服饰搭配预测方法、装置、计算机设备及存储介质与流程

本申请实施例涉及计算机应用技术领域，特别涉及一种服饰搭配预测方法、装置、计算机设备及存储介质。

背景技术：

在当今社会，服饰已是人们生活的必需品。用户选购服饰时，通常需要考虑服饰之间的搭配程度。

在相关技术中，很多服务提供商或者服饰商家向用户提供用于评价服饰之间的搭配程度的服饰推荐系统。具体的，服饰推荐系统中预先设置一搭配数据库，该搭配数据库中存储有若干搭配数据，每条搭配数据中可以包含相互之间搭配程度较好的服饰的属性，比如服饰的风格、版型以及颜色等属性。用户在选购服饰时，可以将选购的服饰的图片上传到服饰推荐系统，服饰推荐系统从服饰的图片中提取服饰的属性，并基于服饰的属性，以及预设的搭配数据库，对服饰之间的搭配程度进行评分，以便用户参考该评分来决定是否选购。

然而，相关技术中的服饰推荐系统预设的搭配数据的选取具有很强的主观性，并且预设的搭配数据也难以覆盖到所有的服饰，导致对服饰之间的搭配程度的评分准确性较差。

技术实现要素：

本申请实施例提供的服饰搭配预测方法、装置、终端及存储介质。可以用于解决相关技术中对服饰之间的搭配程度的评分准确性较差的问题。所述技术方案如下：

第一方面，提供了一种服饰搭配预测方法，所述方法包括：

获取至少两个穿戴部位不同的服饰的图片数据，所述图片数据用于描述对应的服饰的穿戴效果图；

通过预测模型对所述至少两个穿戴部位不同的服饰的图片数据进行处理，得到预测的搭配信息，所述搭配信息用于指示所述至少两个穿戴部位不同的服饰之间的搭配程度，所述预测模型是根据样本图片数据和样本搭配信息训练得到的；

输出所述预测的搭配信息。

第二方面，提供了一种服饰搭配预测装置，所述装置包括：

数据获取模块，用于获取至少两个穿戴部位不同的服饰的图片数据，所述图片数据用于描述对应的服饰的穿戴效果图；

预测模块，用于通过预测模型对所述至少两个穿戴部位不同的服饰的图片数据进行处理，得到预测的搭配信息，所述搭配信息用于指示所述至少两个穿戴部位不同的服饰之间的搭配程度，所述预测模型是根据样本图片数据和样本搭配信息训练得到的；

输出模块，用于输出所述预测的搭配信息。

第三方面，提供了一种计算机设备，所述计算机设备包括处理器、与所述处理器相连的存储器，以及存储在所述存储器上的程序指令，所述处理器执行所述程序指令时实现第一方面提供的服饰搭配预测方法。

第四方面，一种计算机可读介质，其上存储有程序指令，所述程序指令被处理器执行时实现第一方面提供的服饰搭配预测方法。

本申请实施例提供的技术方案带来的有益效果是：

通过获取至少两个穿戴部位不同的服饰的图片数据，通过预测模型对至少两个穿戴部位不同的服饰的图片数据进行处理，得到预测的搭配信息，并输出预测的搭配信息，由于预测模型是根据实际环境中的图片数据进行训练获得模型，其只需要提取网络中的一部分搭配案例作为样本，即可以获得覆盖所有的搭配可能的模型，不需要预先设置搭配数据，也不会受到搭配数据选取的主观性影响，从而能够提供准确的搭配评价服务。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请一个实施例提供的服饰搭配预测系统的结构示意图；

图2是本申请一个示例性实施例示出的服饰搭配预测方法的流程图；

图3是图2所示实施例涉及的一种搭配信息预测示意图；

图4是图2所示实施例涉及的另一种搭配信息预测示意图；

图5是图2所示实施例涉及的又一种搭配信息预测示意图；

图6是图2所示实施例涉及的另一种搭配信息预测示意图；

图7是本申请一个实施例提供的服饰搭配预测装置的结构方框图；

图8是本申请一个实施例提供的终端的结构方框图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。

首先，对本申请涉及的若干名词进行介绍。

预测模型：是一种用于根据输入的图片数据预测至少两个不同穿戴不问的服饰之间的搭配程度的机器学习模型。

其中，其中，服饰的图片数据可以用于描述对应的服饰的穿戴效果图。比如，该图片数据可以包含对应服饰的图片、穿戴位置以及视觉面积大小等等。

其中，预测模型是根据样本图片数据和样本搭配信息训练获得的。其中，样本图片数据是预先已经标注有相互之间的搭配程度的至少两个服饰的图片数据，也就是说，一条样本图片数据中包含至少两个服饰各自的图片数据。样本搭配信息与样本图片数据一一对应，并且，样本搭配信息是对应的样本图片数据中的至少两个服饰之间预先标注好的搭配信息。

可选地，样本图片数据和样本搭配信息存储于样本库。该样本库包括至少一组样本，每组样本包括一组样本图片数据以及该组样本图片数据对应的样本搭配信息。

上述样本图片数据和样本搭配信息可以预先由开发人员或者维护人员通过网络等渠道进行收集、维护和更新。

其中，开发人员或者维护人员在标注样本时，首先通过网络等渠道获取实际中的搭配案例，比如，获取潮流网站或者购物网站中的服饰搭配案例，该搭配案例可以是成功的搭配案例，也可以是失败的搭配案例，开发人员或者维护人员可以根据普通用户或者专家对获取到的搭配案例的评价对各个搭配案例进行搭配信息的标注，将搭配案例对应的图片数据以及对该搭配案例标注的搭配信息获取为一对样本图片数据和样本搭配信息。

在进行预测模型的训练时，可以根据上述样本图片数据和样本搭配信息进行机器学习训练，获得上述预测模型。

可选地，预测模型包括但不限于：卷积神经网络(Convolutional Neural Network，CNN)模型、深度神经网络(Deep Neural Network，DNN)模型以及循环神经网络(Recurrent Neural Networks，RNN)模型等模型中的至少一种。

其中，CNN是一种深度前馈人工神经网络，通常包括巻积层、池化层以及激活函数等处理层，CNN的人工神经元可以响应一部分覆盖范围内的周围单元，在图像处理等场景有很好的表现。

DNN模型是一种深度学习框架。DNN模型包括输入层、至少一层隐层(或称，中间层)和输出层。可选地，输入层、至少一层隐层(或称，中间层)和输出层均包括至少一个神经元，神经元用于对接收到的数据进行处理。可选地，不同层之间的神经元的数量可以相同；或者，也可以不同。

RNN模型是一种具有反馈结构的神经网络。在RNN模型中，神经元的输出可以在下一个时间戳直接作用到自身，即，第i层神经元在m时刻的输入，除了(i-1)层神经元在该时刻的输出外，还包括其自身在(m-1)时刻的输出。

以上述预测模型为卷积神经网络模型为例，在进行模型训练时，对于每一对样本图片数据和样本搭配信息，可以直接将样本图片数据和样本搭配信息输入模型进行训练；或者，也可以先根据样本图片数据生成样本穿戴效果图，在将样本穿戴效果图以及样本搭配信息输入模型进行训练。

除了神经网络模型之外，该预测模型还可以是其它类型的机器学习模型，比如，支持向量机(Support Vector Machine，SVM)、嵌入(embedding)模型以及梯度提升决策树(Gradient Boosting Decision Tree，GBDT)模型等，本实施例在此不再一一列举。

其中，支持向量机是一种基于统计学习理论的分类方法。在给定一组训练样本时，支持向量机通过采用监督式学习进行两类分类。在特征空间上令间隔最大，最终实现将给定的训练样本划分为两类。

embedding模型是基于实体和关系分布式向量表示，将每个三元组实例中的关系看作从实体头到实体尾的翻译。其中，三元组实例包括主体、关系、客体，三元组实例可以表示成(主体，关系，客体)；主体为实体头，客体为实体尾。

GBDT模型是一种迭代的决策树算法，该算法由多棵决策树组成，所有树的结果累加起来作为最终结果。决策树的每个节点都会得到一个预测值。

图1是本申请的一个示例性实施例示出的服饰搭配预测系统的结构示意图，该系统包括终端110和服务器120。

终端110具有通信功能，终端110包括但不限于：手机、平板电脑、可穿戴式设备、智能机器人、智能家居设备、膝上型便携计算机和台式计算机中的至少一种。

终端110中安装有操作系统111和客户端112。

可选地，操作系统111包括但不限于：windows系统、Linux系统、IOS(iPhone OS)系统、安卓(Android)系统或者windowsPhone系统等。

客户端112提供有用户界面，用户在使用终端110时，可以在该用户界面中选择想要预测搭配信息的服饰，之后，服饰搭配预测系统可以根据用户的选择操作获取至少两个穿戴部位不同的服饰的图片数据，通过预测模型对至少两个穿戴部位不同的服饰的图片数据进行处理，得到并输出预测的搭配信息。

可选地，终端110通过无线网络或有线网络与服务器120相连。

服务器120可以为独立的一台服务器主机；或者，也可以是多台服务器主机构成的服务器集群。

服务器120可以用于训练以及更新上述预测模型。

可选地，上述终端110的数量可以为至少一个，服务器120的数量也可以为至少一个，本实施例对此不作限定。

可选地，本申请中，无线网络或有线网络使用标准通信技术和/或协议。网络通常为因特网、但也可以是任何网络，包括但不限于局域网(Local Area Network，LAN)、城域网(Metropolitan Area Network，MAN)、广域网(Wide Area Network，WAN)、移动、有线或者无线网络、专用网络或者虚拟专用网络的任何组合)。在一些实施例中，使用包括超文本标记语言(HyperText Mark-up Language，HTML)、可扩展标记语言(Extensible Markup Language，XML)等的技术和/或格式来代表通过网络交换的数据。此外还可以使用诸如安全套接字层(Secure Socket Layer，SSL)、传输层安全(Trassport Layer Security，TLS)、虚拟专用网络(Virtual Private Network，VPN)、网际协议安全(Internet Protocol Security，IPsec)等常规加密技术来加密所有或者一些链路。在另一些实施例中，还可以使用定制和/或专用数据通信技术取代或者补充上述数据通信技术。

本申请中各步骤的执行主体可以是服务器，比如，该服务器可以是图1所示的服饰搭配预测系统中的服务器120；或者，本申请中各步骤的执行主体也可以是终端中的客户端，比如，该客户端可以是图1所示的服饰搭配预测系统中的客户端112。

图2是本申请的一个示例性实施例示出的服饰搭配预测方法的流程图。该服饰搭配预测方法包括以下几个步骤。

步骤201，获取至少两个穿戴部位不同的服饰的图片数据，图片数据用于描述对应的服饰的穿戴效果图。

在本申请实施例中，上述图片数据至少包含对应的服饰的图片，比如，可以包括对应服饰的正视图、侧视图以及后视图等。其中，侧视图可以包括左侧视图和右侧试图中的至少一种。

可选的，该图片数据还包含对应的服饰的穿戴位置以及视觉面积大小等信息。

比如，以某一款帽子为例，在本申请实施例中，该帽子的图片数据可以包括该帽子的图片(可以包括正视图、侧视图以及后视图中的至少一种)、帽子的穿戴位置(头部)以及视觉面积大小(可以通过高度或者宽度来衡量)。

可选的，在获取上述至少两个穿戴部位不同的服饰的图片数据时，根据用户指定的至少两个穿戴部位不同的服饰，直接获取该至少两个穿戴部位不同的服饰的图片数据。

比如，当本申请的各个步骤的执行主体为服务器时，服务器可以接收终端发送的该至少两个穿戴部位不同的服饰的图片数据。

比如，用户可以在终端中打开客户端，并在客户端显示的用户界面中选择两件不同穿戴位置的服饰(比如选择一款上衣A和一款裤子B)，并点击该用户界面中的“搭配评价”按钮，终端向服务器发送搭配评价请求，服务器根据终端发送的搭配评价请求获取这两件服饰的图片数据，比如，终端可以获取这两件服饰的全部图片数据，并将这两件服饰的图片数据携带在搭配评价请求中，服务器直接从搭配评价请求中提取这两件服饰的图片数据；或者，终端也可以获取这两件服饰的标识信息，比如型号或者网址链接，并将这两件服饰的标识信息携带在搭配评价请求中，服务器根据从搭配评价请求中提取这两件服饰的标识信息，并根据提取到的标识信息从网络或者数据库中查询获得这两件服饰的图片数据。

或者，当本申请的各个步骤的执行主体为客户端时，客户端可以获取用户指定的至少两个穿戴部位不同的服饰的图片数据。比如，用户可以在终端中打开客户端，并在客户端显示的用户界面中选择两件不同穿戴位置的服饰(比如选择一款上衣A和一款裤子B)，并点击该用户界面中的“搭配评价”按钮，此时，客户端可以从网络侧或者本地数据库中查询获得这两件服饰的图片数据。

可选的，在获取上述至少两个穿戴部位不同的服饰的图片数据时，根据至少两个穿戴部位不同的服饰中用户指定的至少一个服饰，以及，该至少两个服饰中的其它服饰的穿戴位置，获取该至少两个服饰的图片数据。

在本申请实施例中，对于搭配评价的至少两个服饰，用户可以具体指定其中一个或者一个以上的服饰，同时指定至少两个服饰中的其它服饰的穿戴位置或者服饰类型，在获取该至少两个服饰的图片数据时，可以获取用户具体制定的服饰的图片数据，并根据用户指定的其它服饰的穿戴位置，获取对应穿戴位置或者服饰类型对应的服饰的图片数据。

其中，在根据用户指定的其它服饰的穿戴位置，获取对应指定的穿戴位置或者服饰类型对应的服饰的图片数据时，可以按照预设的排序算法从指定的穿戴位置或者服饰类型对应的所有服饰中选取排序靠前的一个或多个服饰。该排序算法可以是按照流行程度(具体可以是销量、点击率或者好评度等等)或者价格等因素进行排序的算法。

在一种可能的实现方式中，对于至少两个服饰中未具体指定的服饰，除了穿戴位置或者服饰类型之外，用户还可以指定其它的服饰属性，比如价格区间、颜色或者版型等等，在按照预设的排序算法从指定的穿戴位置或者服饰类型对应的所有服饰中选取排序靠前的一个或多个服饰时，可以先筛选出符合用户指定的服饰属性的服饰，在按照预设的排序算法从筛选出的服饰中选取排序靠前的一个或多个服饰。

当本申请的各个步骤的执行主体为服务器时，服务器可以接收终端发送的该至少两个穿戴部位不同的服饰中，用户指定的至少一个服饰的全部或者部分图片数据，以及该至少一个服饰之外的其它服饰的穿戴位置/服饰类型以及服饰属性等信息，获取该至少两个穿戴部位不同的服饰的图片数据。

比如，用户可以在终端中打开客户端，并在客户端显示的用户界面中选择一个穿戴位置的服饰(比如选择一款上衣A)，并指定另一个穿戴位置(比如指定穿戴位置为腿部)，并点击该用户界面中的“搭配推荐”按钮，终端向服务器发送搭配推荐请求，服务器根据终端发送的搭配推荐请求，获取用户指定的上衣A的图片数据，同时按照预定的排序算法，从网络或者数据库中选取穿戴于腿部的裤子B的图片数据。

或者，当本申请的各个步骤的执行主体为客户端时，客户端可以根据用户指定的至少一个服饰的全部或者部分图片数据，以及该至少一个服饰之外的其它服饰的穿戴位置/服饰类型以及服饰属性等信息，获取该至少两个穿戴部位不同的服饰的图片数据。

比如，用户可以在终端中打开客户端，并在客户端显示的用户界面中选择一个穿戴位置的服饰(比如选择一款上衣A)，并指定另一个穿戴位置(比如指定穿戴位置为腿部)，并点击该用户界面中的“搭配推荐”按钮，客户端可以获取用户指定的上衣A的图片数据，同时按照预定的排序算法，从网络或者数据库中选取穿戴于腿部的裤子B的图片数据。

步骤202，通过预测模型对至少两个穿戴部位不同的服饰的图片数据进行处理，得到预测的搭配信息。

其中，搭配信息用于指示至少两个穿戴部位不同的服饰之间的搭配程度，预测模型是根据样本图片数据和样本搭配信息训练得到的。

其中，上述搭配信息可以是上述至少两个穿戴部位不同的服饰之间的搭配分数或者搭配指数，搭配分数或者搭配指数越好，说明该至少两个服饰之间的搭配程度越高，搭配效果越好。

在本申请实施例中，在通过预测模型对至少两个穿戴部位不同的服饰的图片数据进行处理时，服务器或者客户端可以直接将至少两个穿戴部位不同的服饰的图片数据输入到预测模型中，已得到上述搭配信息。

比如，请参考图3，其示出了本发明实施例涉及的一种搭配信息预测示意图。如图3所示，服务器或者客户端在获取到至少两个穿戴部位不同的服饰(图3中示出为服饰1～服饰n)的图片数据后，将各个服饰的图片数据，按照预设的数据组织方式，一同输入至预测模型，预测模型对各个服饰的图片数据进行处理，获得预测的各个服饰之间的搭配分数/搭配指数。

可选的，在通过预测模型对至少两个穿戴部位不同的服饰的图片数据进行处理，得到预测的搭配信息时，服务器或者客户端根据至少两个穿戴部位不同的服饰的图片数据生成包含至少两个穿戴部位不同的服饰的穿戴效果图；并将将穿戴效果图输入预测模型，得到搭配信息。

比如，当该预测模型是在图像识别领域表现较好的卷积神经网络模型时，服务器或者客户端可以先根据至少两个穿戴部位不同的服饰的图片数据生成穿戴效果图，并将穿戴效果图输入到卷积神经网络模型中，由卷积神经网络模型直接输出至少两个服饰的搭配分数或者搭配指数。

比如，请参考图4，其示出了本发明实施例涉及的另一种搭配信息预测示意图。如图4所示，服务器或者客户端在获取到至少两个穿戴部位不同的服饰(图4中示出为服饰1～服饰n)的图片数据后，根据各个服饰的图片数据生成穿戴效果图，该穿戴效果图是各个服饰穿戴在身上所呈现出的总体效果的图片。之后，服务器或者客户端将该穿戴效果图输入到卷积神经网络模型中，由卷积神经网络模型直接输出搭配分数或者搭配指数。

在本申请实施例中，由于预测模型是根据实际环境中的图片数据进行训练获得模型，其只需要提取网络中的一部分搭配案例作为样本，即可以获得覆盖所有的搭配可能的模型，不需要预先设置搭配数据，也不会受到搭配数据选取的主观性影响，从而能够提供准确的搭配评价服务。

可选的，图片数据中包含对应的服饰的图片、穿戴位置以及视觉面积大小；在根据至少两个穿戴部位不同的服饰的图片数据生成包含至少两个穿戴部位不同的服饰的穿戴效果图时，服务器或者客户端可以根据至少两个穿戴部位不同的服饰各自的图片、穿戴位置以及视觉面积大小，生成穿戴效果图。

在实际应用中，对于不同的服饰，获取到服饰的图片的视觉面积的衡量标准也可能不同，若直接将各个服饰对应的图片生硬的拼接在一起，得到的穿戴效果图可能会与实际的穿戴效果之间的差别较大，从而影响后续的预测准确性。因此，在本申请实施例中，为了达到更好的预测效果，服饰的图片数据中除了包含服饰的图片以及穿戴位置之外，还包含服饰的视觉面积大小，该视觉面积大小可以在获取图片数据时，根据服饰的尺码或者标注尺寸来获得。在生成穿戴效果图时，服务器或者客户端结合服饰的图片、穿戴位置以及视觉面积大小来生成各个服饰穿戴在身上所呈现出的总体效果的穿戴效果图。

可选的，在根据至少两个穿戴部位不同的服饰的图片数据生成包含至少两个穿戴部位不同的服饰的穿戴效果图时，服务器或者客户端获取用户属性信息，用户属性信息包括年龄、性别、体型数据以及外貌特征中的至少一种；根据用户属性信息确定样板模特；根据至少两个穿戴部位不同的服饰的图片数据，生成至少两个穿戴部位不同的服饰穿戴在样本模特上的穿戴效果图。

由于不同的用户之间的体型和外貌特征的差别可能较大，即便是同样的服饰组合，穿戴在不同的用户身上所呈现出的效果也可能有很大差别，因此，在本申请实施例中，还可以根据用户属性信息来确定与用户相适配的样板模特，并基于确定的样本模特来生成穿戴效果图，并根据该穿戴效果进行预测。

比如，请参考图5，其示出了本发明实施例涉及的又一种搭配信息预测示意图。如图5所示，服务器或者客户端在获取到至少两个穿戴部位不同的服饰(图5中示出为服饰1～服饰n)的图片数据后，还获取当前用户的用户属性信息(图5中示出为年龄、性别、体型数据以及外貌特征)，根据用户属性信息确定适配的样本模特，并结合确定的样本模特以及各个服饰的图片数据生成穿戴效果图，该穿戴效果图是各个服饰穿戴在样本模特身上所呈现出的总体效果的图片。之后，服务器或者客户端将该穿戴效果图输入到卷积神经网络模型中，由卷积神经网络模型直接输出搭配分数或者搭配指数。

可选的，上述用户属性信息由用户在客户端中进行设置，或者，上述用户属性信息由服务器或者客户端根据当前登录的用户账号查询获得。

其中，上述体型数据可以包括用户的身高、体重、三围、肩宽、手臂长度以及腿部长度等等。上述外貌特征可以包括发型、发色、眼型、脸型以及嘴型等等。

服务器或者客户端可以根据预先设置的用户属性信息与样本模特之间的对应关系，根据获取到的用户属性信息查询适配的样板模特。

或者，服务器或者客户端也可以根据预先设置的生成算法，根据用户属性信息直接生成适配的样板模特。

可选的，在根据至少两个穿戴部位不同的服饰的图片数据生成包含至少两个穿戴部位不同的服饰的穿戴效果图时，服务器或者客户端根据至少两个穿戴部位不同的服饰的图片数据，生成包含正视效果图、侧视效果图以及后视效果图中的至少一种的穿戴效果图。

其中，侧视效果图可以包括左侧视效果图和右侧视效果图中的至少一种。

在本申请实施例中，为了提高预测效果，在生成穿戴效果图时，服务器或者客户端可以针对一个服饰组合生成一组不同视角的穿戴效果图，并将不同视角的穿戴效果图输入到卷积神经网络模型中进行预测。

其中，当生成的穿戴效果图对应不同视角的穿戴效果图时，客户端或者服务器可以将不同视角的穿戴效果图按照预设的组织格式一起输入单个卷积神经网络模型，由该单个卷积神经网络模型对不同视角的穿戴效果图进行处理，以输出搭配分数或者搭配指数。

或者，当生成的穿戴效果图对应不同视角的穿戴效果图时，客户端或者服务器可以将不同视角的穿戴效果图分别输入不同的卷积神经网络模型，并综合不同的卷积神经网络模型的输出获得搭配分数或者搭配指数，比如，可以将不同的卷积神经网络模型的输出进行加权平均，获得最终的搭配分数或者搭配指数。

比如，请参考图6，其示出了本申请实施例涉及的另一种搭配信息预测示意图。如图6所示，服务器或者客户端在获取到至少两个穿戴部位不同的服饰(图6中示出为服饰1～服饰n)的图片数据后，还获取当前用户的用户属性信息(图6中示出为年龄、性别、体型数据以及外貌特征)，根据用户属性信息确定适配的样本模特，并结合确定的样本模特以及各个服饰的图片数据生成穿戴效果图，该穿戴效果图包括正视效果图、侧视效果图以及后视效果图，该穿戴效果图是各个服饰穿戴在样本模特身上所呈现出的不同视角的总体效果的图片。在图6中，预测模型包括第一卷积神经网络模型、第二卷积神经网络模型以及第三卷积神经网络模型，其中，第一卷积神经网络模型用于根据正视效果图预测获得第一搭配信息，第二卷积神经网络模型用于根据侧视效果图预测获得第二搭配信息，第三卷积神经网络模型用于根据后视效果图预测获得第三搭配信息，服务器或者客户端将该不同视角的穿戴效果图分别输入各自对应的卷积神经网络模型并获得各自对应的搭配信息，对获得的三个搭配信息进行加权平均，获得最终输出的搭配分数或者搭配指数。

上述图3至图6均以预测模型为卷积神经网络模型为例进行说明，在实际应用中，预测模型也可以是其它机器学习模型，本申请实施例对于预测模型的具体类型不做限定。

步骤203，输出预测的搭配信息。

在本申请实施例中，当执行主体为服务器时，服务器可以将预测的搭配信息发送给终端，由终端的客户端对该搭配信息进行展示。

比如，当上述至少两个不同穿戴部位的服饰是用户直接指定的至少两个服饰时，服务器直接将搭配分数或者搭配指数发送给终端，终端中的客户端展示该搭配分数或者搭配指数。

或者，当上述至少两个不同穿戴部位的服饰是用户部分指定的服饰时，服务器可以将搭配分数或者搭配指数，连同至少两个服饰中，用户未直接指定的服饰的相关信息发送给终端，终端中的客户端展示该搭配分数或者搭配指数，同时还可以展示至少两个服饰中用户未直接指定的服饰的相关信息，比如图片效果以及价格等等。

可选的，对于至少两个服饰中用户未直接指定的穿戴位置的服饰，服务器可以获取该穿戴位置对应的多个不同的服饰，并通过上述步骤202所示的方案分别预测同一穿戴位置的不同服饰对应的搭配分数或者搭配指数，在向终端发送搭配信息时，只向终端发送搭配分数或者搭配指数最高的一个或者多个服饰对应的搭配信息，以及搭配分数或者搭配指数最高的一个或者多个服饰的相关信息。

在另一种可能的实现方式中，当执行主体为客户端时，客户端可以在用户界面中直接展示该搭配信息。

可选的，当上述至少两个不同穿戴部位的服饰是用户部分指定的服饰时，客户端可以将搭配分数或者搭配指数，连同至少两个服饰中，用户未直接指定的服饰的相关信息一起在用户界面中进行展示。

可选的，对于至少两个服饰中用户未直接指定的穿戴位置的服饰，客户端可以获取该穿戴位置对应的多个不同的服饰，并通过上述步骤202所示的方案分别预测同一穿戴位置的不同服饰对应的搭配分数或者搭配指数，在展示搭配信息时，只展示搭配分数或者搭配指数最高的一个或者多个服饰对应的搭配信息，以及搭配分数或者搭配指数最高的一个或者多个服饰的相关信息。

综上所述，本申请实施例所示的方案，通过获取至少两个穿戴部位不同的服饰的图片数据，通过预测模型对至少两个穿戴部位不同的服饰的图片数据进行处理，得到预测的搭配信息，并输出预测的搭配信息，由于预测模型是根据实际环境中的图片数据进行训练获得模型，其只需要提取网络中的一部分搭配案例作为样本，即可以获得覆盖所有的搭配可能的模型，不需要预先设置搭配数据，也不会受到搭配数据选取的主观性影响，从而能够提供准确的搭配评价服务。

上述图2对应的各个步骤所示的方案，可以用于为用户选择的服饰组合进行搭配，或者，也可以用于根据用户已选择的服饰向用户推荐适合搭配的其他部分为的服饰。

比如，以执行主体为服务器为例，在一种可能的实现场景中，用户通过终端中安装的客户端向服务器上传至少两件不同穿戴位置的服饰的照片和/或指定商品链接，来向服务器选定预测对象，服务器通过上述预测模型得到评分返回给客户端，由客户端展示给用户。

例如，用户小王在购买服饰时，看中一件上衣A和一件裤子B，但是他自己不能确定上衣A和裤子B是否适合进行搭配，此时，小王可以通过手机中的应用程序(即上述客户端)选择上衣A和裤子B的图片或者商品链接，并选择“搭配评价”按钮，客户端将上衣A和裤子B的图片或者商品链接发送给服务器，服务器生成上衣A和裤子B同时穿戴在身上时的穿戴效果图，并通过预先训练好的卷积神经网络模型预测上衣A和裤子B的搭配分数，将预测获得的搭配分数返回给客户端，由客户端进行展示，小王根据客户端展示的搭配分数确定是否购买上衣A和裤子B。

在另一种可能的实现场景中，用户通过终端中安装的客户端向服务器上传一个服饰的照片或商品链接，服务器通过搜索引擎抓取一些其它穿戴位置的服饰与用户指定的服饰进行搭配评分，依据评分获得的搭配分数向用户进行商品推荐。

例如，用户小王在购买服饰时，看中一件上衣A，且小王还需要一件裤子，但是他自己不能确定是否有裤子与上衣A适合进行搭配，此时，小王可以通过手机中的应用程序(即上述客户端)选择上衣A的图片或者商品链接，同时选择需要搭配的部位(腿部)，并选择“搭配推荐”按钮，客户端将上衣A的图片或者商品链接，以及需要搭配的部位发送给服务器，服务器通过搜索引擎搜索获得多条裤子的图片，对于搜索到每一条裤子，生成上衣A和该裤子同时穿戴在身上时的穿戴效果图，并通过预先训练好的卷积神经网络模型预测上衣A和该裤子的搭配分数，通过比较上衣A分别和各条裤子之间的搭配分数，将其中搭配分数最高的1至3条裤子的图片等相关信息，以及各自与上衣A之间的搭配分数返回给客户端，由客户端进行展示，小王根据客户端展示的搭配分数以及推荐的裤子的图片等相关信息，确定是否购买裤子，以及购买哪一条裤子。

下述为本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。

请参考图7，其示出了本申请一个实施例提供的服饰搭配预测装置的结构方框图，该服饰搭配预测装置可通过软件、硬件或者两者的结合实现成为终端的部分或者全部。该装置可以包括：数据获取模块701、预测模块702以及输出模块703；

数据获取模块701，用于获取至少两个穿戴部位不同的服饰的图片数据，所述图片数据用于描述对应的服饰的穿戴效果图；

预测模块702，用于通过预测模型对所述至少两个穿戴部位不同的服饰的图片数据进行处理，得到预测的搭配信息，所述搭配信息用于指示所述至少两个穿戴部位不同的服饰之间的搭配程度，所述预测模型是根据样本图片数据和样本搭配信息训练得到的；

输出模块703，用于输出所述预测的搭配信息。

可选的，所述预测模块702，具体用于，

根据所述至少两个穿戴部位不同的服饰的图片数据生成包含所述至少两个穿戴部位不同的服饰的穿戴效果图；

将所述穿戴效果图输入所述预测模型，得到所述搭配信息。

可选的，所述图片数据中包含对应的服饰的图片、穿戴位置以及视觉面积大小；在根据所述至少两个穿戴部位不同的服饰的图片数据生成包含所述至少两个穿戴部位不同的服饰的穿戴效果图时，预测模块702，具体用于，

根据所述至少两个穿戴部位不同的服饰各自的图片、穿戴位置以及视觉面积大小，生成所述穿戴效果图。

可选的，在根据所述至少两个穿戴部位不同的服饰的图片数据生成包含所述至少两个穿戴部位不同的服饰的穿戴效果图时，预测模块702，具体用于，

获取用户属性信息，所述用户属性信息包括年龄、性别、体型数据以及外貌特征中的至少一种；

根据所述用户属性信息确定样板模特；

根据所述至少两个穿戴部位不同的服饰的图片数据，生成所述至少两个穿戴部位不同的服饰穿戴在所述样本模特上的穿戴效果图。

可选的，在根据所述至少两个穿戴部位不同的服饰的图片数据生成包含所述至少两个穿戴部位不同的服饰的穿戴效果图时，预测模块702，具体用于，

根据所述至少两个穿戴部位不同的服饰的图片数据，生成包含正视效果图、侧视效果图以及后视效果图中的至少一种的穿戴效果图。

可选的，所述数据获取模块701，具体用于接收终端发送的所述至少两个穿戴部位不同的服饰的图片数据；

所述输出模块703，具体用于将所述预测的搭配信息输出给所述终端。

可选的，所述预测模型包括卷积神经网络模型、深度神经网络模型以及循环神经网络模型中的至少一种。

本申请还提供一种计算机可读介质，其上存储有程序指令，程序指令被处理器执行时实现上述各个方法实施例提供的服饰搭配预测方法。

本申请还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述各个方法实施例提供的服饰搭配预测方法。

参考图8，其示出了本申请一个示例性实施例提供的计算机设备的结构方框图。本申请中的计算机设备可以包括一个或多个如下部件：处理器810和存储器820。

处理器810可以包括一个或者多个处理核心。处理器810利用各种接口和线路连接整个计算机设备内的各个部分，通过运行或执行存储在存储器820内的指令、程序、代码集或指令集，以及调用存储在存储器820内的数据，执行计算机设备的各种功能和处理数据。可选地，处理器810可以采用数字信号处理(Digital Signal Processing，DSP)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)、可编程逻辑阵列(Programmable Logic Array，PLA)中的至少一种硬件形式来实现。处理器810可集成中央处理器(Central Processing Unit，CPU)和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统和应用程序等；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器810中，单独通过一块芯片进行实现。

可选地，处理器810执行存储器820中的程序指令时实现下上述各个方法实施例提供的服饰搭配预测方法。

存储器820可以包括随机存储器(Random Access Memory，RAM)，也可以包括只读存储器(Read-Only Memory)。可选地，该存储器820包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器820可用于存储指令、程序、代码、代码集或指令集。存储器820可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令、用于实现上述各个方法实施例的指令等；存储数据区可存储根据计算机设备的使用所创建的数据等。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。