[发明专利]一种基于人脸特征的服装款型搭配算法

说明书

一种基于人脸特征的服装款型搭配算法，其特征在于，包括以下步骤：S1：构建用于性别识别的卷积神经网络；S2：对Adience图像数据集进行预处理，随后输入所述用于性别识别的卷积神经网络；S3：对所述的用于性别识别的卷积神经网络进行训练；S4：通过摄像头录制用户脸部视频，从视频中抽取图像帧；S5：对所述图像帧进行人脸关键点检测，并输入所述用于识别性别的卷积神经网络；S6：根据所述人脸关键点计算脸型参数；S7：构建脸型参数和脸型的关系索引表；S8：根据所述索引表和性别识别结果进行衣物推荐。本发明提供的技术方案能够根据用户的脸型和性别推荐衣物搭配。

技术领域

本发明涉及图像识别应用领域，具体包括一种基于人脸特征的服装款型搭配算法。

背景技术

伴随神经网络深度学习的发展，通过图像信息为用户提供智能化服务已逐渐成为当前科技公司关注的重点。然而，大部分日常生活中的行为是由多种情况复合而成的，当前图像识别深度学习更多地用于完成对某个具体目标的实现，而忽视了对于复合任务的实现。

对于服装款型搭配这一日常生活中常见的用户需求，现有的图像识别算法只能简单地满足人脸特征提取和特征识别，对于完成完整的服装推荐流程，尚无完整的技术方案。服装推荐这一过程涉及性别识别、脸型特征提取、脸型特征和服装匹配等等技术。虽然图像识别已经针对各单一任务提出了解决方案，但距离完成成熟的服装推荐仍有相当的技术差距。

发明内容

鉴于现有问题，本发明的目的在于提供一种基于人脸特征的服装款型搭配算法，其特征在于，包括以下步骤：S1：构建用于性别识别的卷积神经网络；S2：对Adience图像数据集进行预处理，随后输入用于性别识别的卷积神经网络；S3：对的用于性别识别的卷积神经网络进行训练；S4：通过摄像头录制用户脸部视频，从视频中抽取图像帧；S5：对图像帧进行人脸关键点检测，并输入用于识别性别的卷积神经网络；S6：根据人脸关键点计算脸型参数；S7：构建脸型参数和脸型的关系索引表；S8：根据索引表和性别识别结果进行衣物推荐。

优选地，步骤S1中的卷积神经网络包括三个卷积层、两个全连接层、和一个最终输出层。

优选地，步骤S2的预处理具体为：将Adience图像数据集中的图像缩放至256*256，通过中心裁剪将图像的尺寸裁剪为227*227。

优选地，步骤S3中训练的约束条件如下：用于性别识别的卷积神经网络中，所有层的权重采用标准偏差为0.01，均值为0的高斯随机值进行初始化；训练时不使用预训练模型，不使用基准可用的图像和标签之外的任何数据，网络从头开始进行训练；训练的目标值用与真实类别相对应的稀疏二进制向量表示，对于每个训练图像，目标标签向量具有类数的长度，在真实值所在索引位置为1，在其他位置为0；训练使用随机梯度下降算法进行训练，其中批量大小为50，初始学习率为e-3，在10K次迭代后降为e-4。

优选地，步骤S5通过以下方法进行人脸关键点检测：引用dlib中的人脸关键点检测模型检测人脸关键点，绘制包括68个人脸关键点的人脸关键点图像，记录每个人脸关键点的二维坐标值，并将68个人脸关键点编号1-68，记录检测样本数T，每通过所述检测模型从用户脸部视频中进行一次检测，T值加1。

优选地，步骤S6具体为：通过公式：Is＝H_S/W_S*100％计算形态面指数，其中，Is为形态面指数，H_S为形态面高，WS为面宽；通过公式I_M＝W_M/W_S*100％计算颧下颌宽指数，其中，I_M为颧下颌宽指数W_M为下颌宽度，W_S为面宽。