前言：想要寫出一篇引人入勝的文章？我們特意為您整理了智能化服裝搭配推薦系統研究范文，希望能給你帶來靈感和參考，敬請閱讀。

摘要：在現階段，智能技術的發展速度持續加快，針對用戶實際需求展開的研究也在深入開展，從服裝行業的現狀來看，如何將人工智能技術與服裝時尚予以結合成為關注的重點。智能化服裝搭配推薦系統的應用可以使用戶在穿衣搭配方面的需求得到切實滿足，這樣就可節約大量的時間、精力。隨著人工智能、機器學習等技術的成熟，為智能化服裝搭配系統奠定了堅實的基礎。本文針對當下已經得到應用的智能化服裝搭配推薦系統展開深入探析，對基礎算法、關鍵技術等予以詳細闡述，進而尋找到未來的研究方向，使服裝搭配推薦系統能夠更具個性化，綜合功能大幅提高，并帶來更為理想的效益。

關鍵詞：智能化；服裝搭配；推薦；進展

引言

在當前時期，服裝行業呈現出加快的發展趨勢，服裝的品牌、種類大幅增加，產生的服裝數據也就更多，如何對服裝進行合理搭配，成為廣大用戶的內在需求。對智能服裝搭配技術加以利用可以使得一般用戶在短時間尋找最為適合的服裝。然而在服裝數據變得更為繁雜之際，如果依然采用傳統方法的話，準確度就難以得到保證。通過深度學習技術則能夠使得問題有效解決，確保用戶在服裝搭配方面的實際需求得到真正滿足。

1服裝搭配推薦基礎算法

1.1低層傳統特征提取算法

（1）在對服裝圖像信息進行檢測，將其特征予以呈現的過程中，全局特征提取算法的適用性是較高的。對此種算法予以分析可知，其主要包括三類，其一是形狀特征，也就是對服裝外輪廓進行提取，進而將其款式予以確定，比方說通過卷積運算就能夠獲得目標輪廓，進而做好初始圖像的處理，將輪廓線之外存在的干擾部分予以去除，這樣就能夠獲取特征矩陣，如此就可將目標圖像區域切實提取出來。其二是紋理特征，也就是對存在于服務圖像表面的不同紋路進行提取，進而對面料特點加以識別。比方說，可對局部二值模式予以應用，即是對圖像予以分割處理，獲得一定數量的子區域，進而對每個區域當中的中心像素、相鄰像素間存在的對比信息予以提取，如此就能夠完成統計直方圖的構建，這樣就能夠對紋理特征進行描述。其三是顏色特征，也就是利用顏色信息來達成識別目的，在對顏色特征予以表達時，顏色直方圖是可行的方法，在將常用顏色空間予以確定之后，對服裝圖像當中的各個像素點進行統計，如此就可對顏色分布有切實的了解，而且在魯棒性方面有著明顯的優勢。（2）通過局部特征可以將圖像存在的局部特性清晰呈現出來，因而在進行圖像匹配、圖像檢索時，其具有良好的適用性。和全局特征進行比較可知，局部特征之間并不存在緊密的相關性，即使圖像存在缺損，對其他特征的匹配并不會產生影響。對局部特征提取算法予以分析可知，其呈現出較強的魯棒性，確保部分干擾能夠切實消除，這樣就可使得特征提取順利完成。從當下圖像局部提取的現狀來看，尺度不變，特征變化算法的應用是較為常見的，從旋轉干擾、亮度干擾、噪聲干擾等方面來看，其魯棒性是非常高的，除此以外，高效性、擴展性等方面的優勢也是明顯的。

1.2高級語義特征提取算法

（1）基于卷積神經網絡的特征提取法。在對此種算法予以應用時，輸入服裝圖像之后就能夠獲得結果，和傳統方法進行比較可知，不需要進行預處理，也不必展開特征篩選。從當下圖像識別的現狀來看，CNN的運用是較為普遍的，其擁有的識別功能較為突出，然而想要保證CNN模型的作用真正發揮出來，必須要做好圖像訓練，一旦數據不足，或者是網絡深度達不到要求，那么出現過擬合、欠擬合的幾率就會大幅增加。比方說，為了達成服裝圖像分類目標，對深度CNN模型予以構建時應該要確保卷積層、池化層、連接層的數量能夠滿足實際需要，確保能夠將高級語義特征切實提取出來，對輸出含義進行學習，如此就可對服裝款式進行合理分類。（2）基于循環神經網絡的特征提取算法。采用此種算法可以對服裝單品序列數據予以充分利用，實現對序列外形特征的有效處理。對時序信息進行處理時，RNN的優勢是明顯的，將序列特征數據予以輸入之后，就可實現遞歸目的，全部循環單位均可實現鏈式連接。比方說，進行時尚單品相關性建模時，可對RNN長短期記憶加以應用，也就是通過InceptionV3卷積網絡就能夠將圖像特征向量予以明確，將其輸入雙向LSTM就能夠獲取單品序列，如此就可完成特征向量關系的提煉，如此一來，在對套裝予以推薦時就可確保單品風險是大致相同的。（3）基于深度信念網絡的特征提取算法。在對此種算法予以應用時，訓練是需要重點關注的，先是無監督學習，繼而展開有監督學習，如此可以使得模型具有的特征提取能力大幅提升。即使標注數據不足，此種算法一日按可以完成特征提取，但在應用過程中要保證服裝圖像的尺寸是相對固定的，而且數據處理需要投入大量的時間[1]。

2服裝搭配推薦關鍵技術

2.1套裝圖像分割技術

人臉檢測技術。先要對模特面部進行檢測，確定長、寬，繼而依據既定的假設完成上裝、下裝的分割。此種技術存在明顯的局限，高腰褲、低腰群之類的款式無法加以應用。FasterR-CNN算法。先要通過人工方式對圖像當中的上裝、下裝區域進行標注，繼而對模型進行訓練，確保能夠對相關的語義信息能夠有切實的了解，這樣就能夠使得上裝、下裝能夠切實區別開來。將圖像檢測所得結果作為依據，將圖像區域的置信度得分予以明確，得分最高確定為目標服裝區域。此種技術的優勢是明顯的，和初代R-CNN予以比較可知，對單張圖像進行檢測的時間只需要0.2s，而且精度有大幅提升，評價精度能夠達到66.9000。完成套裝圖像分割，接下來的訓練就可圍繞目標區域展開，如此能夠保證模型預算效益大幅提高[2]。

2.2智能化服裝搭配模型

生成式對抗網絡。其主要由生成器、鑒別器構成，前者可以實現服裝圖像的生成，而后者則能夠對圖像的真實性予以辨別。在進行訓練時，生成器要對服裝圖像予以合成，鑒別器則區分圖像，在獲得鑒別結果之后，生成器自動完成改進工作，這樣就可獲得新圖像，當生成器不再進行自動改進，而且鑒別器確定不存在虛擬圖像時，就可獲得所需圖像。孿生卷積神經網絡。其包括兩個子網結構，而且共享權值、架構是完全相同的，對兩個輸入予以分別映射，如果無法對權值予以共享的話，則是偽孿生神經網絡。需要進行判別的服裝直接輸入到網絡之后，就可對服裝搭配予以逐層輸出，進而對結果進行準確判斷[3]。

3服裝搭配推薦的個性化發展

3.1基于TPO的搭配推薦

對此種個性化推薦予以分析可知，其是將和具體著裝場景相適合的TPO規則作為依據，確保用戶的個性需求能夠得到切實滿足。其中需要重點關注的步驟如下，一是要從著裝場景出發，對服裝的風格、面料、款式等予以細致劃分；二是在進行推薦時，將TPO規則、協同過濾、關聯規則等的基礎作用展現出來。

3.2基于用戶偏好的搭配推薦

對此種個性化推薦予以分析可知，歷史購買記錄、評價記錄等是主要的依據，這樣可以保證用戶對品位的追求得到滿足，保證搭配規則不變的情況下，使得服裝推薦能夠和用戶興趣相符。此外可以通過用戶的社交圈進行推薦，也就是對喜好大致相同者的搭配予以推薦。這里需要指出的是，其是將低層傳統特征作為推薦依據，而高級語義屬性則無法發揮出效用，因而推薦結果并不新穎，而且多樣性明顯不足。從關鍵步驟來看，需要重視的如下，一是要對用戶瀏覽、購買的相關數據進行收集；二是采用過濾算法。

3.3基于用戶特征的搭配推薦

此類個性化推薦依據著裝過程中合體、或有顯瘦、遮肉等其他需求，以用戶體型細部特征與服裝款式間的對應關系作為基礎，為用戶推薦適合其體型的搭配。其關鍵步驟主要包括：一是根據用戶膚色、性別、身型，及臉型等劃分為不同類別；二是通過與服裝專家訪談得到適合不同人體特征的服裝規則知識；三是通過體型與款式間的映射確定體型和服裝款式之間的對應關系從而實現推薦[4]。

4結語

從國內外對智能化服裝搭配推薦相關研究現狀可見，提升推薦系統精準度是當前此領域的研究熱點與重點，已取得了較多研究成果。考慮個性化的服裝搭配研究仍處于起步階段，今后在對服裝搭配推薦的研究中將智能化與個性化結合，使推薦結果具備優良精準度和多樣性的同時滿足用戶需求，綜合提升搭配推薦效益，在實際應用中具有重要意義。

參考文獻

[1]楊怡然,吳巧英.智能化服裝搭配推薦研究進展[J].浙江理工大學學報(自然科學版),2021,45(01):1-12.

[2]紀丹丹,戴宏欽.服裝搭配方法研究綜述[J].現代絲綢科學與技術,2020,35(04):31-35.

[3]張澤堃,張海波.服裝智能搭配研究現狀綜述[J].網絡安全技術與應用,2019(10):128-130.

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

作者:畢曉晏 單位:山東服裝職業學院