基于卷积神经网络的体貌特征识别分类的服装推荐系统技术方案

本发明专利技术涉及一种基于卷积神经网络的体貌特征识别分类的服装推荐系统，包括顾客信息自动采集模块、服装款式推荐模块和服装信息管理模块；所述顾客信息自动采集模块通过人机交互的方式获取顾客的照片，并采用基于CNN‑SVM多分类器算法的图像识别技术提取照片中顾客的体貌特征，并将体貌特征作为服装款式推荐模块的输入信息；所述服装款式推荐模块采用专家系统技术根据顾客体貌特征进行个性化服装款式推荐，并生成服装推荐清单；所述服装信息管理模块基于生成服装推荐清单完成订单支付管理。本发明专利技术能够依据顾客的体貌特征完成服装推荐。

Clothing recommendation system based on body feature recognition and classification based on convolution neural network

【技术实现步骤摘要】
基于卷积神经网络的体貌特征识别分类的服装推荐系统
本专利技术涉及服装推荐
，特别是涉及一种基于卷积神经网络的体貌特征识别分类的服装推荐系统。
技术介绍
线上的消费随着经济的飞速发展和互联网技术的兴起越来越受到广大消费群体的追捧，打破了原先服装领域单一的线下零售方式的局面，网络购物成为一种时代潮流。选购服装时最基本的考虑是服装是否与顾客体貌特征相匹配，包括根据自己身型选择合适款式的衣服，根据自己肤色选择合适颜色的服装等，对于非服装搭配专家来说应该不是一件容易的事情。为了增加顾客购买率，强化其购买行为，培养顾客对网络购买服装的忠诚度，针对这种网上品牌直营店的销售情况，有必要研究服装专家推荐系统去代替专业人士帮助消费者在海量的网络信息中发现符合自身特点要求的服装。目前国内市场中流行的个性化服装推荐系统如亚马逊、淘宝等，主要基于顾客相关性的推荐，其工作原理是根据顾客兴趣爱好、浏览记录、购买记录、注册的个人信息挖掘相似顾客或物品。但这些推荐系统存在数据稀疏性、冷启动问题以及可拓展性问题，当新顾客或物品刚加入系统时，缺乏对应的标注信息和顾客评分记录，评价矩阵就会稀疏，无法准确推算顾客(物品)之间的近似性，影响推荐精确度。其次，部分推荐系统采用人机互动方式获取顾客体貌特征信息，由于顾客本身就对自己外在特征类型定位不清，获取的体貌特征带有人为主观性和不准确性。再者，由于顾客手动输入特征信息，存在语义描述不清楚和操作不便捷等问题，不能达到操作方便且快速自动获取特征数据的效果。由于大部分服装推荐系统基于顾客喜好推荐服装，而顾客对服装专业知识了解的程度参差不齐，造成所选的服装专业性不强，从服装专业角度看未必适合顾客，如果只是根据顾客喜好和评分推荐服装，带有主观性且不能提供顾客合适的服装推荐。
技术实现思路
本专利技术所要解决的技术问题是提供一种基于卷积神经网络的体貌特征识别分类的服装推荐系统，能够依据顾客的体貌特征完成服装推荐。本专利技术解决其技术问题所采用的技术方案是：提供一种基于卷积神经网络的体貌特征识别分类的服装推荐系统，包括顾客信息自动采集模块、服装款式推荐模块和服装信息管理模块；所述顾客信息自动采集模块通过人机交互的方式获取顾客的照片，并采用基于CNN-SVM多分类器算法的图像识别技术提取照片中顾客的体貌特征，并将体貌特征作为服装款式推荐模块的输入信息；所述服装款式推荐模块采用专家系统技术根据顾客体貌特征进行个性化服装款式推荐，并生成服装推荐清单；所述服装信息管理模块基于生成服装推荐清单完成订单支付管理。所述顾客信息自动采集模块包括训练样本库和顾客信息库，所述训练样本库存储用以训练CNN和SVM的样本数据集，不断自动存入新顾客的样本数据集并进行更新提高自动获取顾客体貌特征的正确性；所述顾客信息库用于存储从照片中提取出的顾客的体貌特征。所述顾客信息自动采集模块基于CNN-SVM多分类器算法是将CNN和SVM结合，采用AlexNet网络改进后的网络结构；在原有caffe框架的AlexNet网络模型中减少卷积层，并减少网络深度，同时调整网络最初参数设置，并将AlexNet网络模型中softmax激活函数替换成SVM多分类器，采用SVM分类优势进一步提高系统分类正确率；CNN通过前向和反向传播算法训练学习，用来提取图像原始特征作为全连接层的输出，然后采用这些特征训练SVM多分类器，对照片中顾客的体貌特征进行识别分类的任务。所述顾客的体貌特征包括肤色信息、脸型信息、身型信息和肩型信息。所述服装款式推荐模块包括规则库、事实库和推理机，所述事实库用于保存顾客信息自动采集模块传输的顾客的体貌特征；所述规则库基于产生式规则保存服装搭配知识；所述推理机按照正向推理模拟服装专家思维过程，采用动态搜索机制的黑板模型根据顾客体貌特征进行个性化服装款式推荐，并生成服装推荐清单。所述动态搜索机制的黑板模型在每次搜索过程中不断地按照知识源的规则动作所调用的结果记录数目重新划分各个知识源优先级以改进传统黑板模型固定顺序的知识源层次结构，保证下一级知识源在更小范围的数量空间进行搜索，有效提高服装搭配推荐系统的规则匹配和搜索速度。有益效果由于采用了上述的技术方案，本专利技术与现有技术相比，具有以下的优点和积极效果：本专利技术采用CNN算法通过照片获取顾客的外在体貌特征，由于CNN模型直接是对原始图像进行提取特征，不仅省去图像预处理这一环节，而且有效防止在图像预处理过程中的纹理信息丢失，可以隐式提取图像特征，处理图像时具有平移、旋转和缩放不变形，然后再用SVM多分类器取代CNN模型最后一层Softmax分类函数，有效弥补两者各自的缺点，提高模型的泛化能力以及识别分类的结果精度。本专利技术应用专家系统技术提供给顾客更加专业化、智能化的服装搭配推荐，帮助顾客找到适合他们自身特征的服装搭配，专家系统的知识库和推理机两部分，主要是采用产生式规则形式保存顾客、服装信息以及搭配知识，推理机采用新增动态搜索机制的黑板模型，该算法在搜索过程中重新确定知识源优先级顺序，优化了传统黑板模型中由于知识源顺序固定而导致结搜索效率低的弊端，从而使系统的推荐效率明显提高。本专利技术基于CNN的服装专家推荐系统通过顾客的外在体貌特征结合服装专家的搭配意见给出适合顾客肤色、脸型、肩型、身型的个性化、专业化的服装推荐。采用图像识别技术能够客观地获取顾客的外在体貌特征，不仅省去顾客填写个人信息和商品评分等操作，而且克服其文字信息难以完整描述顾客体型所有特征的缺点，使获取到的顾客外在特征信息做到客观精准，减少顾客主观因素影响。附图说明图1是服装专家推荐系统的整体结构示意图；图2是服装专家推荐系统的需求分析用例图；图3是网络结构模型的示意图；图4是基于CNN-SVM多分类器的网络结构模型图；图5是顾客信息自动采集模块的框架结构图；图6是服装专家推荐系统的专家系统结构示意图。具体实施方式下面结合具体实施例，进一步阐述本专利技术。应理解，这些实施例仅用于说明本专利技术而不用于限制本专利技术的范围。此外应理解，在阅读了本专利技术讲授的内容之后，本领域技术人员可以对本专利技术作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。本专利技术的实施方式涉及一种基于卷积神经网络的体貌特征识别分类的服装推荐系统，包括顾客信息自动采集模块、服装款式推荐模块和服装信息管理模块；所述顾客信息自动采集模块通过人机交互的方式获取顾客的照片，并采用基于CNN-SVM多分类器算法的图像识别技术提取照片中顾客的体貌特征，并将体貌特征作为服装款式推荐模块的输入信息；所述服装款式推荐模块采用专家系统技术根据顾客体貌特征进行个性化服装款式推荐，并生成服装推荐清单；所述服装信息管理模块基于生成服装推荐清单完成订单支付管理。如图1所示，基于CNN的体貌特征识别与分类的服装专家推荐系统主要分成三个功能模块，分别是顾客信息自动采集模块、服装款式推荐模块、服装信息管理模块。首先顾客本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的体貌特征识别分类的服装推荐系统，其特征在于，包括顾客信息自动采集模块、服装款式推荐模块和服装信息管理模块；所述顾客信息自动采集模块通过人机交互的方式获取顾客的照片，并采用基于CNN-SVM多分类器算法的图像识别技术提取照片中顾客的体貌特征，并将体貌特征作为服装款式推荐模块的输入信息；所述服装款式推荐模块采用专家系统技术根据顾客体貌特征进行个性化服装款式推荐，并生成服装推荐清单；所述服装信息管理模块基于生成服装推荐清单完成订单支付管理。/n

【技术特征摘要】
1.一种基于卷积神经网络的体貌特征识别分类的服装推荐系统，其特征在于，包括顾客信息自动采集模块、服装款式推荐模块和服装信息管理模块；所述顾客信息自动采集模块通过人机交互的方式获取顾客的照片，并采用基于CNN-SVM多分类器算法的图像识别技术提取照片中顾客的体貌特征，并将体貌特征作为服装款式推荐模块的输入信息；所述服装款式推荐模块采用专家系统技术根据顾客体貌特征进行个性化服装款式推荐，并生成服装推荐清单；所述服装信息管理模块基于生成服装推荐清单完成订单支付管理。


2.根据权利要求1所述的基于卷积神经网络的体貌特征识别分类的服装推荐系统，其特征在于，所述顾客信息自动采集模块包括训练样本库和顾客信息库，所述训练样本库存储用以训练CNN和SVM的样本数据集，不断自动存入新顾客的样本数据集并进行更新提高自动获取顾客体貌特征的正确性；所述顾客信息库用于存储从照片中提取出的顾客的体貌特征。


3.根据权利要求2所述的基于卷积神经网络的体貌特征识别分类的服装推荐系统，其特征在于，所述顾客信息自动采集模块基于CNN-SVM多分类器算法是将CNN和SVM结合，采用AlexNet网络改进后的网络结构；在原有caffe框架的AlexNet网络模型中减少卷积层，并减少网络深度，同时调整网络最初参数设置，并将AlexNet网络模型中...

【专利技术属性】
技术研发人员：刘潺，
申请(专利权)人：云南师范大学，
类型：发明
国别省市：云南;53