公开/公告号CN112434210A
专利类型发明专利
公开/公告日2021-03-02
原文格式PDF
申请/专利权人 武汉纺织大学;
申请/专利号CN202011474691.0
申请日2020-12-14
分类号G06F16/951(20190101);G06K9/62(20060101);G06N3/04(20060101);G06N3/08(20060101);
代理机构42222 武汉科皓知识产权代理事务所(特殊普通合伙);
代理人胡琦旖
地址 430200 湖北省武汉市江夏区阳光大道1号
入库时间 2023-06-19 10:05:17
技术领域
本发明属于智能服装技术领域,更具体地,涉及一种服装流行趋势预测系统与方法。
背景技术
目前,在线上服装领域,通常会由设计师通过自己的学识经验来设计新的服饰,每次设计一款服饰要消耗大量的时间和精力,设计师也不可能面面俱到的设计出所需的每一种风格的服饰,未来各个地区所流行的服饰并不能被轻易的预测,通常还需要多个熟悉该地区的设计师参与。因此,在服装领域,对服装未来发展趋势的智能预测拥有潜在且巨大的应用场景。
计算机视觉技术飞速发展,计算机能够处理的场景越来越多,因此越来越多的场合开始使用基于图像的服装处理技术。近年来,出现了从电商服装网站采集历年的流行服装图片和信息,进行特征提取和整合,再根据模型结果输出服装流行度为topk的服装排名的方案,但是这种方案对于场合以及节假日等流行条件判断有所欠缺。此外,还有利用流行度评价方法得到当前的流行趋势的方案,但是这种方案是将获得的图像作为判断是否流行的条件,没有目的性。
发明内容
本发明的目的在于提供一种服装流行趋势预测系统与方法,以减少计算成本和降低系统复杂性,提高流行预测的效果和质量。
本发明提供一种服装流行趋势预测方法,包括以下步骤:
步骤1、采集获取包含流行元素的服装图像,构建图像数据集并存储;
步骤2、对所述图像数据集进行预处理,提取服装图像的特征,构建流行趋势预测器并进行训练;
步骤3、输入条件信息,利用训练好的流行趋势预测器根据所述条件信息得到预测信息。
优选的,所述步骤1中,采集的所述服装图像为当下各个地区场合包含流行元素的服装图像;所述地区场合包括国家、地区,以及地区在不同季节、不同节日、不同场合对应的服装;所述流行元素为服装的细粒度属性,包括风格款式、花纹。
优选的,所述步骤1中,通过网络爬虫、摄像拍摄获取服装图像,并对采集到的服装图像的时间进行标记。
优选的,所述步骤2中,对所述图像数据集进行预处理包括对服装图像进行筛选,清除无关、无效图像;所述对服装图像进行筛选包括根据地区场合对服装图像进行归类、数量统计。
优选的,所述步骤2中,通过多标签分类的卷积神经网络对服装图像进行卷积,训练所述流行趋势预测器对服装的细粒度属性的识别能力;
以标记的时间、地区场合为数据单位,对服装的细粒度属性进行划分,生成每个时间段、每个地区场合对应的服装的细粒度属性集合;
通过深度网络回归模型逐个对所有的细粒度属性集合按时间序列进行回归,训练所述流行趋势预测器的按时间进行预测的能力。
优选的,所述多标签分类的卷积神经网络选用VGG、Inception、ResNet中的一种。
优选的,所述通过深度网络回归模型逐个对所有的细粒度属性集合按时间序列进行回归,训练所述流行趋势预测器的按时间进行预测的能力的具体实现方式为:
首先将不同时间和地区场合的标签集合进行K-Means聚类,按不同的时间和地区场合聚类不同的中心点,中心点用于代表某个时间内某个地区场合的流行元素集合;然后利用线性回归算法按预设的时间单位训练深度网络回归模型对中心点的拟合和预测能力;最后根据训练好的深度网络回归模型,对未来某个时间内某个地区场合的聚类中心点数据进行预测,并计算与该中心点的欧式距离最接近的流行元素,得到流行趋势数据。
优选的,所述步骤3中,训练好的流行趋势预测器利用深度网络回归模型,根据所述条件信息预测未来某时间段内某限定场合的服装流行关键词;
通过由语言生成图像的卷积神经生成网络,根据所述服装流行关键词生成对应的服装。
优选的,所述由语言生成图像的卷积神经生成网络采用对抗生成网络或变分自动编码器来进行服装生成。
另一方面,本发明提供一种服装流行趋势预测系统,包括:
流行数据采集单元,用于采集获取包含流行元素的服装图像,构建图像数据集并存储;
服装流行处理单元,用于对所述图像数据集进行预处理,提取服装图像的特征,构建流行趋势预测器并进行训练;
服装流行预测单元,用于输入条件信息,利用训练好的流行趋势预测器根据所述条件信息得到预测信息;
所述服装流行趋势预测系统用于实现上述的服装流行趋势预测方法中的步骤。
本发明中提供的一个或多个技术方案,至少具有如下技术效果或优点:
在发明中,提供的服装流行趋势预测方法首先采集获取包含流行元素的服装图像,构建图像数据集并存储;然后对所述图像数据集进行预处理,提取服装图像的特征,构建流行趋势预测器并进行训练;最后输入条件信息,利用训练好的流行趋势预测器根据所述条件信息得到预测信息。即本发明包括用于获取当下社会内服装流行元素并进行流行数据存储的流行数据采集单元,用于对流行数据进行统计与整理,并将流行元素和服装属性的融合进行流行特征处理的流行数据处理单元,以及输入相应的限制条件并生成预测结果的服装流行预测单元;通过在系统内输入服装的时尚环境等条件,便可以生成未来将流行的相应的花形,款式的时尚服饰以及相应的流行关键词,相比于现有技术,本发明可极大减少计算成本和降低系统复杂性,提高了流行预测的效果和质量。
附图说明
图1为本发明实施例提供的一种服装流行趋势预测系统的框架示意图。
具体实施方式
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
本发明提供了一种服装流行趋势预测系统与方法,其目的在于根据深度学习算法精准的对服装的细粒度标签进行分类,优于传统的图像处理算法;并使用聚类算法将服装的流行元素(如,颜色,领型等)进行按地区场合和时间的聚类,实现更加准确的预测;利用线性回归算法对服装的流行元素集合进行回归训练,让深度网络回归模型具有预测未来流行趋势的能力;如上所述,本发明总体优于现有服装流行趋势预测系统的系统结构和算法。
本发明提供的一种服装流行趋势预测系统,参见图1,包括:流行数据采集单元、服装流行处理单元、服装流行预测单元。
下面对各个单元分别进行解释说明。
(1)流行数据采集单元。
所述流行数据采集单元用于采集获取包含流行元素的服装图像,构建图像数据集并存储。
具体的,集的所述服装图像为当下各个地区场合包含流行元素的服装图像;所述地区场合包括国家、地区,以及地区在不同季节、不同节日、不同场合对应的服装;所述流行元素为服装的细粒度属性,包括风格款式、花纹。
通过网络爬虫、摄像拍摄获取服装图像,并对采集到的服装图像的时间进行标记。
即所述流行数据采集单元用于采集当下社会内各个地区场合包含流行元素的服装图像,并使用图像数据库进行存储。
其中,数据采集方式包括:针对媒体或商城等媒介上的高曝光量、高销量、高关注度的服装数据,利用网络“爬虫”等工具进行获取,对线下的一些地区场合利用摄像机进行人工拍摄。
地区场合表示某个国家的各个省份地区,以及在该地区不同季节不同节日不同的场合所穿的不同服装。流行元素为每一件被采集服饰上的风格款式,花纹等细粒度服装属性。
优选的方案中,所述数据库存储服装图像以及服装图像对应的时间信息文本,并对其进行不间断的采集更新,以保持时效性,所述时间标号是指该张图像被采集或流行的时间。
(2)服装流行处理单元。
所述服装流行处理单元用于对所述图像数据集进行预处理,提取服装图像的特征,构建流行趋势预测器并进行训练。
具体的,对所述图像数据集进行预处理包括对服装图像进行筛选,清除无关、无效图像;所述对服装图像进行筛选包括根据地区场合对服装图像进行归类、数量统计。
通过多标签分类的卷积神经网络对服装图像进行卷积,训练所述流行趋势预测器对服装的细粒度属性的识别能力;以标记的时间、地区场合为数据单位,对服装的细粒度属性进行划分,生成每个时间段、每个地区场合对应的服装的细粒度属性集合;通过深度网络回归模型逐个对所有的细粒度属性集合按时间序列进行回归,训练所述流行趋势预测器的按时间进行预测的能力。
所述多标签分类的卷积神经网络选用VGG、Inception、ResNet中的一种。
所述通过深度网络回归模型逐个对所有的细粒度属性集合按时间序列进行回归,训练所述流行趋势预测器的按时间进行预测的能力的具体实现方式为:首先将不同时间和地区场合的标签集合进行K-Means聚类,按不同的时间和地区场合聚类不同的中心点,中心点用于代表某个时间内某个地区场合的流行元素集合;采集某地区场合的某个时间段的中心点数据(采集某地区约20年的中心点数据),然后利用线性回归算法按预设的时间单位(如每周)训练深度网络回归模型对中心点的拟合和预测能力;最后根据训练好的深度网络回归模型,对未来某个时间内某个地区场合的聚类中心点数据进行预测,并计算与该中心点的欧式距离最接近的流行元素,得到流行趋势数据。
即所述服装流行处理单元用于对采集到的服装图像进行筛选,清理和服装不相关和无法读取处理的图像,通过深度学习算法来进行服装图像的特征学习。
所述流行趋势预测器是服装多标签分类和按时间进行的线性回归构成的线性执行结构,采用聚类和深度学习算法。
(3)服装流行预测单元。
所述服装流行预测单元用于输入条件信息,利用训练好的流行趋势预测器根据所述条件信息得到预测信息。
具体的,训练好的流行趋势预测器利用深度网络回归模型,根据所述条件信息预测未来某时间段内某限定场合的服装流行关键词;通过由语言生成图像的卷积神经生成网络,根据所述服装流行关键词生成对应的服装。
所述由语言生成图像的卷积神经生成网络采用对抗生成网络或变分自动编码器来进行服装生成。
即所述服装流行预测单元用于通过输入对服装的场所(例如北京的舞会)、季节(例如夏季)等信息的限制条件来产生对应的图像和关键词结果。
其中,限制条件包含可选的地区和场合,可以生成对应的流行服装。所述关键词为对预测服装的细粒度描述,如白色,圆形花纹,圆领,短袖等。当需要结合独特的主观元素时,可以利用输入的地区场合等约束条件来对生成的服饰进行限制。
本发明中的所述流行趋势预测器的功能包括:
1.首先使用多标签分类的卷积神经网络对各个时期的服装数据进行卷积,使模型学习对服装细粒度属性的识别能力。
其中,对服装的细粒度属性进行分类的卷积神经网络可选用VGG、Inception、ResNet等。即所述多标签分类的卷积神经网络可选用VGG、Inception、ResNet中的一种。
2.以时间、地区场合为数据单位进行划分,利用服装标签聚类算法对不同地区场合和时间服装的细粒度属性进行聚类形成集合。
3.用对标签集合的回归算法逐个对细粒度属性集合进行按时间趋势的回归,训练模型针对时间进行一系列类和预测的能力。
其中,时间和属性集合的回归算法可采用线性回归算法。
线性回归算法是利用称为线性回归方程的最小平方函数对一个或多个自变量和因变量之间关系进行建模的一种回归分析。这种函数是一个或多个称为回归系数的模型参数的线性组合。
其中的K-Means聚类算法的步骤为:首先确定一个k值,即我们希望将数据集经过聚类得到k个集合。从数据集中随机选择k个数据点作为质心。对数据集中每一个点,计算其与每一个质心的距离(如欧式距离),离哪个质心近,就划分到那个质心所属的集合。把所有数据归好集合后,一共有k个集合。然后重新计算每个集合的质心。如果新计算出来的质心和原来的质心之间的距离小于某一个设置的阈值(表示重新计算的质心的位置变化不大,趋于稳定,或者说收敛),我们可以认为聚类已经达到期望的结果,算法终止。
本发明首先将不同时间和地区场合的标签集合进行K-Means聚类,按不同的时间和地区场合聚类不同的中心点,中心点用于代表某个时间内某个地区场合的流行元素集合;采集某地区场合的某个时间段被的中心点数据,然后利用线性回归算法按预设的时间单位(训练深度网络回归模型对中心点的拟合和预测能力;最后根据训练好的深度网络回归模型,对未来某个时间内某个地区场合的聚类中心点数据进行预测,并计算与该中心点的欧式距离最接近的流行元素,得到流行趋势数据。
4.对模型提供条件限定信息,利用回归模型预测未来某时间段内限定场合的服装流行关键词,如有纽扣的袖口,白色,黑色花纹立领等。
5.通过一个可以由语言生成图像的卷积神经生成网络,对所预测的关键词进行相应服装的生成。
其中,所述由语言生成图像的卷积神经生成网络可以采用对抗生成网络或变分自动编码器来进行生成操作,如StackGAN和DCGAN。
综上,本发明提供一种服装流行趋势预测系统利用从过去若干年到如今最流行的服装数据对模型进行实时更新,从而保证了预测服饰的时尚先进性;采用一种流行趋势预测器对一系列时间和对应的流行服装的潜在对应关系进行学习,可以根据输入的条件限定生成的服饰所应用的场合。
对应上述系统,本发明提供一种服装流行趋势预测方法,主要包括以下步骤:
步骤1、采集获取包含流行元素的服装图像,构建图像数据集并存储;
步骤2、对所述图像数据集进行预处理,提取服装图像的特征,构建流行趋势预测器并进行训练;
步骤3、输入条件信息,利用训练好的流行趋势预测器根据所述条件信息得到预测信息。
本发明提供的一种服装流行趋势预测方法的步骤与本发明提供一种服装流行趋势预测系统中的功能相对应,因此不一一赘述。
即本发明提供的一种服装流行趋势预测方法首先大量地收集各个时段的时尚数据,然后根据时尚数据对时尚元素进行拆分,再根据算法将这些元素依靠合理的搭配训练进行组合,经过输入条件的限制,可以限定生成服装的应用款式。
本发明实施例提供的一种服装流行趋势预测系统与方法至少包括如下技术效果:
(1)本发明通过约束性条件输入,可以根据算法自动设计服装款式,从而节约大量的时间和人力。在时尚领域,可以全面的按照用户的需求对服饰进行预测,减少了设计成本,降低了对图像处理单元处理性能的要求,并可提高实时性。
(2)本发明不仅可以应用在线上应用中,在嵌入式设备中同样适用。
最后所应说明的是,以上具体实施方式仅用以说明本发明的技术方案而非限制,尽管参照实例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
机译: 衡量服装流行趋势的装置和程序
机译: 一种标准化服装套件以及一种从标准服装套件中提供的标准部分缝合的服装件中个性化和适合服装的方法
机译: 虚拟服装和服装磨损预测系统