一种智能穿搭推荐方法

◆陈加昊 方梓芃 张玲 蓬念

（华东理工大学信息科学技术学院 上海 201424）

随着人们生活水平的提高，社会需求表现出多样化的特点，人们对于自身的形象设计提出了更为明确的高标准要求，因此穿搭成为了个性表达的重要途径[1]。但是忙碌的学习和工作生活导致许多人疏于研究穿搭技巧，这与人们对有效服装搭配的迫切需求相矛盾。因此，为此类用户群体研究出一种简单快捷有效的服装搭配方案无疑是当务之急。

近年来对服装智能穿搭的研究主要分为有监督学习的服装穿搭和无监督学习的服装穿搭，采用有监督的服装智能穿搭有Edward Shen 等人使用ConceptNet 语义网络进行图片处理，使用OMSC 搭配知识库进行搭配推荐，建库复杂繁琐，使用ConceptNet 语义网络仅使用文字注释来进行服装搭配，效果较差。采用无监督学习的服装搭配大多使用K-means算法将服装标签类别进行聚类，再使用ImageNet训练模型，而K-means 算法运算时间长，使用ImageNet 模型精准性不够，服装搭配上效果不好[2]。本文提出一种基于服装分类和身材检测的服装搭配方案，将服装色彩的整体性原则、个性化原则、TOP原则作为主要搭配依据，为用户提供简单有效的服装搭配建议，功能框图如图1 所示.

服装检测训练采用了DeepFashion数据集，其中包含T恤、卫衣、大衣等8 种常用服装，图像均被resize 为300*300 的分辨率。随机选取其中2133 张图像用于训练，198 张作为测试集图像，经训练识别率高达96.67%。

对用户输入具有RGB 色彩通道的涂装图像进行卷积操作，提取服装的纹理、轮廓、色彩等特征。经过一系列滑动卷积核的池化操作后导入全连接层，将先前提取到的特定服装类型的特征综合起来，作为后续判断的依据。通过SoftMax 函数进行非负化与归一化运算，转换为预测结果占总可能性的百分比，分类网络结构如图2 所示。

图2 服装分类网络示意图

由一层VGG19 网络提取出相应图片特征进行卷积，提取pcm 与paf 并分别求loss，通过公式：

求和后优化。最后得到确定的骨骼关键点位置。通过关键点提取后，可以通过相应骨骼位置来确定身材比例。

传统的控制理论对于明确系统有强而有力的控制能力，但对于过于复杂或难以精确描述的系统，则显得无能为力。工程师们便尝试着以模糊数学来处理这些控制问题。模糊控制(Fuzzy Control)是以模糊集合论、模糊语言变量和模糊逻辑推理为基础的一种计算机数字控制技术，近20 多年来，模糊控制不论在理论上还是技术上都有了长足的进步，成为自动控制领域一个非常活跃而又硕果累累的分支。其典型应用涉及生产和生活的许多方面，例如在家用电器设备中有模糊洗衣机、空调、微波炉、吸尘器、照相机和摄录机等[3]。

本节提出一种基于模糊控制的服装搭配方案[4]，通过研究服装色彩搭配整体性原则、个性化原则、TOP 原则[5]，确定季节、气温、服装颜色、服装色调、服装种类和人的身材比例这6 个因素为搭配的六个要素，用搜集到的1000 张穿搭博主的搭配成品图片，经过提取季节、气温、服装颜色、服装色调、服装种类和人的身材比例这6 个因素作为系统的知识库，利用模糊控制理论，搭建服装搭配系统。

系统实现步骤如下。

3.1 变量模糊化

首先将季节、气温、服装颜色、服装色调、服装种类和人的身材比例这6 个因素进行尺度变换，将各实际因素可能值转化为离散论域，分别量化成4、5、20、3、15、3 个等级，所有模糊集合均为单点模糊集合，以确保隶属函数的清晰性。S、T、C、L、M、B 分别表示季节、气温、上装服装颜色、上装服装色调、上装服装种类和人的身材比例。下表为各因素尺度变换规则：

表1 因素尺度变换规则

3.2 构建模糊系统

首先针对由上装匹配下装情况，构建一个六输入三输出的模糊系统，其输入量为S、T、C、L、M、B，分别表示季节、气温、上装服装颜色、上装服装色调、上装服装种类和人的身材比例，输出量为C’、L’、M’，分别表示下装服装颜色、下装服装色调和下装服装种类，分别与C、L、M 属性相同。用搜集到的1000 张穿搭博主的搭配成品图片构建数据库中已知的1000 条规则。

构建知识库规则时，6 个输入量分别为

分别表示秋季、气温0～20℃、卡其色、中色调、大衣、身材比例0.60～0.63。

3 个输出量分别为

分别表示棕褐色、中色调、休闲裤。

由此构建出一条规则：

根据公式2 和1000 张穿搭博主的搭配成品图片可构建数据库中1000 条规则：

R1：如果S 是S1and T 是T1……and B 是B1，则[C’,L’,M’]是[C’,L’,M’]1；

R2：如果S 是S2and T 是T2……and B 是B2，则[C’,L’,M’]是[C’,L’,M’]2；

……

R1000：如果S 是S1000and T 是T1000……and B 是B1000，则[C’,L’,M’]是[C’,L’,M’]1000。

系统模糊蕴含关系为：

系统实际得到的模糊蕴含关系为：

(模糊蕴含矩阵R 有765000 列)

3.3 计算模糊输出量

得出系统模糊蕴含关系R 后，模糊系统就已经构建完成，当用户上传一张待匹配图片，我们将提取输入量的模糊集合，经过模糊系统得出匹配输出量：

3.4 清晰化

将经过模糊系统得出的论域范围的匹配输出量，经表和尺度变换，变成实际服装搭配所用的控制量：服装颜色、服装色调、服装种类。根据系统输出结果的控制量在用户衣柜中检索出合适的服装进行匹配，最终为用户提供可靠的穿搭方案。

搭配过滤采用了基于规则的专家系统。基于搭配常识，过滤由模糊控制穿搭方法所输出的不合理搭配。例如冬季，选择了T 恤与短裤显然不合常理，又或将大衣与短裤匹配也不符合常规情况，而此部分的目的就在于过滤不合理情况[6]。

4.1 基于规则的专家系统

该部分使用一组包含在知识库内的框架对工作存储器内的具体问题信息进行处理，通过解释器推断出新信息。这里采用框架形式表示知识填入规则系统，规定了该目标如何工作即服装与服装间关系为互为搭配，上衣与下裤的属性需相契合[7]。

4.2 专家系统的设计

4.2.1 类的定义

衣裤分为季节、气温、服装颜色、服装色调、服装种类等特征，进行架构构建，如图3 所示。

图3 类的定义图

从而生成带槽的服装对象（表2）：

表2 带槽服装对象

将服装数据以槽的形式表示，完成了知识概念化与概念形式化的步骤。

4.2.2 确定服装匹配规则并构造系统

采用“if (条件一和条件二) then 结论”对于复杂规则的通用格式[8]。这里列举如下的规则作为例子：

if (气温＜10) then 禁用短裤、T 恤

if (场合正式) then 上衣类型限制为大衣与正装

if (场合休闲) then 衣裤色彩限制为浅色调

服装分类网络分别取30、50、80 次训练，在50 次训练时所导出模型避免了欠拟合与过拟合的发生，识别率高达96.67%。系统流程图如图4 所示。

图4 服装搭配系统流程图

以用户上传一张服装图片为例，如图10 所示，特征为秋季、气温20℃、深蓝色、冷色调、牛仔裤、身材比例0.62，六个输入量用Zadeh 表示法分别表示为：

经过系统得到三个输出量：

分别表示深蓝色长裤，在衣柜中检索到服装颜色为藏青、冷色调、西装上衣，予以搭配，展示效果如图5。

图5 服装匹配图

本文利用深度学习网络进行服装与用户身材的数据提取，在此基础上利用了模糊控制原理，将用户的身材、天气、风格等六项输入进行模糊计算，输出三项参数对用户提出穿搭建议。实验结果表明，将深度学习与模糊控制在穿搭领域的结合，可有效量化计算“天气、风格、季节”等抽象概念，具有较好的实用性。在下一步工作中，可以进一步研究服装知识图谱特征如何与推荐算法结合，使系统在语义层面上具有更好的推荐效果。

推荐访问:智能 方法 推荐