[发明专利]服装风格识别方法、装置、电子设备及存储介质

说明书

本发明提供了一种服装风格识别方法、装置、电子设备及存储介质。该服装风格识别方法包括：构建服装风格识别模型；训练所述服装风格识别模型；利用训练好的服装风格识别模型识别图像中的服装风格。本发明提供的服装风格识别方法，通过对VGG‑19网络模型进行结构上的改造并引入了空间金字塔池化层，得到了服装风格识别模型，该模型可以使用任意尺寸的图像进行训练，该模型在输入上的约束少，通过对该模型的训练，使该模型对服装分类任务有较好的泛化能力，通过训练后的该模型对服装风格识别的准确率更高。

技术领域

本发明涉及图像处理技术领域，尤其是涉及一种服装风格识别方法、装置、电子设备及存储介质。

背景技术

目前，服装推荐系统可以根据用户的体貌特征计算出适合该用户的穿衣风格，并根据所得服装风格进行服装的个性化推荐。经由人工对服装的属性标注的方式费事费力且主观性较强。为了解决这一问题，计算机领域常采用图像识别算法对服装图像进行处理，经模式识别算法得到服装属性标签。常用的图像识别方法有：贝叶斯分类法、模版匹配法等。然而，现有技术的服装风格识别技术方案都存在各种明显的缺陷。例如，由人工进行特征工程可能遗漏关键特征，对分类效果产生负面影响。贝叶斯分类法假设一个属性值对给定类的影响独立于其它属性的值，但这种假设在服装图像风格的判定中很难成立。例如，服装的色彩属性和图案属性都对服装风格有着重大影响，而色彩包括服装的主流色和图案的花色，两者并不完全独立。模板匹配法则要求原图像中的匹配目标不能发生旋转或大小变化，对输入的目标图像有着很高的要求，缺乏灵活性。

发明内容

本发明的目的在于提供一种服装风格识别方法、装置、电子设备及存储介质。

根据本申请实施例的一个方面，提供了一种服装风格识别方法，包括：

构建服装风格识别模型；

训练所述服装风格识别模型；

利用训练好的服装风格识别模型识别图像中的服装风格。

进一步地，所述构建服装风格识别模型，包括：

在VGG-19网络模型基础上，将全连接层的个数修改设置为1个；

在所述全连接层前引入空间金字塔池化层；

将所述全连接层的输出层神经元数量设定为6个。

进一步地，所述训练所述服装风格识别模型，包括：

构建训练数据集；

对所述训练数据集中的图像的服装风格进行标注；

利用完成标注的训练数据集训练所述服装风格识别模型。

进一步地，在所述利用训练好的服装风格识别模型识别图像中的服装风格之前，所述方法还包括：

利用测试数据集测试训练完成的服装风格识别模型；

若测试结果达到指标阈值，则确定所述训练完成的服装风格识别模型为所述训练好的服装风格识别模型；

否则，转向所述训练所述服装风格识别模型。

进一步地，所述利用训练好的服装风格识别模型识别图像中的服装风格，包括：

将所述图像输入所述训练好的服装风格识别模型，通过所述训练好的服装风格识别模型使用卷积-池化操作提取特征图像；

在经过5轮连续的卷积-池化操作后，空间金字塔池化层将所得到的特征图像进行空间金字塔池化，得到一个固定尺寸的特征向量；

通过全连接层和softmax函数，在预训练好的连接权的作用下通过特征向量计算出分类结果。