搭配模型构建方法、服饰推荐方法、装置、介质及终端与流程

本申请实施例涉及移动终端技术，尤其涉及一种搭配模型构建方法、服饰推荐方法、装置、介质及终端。

背景技术：

随着经济的飞速发展，服饰产品的品种、样式变得极为丰富而复杂，同时，人们对服装及配饰的要求也日益提高。面对品种、样式繁杂的服饰，人们通常希望得到专业而科学的搭配建议。

相关技术中，用户的穿衣搭配知识一般通过阅读时尚杂志获取；也有一些服饰提供商尝试通过设置于商场内的显示屏展示该服饰品牌的设计师提供的穿衣搭配方案，从而，为用户提供该品牌的服饰的搭配建议，但是这种提供搭配建议的方式的智能程度受限，并不能达到用户预期的效果。

技术实现要素：

本申请实施例提供一种搭配模型构建方法、服饰推荐方法、装置、介质及终端，可以提供一种优化的服饰推荐方案，提升服饰推荐功能的智能性及精确度。

第一方面，本申请实施例提供了一种搭配模型构建方法，包括：

获取设定数量的具有景深信息的模特图像，其中，所述模特图像中模特的体型不同，且身着预设的套装和配饰；

根据所述模特图像构建不同模特的三维模型，并对所述三维模型对应的体型数据、套装及配饰进行标记得到第一图像样本；

根据图像样本，采用设定的机器学习算法对预设的深度神经网络进行训练，得到搭配模型，其中，所述图像样本包括第一图像样本。

第二方面，本申请实施例还提供了一种服饰推荐方法，包括：

获取至少一帧用户图像及用户输入的衣着风格信息；

根据所述用户图像确定对应的人体模型；

将所述人体模型及所述衣着风格信息输入预先配置的搭配模型，获取所述搭配模型输出的服饰搭配建议，其中，所述搭配模型为根据预设的图像样本训练的深度学习模型，且该图像样本根据对设定模特的体型数据、套装及配饰进行标记得到；

展示所述服饰搭配建议。

第三方面，本申请实施例还提供了一种搭配模型构建装置，该装置包括：

图像获取模块，用于获取设定数量的具有景深信息的模特图像，其中，所述模特图像中模特的体型不同，且身着预设的套装和配饰；

样本确定模块，用于根据所述模特图像构建不同模特的三维模型，并对所述三维模型对应的体型数据、套装及配饰进行标记得到第一图像样本；

模型训练模块，用于根据图像样本，采用设定的机器学习算法对预设的深度神经网络进行训练，得到搭配模型，其中，所述图像样本包括第一图像样本。

第四方面，本申请实施例还提供了一种服饰推荐装置，该装置包括：

信息获取模块，用于获取至少一帧用户图像及用户输入的衣着风格信息；

人体模型确定模块，用于根据所述用户图像确定对应的人体模型；

搭配建议确定模块，用于将所述人体模型及所述衣着风格信息输入预先配置的搭配模型，获取所述搭配模型输出的服饰搭配建议，其中，所述搭配模型为根据预设的图像样本训练的深度学习模型，且该图像样本根据对设定模特的体型数据、套装及配饰进行标记得到；

搭配建议展示模块，用于展示所述服饰搭配建议。

第五方面，本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述第一方面所述的搭配模型构建方法，或者，该计算机程序被处理器执行时实现如上述第二方面所述的服饰推荐方法。

第六方面，本申请实施例还提供了一种终端，包括存储器，处理器及存储在存储器上并可在处理器运行的计算机程序，该处理器执行所述计算机程序时实现如上述第一方面所述的搭配模型构建方法，或者，该处理器执行所述计算机程序时实现如上述第二方面所述的服饰推荐方法。

本申请实施例提供一种搭配模型构建方案，通过获取设定数量的具有景深信息的模特图像；根据该模特图像构建不同模特的三维模型，并对该三维模型对应的体型数据、套装及配饰进行标记得到第一图像样本；根据图像样本，采用设定的机器学习算法对预设的深度神经网络进行训练，得到搭配模型，可以使该搭配模型具备基于体型数据及服饰风格推荐服饰搭配方案的功能。采用上述技术方案可以解决相关技术提供的服饰搭配方案智能程度受限的问题，可以提供达到用户预期效果的服饰推荐建议，提升了服饰推荐功能的智能性及精确度。

附图说明

图1是本申请实施例提供的一种搭配模型构建方法的流程图；

图2是本申请实施例提供的一种服饰推荐方法的流程图；

图3是本申请实施例提供的另一种服饰推荐方法的流程图；

图4是本申请实施例提供的一种搭配模型构建装置的结构框图；

图5是本申请实施例提供的一种服饰推荐装置的结构示意图；

图6是本申请实施例提供的一种终端的结构示意图；

图7是本申请实施例提供的另一种终端的结构示意图；

图8是本申请实施例提供的一种智能手机的结构框图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部结构。

在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。

图1为本申请实施例提供的一种搭配模型构建方法的流程图，该方法可以由搭配模型构建装置来执行，其中，该装置可由软件和/或硬件实现。如图1所示，该方法包括：

步骤110、获取设定数量的具有景深信息的模特图像。

需要说明的是，本申请实施例对设定数量不作量化，只要获取的具有景深信息的模特图像足以构建关于模特的三维模型即可。其中，模特图像是选择不同体型、不同性别及不同年龄的模特，由专业服饰设计人员为这些模特设计服饰搭配，采用具有3d深度摄像头的拍摄装置(可以是移动终端)对身着预设的套装和配饰的模特进行拍摄，得到具有深度信息的图像。其中，套装是由专业服饰设计人员搭配好的服装。配饰包括头饰、耳饰、项链、手链、帽子、围巾及包等。需要说明的是，该3d深度摄像头可以采用结构光方案达到3d成像的效果。结构光方案，即结构光投射特定的光信息到物体表面后，由摄像头采集。根据物体造成的光信号的变化来计算物体的位置和深度等信息，进而复原整个三维空间。

需要说明的是，获取具有深度信息的模特图像的方式有很多种，本申请实施例不作具体限定。一种方式可以是通过控制3d深度摄像头按照预设方向对身着设定搭配服饰的模特进行拍摄(包括拍摄照片或视频)，得到设定数量的具有景深信息的模特图像。其中，预设方向可以是模特的前后左右四个方向。可以理解的是，3d深度摄像头的拍摄方向并不限于上述列举的四个方向，也可以是环绕模特一周进行拍摄。例如，控制3d深度摄像头由模特的前后左右四个方向各拍摄至少一帧模特图像。又如，控制3d深度摄像头环绕身着设定搭配服饰的模特进行视频拍摄，得到模特视频。可以采用设定的分帧策略对该模特视频进行分帧处理，得到设定数量的具有景深信息的模特图像。其中，分帧策略可以是每隔设定时间间隔提取一帧图像得到设定数量的具有景深信息的模特图像。该设定时间间隔可以是系统默认的，需要说明的是，该时间间隔越短，提取的模特图像越多，由模特图像构建的三维模型越精确。

步骤120、根据所述模特图像构建不同模特的三维模型，并对所述三维模型对应的体型数据、套装及配饰进行标记得到第一图像样本。

需要说明的是，模特图像包含像素信息及景深信息，可以采用设定算法基于该模特图像构建模特的三维模型。本申请实施例对构建三维模型使用的算法并不作限定。其中，三维模型是身着由专业设计师搭配好的服饰套装及配饰的模特的人体立体模型，该人体立体模型与真实人体具有特定比例关系。

需要说明的是，体型数据包括但不限于颈围、胸围、腰围、肩宽、手臂、臀围及腿部数据。可以预先规定对三维图像中颈部设定区域的周长进行标记，实现标记颈围数据。类似的，预先规定对三维图像中手臂进行标记，实现标记手臂数据(包括臂长数据、大臂围数据及小臂围数据等)。以此类推，对腰部、肩部及腿部等部位进行标记。

需要说明的是，还需要对模特身着的套装及配饰进行标记。例如，沿模特身着的衣服的轮廓对衣服进行标记。还可以沿模特佩戴的配饰的轮廓对其进行标记。此外，还需要人工输入该套装及配饰对应的衣着风格，记为第一衣着风格。以图像矩阵的形式表示标记后的三维模型，存储该图像矩阵及第一衣着风格，作为第一图像样本。其中，衣着风格包括运动风格、优雅风格、混搭风格、田园风格及摇滚风格等。

需要说明的是，为了丰富图像样本的数量，可以对套装及配饰的属性参数进行变形或调整，例如，可以调整外套长度、颜色或款式，或者对配饰进行扭曲设计等。示例性的，获取套装及配饰的调整指示，并根据该调整指示修改该三维模型对应的套装及配饰的属性参数。其中，可以获取专业设计师给出的属性调整建议，根据该属性调整建议生成调整指示。由于调整指示对应的调整对象是套装及配饰，人体模型的体型数据未变化，则可以沿用上述第一图像样本对应的标记规则，对属性参数调整后的三维模型进行标记。同时，对调整后的套装及配饰进行标记，包括但不限于沿衣服或配饰的轮廓对其进行标记，确定套装及配饰对应的图像数据。获取调整后的套装及配饰的衣着风格，作为第二衣着风格。根据标记后的三维模型(包括对体型数据进行标记及对套装、配饰进行标记)对应的图像矩阵及第二衣着风格得到第二图像样本。可以理解的是，对套装及配饰的属性参数进行变形或调整的步骤并不是必须的，执行调整步骤可以丰富用于搭配模型训练的样本数量。

步骤130、根据图像样本，采用设定的机器学习算法对预设的深度神经网络进行训练，得到搭配模型。

需要说明的是，图像样本是对模特的三维模型进行标记，并对模特身着的套装和配饰对应的衣着风格进行标记得到的样本数据，包括但不限于第一图像样本。

需要说明的是，设定的机器学习算法包括前向传播算法和后向传播算法。

需要说明的是，深度神经网络可以是卷积神经网络，即可以预先设置隐藏层的数目以及输入层、隐藏层和输出层各层的节点数，以及初始化卷积神经网络的第一参数，其中，第一参数包括各层的偏置值及边的权重，初步得到卷积神经网络。在本申请实施例中，利用图像样本对预设的深度神经网络进行前向传播和后向传播两个阶段的训练；在后向传播训练计算得到的误差达到期望误差时，训练结束，得到搭配模型。示例性的，可以利用第一图像样本(包括正样本和负样本)对该卷积神经网络进行前向传播和后向传播两个阶段的训练；在后向传播训练计算得到的误差达到期望误差值时，训练结束，得到搭配模型。可以理解的是，图像样本还可以包括第二图像样本，也就是说，可以利用第一图像样本及第二图像样本对卷积神经网络进行前向传播和后向传播两个阶段的训练；在后向传播训练计算得到的误差达到期望误差值时，训练结束。

需要说明的是，本申请实施例中对深度神经网络的层数、神经元的数量、卷积核和/或权重等网络参数不作限定。本申请实施例对搭配模型的构建操作的执行主体也不进行限制，可以是服务器也可以是移动终端。

本实施例的技术方案，通过获取设定数量的具有景深信息的模特图像；根据该模特图像构建不同模特的三维模型，并对该三维模型对应的体型数据、套装及配饰进行标记得到第一图像样本；根据图像样本，采用设定的机器学习算法对预设的深度神经网络进行训练，得到搭配模型，可以使该搭配模型具备基于体型数据及服饰风格推荐服饰搭配方案的功能。采用上述技术方案可以解决相关技术提供的服饰搭配方案智能程度受限的问题，可以提供达到用户预期效果的服饰推荐建议，提升了服饰推荐功能的智能性及精确度。

图2是本申请实施例提供的一种服饰推荐方法的流程图。该方法可以由服饰推荐装置执行，其中，该装置可由软件和/或硬件实现，一般可集成在移动终端中，如具有3d深度摄像头的移动终端。如图2所示，该方法包括：

步骤210、获取至少一帧用户图像及用户输入的衣着风格信息。

需要说明的是，用户图像可以是通过3d深度摄像头拍摄的具有景深信息的图像，还可以是图片库中的历史图像。衣着风格信息为衣着风格的类型信息，包括但不限于运动风格、优雅风格、混搭风格、田园风格及摇滚风格。

具体的，移动终端对用户图像的获取操作可以由移动终端的系统执行，或者由移动终端中含有拍摄功能的任意应用软件执行，获取用户图像的操作可以在用户的操作指示下由系统或应用软件执行。例如，在服饰推荐功能启动时，输出衣着风格询问信息，包括显示选择对话框，提示用户输入衣着风格。其中，用户输入衣着风格的方式可以是手动输入或者由选择对话框中列举的衣着风格选项中选择。获取用户输入的衣着风格信息，并提示用户输入至少一帧用户图像。例如，可以在检测到用户输入的衣着风格信息时，触发摄像头启动事件，以提示用户通过摄像头拍摄至少一帧用户图像。根据用户输入的拍摄指示，控制3d深度摄像头拍摄用户图像。又如，可以在检测到用户输入的衣着风格信息时，显示提示信息，以询问用户选择执行如下操作：由图片库中选择至少一帧用户历史图像，或者控制摄像头拍摄至少一帧用户图像，根据用户输入的操作指示确定执行何种操作(包括控制3d深度摄像头拍摄用户图像，或者，由图片库中获取用户图像)。

步骤220、根据所述用户图像确定对应的人体模型。

需要说明的是，人体模型是预先通过3d深度摄像头采集模特人体信息构建的三维模型。可以理解的是，构建三维模型的方式有很多种，本申请实施例并不作具体限定。例如，在初始化服饰推荐功能时，通过3d深度摄像头由预设方向对用户进行拍摄，得到第一深度图像。其中，由预设方向对用户进行拍摄至少是沿用户的前后左右四个方向各拍摄至少一帧用户图像，即得到至少四帧第一深度图像。可以根据该第一深度图像采用特定三维模型构建算法构建用户的人体模型。可以理解的是，本申请实施例对三维模型构建算法的选择并不作具体限定，例如，三维模型构建算法可以是轮廓检测的相关算法以及三维纹理贴图算法等。又如，在初始化服饰推荐功能时，控制3d深度摄像头环绕用户至少一周，并进行视频录制，得到用户视频。可以采用特定分帧策略对该用户视频进行分帧处理，得到多帧沿360度圆周上设定角度拍摄的用户图像，可以记为第二深度图像。相似的，可以根据该第二深度图像采用特定三维模型构建算法构建用户的人体模型。

可选的，还可以提取用户的虹膜信息，将该虹膜信息与人体模型关联存储于人体模型集合中。

需要说明的是，上述人体模型构建操作为服饰推荐方案的设置步骤，在初始化服饰推荐功能时执行，并存储构建好的人体模型于移动终端。可以理解的是，服饰推荐功能还提供人体模型更新功能，用户可以通过该人体模型更新功能增加、修改或删除已存储的人体模型。

在本申请实施例中，在检测到服饰推荐功能开启时，获取用户图像，提取该用户图像中预设特征点，并根据该预设特征点确定用户图像的脸部特征信息。其中，预设特征点可以是系统默认的，可以标识用户身份的特征点，例如，虹膜对应的像素点或眼睛、鼻子及嘴巴等对应的像素点。也就是说，可以提取用户图像中虹膜对应的像素点，根据该像素点确定用户图像的虹膜信息。可选的，还可以分别提取用户图像中眼睛、鼻子和嘴巴对应的像素点，从而，确定用户图像中眼睛轮廓、鼻子轮廓及嘴巴轮廓，以根据眼睛轮廓、鼻子轮廓及嘴巴轮廓生成用户画像。

可以理解的是，用户可能在同一移动终端内存储不止一个用户的人体模型。通过脸部特征信息查询人体模型集合，可以确定与该用户图像对应的人体模型。例如，可以根据虹膜信息由预先构建的人体模型集合中筛选出用户图像对应的人体模型。又如，可以根据眼睛轮廓、鼻子轮廓及嘴巴轮廓构建用户画像，根据该用户画像筛选出用户图像对应的人体模型。

需要说明的是，本申请实施例还可以无需预先构建用户的人体模型，而是根据至少一帧用户图像生成人体模型。

步骤230、将所述人体模型及所述衣着风格信息输入预先配置的搭配模型，获取所述搭配模型输出的服饰搭配建议。

需要说明的是，搭配模型为根据预设的图像样本训练的深度学习模型，其中，对设定模特的体型数据、套装及配饰进行标记得到图像样本。设定模特可以是本申请实施例记载的不同体型、不同性别及不同年龄的模特，且模特身着由专业服饰设计人员搭配的套装及配饰。该搭配模型可以是卷积神经网络模型。本申请实施例中对该搭配模型的层数、神经元的数量、卷积核和/或权重等网络参数不作限定。

需要说明的是，服饰搭配建议包括服装种类建议、鞋子搭配建议及搭配的饰品的建议等。

在本申请实施例中，将用户图像对应的人体模型对应的矩阵数据及用户选择的衣着风格输入搭配模型，通过搭配模型提取该人体模型对应的体型数据，结合该衣着风格，确定与用户体型数据及衣着风格匹配的服饰搭配建议及与各个服饰搭配建议对应的概率值，输出服饰搭配建议及概率值。需要说明的是，由于搭配模型由图像样本训练得到，而图像样本包括已标记的模特三维模型对应的图像矩阵及该套装及配饰对应的衣着风格，所以，根据该搭配模型，基于人体模型及用户选择的衣着风格，可以提供与用户的体型数据及衣着风格相匹配的服饰搭配建议。示例性的，用户拍摄一帧自拍照，并输入衣着风格为运动风格，则可以采用本申请实施例中的搭配模型提供服饰搭配建议。具体可以是，获取用户图像及衣着风格，根据该用户图像确定对应的人体模型。将人体模型对应的矩阵数据及衣着风格输入搭配模型，获取该搭配模型输出的服饰搭配建议。

可选的，可以根据该概率值对服饰搭配建议进行降序排列，输出排序在前的设定数量的服饰搭配建议及对应的概率值。

步骤240、展示所述服饰搭配建议。

示例性的，该服饰搭配建议的展示方式可以是文字描述的方式，可以直接以对话框的形式展示服饰搭配建议对应的文字描述，可以理解的是，服饰推荐建议的展示方式并不限于上述列举的方式。例如，还可以以二维或三维图像的形式展示服饰搭配建议对应的服装套装及饰品。又如，还可以展示预设模特身着该服饰搭配建议对应的服装及佩戴该服饰搭配建议对应的饰品的效果图。

本实施例的技术方案，通过获取至少一帧用户图像及用户输入的衣着风格信息；根据该用户图像确定对应的人体模型；将该人体模型及衣着风格信息输入预先配置的搭配模型，获取该搭配模型输出的服饰搭配建议；展示该服饰搭配建议，可以根据该搭配模型确定与用户的人体模型对应的体型数据及用户选择的衣着风格对应的服饰搭配建议。采用上述技术方案可以解决相关技术提供的服饰搭配方案智能程度受限的问题，可以提供达到用户预期效果的服饰推荐建议，提升了服饰推荐功能的智能性及精确度。

图3是本申请实施例提供的另一种服饰推荐方法的流程图。如图3所示，该方法包括：

步骤310、在检测到服饰推荐功能启动时，获取至少一帧用户图像及用户输入的衣着风格信息。

示例性的，可以在相机应用中添加服饰推荐功能开关，在检测到用户输入的开启指示时，开启该服饰推荐功能开关。在检测到服饰推荐功能开关已开启时，提示用户拍摄至少一帧用户图像。可选的，可以在预览界面中显示目标框，以提供用户在拍摄时使人脸落入该目标框内，以确保拍摄到用户脸部。在拍摄到用户图像后，显示询问对话框以提示用户输入衣着风格询问信息。检测该询问对话框以获取用户输入的衣着风格信息。

可以理解的是，移动终端还可以提供能够实现服饰推荐功能的应用程序，在检测到该应用程序启动时，显示询问对话框以提示用户输入衣着风格信息。在检测到用户输入的衣着风格信息时，将该衣着风格信息存储于预设存储空间。移动终端控制摄像头拍摄至少一帧用户图像。

步骤320、提取所述用户图像中的预设特征点，并根据所述预设特征点确定所述用户图像的脸部特征信息。

步骤330、根据所述脸部特征信息由预先构建的人体模型集合中筛选所述用户图像对应的人体模型。

步骤340、将所述人体模型及所述衣着风格信息输入预先配置的搭配模型，获取所述搭配模型输出的服饰搭配建议。

步骤350、由预设的服饰数据库中查找与所述服饰搭配建议中风格与尺码匹配的服饰模型，并显示所述服饰模型。

需要说明的是，预设的服饰数据库可以是存储有服装及配饰的图片数据的数据库，且在数据库中图片数据与描述数据关联存储。其中，描述数据是对服装及配饰的特性进行说明的字符，包括但不限于衣服或饰品的尺寸、颜色或款式等属性。该预设的服饰数据库内的图片数据可以是通过网络爬虫从网络平台图片库中获取的服装及配饰的图片数据。可以理解的是，该服饰数据库还可以是用户对自己拥有的服装及配饰进行拍照，由用户自己衣橱内的服装及配饰构成的数据库等等。例如，可以采用3d深度摄像头由预设方向拍摄衣服及配饰的照片，根据拍摄得到的衣服及配饰的照片构建服饰模型，将服饰模型存储于服饰数据库。

根据服饰搭配建议由预设的服饰数据库中查找对应的服饰模型。具体可以是，将服饰搭配建议与描述数据进行匹配，确定与该服饰搭配建议中风格与尺码匹配的服饰模型，显示该服饰模型，可选的，可以按照服饰搭配建议对应的概率值确定服饰模型的显示顺序，即优先显示概率值较高的服饰搭配建议对应的服饰模型。可选的，根据所述服饰模型及人体模型渲染得到穿着有被推荐服饰的用户模型，并显示所述用户模型，呈现用户自己身着搭配好的衣服及配饰的效果。

可以理解的是，预设的服饰数据库并不限于预先配置于移动终端内的数据库，还可以是网购平台的数据库。例如，网购平台可以提供三维服饰模型数据，移动终端通过调用网络平台提供的应用程序编程接口api(applicationprogramminginterface，简称api)获取三维模型数据。可选的，还可以在显示所述服饰模型时，显示服饰模型对应的链接地址，即如果服饰模型是一套运动装，则可以根据销量确定该运动装对应的链接地址的显示顺序。

步骤360、获取用户输入的针对所述用户模型的调整操作。

可以理解的是，由推荐模型输出的服饰推荐建议是符合专业设计人员审美的建议，但并不一定能达到了用户对服饰效果的预期。鉴于上述考虑，本申请实施例还可以提供服饰微调功能。即在移动终端展示身着服饰推荐建议对应的服饰的用户模型，并检测用户输入的针对该用户模型的调整操作。其中，调整操作可以包括针对服装长度、颜色或配饰的更新指示。例如，用户点击裤子对应的像素点，并在裤子上添加做旧效果。又如，用户点击头饰，修改头饰的数量等。

在本申请实施例中，在显示身着服饰推荐建议对应的服饰模型的用户模型时，获取针对用户模型的用户操作。在检测到用户操作时，判断该用户操作的操作对象是否是针对服装或饰品。若是，则展示服饰或配饰的属性界面，以供用户修改属性数据。获取修改后的新的属性数据，根据新的属性数据生成调整操作。

步骤370、根据所述调整操作修改所述用户模型的服饰参数，显示修改后的新的用户模型。

其中，服饰参数包括颜色、长度、款式等属性数据。

根据调整操作对应的属性数据更新服饰或配饰的服饰参数，显示修改后的新的用户模型，以展示用户调整后的服装及配饰效果。

可选的，还可以提醒用户标记修改后的服装及配饰对应的衣着风格，作为一条对搭配模型输出的服饰搭配建议的调整记录，并保存用户对搭配模型输出的服饰搭配建议的调整记录。在调整记录超过设定阈值时，将该衣着风格以及身着修改后的服饰的用户模型对应的矩阵数据输入搭配模型，以更新搭配模型。这样设计可以使搭配模型参考用户偏好进行服饰推荐，能够更好的满足用户的个性化需求。

可选的，还可以根据新的用户模型查询网络平台，确定与该新的用户模型中服装或配饰对应的商品链接地址，以缩短用户在网上购物所耗费的时间，提升了用户的网购体验。

本实施例的技术方案，通过服饰搭配建议确定服饰模型，并根据服饰模型及人体模型渲染得到穿着有被推荐服饰的用户模型，显示该用户模型，以呈现用户自己试穿服饰搭配建议对应的被推荐服饰的效果；还可以提供检测用户输入的针对用户模型的调整操作，以满足用户个性化的服饰搭配需求。

图4是本申请实施例提供的一种搭配模型构建装置的结构框图。该装置可以通过软件和/或硬件实现，用于执行本申请实施例提供的搭配模型构建方法。如图4所示，该装置包括：

图像获取模块410，用于获取设定数量的具有景深信息的模特图像，其中，所述模特图像中模特的体型不同，且身着预设的套装和配饰；

样本确定模块420，用于根据所述模特图像构建不同模特的三维模型，并对所述三维模型对应的体型数据、套装及配饰进行标记得到第一图像样本；

模型训练模块430，用于根据图像样本，采用设定的机器学习算法对预设的深度神经网络进行训练，得到搭配模型，其中，所述图像样本包括第一图像样本。

本实施例的技术方案提供一种搭配模型构建装置，具备基于体型数据及服饰风格推荐服饰搭配方案的功能。采用上述技术方案可以解决相关技术提供的服饰搭配方案智能程度受限的问题，可以提供达到用户预期效果的服饰推荐建议，提升了服饰推荐功能的智能性及精确度。

可选的，图像获取模块410具体用于：

控制3d深度摄像头按照预设方向对身着设定搭配服饰的模特进行拍摄，得到设定数量的具有景深信息的模特图像。

可选的，图像获取模块410进一步用于：

控制3d深度摄像头环绕身着设定搭配服饰的模特进行视频拍摄，得到模特视频；

采用设定的分帧策略对所述模特视频进行分帧处理，得到设定数量的具有景深信息的模特图像。

可选的，样本确定模块420具体用于：

对所述三维模型的颈围、胸围、腰围、肩宽、手臂、臀围及腿部进行标记；

对所述套装和配饰进行标记，并标记所述套装及配饰对应的第一衣着风格；

根据标记后的三维模型对应的图像矩阵及第一衣着风格得到第一图像样本。

可选的，还包括：

附加样本确定模块，用于在对所述三维模型对应的体型数据、套装及配饰进行标记得到第一图像样本之后，获取套装及配饰的调整指示，并根据所述调整指示修改所述三维模型对应的套装及配饰的属性参数；对修改后的套装及配饰进行标记，并标记修改后的套装及配饰对应的第二衣着风格；根据标记后的三维模型对应的图像矩阵及第二衣着风格得到第二图像样本。

可选的，模型训练模块430用于：

利用图像样本对预设的深度神经网络进行前向传播和后向传播两个阶段的训练；

在所述后向传播训练计算得到的误差达到期望误差值时，训练结束，并得到搭配模型。

图5是本申请实施例提供的一种服饰推荐装置的结构示意图。该装置可以通过软件和/或硬件实现，可被集成于具有3d深度摄像头的移动终端内，用于执行服饰推荐操作。如图5所示，该装置包括：

信息获取模块510，用于获取至少一帧用户图像及用户输入的衣着风格信息；

人体模型确定模块520，用于根据所述用户图像确定对应的人体模型；

搭配建议确定模块530，用于将所述人体模型及所述衣着风格信息输入预先配置的搭配模型，获取所述搭配模型输出的服饰搭配建议，其中，所述搭配模型为根据预设的图像样本训练的深度学习模型，且该图像样本根据对设定模特的体型数据、套装及配饰进行标记得到；

搭配建议展示模块540，用于展示所述服饰搭配建议。

本实施例的技术方案提供一种服饰推荐装置，可以根据该搭配模型确定与用户的人体模型对应的体型数据及用户选择的衣着风格对应的服饰搭配建议。采用上述技术方案可以解决相关技术提供的服饰搭配方案智能程度受限的问题，可以提供达到用户预期效果的服饰推荐建议，提升了服饰推荐功能的智能性及精确度。

可选的，信息获取模块510具体用于：

在检测到服饰推荐功能启动时，输出衣着风格询问信息；

获取用户输入的衣着风格信息，并提示用户输入至少一帧用户图像；

根据用户输入的操作指示，控制3d深度摄像头拍摄用户图像，或者，由图片库中获取用户图像。

可选的，人体模型确定模块520具体用于：

提取所述用户图像中的预设特征点，并根据所述预设特征点确定所述用户图像的脸部特征信息；

根据所述脸部特征信息由预先构建的人体模型集合中筛选所述用户图像对应的人体模型。

可选的，搭配建议展示模块540具体用于：

由预设的服饰数据库中查找与所述服饰搭配建议中风格与尺码匹配的服饰模型，并显示所述服饰模型。

可选的，搭配建议展示模块540进一步用于：

根据所述服饰模型及人体模型渲染得到穿着有被推荐服饰的用户模型，并显示所述用户模型。

可选的，还包括：

服饰参数调整模块，用于在显示所述用户模型之后，获取用户输入的针对所述用户模型的调整操作；根据所述调整操作修改所述用户模型的服饰参数，显示修改后的新的用户模型。

本申请实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种搭配模型构建方法，该方法包括：

获取设定数量的具有景深信息的模特图像，其中，所述模特图像中模特的体型不同，且身着预设的套装和配饰；

根据所述模特图像构建不同模特的三维模型，并对所述三维模型对应的体型数据、套装及配饰进行标记得到第一图像样本；

根据图像样本，采用设定的机器学习算法对预设的深度神经网络进行训练，得到搭配模型，其中，所述图像样本包括第一图像样本。

需要说明的是，本申请实施例还提供另一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种服饰推荐方法，该方法包括：

获取至少一帧用户图像及用户输入的衣着风格信息；

根据所述用户图像确定对应的人体模型；

将所述人体模型及所述衣着风格信息输入预先配置的搭配模型，获取所述搭配模型输出的服饰搭配建议，其中，所述搭配模型为根据预设的图像样本训练的深度学习模型，且该图像样本根据对设定模特的体型数据、套装及配饰进行标记得到；

展示所述服饰搭配建议。

存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括：安装介质，例如cd-rom、软盘或磁带装置；计算机系统存储器或随机存取存储器，诸如dram、ddrram、sram、edoram，兰巴斯(rambus)ram等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外，存储介质可以位于程序在其中被执行的第一计算机系统中，或者可以位于不同的第二计算机系统中，第二计算机系统通过网络(诸如因特网)连接到第一计算机系统。第二计算机系统可以提供程序指令给第一计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。

当然，本申请实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的搭配模型构建的操作，还可以执行本申请任意实施例所提供的搭配模型构建方法中的相关操作。

当然，本申请实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的服饰推荐的操作，还可以执行本申请任意实施例所提供的服饰推荐方法中的相关操作。

本申请实施例提供了一种终端，该终端内具有操作系统，该终端中可集成本申请实施例提供的搭配模型构建装置。其中，终端可以为智能手机或pad(平板电脑)等。图6是本申请实施例提供的一种终端的结构示意图。如图6所示，该终端包括存储器610及处理器620。其中，存储器610，用于存储计算机程序、模特图像、模特的三维模型、图像样本及搭配模型。处理器620读取并执行该存储器610中存储的计算机程序。该处理器620在执行该计算机程序时实现以下步骤：获取设定数量的具有景深信息的模特图像，其中，所述模特图像中模特的体型不同，且身着预设的套装和配饰；根据所述模特图像构建不同模特的三维模型，并对所述三维模型对应的体型数据、套装及配饰进行标记得到第一图像样本；根据图像样本，采用设定的机器学习算法对预设的深度神经网络进行训练，得到搭配模型，其中，所述图像样本包括第一图像样本。

需要说明的是，本申请实施例提供了另一种终端，该终端内具有操作系统，该终端中可集成本申请实施例提供的服饰推荐装置。其中，终端可以为智能手机或pad(平板电脑)等。图7是本申请实施例提供的另一种终端的结构示意图。如图7所示，该装置包括摄像头710、存储器720及处理器730。该摄像头710为3d深度摄像头，可以采用结构光方案拍摄得到具有景深信息的用户图像。该存储器720，用于存储计算机程序、用户图像、衣着风格信息、人体模型及搭配模型等。所述处理器730读取并执行所述存储器720中存储的计算机程序。所述处理器730在执行所述计算机程序时实现以下步骤：

获取至少一帧用户图像及用户输入的衣着风格信息；

根据所述用户图像确定对应的人体模型；

将所述人体模型及所述衣着风格信息输入预先配置的搭配模型，获取所述搭配模型输出的服饰搭配建议，其中，所述搭配模型为根据预设的图像样本训练的深度学习模型，且该图像样本根据对设定模特的体型数据、套装及配饰进行标记得到；

展示所述服饰搭配建议。

上述示例中列举的摄像头、存储器及处理器均为终端的部分元器件，所述终端还可以包括其它元器件。以智能手机为例，说明上述终端可能的结构。

图8是本申请实施例提供的一种智能手机的结构框图。如图8所示，该智能手机可以包括：存储器801、中央处理器(centralprocessingunit，cpu)802(又称处理器，以下简称cpu)、外设接口803、rf(radiofrequency，射频)电路805、音频电路806、扬声器811、显示器812、摄像头813、电源管理芯片808、输入/输出(i/o)子系统809、其他输入/控制设备810以及外部端口804，这些部件通过一个或多个通信总线或信号线807来通信。

应该理解的是，图示智能手机800仅仅是移动终端的一个范例，并且智能手机800可以具有比图中所示出的更多的或者更少的部件，可以组合两个或更多的部件，或者可以具有不同的部件配置。图中所示出的各种部件可以在包括一个或多个信号处理和/或专用集成电路在内的硬件、软件、或硬件和软件的组合中实现。

存储器801，所述存储器801可以被cpu802、外设接口803等访问，所述存储器801可以包括高速随机存取存储器，还可以包括非易失性存储器，例如一个或多个磁盘存储器件、闪存器件、或其他易失性固态存储器件。在存储器811中存储计算机程序及搭配模型等。

外设接口803，所述外设接口803可以将设备的输入和输出外设连接到cpu802和存储器801。

i/o子系统809，所述i/o子系统809可以将设备上的输入输出外设，例如屏幕812和其他输入/控制设备810，连接到外设接口803。i/o子系统809可以包括显示控制器8091和用于控制其他输入/控制设备810的一个或多个输入控制器8092。其中，一个或多个输入控制器8092从其他输入/控制设备810接收电信号或者向其他输入/控制设备810发送电信号，其他输入/控制设备810可以包括物理按钮(按压按钮、摇臂按钮等)、拨号盘、滑动开关、操纵杆、点击滚轮。值得说明的是，输入控制器8092可以与以下任一个连接：键盘、红外端口、usb接口以及诸如鼠标的指示设备。

屏幕812，所述屏幕812是用户终端与用户之间的输入接口和输出接口，将可视输出显示给用户，可视输出可以包括图形、文本、图标、视频等。

摄像头813，所述摄像头813采用结构光方案获取用户的光学图像，并将光学图像转换为电信号，通过外设接口803存储于存储器801。

i/o子系统809中的显示控制器8081从屏幕812接收电信号或者向屏幕812发送电信号。屏幕812检测屏幕上的接触，显示控制器8091将检测到的接触转换为与显示在屏幕812上的用户界面对象的交互，即实现人机交互，显示在屏幕812上的用户界面对象可以是运行游戏的图标、联网到相应网络的图标等。值得说明的是，设备还可以包括光鼠，光鼠是不显示可视输出的触摸敏感表面，或者是由屏幕形成的触摸敏感表面的延伸。

rf电路805，主要用于建立手机与无线网络(即网络侧)的通信，实现手机与无线网络的数据接收和发送。例如收发短信息、电子邮件等。具体地，rf电路805接收并发送rf信号，rf信号也称为电磁信号，rf电路805将电信号转换为电磁信号或将电磁信号转换为电信号，并且通过该电磁信号与通信网络以及其他设备进行通信。rf电路805可以包括用于执行这些功能的已知电路，其包括但不限于天线系统、rf收发机、一个或多个放大器、调谐器、一个或多个振荡器、数字信号处理器、codec(coder-decoder，编译码器)芯片组、用户标识模块(subscriberidentitymodule，sim)等等。

音频电路806，主要用于从外设接口803接收音频数据，将该音频数据转换为电信号，并且将该电信号发送给扬声器811。

扬声器811，用于将手机通过rf电路805从无线网络接收的语音信号，还原为声音并向用户播放该声音。

电源管理芯片808，用于为cpu802、i/o子系统及外设接口所连接的硬件进行供电及电源管理。

本申请实施例提供的终端，通过具有景深信息的模特图像构建不同模特的三维模型，并对该三维模型对应的体型数据、套装及配饰进行标记得到第一图像样本；根据图像样本，采用设定的机器学习算法对预设的深度神经网络进行训练，得到搭配模型，可以使该搭配模型具备基于体型数据及服饰风格推荐服饰搭配方案的功能。采用上述技术方案可以解决相关技术提供的服饰搭配方案智能程度受限的问题，可以提供达到用户预期效果的服饰推荐建议，提升了服饰推荐功能的智能性及精确度。

需要说明的是，本申请实施例还提供另一种终端，可以根据该搭配模型确定与用户的人体模型对应的体型数据及用户选择的衣着风格对应的服饰搭配建议。采用上述技术方案可以解决相关技术提供的服饰搭配方案智能程度受限的问题，可以提供达到用户预期效果的服饰推荐建议，提升了服饰推荐功能的智能性及精确度。

上述实施例中提供的搭配模型构建装置、服饰推荐装置、存储介质及终端可执行本申请实施例所提供的搭配模型构建方法及服饰推荐方法，具备执行该方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节，可参见本申请任意实施例所提供的搭配模型构建方法及服饰推荐方法。

注意，上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解，本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的范围由所附的权利要求范围决定。