薦圖像集E中圖像的評分高低重新進行推薦。

實施例2：如圖1-6所示，一種基于圖像內容的服裝分類和推薦方法，包括對建立的人臉圖像集合訓練分類模型及構建服裝推薦的依據(jù)；對需要進行服裝推薦的人臉圖像進行服裝推薦。

所述對建立的人臉圖像集合訓練分類模型及構建服裝推薦的依據(jù)包括：

對建立的人臉圖像集合A＝{A_i,i＝1,...,n}中的圖像根據(jù)四季色彩理論分為四類，分別對每類圖像中每一個人臉圖像的皮膚、頭發(fā)和瞳孔三個位置進行顏色提取，得到發(fā)色、膚色和瞳色的顏色數(shù)據(jù)，并將顏色數(shù)據(jù)的格式轉換為HSV格式，接著對轉換為HSV格式的發(fā)色、膚色和瞳色的顏色數(shù)據(jù)采用支持向量機進行訓練，得到訓練好的模型；

分別對服裝圖像集合D＝{D_j,j＝1,...,m}中的每一個圖像人工添加釋文標簽，接著將圖像集合中的每一個圖像及其對應的釋文標簽儲存到服裝數(shù)據(jù)集中，作為后期服裝推薦的依據(jù)；其中，釋文標簽包括顏色標簽L₁和風格標簽L₂，顏色標簽L₁的格式為HSV格式，風格標簽L₂包括11類：百搭、淑女、日韓、簡約歐美、英倫學院、通勤、中性、田園森女、街頭朋克、甜美洛麗塔和民族。

實施例3：如圖1-6所示，一種基于圖像內容的服裝分類和推薦方法，包括對建立的人臉圖像集合訓練分類模型及構建服裝推薦的依據(jù)；對需要進行服裝推薦的人臉圖像進行服裝推薦。

實施例4：如圖1-6所示，一種基于圖像內容的服裝分類和推薦方法，包括對建立的人臉圖像集合訓練分類模型及構建服裝推薦的依據(jù)；對需要進行服裝推薦的人臉圖像進行服裝推薦。

Step1、對建立的人臉圖像集合訓練分類模型及構建服裝推薦的依據(jù)：

對建立的人臉圖像集合A＝{A_i,i＝1,...,n}中的圖像根據(jù)四季色彩理論分為四類，分別對每類圖像中每一個人臉圖像的皮膚、頭發(fā)和瞳孔三個位置進行顏色提取，得到發(fā)色、膚色和瞳色的顏色數(shù)據(jù)，并將顏色數(shù)據(jù)的格式轉換為HSV格式，接著對轉換為HSV格式的發(fā)色、膚色和瞳色的顏色數(shù)據(jù)采用支持向量機進行訓練，得到訓練好的模型。在該實驗中，我們根據(jù)50組顏色數(shù)據(jù)作為訓練數(shù)據(jù)對模型進行分類訓練。我們共為30組顏色數(shù)據(jù)作為測試數(shù)據(jù)進行色彩季節(jié)判斷，圖2為部分色彩季節(jié)判斷訓練數(shù)據(jù)示例。

表1為部分色彩季節(jié)判斷測試數(shù)據(jù)的測試結果示例，包括顏色提取后的顏色數(shù)據(jù)，預測色彩季節(jié)predict_label和實際色彩季節(jié)test_label，其中顏色數(shù)據(jù)用HSV格式表示，其中H取值范圍為(0°～360°)，S取值范圍為(0～100)，V取值范圍為(0～100)。predict_label為正確的季節(jié)分類(0,1,2,3分別代表春、夏、秋、冬四季的色彩季節(jié)分類結果)，test_label代表通過支持向量機分類方法所判斷出的色彩季節(jié)分類結果。我們提出的按照HSV的顏色格式對人臉圖像進行色彩季節(jié)分類，大幅度提高了判斷的準確率。

表1

分別對服裝圖像集合D＝{D_j,j＝1,...,m}中的每一個圖像人工添加釋文標簽，接著將圖像集合中的每一個圖像及其對應的釋文標簽儲存到服裝數(shù)據(jù)集中，作為后期服裝推薦的依據(jù)；其中，釋文標簽包括顏色標簽L₁和風格標簽L₂，顏色標簽L₁的格式為HSV格式，顏色標簽是指該服裝圖像中的主要色彩，如：(186,135,111)，并進行多點提取。風格標簽L₂包括11類：百搭、淑女、日韓、簡約歐美、英倫學院、通勤、中性、田園森女、街頭朋克、甜美洛麗塔和民族。以民族風和英倫學院風為例，風格標簽的標注如圖3所示；

Step2、對需要進行服裝推薦的人臉圖像B進行服裝推薦：

Step2.1、對輸入的需要進行服裝推薦的人臉圖像B的皮膚、頭發(fā)和瞳孔三個位置進行顏色提取，得到發(fā)色、膚色和瞳色的顏色數(shù)據(jù)，并將顏色數(shù)據(jù)的格式轉換為HSV格式，處理后的膚色、發(fā)色和瞳色顏色數(shù)據(jù)分別用T₁、T₂和T₃表示；

如表2所示，對需要進行服裝推薦的人臉圖像B的皮膚、頭發(fā)和瞳孔三個位置進行顏色提取，得到發(fā)色、膚色和瞳色的顏色數(shù)據(jù)，分別用T₁、T₂和T₃表示，而每個顏色數(shù)據(jù)都包括三個值H、S、V。

表2

將訓練好的模型對需要進行服裝推薦的人臉圖像B轉換為HSV格式的發(fā)色、膚色和瞳色的顏色數(shù)據(jù)進行分類，得到輸入的需要進行服裝推薦的人臉圖像B所屬的色彩季節(jié)P，并根據(jù)所屬的色彩季節(jié)P得出對應的色彩區(qū)間C；其中，色彩季節(jié)S分為春季P₁、夏季P₂、秋季P₃、冬季P₄；

Step2.2、根據(jù)需要進行服裝推薦的人臉圖像B對應的色彩區(qū)間C及用戶選擇的風格標簽，從步驟Step1中得到的服裝數(shù)據(jù)集中為需要進行服裝推薦的人臉圖像B所代表的用戶推薦服裝；(當風格標簽確定后，對于服裝數(shù)據(jù)集中顏色標簽的數(shù)據(jù)屬于B對應的色彩區(qū)間C內，則進行推薦)

Step2.3、讓需要進行服裝推薦的人臉圖像B所代表的用戶對步驟Step2.2中推薦的服裝進行評分，評分范圍為(0～5分，0分為最不滿意，5分為最滿意)，將評分后圖像放入推薦圖像集E中；E包括用戶信息、用戶評分的圖像及圖像的評分。

圖4為3名用戶經過一次評分后的推薦圖像集E。從圖4中可以看出用戶1對于綠色有特殊偏好，因此在幾次使用該服裝推薦方法進行服裝推薦過程中，對推薦服裝評分步驟中對綠色都有較高的評分。同樣，用戶2則更喜好淺顏色的服裝，因此在評分中對淺顏色的服裝有較高的評分。用戶3則更偏好暗紅色。因此在同一用戶未來使用該推薦方法推薦服裝時，該方法將根據(jù)推薦圖像集E中該用戶在同樣風格標簽下對各推薦結果的評分向用戶進行服裝推薦。

Step2.4、如果需要進行服裝推薦的人臉圖像B所代表的用戶是第一次進行服裝推薦，則結束；否則，對步驟Step2.2中推薦的服裝根據(jù)推薦圖像集E中圖像的評分高低重新進行推薦。圖5為4位用戶進行服裝推薦的示例對比圖，以英倫學院風和通勤風格為例。用戶1、用戶2和用戶3在用戶偏好數(shù)據(jù)集中擁有各自的偏好數(shù)據(jù)，該方法將根據(jù)用戶偏好數(shù)據(jù)集中該用戶在同樣風格標簽下所偏好的顏色偏好數(shù)據(jù)對用戶進行最接近該偏好的服裝。用戶4為首次使用該推薦方法，因此在用戶偏好數(shù)據(jù)集中沒有該用戶的偏好數(shù)據(jù)，該方法僅根據(jù)該用戶的適用色彩區(qū)間C向該用戶進行服裝推薦。

為了驗證用戶評價次數(shù)與用戶對推薦結果滿意度之間的關系，我們設定了以下實驗。我們通過該推薦方法為3位同學進行服裝推薦，每位同學對其中六種風格的5個預推薦結果分別進行10輪評分，并且在每一輪評分后對再次推薦的服裝進行滿意度調查。實驗所得到的用戶評價次數(shù)與服裝推薦結果滿意度之間的關系如圖6所示。通過實驗結果圖表可以看出，在用戶對推薦結果進行4次以下的評分后所得到的服裝推薦結果滿意度有大幅度提高，之后隨著用戶評價次數(shù)的增加，用戶滿意度逐漸收斂。因此，通過實驗我們得知，當用戶對推薦結果進行2～3輪的用戶評價后，隨著該用戶推薦圖像集E中數(shù)據(jù)的增加，該用戶能夠對系統(tǒng)的服裝推薦結果擁有較高的滿意度，滿足該用戶的個性化需求。

上面結合附圖對本發(fā)明的具體實施方式作了詳細說明，但是本發(fā)明并不限于上述實施方式，在本領域普通技術人員所具備的知識范圍內，還可以在不脫離本發(fā)明宗旨的前提下做出各種變化。