基于深度學(xué)習(xí)的服飾搭配系統(tǒng)設(shè)計(jì)

劉立勛 石淼 余可義 李曼

摘要：此款服裝搭配系統(tǒng)主要運(yùn)用卷積神經(jīng)網(wǎng)絡(luò)算法，在深度學(xué)習(xí)的服裝搭配模型上，對服裝數(shù)據(jù)進(jìn)行分類、采集，然后將分類好的數(shù)據(jù)放入神經(jīng)網(wǎng)絡(luò)模型中，在深度學(xué)習(xí)模型網(wǎng)絡(luò)中提取服飾特征，完成服飾分類，進(jìn)而得到不同類別服飾之間的匹配度。

關(guān)鍵詞：深度學(xué)習(xí);卷積神經(jīng)網(wǎng)絡(luò);服裝搭配;服飾推薦

中圖分類號：TP311? ? ? 文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2022）19-0077-02

隨著ABC時代的發(fā)展，人們生活質(zhì)量不斷提高，對服裝的需求在增大，對服裝的要求也在不斷提高。對于如何利用服裝進(jìn)行合理搭配，也逐漸成為廣大用戶的內(nèi)在需求。本文以現(xiàn)有技術(shù)為基礎(chǔ)，以用戶的個性化穿搭為出發(fā)點(diǎn)，為大眾打造出一個屬于自己的穿搭伴侶。通過對智能服裝搭配系統(tǒng)的應(yīng)用，用戶可以在短時間內(nèi)有效地找到最適合自己的搭配。

1 行業(yè)及市場前景

當(dāng)前，傳統(tǒng)線下服飾零售行業(yè)將面臨淘汰，“互聯(lián)網(wǎng)+服裝”正成為一種趨勢。在過去一年，將穿搭與購物結(jié)合起來的穿搭類軟件獲得了快速發(fā)展，中國互聯(lián)網(wǎng)市場涌現(xiàn)大批穿搭類App，如：蘑菇街、美麗說、男士購等。根據(jù)中投產(chǎn)業(yè)研究院發(fā)布的《2020～2024年中國服裝行業(yè)投資分析及前景預(yù)測報(bào)告》，新主力軍正在改變整個消費(fèi)市場。服飾搭配應(yīng)用市場還屬于新興市場，是尚未開發(fā)的藍(lán)海，存在著廣闊的發(fā)展空間。

2 系統(tǒng)的方案設(shè)計(jì)

2.1總體設(shè)計(jì)方案

服飾搭配系統(tǒng)的關(guān)鍵是能夠根據(jù)用戶的數(shù)據(jù)提供合理的服飾穿搭，最大限度地滿足用戶的需求。對于系統(tǒng)的總體設(shè)計(jì)思路如圖 1所示。首先要將龐大數(shù)據(jù)信息構(gòu)建專業(yè)的服飾搭配模型，主要基于服裝文本描述、服裝圖像數(shù)據(jù)、用戶數(shù)據(jù)以及專業(yè)服裝搭配數(shù)據(jù)，將其整合進(jìn)行研究，提取不同時尚網(wǎng)站的最新時尚搭配信息。隨后對圖像進(jìn)行提取、選擇以及聚類，將這些信息導(dǎo)入數(shù)據(jù)庫中。同時、使用SQL搭建軟件數(shù)據(jù)庫，通過建立不同的包括身高、體型、膚色等特征的數(shù)據(jù)庫表，然后將這些信息數(shù)據(jù)編譯成數(shù)據(jù)庫、Java 語言程序以及軟件接口和功能的代碼。編譯后，導(dǎo)入并連接數(shù)據(jù)，最后設(shè)計(jì)成專業(yè)性的服裝搭配軟件[2]。

2.2 卷積神經(jīng)網(wǎng)絡(luò)

由于大數(shù)據(jù)分析和與云計(jì)算技術(shù)的發(fā)展。近年來，卷積神經(jīng)網(wǎng)絡(luò)的重要程度日益增加，同時運(yùn)用到各個領(lǐng)域中，尤其在圖像處理[7]和識別等應(yīng)用領(lǐng)域十分普遍。卷積神經(jīng)網(wǎng)絡(luò)通過局部感受野、權(quán)重共享，大大減少了網(wǎng)絡(luò)建模的復(fù)雜性，并且利用其獨(dú)特的卷積層次和池化層提取特性，進(jìn)行圖像分析和處理[5]。

2.2.1卷積層

卷積層通過圖像卷積提取特征，即在原始輸入上提取小區(qū)域的特征。卷積層的卷積核大小、步長和Padding三者共同決定了卷積層輸出特征圖的大小。卷積層通過權(quán)重共享在同一平面上完成處理，并在filter的通道進(jìn)行劃分。

在計(jì)算卷積層的過程中，先用卷積的定義做前面的計(jì)算，再用前面的計(jì)算方法求逆向計(jì)算。首先，使用計(jì)算公式計(jì)算每個像素的前一個像素（前一個長度*分辨率=前一個像素）。同時，在計(jì)算過程中，筆者將每一個輸出結(jié)果對應(yīng)的輸入和Kernel的信息作了標(biāo)記。利用特征圖的i行和j列元素，進(jìn)行計(jì)算。卷積層的公式為：

反向計(jì)算時，通過反向傳播的偏執(zhí)層Bias，將下一層參數(shù)的Loss，也就是Loss對輸入數(shù)據(jù)的梯度，做視角轉(zhuǎn)換，列出每個輸入元素參與的計(jì)算，求出每個輸入的導(dǎo)數(shù)，用Loss和與這個元素相乘的參數(shù)進(jìn)行相乘再相加，計(jì)算公式如下：

如圖2利用卷積層公式計(jì)算得出結(jié)果如圖所示：

2.2.2 池化層

在卷積神經(jīng)網(wǎng)絡(luò)中，池化作為主要的函數(shù)方法來提取層數(shù)據(jù)，池化層對輸入特征圖進(jìn)行壓縮，一方面使特征圖變小，簡化網(wǎng)絡(luò)復(fù)雜度;另一方面進(jìn)行特征壓縮，提取主要特征。池化層操作一般有兩種，分別是Avy Pooling和 Max Polling。本文采用Max Polling來完成服飾搭配的圖像提取工作。

2.2.3全連接層

圖像數(shù)據(jù)在前期進(jìn)行了卷積層和池化層的處理，在已經(jīng)獲取到了圖片的關(guān)鍵特性，全連接層將對關(guān)鍵特性壓縮處理后，再進(jìn)行特征建模分析。

2.2.4 LSTM算法

LSTM（Long Short-Term Memory）算法是RNN的一個特殊情況，其基本原理是利用刻意的設(shè)計(jì)來避免長期的時間依賴問題[1]。因?yàn)樗械倪f歸神經(jīng)網(wǎng)絡(luò)中都有神經(jīng)網(wǎng)絡(luò)的鏈?zhǔn)街貜?fù)模型。在標(biāo)準(zhǔn)的RNN中，各層都和同一層的神經(jīng)元之間存在著聯(lián)系，因此上一刻的狀態(tài)也能作用于下一時刻的狀態(tài)。但是在網(wǎng)絡(luò)層數(shù)過多時，RNN網(wǎng)絡(luò)權(quán)重不平衡。所以，筆者使用LSTM計(jì)算。

3 服飾搭配個性化推薦與應(yīng)用

3.1基于SPO的搭配推薦

通過前期市場調(diào)查，筆者以能夠與著裝環(huán)境相配合的SPO規(guī)則為根據(jù)，確保用戶希望著裝個性化的愿望可以得到最大的滿足。在此之中，需要特別注意的兩點(diǎn)：第一要以著裝環(huán)境和場合為依據(jù)，對服裝的材質(zhì)、版型、風(fēng)格、款式等進(jìn)行詳細(xì)分類;第二是在進(jìn)行推薦時，要展現(xiàn)出SPO規(guī)則、協(xié)同過濾、關(guān)聯(lián)規(guī)則等的基礎(chǔ)作用，篩選出一批符合要求的服裝信息，最后完成搭配[3]。

3.2基于用戶喜好的搭配推薦

這項(xiàng)功能可以通過分析用戶的瀏覽記錄、購買的歷史記錄以及收藏記錄，得到用戶偏好的穿衣風(fēng)格，從而在服裝信息的數(shù)據(jù)庫中找到匹配項(xiàng)進(jìn)行服裝推薦。這樣可以保證用戶滿足對服裝搭配個性化的愿望，并且在合理的規(guī)則下，使系統(tǒng)能夠推薦用戶感興趣的個性化服裝搭配[4]。這里需要注意的是，它是以傳統(tǒng)的初級特征為基礎(chǔ)，且高級語義特征則無法顯現(xiàn)出原有的全部作用，故推薦的結(jié)果大都有些過時和單一。要考慮兩個方面：一是要收集用戶瀏覽、收藏和購買的相關(guān)信息;二是采用過濾算法來刪去多余重復(fù)項(xiàng)。

3.3 服裝搭配App應(yīng)用

現(xiàn)階段，人們對服裝搭配的好壞很難做出一個主觀判斷，而深度學(xué)習(xí)網(wǎng)絡(luò)有著很強(qiáng)的抽象和泛化能力，能夠根據(jù)相關(guān)因素對穿搭做出語義概述，很適合應(yīng)用在服裝穿搭A(yù)pp上。并且，隨著深度學(xué)習(xí)技術(shù)發(fā)展迅速，未來該技術(shù)也必將為服裝搭配提供強(qiáng)有力的知識基礎(chǔ)和框架，同時極有可能為服裝行業(yè)開辟新的導(dǎo)購道路。本系統(tǒng)設(shè)計(jì)為用戶實(shí)現(xiàn)了進(jìn)行多輪對話，可實(shí)現(xiàn)根據(jù)環(huán)境選擇穿搭，新衣購買推薦、同風(fēng)格穿搭推薦以及穿搭分享等功能，可以解決用戶穿衣、買衣的選擇困難癥，讓用戶穿著個性得體，提升用戶穿衣品味，找到用戶喜歡的穿衣風(fēng)格，節(jié)約選擇時間，為廣大用戶提供切實(shí)有效的穿搭參考與指導(dǎo)。此外，給商戶提供給服裝品牌銷售渠道，在進(jìn)行商戶服裝推薦時，不僅能推送用戶所需要的商品，提高用戶的使用體驗(yàn)，還能促進(jìn)用戶消費(fèi)，創(chuàng)造出巨大經(jīng)濟(jì)效益。

4 結(jié)束語

通過對智能搭配軟件的技術(shù)進(jìn)行分析，可以發(fā)現(xiàn)，針對個性化的衣物配色，筆者的研發(fā)工作仍處在起步階段。由于目前技術(shù)已能夠滿足基本要求，因此，今后還將在對服飾個性化搭配建議方面進(jìn)一步加以研究，使推薦的結(jié)果在程序中更為精良，在滿足顧客需要的同時，又能夠保證服裝搭配的多樣化，使之在現(xiàn)實(shí)生活中使用更為普遍。

參考文獻(xiàn)：

[1] 王安琪，劉驪，付曉東，等.面向個性化服裝推薦的判斷優(yōu)化模型[J].計(jì)算機(jī)工程與應(yīng)用，2018，54（11）：204-210，229.

[2] 李依蔓.服裝設(shè)計(jì)虛擬搭配系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D].成都：電子科技大學(xué)，2016.

[3] 畢曉晏.淺析智能化服裝搭配推薦系統(tǒng)研究與進(jìn)展[J].鞋類工藝與設(shè)計(jì)，2021（8）：12-14.

[4] 和樹繁，劉新一，官駿，等.服裝搭配與推薦系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J].電子技術(shù)與軟件工程，2021（18）：196-197.

[5] 劉海龍，李寶安，呂學(xué)強(qiáng)，等.基于深度卷積神經(jīng)網(wǎng)絡(luò)的圖像檢索算法研究[J].計(jì)算機(jī)應(yīng)用研究，2017，34（12）：3816-3819.

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

[7] 包曉安，張瑞林，鐘樂海.基于人工神經(jīng)網(wǎng)絡(luò)與圖像處理的蘋果識別方法研究[J].農(nóng)業(yè)工程學(xué)報(bào)，2004，20（3）：109-112.

收稿日期：2022-02-25

基金項(xiàng)目：2021年廣東省大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計(jì)劃項(xiàng)目，基于機(jī)器學(xué)習(xí)的服飾搭配系統(tǒng)（項(xiàng)目編號：S202113684005X）

作者簡介：劉立勛（1980—），男，吉林長春人，高級實(shí)驗(yàn)師，研究方向：智能信號處理;石淼（1999—），女，山西大同人，研究方向：機(jī)器視覺;余可義（1999—），女，江西撫州人，研究方向：圖像處理;李曼（2002—），女，四川西充人，研究方向：SPO規(guī)則。