服裝智能搭配研究現(xiàn)狀綜述

◆張澤堃 張海波

服裝智能搭配研究現(xiàn)狀綜述

◆張澤堃 張海波

（北京服裝學(xué)院信息中心 北京 100029）

隨著現(xiàn)代服裝行業(yè)的發(fā)展，服裝種類和品牌不勝枚舉，導(dǎo)致服裝數(shù)據(jù)迅速增長，但是海量的服裝數(shù)據(jù)也使得用戶在檢索和搭配的需求日益增加。智能的服裝搭配技術(shù)可以幫助廣大的非服裝專業(yè)的普通用戶快速選擇到適合自己的服裝。但是由于數(shù)據(jù)量的暴增，使得傳統(tǒng)的算法面臨著性能不佳和準確度不理想的問題，隨著深度學(xué)習(xí)的發(fā)展，服裝搭配的問題可以更好的得到解決。本文對近幾年服裝搭配的方法進行介紹和總結(jié)，將搭配的方法大致分為監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)兩類，為進行服裝搭配研究提供借鑒和方法。

服裝搭配；特征提?。煌扑]模型；監(jiān)督學(xué)習(xí)；無監(jiān)督學(xué)習(xí)

服裝搭配一直是生活中必不可少也是講究很多的“麻煩事”，隨著現(xiàn)代服裝行業(yè)發(fā)展，服裝搭配在越來越多的場合上應(yīng)用，根據(jù)中國服裝協(xié)會發(fā)布的《2018—2019年度中國服裝行業(yè)發(fā)展報告》0顯示，網(wǎng)絡(luò)服裝銷售增長了22%，大型零售增長0.99%。2018年一整年服裝行業(yè)規(guī)模以上企業(yè)主營業(yè)務(wù)收入17106.57億。服裝行業(yè)發(fā)展迅速，消費者如何在海量的服裝中挑選出適合自己的服裝并把他們組合起來，是服裝行業(yè)面臨的一個巨大考驗。服裝搭配行業(yè)也開始更多地在智能研究領(lǐng)域上被重視。

服裝智能搭配系統(tǒng)可以簡單地分為兩類，基于監(jiān)督學(xué)習(xí)和基于無監(jiān)督學(xué)習(xí)的服裝搭配?；诒O(jiān)督學(xué)習(xí)的服裝搭配系統(tǒng)使用傳統(tǒng)算法較多，提取特征后將服裝進行分類，最后通過搭配算法將服裝搭配起來。基于無監(jiān)督學(xué)習(xí)的服裝搭配系統(tǒng)則是將圖片進行標記處理后得到搭配模型。下面將近幾年來的智能搭配分為兩類進行詳細的介紹。

1 基于監(jiān)督學(xué)習(xí)的服裝智能搭配

2007年Edward Shen0等人介紹了一種面向場景的服裝推薦，作者使用擁有80萬數(shù)據(jù)的服裝庫，并將服裝庫中的服裝風格進行文字描述作為注釋，注釋包括服裝品牌、服裝類型、面料、搭配場景和服裝風格。作者將服裝風格分為六類。之后使用ConceptNet語義網(wǎng)絡(luò)進行圖片處理，使用OMSC搭配知識庫進行搭配推薦。建庫花費時間較多，且搭配和款式較為固定，技術(shù)上使用ConceptNet語義網(wǎng)絡(luò)，僅使用文字注釋來搭配，效果較差。

由于服裝的不確定性和屬性的模糊性，2008年東華大學(xué)的徐略輝0提出了一種具有不確定性的服裝搭配算法。作者在粗糙推理的過程中加入了模糊等價聚類、基于變截模糊粗信的不確定屬性約簡步驟，以實現(xiàn)數(shù)據(jù)降為和等價類改造等任務(wù)，最后將得到等價類應(yīng)用到該推理中，從而得到服裝搭配的不確定性規(guī)則推理。由于服裝數(shù)量的龐大，處理數(shù)據(jù)較慢。

2010年齊揚0通過瀏覽用戶信息和購買記錄得到服裝搭庫，并構(gòu)建用戶個性化偏好模型。使用專家搭配知識建成搭配庫。通過BDEU決策樹挖掘用戶的偏好來進行服裝的推薦。僅僅通過挖掘用戶的喜好來推薦，且數(shù)據(jù)庫服裝數(shù)量較少，得到的搭配較為單一。

2012年杜丹0等人針對女性用戶提出了基于極速學(xué)習(xí)機（ELM）的服裝搭配，根據(jù)用戶的自身特征及用戶選擇的服裝風格、場景、季節(jié)和顏色，利用極速學(xué)習(xí)機算法，自動為用戶推薦個性化搭配方案。由于極速學(xué)習(xí)機（ELM）的魯棒性較差穩(wěn)定性較差，準確率會相對較低。

2014年蘭州理工大學(xué)李秋艷0使用襯衫作為數(shù)據(jù)集，將襯衫標注屬性、風格和面料，由消費者進行樣本的偏好度評價，根據(jù)消費者的評價，結(jié)合粗糙集理論計算出消費者在每個評價等級時的近似集合，通過權(quán)重處理后，得到消費者對每件服裝的興趣度，得到?jīng)Q策表，根據(jù)興趣度的大小來進行推薦。由于數(shù)據(jù)庫的單一和專家?guī)斓木窒扌裕诜b搭配上效果較差。

2015年Nektarios Paisios0為視覺障礙者提供服裝搭配。以襯衫和領(lǐng)帶為背景，由專家標記出41對匹配樣本和82對不匹配樣本來進行學(xué)習(xí)。標注好服裝的圖案和顏色，通過嶺回歸、標準神經(jīng)網(wǎng)絡(luò)和孿生神經(jīng)網(wǎng)絡(luò)來進行試驗，最終得到標準神經(jīng)網(wǎng)絡(luò)的準確性更高，為視覺障礙者提供了很大的幫助。但是數(shù)據(jù)集相對局限，僅使用襯衫和領(lǐng)帶，在搭配上較為固定。

2016年東北大學(xué)趙光明0使用淘寶天池大賽服裝數(shù)據(jù)集。并搭建專家?guī)?，正負樣本各四千條。作者基于ImageNet訓(xùn)練的AlexNet模型進行遷移學(xué)習(xí)，構(gòu)建服裝搭配匹配模型，利用GBTree算法對遷移學(xué)習(xí)后的模型進一步優(yōu)化。文中提出通過基于搭配度的服裝搭配協(xié)同算法計算搭配度，通過余弦相似度查找臨近服裝，得到上下衣的搭配。同時，作者提出了基于推薦系統(tǒng)的服裝搭配算法。通過分析服裝歷史銷售數(shù)據(jù)，通過關(guān)聯(lián)規(guī)則挖掘服裝搭配模式。作者提出了多種搭配方法，給智能搭配提供了多種思路，在數(shù)據(jù)集上數(shù)量也足夠大，但是使用算法較舊，在數(shù)據(jù)處理速度上較慢。

2016年王雪0等人將FRID電子標簽嵌入顧客的VIP卡中，當被激活時查詢服裝信息和顧客基本信息，同時調(diào)用推薦系統(tǒng)。從電子標簽中篩選出性別、年齡、喜好風格、顏色和領(lǐng)型等，進行量化處理。再通過決策樹得到初始推薦列表，然后通過協(xié)同過濾算法得到最終的推薦列表。使用FRID技術(shù)，創(chuàng)新性強，但是成本較高，且僅是通過顧客個人風格進行推薦，風格較為單一。

2016年北京理工大學(xué)白晨辰0使用Kinetc骨骼跟蹤技術(shù)將人體虛擬化，通過搜集服裝搭配專家?guī)熳鳛闃藴蕩欤W(wǎng)站搜集的服裝圖片構(gòu)成服裝數(shù)據(jù)庫。使用OpenCV將圖片去噪，再試用算法將圖片特征提取，使用一定規(guī)則將特征進行連接，組成一個完整的SVM特征樣本，通過訓(xùn)練SVM模型最終得到推薦模型。將人體虛擬化，使服裝和人體契合，可以更加直觀的看到穿搭效果，但是使用專家?guī)旌蜆藴蕩靵磉M行訓(xùn)練，搭配較為單一。

2017年Yuncheng Li0等人使用Polyvore網(wǎng)站數(shù)據(jù)集，數(shù)據(jù)集根據(jù)網(wǎng)友的點贊數(shù)分為正負樣本。通過訓(xùn)練好的AlexNet模型進行搭配訓(xùn)練。使用深度學(xué)習(xí)模型進行學(xué)習(xí)搭配，但是學(xué)習(xí)樣本為ImageNet，學(xué)習(xí)到的特征不夠明顯，不是專門的服裝搭配庫，效果不明顯。

2018年羅夢研0等人設(shè)計了一套基于輕量化卷積神經(jīng)網(wǎng)絡(luò)的服裝分類方法。使用YOLOv3算法去除背景，通過Harris角點、SIFT特征、HOG特征將服裝圖片分類，將處理后的圖片使用DenseNet模型進行訓(xùn)練。最終得到服裝分類應(yīng)用場景下的模型。使用DenseNet模型，在模型訓(xùn)練上速度更快，但是使用輕量化的卷積神經(jīng)網(wǎng)絡(luò)，在速度處理上較慢。

上述均為基于監(jiān)督學(xué)習(xí)的服裝智能搭配，使用的數(shù)據(jù)都較少，且大部分服裝搭配局限性較高，都選擇使用專家?guī)旌蜆藴蕩靵磉M行推薦搭配，缺少流行元素。使用深度學(xué)習(xí)模型的大都使用ImageNet來訓(xùn)練學(xué)習(xí)模型，由于ImageNet圖片種類繁多，可能會對訓(xùn)練出的模型有所干擾，在服裝搭配的契合度上不夠。

2 基于無監(jiān)督學(xué)習(xí)的服裝智能搭配

2010年Qingqing0等人提出了基于多媒體挖掘的服裝推薦系統(tǒng)，使用場景僅為虛擬空間?？紤]到模型的膚色和服裝的款式顏色，使用多媒體分析模型，再使用無監(jiān)督學(xué)習(xí)k-means算法來進行服裝的搭配推薦。使用無監(jiān)督學(xué)習(xí)，可以處理大量的數(shù)據(jù)，但是由于算法較老，處理時間較長。使用場景較為局限，但是為現(xiàn)實服裝搭配提供了新的思路和想法。

2013年浙江大學(xué)陳起進0使用GrabCut+LazySnapping算法將圖片背景去除。通過HSV彩色模型和Tamura紋理融合得到HSV-T視覺特征，使用KPCA降維算法和k-means算法定義服裝風格視覺特征。之后對TPO數(shù)據(jù)集使用Apriori算法找出所有服裝搭配頻繁項集，挖掘服裝關(guān)聯(lián)規(guī)則，最終將服裝搭配好推薦給用戶。由于使用數(shù)據(jù)是基于TPO的數(shù)據(jù)集，只是固定場景的服裝推薦，關(guān)聯(lián)規(guī)則較強，不適用于更多的服裝搭配。

2015年Hanbit Lee0等人提出了從大型集成數(shù)據(jù)庫中學(xué)習(xí)的服裝推薦方法，數(shù)據(jù)集為某購物中心的兩萬多張時裝照片。將服裝標注類別、面料、圖案和顏色四個類別。使用k-means將顏色向量分為3000個聚類，使用20個元路徑通過特征向量和標簽進行邏輯回歸的學(xué)習(xí)，將同屬性的服裝組合在一起。人工進行標注使得工作量加大，而k-means算法較為老舊，運算時間較長。

2017年電子科技大學(xué)范宇航0通過網(wǎng)絡(luò)爬蟲收集到四萬張服裝上衣圖片，使用SIFT特征提取算法提取服裝特征，使用Softmax回歸模型將多標簽進行分類。作者使用ImageNet來訓(xùn)練模型，得到模型后使用遷移學(xué)習(xí)，將帶有標簽的服裝屬性數(shù)據(jù)再次進行訓(xùn)練。使用Apriori算法挖掘服裝搭配的關(guān)聯(lián)規(guī)則，最后通過k-means算法構(gòu)建服裝搭配空間。使用ImageNet來訓(xùn)模型，模型在服裝搭配方面契合度不夠高，同樣使用較為老舊的k-means，使得運算時間加長。

在服裝搭配方面，使用無監(jiān)督學(xué)習(xí)方法的較少，且使用算法均為k-means，而在深度學(xué)習(xí)發(fā)展迅速的今天，有更多可供選擇的算法可以提升處理速度，效果更好。在選擇模型上，同樣使用ImageNet來進行訓(xùn)練，模型精準性不夠，服裝搭配效果不好。但是無監(jiān)督學(xué)習(xí)在學(xué)習(xí)服裝搭配上效果更好，可以學(xué)到我們可能找不到的特征，可能會給我們帶來更多驚喜。

3 結(jié)語

服裝智能搭配在服裝產(chǎn)業(yè)發(fā)展迅速的今天還沒有走出一條合適的路線，更多的人選擇使用監(jiān)督學(xué)習(xí)來進行搭配算法的研究，而我認為，無監(jiān)督學(xué)習(xí)會給我們帶來新的思路和解決辦法，會使服裝搭配更加有趣，更有可研究的價值。

阿里目前也在服裝智能搭配領(lǐng)域有所研究，F(xiàn)ashionAI概念店也在香港落地。服裝智能搭配也會越來越被更多的人重視和研究，相信在不久的將來，每個人都可以由計算機給出自己的穿搭選擇和自己的穿搭風格。

[1]中國服裝協(xié)會. 2018-2019 年度中國服裝行業(yè)發(fā)展報告[R].2019.

[2]Shen E，Lieberman H，Lam F . What am I gonna wear?： scenario-oriented recommendation[C]// International Conference on Intelligent User Interfaces. DBLP，2007.

[3]徐略輝.基于模糊粗集等價聚類的不確定性屬性約簡及其在服裝搭配上的應(yīng)用[D].東華大學(xué)，2008.

[4]齊揚，朱欣娟.基于數(shù)據(jù)挖掘的服裝推薦系統(tǒng)研究[J]. 西安工程大學(xué)學(xué)報，2010，24（4）：438-443.

[5]杜丹，張千惠.基于極速學(xué)習(xí)機的服裝搭配智能推薦系統(tǒng)設(shè)計[J].中國科技信息，2012（17）.

[6]李秋艷.服裝個性化推薦方法研究[D].蘇州大學(xué).

[7]Paisios N，Subramanian L，Rubinsteyn A. Choosing which Clothes to Wear Confidently：A Tool for Pattern Matchin[J].2012.

[8]趙光明.基于深度學(xué)習(xí)的服裝搭配推薦算法研究與實現(xiàn)[D].東北大學(xué)，2016.

[9]王雪，董愛華，吳怡之.基于RFID技術(shù)的智能服裝推薦系統(tǒng)設(shè)計[C]// 2011年全國電子信息技術(shù)與應(yīng)用學(xué)術(shù)會議論文集. 2011.

[10]白晨辰.面向虛擬試衣的服裝搭配推薦系統(tǒng)的設(shè)計與實現(xiàn)[D].

[11]Li Y，Cao L，Zhu J，et al. Mining Fashion Outfit Composition Using An End-to-End Deep Learning Approach on Set Data[J]. IEEE Transactions on Multimedia，2017：1.

[12]羅夢研，劉雁飛.基于輕量化卷積神經(jīng)網(wǎng)絡(luò)的服裝分類方法[J].計算機系統(tǒng)應(yīng)用，2019（3）：223-228.

[13]Tu Q，Dong L. An Intelligent Personalized Fashion Recommendation System[C]//International Conference on Communications. 2010.

[14]陳起進.基于圖像內(nèi)容的服裝檢索與搭配技術(shù)研究[D]. 浙江大學(xué)，2013.

[15]Lee H，Lee S. Style recommendation for fashion items using heterogeneous information network[J]. Info Recommender Systems （RecSys），2015.

[16]范宇航.基于深度學(xué)習(xí)的服裝檢索與搭配技術(shù)研究[D].