服装智能搭配研究现状综述

◆张泽堃 张海波

服装智能搭配研究现状综述

◆张泽堃 张海波

（北京服装学院信息中心 北京 100029）

随着现代服装行业的发展，服装种类和品牌不胜枚举，导致服装数据迅速增长，但是海量的服装数据也使得用户在检索和搭配的需求日益增加。智能的服装搭配技术可以帮助广大的非服装专业的普通用户快速选择到适合自己的服装。但是由于数据量的暴增，使得传统的算法面临着性能不佳和准确度不理想的问题，随着深度学习的发展，服装搭配的问题可以更好的得到解决。本文对近几年服装搭配的方法进行介绍和总结，将搭配的方法大致分为监督学习和无监督学习两类，为进行服装搭配研究提供借鉴和方法。

服装搭配；特征提取；推荐模型；监督学习；无监督学习

服装搭配一直是生活中必不可少也是讲究很多的“麻烦事”，随着现代服装行业发展，服装搭配在越来越多的场合上应用，根据中国服装协会发布的《2018—2019年度中国服装行业发展报告》0显示，网络服装销售增长了22%，大型零售增长0.99%。2018年一整年服装行业规模以上企业主营业务收入17106.57亿。服装行业发展迅速，消费者如何在海量的服装中挑选出适合自己的服装并把他们组合起来，是服装行业面临的一个巨大考验。服装搭配行业也开始更多地在智能研究领域上被重视。

服装智能搭配系统可以简单地分为两类，基于监督学习和基于无监督学习的服装搭配。基于监督学习的服装搭配系统使用传统算法较多，提取特征后将服装进行分类，最后通过搭配算法将服装搭配起来。基于无监督学习的服装搭配系统则是将图片进行标记处理后得到搭配模型。下面将近几年来的智能搭配分为两类进行详细的介绍。

1 基于监督学习的服装智能搭配

2007年Edward Shen0等人介绍了一种面向场景的服装推荐，作者使用拥有80万数据的服装库，并将服装库中的服装风格进行文字描述作为注释，注释包括服装品牌、服装类型、面料、搭配场景和服装风格。作者将服装风格分为六类。之后使用ConceptNet语义网络进行图片处理，使用OMSC搭配知识库进行搭配推荐。建库花费时间较多，且搭配和款式较为固定，技术上使用ConceptNet语义网络，仅使用文字注释来搭配，效果较差。

由于服装的不确定性和属性的模糊性，2008年东华大学的徐略辉0提出了一种具有不确定性的服装搭配算法。作者在粗糙推理的过程中加入了模糊等价聚类、基于变截模糊粗信的不确定属性约简步骤，以实现数据降为和等价类改造等任务，最后将得到等价类应用到该推理中，从而得到服装搭配的不确定性规则推理。由于服装数量的庞大，处理数据较慢。

2010年齐扬0通过浏览用户信息和购买记录得到服装搭库，并构建用户个性化偏好模型。使用专家搭配知识建成搭配库。通过BDEU决策树挖掘用户的偏好来进行服装的推荐。仅仅通过挖掘用户的喜好来推荐，且数据库服装数量较少，得到的搭配较为单一。

2012年杜丹0等人针对女性用户提出了基于极速学习机（ELM）的服装搭配，根据用户的自身特征及用户选择的服装风格、场景、季节和颜色，利用极速学习机算法，自动为用户推荐个性化搭配方案。由于极速学习机（ELM）的鲁棒性较差稳定性较差，准确率会相对较低。

2014年兰州理工大学李秋艳0使用衬衫作为数据集，将衬衫标注属性、风格和面料，由消费者进行样本的偏好度评价，根据消费者的评价，结合粗糙集理论计算出消费者在每个评价等级时的近似集合，通过权重处理后，得到消费者对每件服装的兴趣度，得到决策表，根据兴趣度的大小来进行推荐。由于数据库的单一和专家库的局限性，在服装搭配上效果较差。

2015年Nektarios Paisios0为视觉障碍者提供服装搭配。以衬衫和领带为背景，由专家标记出41对匹配样本和82对不匹配样本来进行学习。标注好服装的图案和颜色，通过岭回归、标准神经网络和孪生神经网络来进行试验，最终得到标准神经网络的准确性更高，为视觉障碍者提供了很大的帮助。但是数据集相对局限，仅使用衬衫和领带，在搭配上较为固定。

2016年东北大学赵光明0使用淘宝天池大赛服装数据集。并搭建专家库，正负样本各四千条。作者基于ImageNet训练的AlexNet模型进行迁移学习，构建服装搭配匹配模型，利用GBTree算法对迁移学习后的模型进一步优化。文中提出通过基于搭配度的服装搭配协同算法计算搭配度，通过余弦相似度查找临近服装，得到上下衣的搭配。同时，作者提出了基于推荐系统的服装搭配算法。通过分析服装历史销售数据，通过关联规则挖掘服装搭配模式。作者提出了多种搭配方法，给智能搭配提供了多种思路，在数据集上数量也足够大，但是使用算法较旧，在数据处理速度上较慢。

2016年王雪0等人将FRID电子标签嵌入顾客的VIP卡中，当被激活时查询服装信息和顾客基本信息，同时调用推荐系统。从电子标签中筛选出性别、年龄、喜好风格、颜色和领型等，进行量化处理。再通过决策树得到初始推荐列表，然后通过协同过滤算法得到最终的推荐列表。使用FRID技术，创新性强，但是成本较高，且仅是通过顾客个人风格进行推荐，风格较为单一。

2016年北京理工大学白晨辰0使用Kinetc骨骼跟踪技术将人体虚拟化，通过搜集服装搭配专家库作为标准库，网站搜集的服装图片构成服装数据库。使用OpenCV将图片去噪，再试用算法将图片特征提取，使用一定规则将特征进行连接，组成一个完整的SVM特征样本，通过训练SVM模型最终得到推荐模型。将人体虚拟化，使服装和人体契合，可以更加直观的看到穿搭效果，但是使用专家库和标准库来进行训练，搭配较为单一。

2017年Yuncheng Li0等人使用Polyvore网站数据集，数据集根据网友的点赞数分为正负样本。通过训练好的AlexNet模型进行搭配训练。使用深度学习模型进行学习搭配，但是学习样本为ImageNet，学习到的特征不够明显，不是专门的服装搭配库，效果不明显。

2018年罗梦研0等人设计了一套基于轻量化卷积神经网络的服装分类方法。使用YOLOv3算法去除背景，通过Harris角点、SIFT特征、HOG特征将服装图片分类，将处理后的图片使用DenseNet模型进行训练。最终得到服装分类应用场景下的模型。使用DenseNet模型，在模型训练上速度更快，但是使用轻量化的卷积神经网络，在速度处理上较慢。

上述均为基于监督学习的服装智能搭配，使用的数据都较少，且大部分服装搭配局限性较高，都选择使用专家库和标准库来进行推荐搭配，缺少流行元素。使用深度学习模型的大都使用ImageNet来训练学习模型，由于ImageNet图片种类繁多，可能会对训练出的模型有所干扰，在服装搭配的契合度上不够。

2 基于无监督学习的服装智能搭配

2010年Qingqing0等人提出了基于多媒体挖掘的服装推荐系统，使用场景仅为虚拟空间。考虑到模型的肤色和服装的款式颜色，使用多媒体分析模型，再使用无监督学习k-means算法来进行服装的搭配推荐。使用无监督学习，可以处理大量的数据，但是由于算法较老，处理时间较长。使用场景较为局限，但是为现实服装搭配提供了新的思路和想法。

2013年浙江大学陈起进0使用GrabCut+LazySnapping算法将图片背景去除。通过HSV彩色模型和Tamura纹理融合得到HSV-T视觉特征，使用KPCA降维算法和k-means算法定义服装风格视觉特征。之后对TPO数据集使用Apriori算法找出所有服装搭配频繁项集，挖掘服装关联规则，最终将服装搭配好推荐给用户。由于使用数据是基于TPO的数据集，只是固定场景的服装推荐，关联规则较强，不适用于更多的服装搭配。

2015年Hanbit Lee0等人提出了从大型集成数据库中学习的服装推荐方法，数据集为某购物中心的两万多张时装照片。将服装标注类别、面料、图案和颜色四个类别。使用k-means将颜色向量分为3000个聚类，使用20个元路径通过特征向量和标签进行逻辑回归的学习，将同属性的服装组合在一起。人工进行标注使得工作量加大，而k-means算法较为老旧，运算时间较长。

2017年电子科技大学范宇航0通过网络爬虫收集到四万张服装上衣图片，使用SIFT特征提取算法提取服装特征，使用Softmax回归模型将多标签进行分类。作者使用ImageNet来训练模型，得到模型后使用迁移学习，将带有标签的服装属性数据再次进行训练。使用Apriori算法挖掘服装搭配的关联规则，最后通过k-means算法构建服装搭配空间。使用ImageNet来训模型，模型在服装搭配方面契合度不够高，同样使用较为老旧的k-means，使得运算时间加长。

在服装搭配方面，使用无监督学习方法的较少，且使用算法均为k-means，而在深度学习发展迅速的今天，有更多可供选择的算法可以提升处理速度，效果更好。在选择模型上，同样使用ImageNet来进行训练，模型精准性不够，服装搭配效果不好。但是无监督学习在学习服装搭配上效果更好，可以学到我们可能找不到的特征，可能会给我们带来更多惊喜。

3 结语

服装智能搭配在服装产业发展迅速的今天还没有走出一条合适的路线，更多的人选择使用监督学习来进行搭配算法的研究，而我认为，无监督学习会给我们带来新的思路和解决办法，会使服装搭配更加有趣，更有可研究的价值。

阿里目前也在服装智能搭配领域有所研究，FashionAI概念店也在香港落地。服装智能搭配也会越来越被更多的人重视和研究，相信在不久的将来，每个人都可以由计算机给出自己的穿搭选择和自己的穿搭风格。

[1]中国服装协会. 2018-2019 年度中国服装行业发展报告[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]徐略辉.基于模糊粗集等价聚类的不确定性属性约简及其在服装搭配上的应用[D].东华大学，2008.

[4]齐扬，朱欣娟.基于数据挖掘的服装推荐系统研究[J]. 西安工程大学学报，2010，24（4）：438-443.

[5]杜丹，张千惠.基于极速学习机的服装搭配智能推荐系统设计[J].中国科技信息，2012（17）.

[6]李秋艳.服装个性化推荐方法研究[D].苏州大学.

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

[8]赵光明.基于深度学习的服装搭配推荐算法研究与实现[D].东北大学，2016.

[9]王雪，董爱华，吴怡之.基于RFID技术的智能服装推荐系统设计[C]// 2011年全国电子信息技术与应用学术会议论文集. 2011.

[10]白晨辰.面向虚拟试衣的服装搭配推荐系统的设计与实现[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]罗梦研，刘雁飞.基于轻量化卷积神经网络的服装分类方法[J].计算机系统应用，2019（3）：223-228.

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

[14]陈起进.基于图像内容的服装检索与搭配技术研究[D]. 浙江大学，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.基于深度学习的服装检索与搭配技术研究[D].