基于深度學習的服飾搭配系統設計

劉立勛 石淼 余可義 李曼

摘要：此款服裝搭配系統主要運用卷積神經網絡算法，在深度學習的服裝搭配模型上，對服裝數據進行分類、采集，然后將分類好的數據放入神經網絡模型中，在深度學習模型網絡中提取服飾特征，完成服飾分類，進而得到不同類別服飾之間的匹配度。

關鍵詞：深度學習;卷積神經網絡;服裝搭配;服飾推薦

中圖分類號：TP311? ? ? 文獻標識碼：A

文章編號：1009-3044（2022）19-0077-02

隨著ABC時代的發展，人們生活質量不斷提高，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行合理搭配，也逐漸成為廣大用戶的內在需求。本文以現有技術為基礎，以用戶的個性化穿搭為出發點，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的應用，用戶可以在短時間內有效地找到最適合自己的搭配。

1 行業及市場前景

當前，傳統線下服飾零售行業將面臨淘汰，“互聯網+服裝”正成為一種趨勢。在過去一年，將穿搭與購物結合起來的穿搭類軟件獲得了快速發展，中國互聯網市場涌現大批穿搭類App，如：蘑菇街、美麗說、男士購等。根據中投產業研究院發布的《2020～2024年中國服裝行業投資分析及前景預測報告》，新主力軍正在改變整個消費市場。服飾搭配應用市場還屬于新興市場，是尚未開發的藍海，存在著廣闊的發展空間。

2 系統的方案設計

2.1總體設計方案

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

2.2 卷積神經網絡

由于大數據分析和與云計算技術的發展。近年來，卷積神經網絡的重要程度日益增加，同時運用到各個領域中，尤其在圖像處理[7]和識別等應用領域十分普遍。卷積神經網絡通過局部感受野、權重共享，大大減少了網絡建模的復雜性，并且利用其獨特的卷積層次和池化層提取特性，進行圖像分析和處理[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。卷積層通過權重共享在同一平面上完成處理，并在filter的通道進行劃分。

在計算卷積層的過程中，先用卷積的定義做前面的計算，再用前面的計算方法求逆向計算。首先，使用計算公式計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，在計算過程中，筆者將每一個輸出結果對應的輸入和Kernel的信息作了標記。利用特征圖的i行和j列元素，進行計算。卷積層的公式為：

反向計算時，通過反向傳播的偏執層Bias，將下一層參數的Loss，也就是Loss對輸入數據的梯度，做視角轉換，列出每個輸入元素參與的計算，求出每個輸入的導數，用Loss和與這個元素相乘的參數進行相乘再相加，計算公式如下：

如圖2利用卷積層公式計算得出結果如圖所示：

2.2.2 池化層

在卷積神經網絡中，池化作為主要的函數方法來提取層數據，池化層對輸入特征圖進行壓縮，一方面使特征圖變小，簡化網絡復雜度;另一方面進行特征壓縮，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

圖像數據在前期進行了卷積層和池化層的處理，在已經獲取到了圖片的關鍵特性，全連接層將對關鍵特性壓縮處理后，再進行特征建模分析。

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計來避免長期的時間依賴問題[1]。因為所有的遞歸神經網絡中都有神經網絡的鏈式重復模型。在標準的RNN中，各層都和同一層的神經元之間存在著聯系，因此上一刻的狀態也能作用于下一時刻的狀態。但是在網絡層數過多時，RNN網絡權重不平衡。所以，筆者使用LSTM計算。

3 服飾搭配個性化推薦與應用

3.1基于SPO的搭配推薦

通過前期市場調查，筆者以能夠與著裝環境相配合的SPO規則為根據，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：第一要以著裝環境和場合為依據，對服裝的材質、版型、風格、款式等進行詳細分類;第二是在進行推薦時，要展現出SPO規則、協同過濾、關聯規則等的基礎作用，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格，從而在服裝信息的數據庫中找到匹配項進行服裝推薦。這樣可以保證用戶滿足對服裝搭配個性化的愿望，并且在合理的規則下，使系統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，它是以傳統的初級特征為基礎，且高級語義特征則無法顯現出原有的全部作用，故推薦的結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、收藏和購買的相關信息;二是采用過濾算法來刪去多余重復項。

3.3 服裝搭配App應用

現階段，人們對服裝搭配的好壞很難做出一個主觀判斷，而深度學習網絡有著很強的抽象和泛化能力，能夠根據相關因素對穿搭做出語義概述，很適合應用在服裝穿搭App上。并且，隨著深度學習技術發展迅速，未來該技術也必將為服裝搭配提供強有力的知識基礎和框架，同時極有可能為服裝行業開辟新的導購道路。本系統設計為用戶實現了進行多輪對話，可實現根據環境選擇穿搭，新衣購買推薦、同風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格，節約選擇時間，為廣大用戶提供切實有效的穿搭參考與指導。此外，給商戶提供給服裝品牌銷售渠道，在進行商戶服裝推薦時，不僅能推送用戶所需要的商品，提高用戶的使用體驗，還能促進用戶消費，創造出巨大經濟效益。

4 結束語

通過對智能搭配軟件的技術進行分析，可以發現，針對個性化的衣物配色，筆者的研發工作仍處在起步階段。由于目前技術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一步加以研究，使推薦的結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，使之在現實生活中使用更為普遍。

參考文獻：

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

[2] 李依蔓.服裝設計虛擬搭配系統的設計與實現[D].成都：電子科技大學，2016.

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

[4] 和樹繁，劉新一，官駿，等.服裝搭配與推薦系統的設計與實現[J].電子技術與軟件工程，2021（18）：196-197.

[5] 劉海龍，李寶安，呂學強，等.基于深度卷積神經網絡的圖像檢索算法研究[J].計算機應用研究，2017，34（12）：3816-3819.

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

[7] 包曉安，張瑞林，鐘樂海.基于人工神經網絡與圖像處理的蘋果識別方法研究[J].農業工程學報，2004，20（3）：109-112.

收稿日期：2022-02-25

基金項目：2021年廣東省大學生創新創業訓練計劃項目，基于機器學習的服飾搭配系統（項目編號：S202113684005X）

作者簡介：劉立勛（1980—），男，吉林長春人，高級實驗師，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規則。