一种基于深度学习的服装风格迁移方法及系统技术方案

本发明专利技术公开了一种基于深度学习的服装风格迁移方法与系统，涉及服装设计技术领域，包括数据采集与处理模块、特征分析与提取模块、风格模型生成与应用模块、图像迁移与生成模块以及图像输出模块。数据采集与处理模块用于选择风格图像以及图像预处理；特征提取模块主要对颜色特征、纹理特征、轮廓特征进行提取；风格模型生成与应用模块用于生成风格模型；图像迁移与生成模块包括个性化风格迁移功能和快速风格迁移功能，用于将源服装图像进行语义分割，并通过上述模块可直接进行风格迁移，或者通过调用风格模型库中的风格模型实现快速风格迁移；图像输出模块用于提高生成图像分辨率并显示。缩短了风格迁移时间长，改善了生成的服装图像的整体效果。服装图像的整体效果。服装图像的整体效果。

【技术实现步骤摘要】
一种基于深度学习的服装风格迁移方法及系统


[0001]本专利技术涉及智能服装设计
，具体涉及一种基于深度学习的服装风格迁移方法及系统。

技术介绍

[0002]时尚是一个瞬息万变的行业，每个季节的设计都在变化，时尚行业对服装风格的要求也越来越个性化。然而，在传统的服装设计过程中，服装设计师需要花费大量的时间构思和不断的绘制草图以比较不同的服装风格，而服装风格迁移可实现这一效果(服装风格迁移是将目标风格图像中的风格迁移至源服装图像中，使源服装图像中的服装具有目标风格图像中的风格)。随着人工智能在各个行业应用地不断深入，服装产业也在利用人工智能加速产业变革。
[0003]目前，现有的针对服装的风格迁移应用较少，尽管存在一部分软件也可以实现风格迁移，如申请号为202010628294.8的中国专利，但是仅支持限定范围的风格或者需要用户其他操作才能完成风格迁移，无法辅助设计师完成更快更加个性化的服装设计。
[0004]而有一小部分技术可以实现个性化风格迁移，如申请号为202110367703.8的中国专利，虽然提高了服装设计中风格迁本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的服装风格迁移方法，其特征在于，所述方法包括：获取源服装内容图像，并对所述源服装内容图像进行预处理；使用单阶段实例分割对预处理之后的源服装内容图像进行分割，区分出图像的背景与服装各部位信息，并对服装中关键部位进行标注，得到所述源服装内容图像中的内容特征；获取目标风格图像，并对所述目标风格图像进行预处理；使用聚类分析方法对预处理之后的目标风格图像进行风格特征分析；所述风格特征至少包括：颜色、纹理和轮廓；对分析出的风格特征进行特征提取；获取训练好的风格模型；所述风格模型利用基于深度卷积的生成对抗网络生成，所述生成对抗网络包括生成器和判别器，训练好的风格模型中保存有生成器和判别器的权重参数训练值；将提取出的内容特征和风格特征输入至训练好的风格模型的生成器中，生成服装图像；将生成器生成的服装图像采用插值算法提升图像分辨率，输出具有目标风格图像风格的服装图像。2.根据权利要求1所述的一种基于深度学习的服装风格迁移方法，其特征在于，获取训练好的风格模型，包括：S201、设置训练次数、学习率、批量处理值以及卷积层数；S202、建立生成器G和判别器D，生成器中采用反卷积操作，判别器中采用卷积操作，并加入dropout来防止过拟合；S203、在判别器中，加入前向传播网络；在生成器中，加入反向传播网络；S204、在判别器中，所使用的激活函数在前2/3层中使用softmax函数，在后1/3层使用LeakyRelu函数；在生成器中，所使用的激活函数除了最后一层，全部使用LeakyRelu函数，最后一层使用Tanh函数；S205、在生成器中，所使用的为小批量梯度下降算法，所使用的优化器为adam优化器对梯度进行优化；S206、固定生成器参数，对判别器进行迭代，不断更新判别器参数，直至判别器输出概率值为0.7；S207、固定判别器参数，对生成器进行迭代，不断更新生成器参数，直至判别器输出概率值为0.7；S208、计算生成器生成图像与判别器判别结果的误差，若优于上次结果，则替换上次所更新的神经网络权重值，并保存于以.pk为后缀的文件中，若次于上次结果，则保持不变；S209、循环迭代S206、S207、S208的操作，当循环迭代次数等于训练次数，停止训练，其风格模型已通过S208保存于.pk文件中。3.根据权利要求1所述的一种基于深度学习的服装风格迁移方法，其特征在于，获取训练好的风格模型，包括：从风格模型库中调用训练好的风格模型。4.根据权利要求2所述的一种基于深度学习的服装风格迁移方法，其特征在于，所述生成对抗网络的损失函数计算公式如下：
L(G)＝r1L
c
(C，G)+r2L
s
(S，G)其中，C
‑
输入图像；S
‑
风格图像；G
‑
生成图像；L(G)
‑
总损失；r1‑
内容损失权重；r2‑
风格损失权重；内容损失函数L
c
，公式如下：其中，l表示深度卷积神经网络的第l层卷积层；并且p
l
是它们在l层中的相应特征表示；在每个层中，存在N
l
个滤波器，每个滤波器具有大小为D
l
的矢量化特征映射；风格损失函数L
s
，公式如下：其中，w
γ
为加权因子，M
l
为特征大小。5.根据权利要求1所述的一种基于深度学...

【专利技术属性】
技术研发人员：王伟珍，张功，
申请(专利权)人：大连工业大学，
类型：发明
国别省市：