本发明涉及服装领域,具体涉及一种大数据环境下基于三维扫描和深度学习的个性化服装尺码匹配方法。
背景技术:
深度学习(deeplearning,dl)或阶层学习(hierarchicallearning)是机器学习的技术和研究领域之一,通过建立具有阶层结构的人工神经网络(artifitialneuralnetworks,anns),在计算系统中实现人工智能。由于阶层ann能够对输入信息进行逐层提取和筛选,因此深度学习具有表征学习(representationlearning)能力,可以实现端到端的监督学习和非监督学习。此外,深度学习也可参与构建强化学习(reinforcementlearning)系统,形成深度强化学习。
深度学习所使用的阶层ann具有多种形态,其阶层的复杂度被通称为“深度”。按构筑类型,深度学习的形式包括多层感知器、卷积神经网络、循环神经网络、深度置信网络和其它混合构筑。深度学习使用数据对其构筑中的参数进行更新以达成训练目标,该过程被通称为“学习”。学习的常见方法为梯度下降算法及其变体,一些统计学习理论被用于学习过程的优化。
在应用方面,深度学习被用于对复杂结构和大样本的高维数据进行学习,按研究领域包括计算机视觉、自然语言处理、生物信息学、自动控制等,且在人像识别、机器翻译、自动驾驶等现实问题中取得了成功。
传统技术存在以下技术问题:
深度学习还没有应用到个性化服装匹配领域。
技术实现要素:
本发明要解决的技术问题是提供一种大数据环境下基于三维扫描和深度学习的个性化服装尺码匹配方法,提高个性化服装的尺码的匹配效率。
为了解决上述技术问题,本发明提供了大数据环境下基于三维扫描和深度学习的个性化服装尺码匹配方法,包括:
针对某一类别的服装首先主要先在该类别服装产业链上获取大量数据,进行数据的采集,获得该产业链的大数据环境,在此基础上梳理出该大数据环境下的“成功”类别的数据,建立该类别服装的“人体体型-服装尺码”成功匹配案例库;
通过三维扫描对消费者进行人体扫描,并获取消费者的人体关键部位尺寸信息,该信息将和“案例中人体关键部位尺寸信息库”中的案例进行比对,搜寻相似案例的体型信息,并调用“成功被匹配的尺码信息库”中与之相关联的相似案例的被匹配的尺码结果。
在其中一个实施例中,所述“人体体型-服装尺码”成功匹配案例库包含两个子库:案例中人体关键部位尺寸信息库和成功被匹配的尺码信息库。
在其中一个实施例中,所述“人体体型-服装尺码”成功匹配案例库中包含两个子库之间的映射关系。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现任一项所述方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现任一项所述方法的步骤。
一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行任一项所述的方法。
本发明的有益效果:
提高一种大数据环境下基于三维扫描和深度学习的个性化服装尺码匹配方法,提高个性化服装的尺码的匹配效率。
附图说明
图1是本发明大数据环境下基于三维扫描和深度学习的个性化服装尺码匹配方法的原理框图。
图2是本发明大数据环境下基于三维扫描和深度学习的个性化服装尺码匹配方法的工作流程图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好地理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
参阅图1和图2,针对某一类别的服装,本发明首先主要先在该类别服装产业链上获取大量数据,进行数据的采集,获得该产业链的大数据环境,在此基础上梳理出该大数据环境下的“成功”类别的数据,建立该类别服装的“人体体型-服装尺码”成功匹配案例库。本发明所提出的“人体体型-服装尺码”成功匹配案例库包含两个子库:案例中人体关键部位尺寸信息库和成功被匹配的尺码信息库。本发明所提出的“人体体型-服装尺码”成功匹配案例库中也包含两个子库之间的映射关系。
在实际的应用中,通过三维扫描对消费者进行人体扫描,并获取消费者的人体关键部位尺寸信息,该信息将和“案例中人体关键部位尺寸信息库”中的案例进行比对,搜寻相似案例的体型信息,并调用“成功被匹配的尺码信息库”中与之相关联的相似案例的被匹配的尺码结果。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例,本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换,均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。