[发明专利]一种基于深度学习的服饰属性标签识别方法

说明书

本发明公开了一种基于深度学习的服饰属性标签识别方法，用于完成对服饰图像属性值的识别。本方法依次包含以下步骤：(1)对训练数据集进行初步分类，并完成对数据图像的预处理；(2)将长度层面数据集分类，得到长度平铺数据集和长度非平铺数据集，图像中包含人体结构的为非平铺数据，反之为平铺数据；(3)使用设计层面数据集进行训练，建立设计层面的n个识别模型，用于识别输入图像在设计层面的属性值；(4)使用长度层面数据集进行训练，建立长度层面的n个识别模型，用于识别输入图像在长度层面的属性值；步骤(5)建立预测模型，对待预测图像进行预测。实验结果表明本方法能够有效的完成服饰属性标签的识别分类。

技术领域

本发明涉及基于深度学习进行图像识别及属性值的细分类，具体涉及一种基于深度学习的服饰属性标签识别方法。

背景技术

服装款式由外部轮廓和内部细节变化构成，反映了服装结构的形状特征，不包含颜色和纹理特征。互联网技术突飞猛进，图像数据规模呈现指数倍增长。图像识别分类是获取图像中有效信息的重要手段。

在服饰领域，购物网站商品数量剧增，导致用户难以快速挑选出满意的服饰，购物体验不佳；究其原因是现有方法大都基于服饰整体做出处理，而忽略了服饰细节要素特征；以往的关键字标注服饰图像不能全面反映服装本身的重要信息；海量的图像数量造成人工标注工作量极大；人工标注具有主观性的差别，这些都会直接影响用户检索的准确性，从而导致用户体验不佳，尤其在服饰检索领域。寻找一种有效的方法描述服装的款式特征并且快速精确地分类是服装款式识别领域的研究重点。“AI+时尚”时代的到来，使得人工技术和商业场景紧密结合，让每位顾客都拥有自己的时尚造型师。快速准确地对服饰进行识别分类，成为学术界和产业界具有划时代意义的课题。

发明内容

本发明针对当前服饰图像识别分类精度较低的问题，提出一种基于深度学习的服饰属性标签识别方法，依据服饰图像的复杂性，基于现有数据集的女装标签知识体系对数据划分为设计层面和长度层面两大类，并分别对这两大类属性建立相应的识别模型，最后，利用训练完成的模型在属性维度和属性值两个层面对单主体(单人模特或单件平铺)服饰商品进行属性值的识别分类。其中训练数据集包含两部分，一部分为图像数据，一部分为图像对应的标注文件。其中图像数据为jpeg编码图像文件，包含按n个属性维度划分的n个文件夹，各文件夹中为对应属性维度的图像数据；标注文件为csv格式文件，csv标注文件包含图像存储路径，属性维度，属性维度对应的属性值，其中图像存储路径，对应图像数据文件夹下面的图像文件，每个属性维度包含若干个属性值，属性值用one-hot编码格式表示。使用该方法能够实现服饰图像属性值的高效分类。

本方法的实现步骤如下：

步骤(1)对数据集进行初步分类，并完成对数据图像的预处理

首先完成数据集初步分类，即按属性维度将数据集分为长度层面数据集和设计层面数据集；其次完成数据预处理。

步骤(2)对长度层面数据集进行分类，得到长度平铺数据集和长度非平铺数据集，

考虑到数据集中的图片会有非平铺数据和平铺数据两种，如果不进行区分可能会对识别结果产生较大影响。在设计层面相关属性的分类上，模型可以很好的聚焦于图片的相关部位。但是在长度层面相关属性的多分类任务上，对于非平铺数据，识别时往往比较关注相对位置，例如袖长，更多的是关注袖长与模特的手腕或者手臂的相对位置来完成识别，而对于平铺数据的识别，响应区域是无规律的，这也表明了非平铺数据和平铺数据的不一致性。故提出相应的分类策略，完成对长度层面非平铺数据和平铺数据的区分。

将图像中包含人体结构的数据成为非平铺数据，反之为平铺数据。平铺数据和非平铺数据分类过程具体为：输入长度层面数据集，使用JppNet进行数据初步筛选，得到初步的平铺数据和非平铺数据，针对初筛结果，根据实际情况进行二次优化筛选，最终得到长度平铺数据集和长度非平铺数据集；