一种基于人脸特征的服装款型搭配算法的制作方法

1.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：

2.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。
3.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。


技术实现要素：

4.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。
5.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。
6.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。
7.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。
8.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。
9.优选地，步骤s6具体为：通过公式：is＝hs/ws*100％计算形态面指数，其中，is为形态面指数，hs为形态面高，ws为面宽；通过公式im＝wm/ws*100％计算颧下颌宽指数，其中，im为颧下颌宽指数wm为下颌宽度，ws为面宽。
10.优选地，步骤s6通过步骤s5的人脸关键点图像计算以下参数：形态面高hs、面宽ws、下颌宽度wm；其中形态面高hs为人脸关键点图像中点28与点9之间的欧式距离，面宽ws为人脸关键点图像中点2和点16之间的欧式距离，下颌宽度wm为人脸关键点图像中点5和点13之间的欧式距离。
11.优选地，步骤s7具体为：形态面指数大于100％为长脸，形态面指数大于70％且小于100％为中长脸，形态面指数小于70％为短脸；颧下颌宽指数大于100％为三角脸，颧下颌宽指数大于70％小于90％为五角脸，颧下颌宽指数大于40％且小于70％为三角脸。
12.优选地，步骤s8通过公式：
[0013][0014]
计算服装推荐参数vest，其中，g为性别参数，g＝1为男性，g＝-1为女性，t为检测样本数，i
sk
为第k个检测样本的形态面指数，male为男性服装调整参数，fem为女性服装调整参数，i
mk
为第k个检测样本的颧下颌宽指数，w
sk
为第k个检测样本的面宽；男性服装调整参数male＝1.8，女性服装调整参数为fem＝2.08；创建vest推荐标签：当vest》0.85时，vest推荐标签记录宽松、竖向花纹；当0.85》vest》0.6时，vest推荐标签记录贴身、塑形；当vest《0.6时vest推荐标签记录高腰、短款；创建脸型推荐标签：为长脸用户添加以下标签：大衣、阔腿裤、v领、长筒靴；为中长脸用户添加以下标签：t恤、卫衣、高跟鞋、七分裤；为短脸用户添加以下标签：毛衣、宽袖、截短上装、牛仔裤；为五角脸用户添加以下标签：吊带、露背、连衣裙、背心；为瓜子脸用户添加以下标签：泡泡袖、t恤、短裤、运动鞋；为三角脸用户添加以下标签：衬衫、夹克、短外套、短裙；将用户性别、vest推荐标签、脸型推荐标签进行组合得到服装搭配推荐。
[0015]
本发明的有益技术效果在于：
[0016]
1.本发明通过卷积神经网络识别用户性别，能够保证较高的识别精度和效率；
[0017]
2.本发明通过人脸结构参数判断脸型，能够为服装搭配提供理性判断；
[0018]
3.本发明基于dlib进行脸部特征点的提取，能够准确的反映用户的脸型特征。
附图说明
[0019]
图1是本发明提供的一种基于人脸特征的服装款型搭配算法的流程图；
[0020]
图2是本发明一优选实施例中提取人脸特征点的案例图。
具体实施方式
[0021]
下面对本发明的实施例作详细说明，下述的实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获
得的所有其他实施例，都属于本技术保护的范围。
[0022]
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，在不冲突的情况下，本文所描述的实施例可以与其它实施例相结合。
[0023]
如图1所示，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。
[0024]
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。
[0025]
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。
[0026]
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。
[0027]
如图2所示，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。
[0028]
步骤s6具体为：通过公式：is＝hs/ws*100％计算形态面指数，其中，is为形态面指数，hs为形态面高，ws为面宽；通过公式im＝wm/ws*100％计算颧下颌宽指数，其中，im为颧下颌宽指数wm为下颌宽度，ws为面宽。
[0029]
步骤s6通过步骤s5的人脸关键点图像计算以下参数：形态面高hs、面宽ws、下颌宽度wm；其中形态面高hs为人脸关键点图像中点28与点9之间的欧式距离，面宽ws为人脸关键点图像中点2和点16之间的欧式距离，下颌宽度wm为人脸关键点图像中点5和点13之间的欧式距离。
[0030]
步骤s7具体为：形态面指数大于100％为长脸，形态面指数大于70％且小于100％为中长脸，形态面指数小于70％为短脸；颧下颌宽指数大于100％为三角脸，颧下颌宽指数大于70％小于90％为五角脸，颧下颌宽指数大于40％且小于70％为三角脸。
[0031]
其中，脸型参数和脸型的关系索引表如表1所示：
[0032]
表1：脸型参数和脸型的关系索引表
[0033] is》100％70％《is《100％is《70％im》100％长三角脸中长三角脸短三角脸90％》i
m》
70％长五角脸中长五角脸短五角脸
40％》im》70％长瓜子脸中长瓜子脸短瓜子脸
[0034]
步骤s8步骤s8通过公式：
[0035][0036]
计算服装推荐参数vest，其中，g为性别参数，g＝1为男性，g＝-1为女性，t为检测样本数，i
sk
为第k个检测样本的形态面指数，male为男性服装调整参数，fem为女性服装调整参数，i
mk
为第k个检测样本的颧下颌宽指数，w
sk
为第k个检测样本的面宽；男性服装调整参数male＝1.8，女性服装调整参数为fem＝2.08；创建vest推荐标签：当vest》0.85时，vest推荐标签记录宽松、竖向花纹；当0.85》vest》0.6时，vest推荐标签记录贴身、塑形；当vest《0.6时vest推荐标签记录高腰、短款；创建脸型推荐标签：为长脸用户添加以下标签：大衣、阔腿裤、v领、长筒靴；为中长脸用户添加以下标签：t恤、卫衣、高跟鞋、七分裤；为短脸用户添加以下标签：毛衣、宽袖、截短上装、牛仔裤；为五角脸用户添加以下标签：吊带、露背、连衣裙、背心；为瓜子脸用户添加以下标签：泡泡袖、t恤、短裤、运动鞋；为三角脸用户添加以下标签：衬衫、夹克、短外套、短裙；将用户性别、vest推荐标签、脸型推荐标签进行组合得到服装搭配推荐。
[0037]
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的试验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。