【技术实现步骤摘要】
一种基于多网络融合的服装风格识别推荐方法
本专利技术属于图像分类设备
，具体涉及一种基于多网络融合的服装风格识别推荐方法。
技术介绍
伴随着线上零售的快速发展，线下门店的日益萧条，在2020年这次疫情过后，大批服装企业开始复工复产，线下门店也迎来新的春天，大量消费者开始在各大服装商厂流动起来，刺激了线下门店的消费。针对消费者对时尚品牌和不同风格的服装需求，线下门店需要利用智能的识别机器，而由于现有的服装识别技术对处于复杂环境下的不同服装风格还不能做到精准识别，在此背景下提出一新的方法对进店的消费者的着风格进行精准识别，根据服装的风格能快速准确的推荐给消费者心仪的衣服，帮助消费者快速的做出选择，推动线下门店的发展。
技术实现思路
本专利技术的目的是提供一种基于多网络融合(MNF)的服装风格识别推荐方法，解决了复杂环境下不同风格的服装识别精度问题，便于线下门店更智能化的发展。本专利技术所采用的技术方案是，一种基于多网络融合的服装风格识别推荐方法，具体按照以下步骤实施：步骤1：训练保存MN...
【技术保护点】
1.一种基于多网络融合的服装风格识别推荐方法，其特征在于，具体按照以下步骤实施：/n步骤1：训练保存MNF网络模型；/n步骤2：调用MNF网络模型，利用摄像头获取人体图像，进行人体图像预处理得到原始图像；/n步骤3：原始图像经过VGG16网络得到服装的全局特征；/n步骤4：上述原始图像经过图像分割得到人体分割图像；/n步骤5：人体分割图像经过DenseNet网络得到服装的局部特征；/n步骤6：将步骤3得到的全局特征和步骤5得到的局部特征通过融合得到服装最终特征；/n步骤7：最终特征通过分类器得到服装风格分类标签；/n步骤8：服装分类标签遍历线下服装数据库得到相同风格的服装推荐结果。/n
【技术特征摘要】
1.一种基于多网络融合的服装风格识别推荐方法，其特征在于，具体按照以下步骤实施：
步骤1：训练保存MNF网络模型；
步骤2：调用MNF网络模型，利用摄像头获取人体图像，进行人体图像预处理得到原始图像；
步骤3：原始图像经过VGG16网络得到服装的全局特征；
步骤4：上述原始图像经过图像分割得到人体分割图像；
步骤5：人体分割图像经过DenseNet网络得到服装的局部特征；
步骤6：将步骤3得到的全局特征和步骤5得到的局部特征通过融合得到服装最终特征；
步骤7：最终特征通过分类器得到服装风格分类标签；
步骤8：服装分类标签遍历线下服装数据库得到相同风格的服装推荐结果。
2.根据权利要求1所述的一种基于多网络融合的服装风格识别推荐方法，其特征在于，步骤1具体按照以下步骤实施：
步骤1.1：建立服装风格数据库，通过在网上和线下的数据搜集，将服装风格推荐系统的服装风格指标分为若干类；给出若干类服装风格类别及相应索引；
步骤1.2：使用torch定义MNF网络模型，定义类定义损失函数:采用交叉熵损失函数；定义优化器：使用SGD；
步骤1.3：设置一组输入变量，并输入数据，每张图像用一个13维特征向量X＝[x1,x2....x13]表示，其中X表示所有服装风格特征向量，x1,x2...x13分别表示这13类服装风格的特征向量；
步骤1.4：对MNF网络参数初始化并对权值wl的设置一个0～1的值，权值是随机设置的，其中l表示MNF的网络层；
步骤1.5：将划分的训练集样本D＝{(X(1),y(1)),(X(2),y(2)),...,(X(N),y(N))}输入MNF网络，其中N表示训练集中的样本个数，X(N)表示第N个样本图像所有服装风格特征向量，y(N)表示第N个样本图像的真实服装风格标签；
步骤1.6：更新权重W，偏置b；前向传播要计算每一层的净输入z(l)和激活值a(l)，直到最后一层，反向传播计算每一层的误差δ(l)，l表示MNF的网络层；计算每一层参数的导数：其中表示第N个样本图像预测的服装风格标签，L(·)表示y(N)和之间的误差函数，W(l)表示l层的权重，b(l)表示l层的偏置，T表示向量的转置；更新参数：W(l)←W(l)-α(δ(l)(a(l-1))T+λW(l))；b(l)←b(l)-αb(l)；其中λ表示正则化系数，α表示学习率；直到网络收敛，保存训练好的MNF模型和参数。
3.根据权利要求1所述的一种基于多网络融合的服装风格识别推荐方法，其特征在于，步骤2中对人体图像进行预处理具体为：通过摄像头采集到图像传输到计算机进行预处理，通过DCT变换转化为格式为.jpg且尺寸大小为224*224*3的RGB的原始图像I0。
4.根据权利要求1所述的一种基于多...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。