(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211275737.5 (22)申请日 2022.10.18 (71)申请人 深圳市恩裳纺织品有限公司 地址 518000 广东省深圳市福田区沙 头街 道天安社区泰然四路85号泰然立城B 座905 (72)发明人 俞周杰　黄丽　 (74)专利代理 机构 深圳锦开创识知识产权代理 事务所(普通 合伙) 44911 专利代理师 曾咏生 (51)Int.Cl. G06V 40/16(2022.01) G06V 10/82(2022.01) G06Q 30/06(2012.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种基于人脸特 征的服装款型搭配算法 (57)摘要 一种基于人脸特征的服装款型搭配算法， 其 特征在于， 包括以下步骤： S1： 构建用于性别识别 的卷积神经网络； S2： 对Adienc e图像数据集进行 预处理， 随后输入所述用于性别识别的卷积神经 网络； S3： 对所述的用于性别识别的卷积神经网 络进行训练； S4： 通过摄像头录制用户脸部视频， 从视频中抽取图像帧； S5： 对所述图像帧进行人 脸关键点检测， 并输入所述用于识别性别的卷积 神经网络； S6： 根据所述人脸关键点计算脸型参 数； S7： 构建脸型参数和脸型的关系索引表； S8： 根据所述索引表和性别识别结果进行衣物推荐。 本发明提供的技术方案能够根据用户的脸型和 性别推荐 衣物搭配 。 权利要求书2页 说明书4页 附图2页 CN 115482577 A 2022.12.16 CN 115482577 A 1.一种基于人脸特 征的服装款型 搭配算法， 其特 征在于， 包括以下步骤： S1： 构建用于性别识别的卷积神经网络； S2： 对Adience图像数据集进行 预处理， 随后输入所述用于性别识别的卷积神经网络； S3： 对所述的用于性别识别的卷积神经网络进行训练； S4： 通过摄 像头录制用户脸部 视频， 从视频中抽取图像帧； S5： 对所述图像帧进行 人脸关键点检测， 并输入所述用于识别性别的卷积神经网络； S6： 根据所述人脸关键点计算 脸型参数； S7： 构建脸型参数和脸型的关系索引表； S8： 根据所述索引表和性别识别结果进行衣物推荐。 2.根据权利要求1所述的一种基于人脸特征的服装款型搭配算法， 其特征在于， 所述步 骤S1所述的卷积神经网络包括 三个卷积层、 两个全连接层、 和一个最终输出层。 3.根据权利要求2所述的一种基于人脸特征的服装款型搭配算法， 其特征在于， 所述步 骤S2所述的预处理具体为： 将所述Adience图像数据集中的图像缩放至256*256， 通过中心 裁剪将所述图像的尺寸裁 剪为227*227。 4.根据权利要求3所述的一种基于人脸特征的服装款型搭配算法， 其特征在于， 所述步 骤S3中训练的约束条件如下： 所述用于性别识别的卷积神经网络中， 所有层的权重采用标 准偏差为0.01， 均值为0的高斯随机值进行初始化； 训练时不使用预训练模型， 不使用基准 可用的图像和标签之外的任何数据， 网络从头开始进行训练； 训练的目标值用与真实类别 相对应的稀疏二进制向量表示， 对于每个训练图像， 目标标签向量具有类数的长度， 在真实 值所在索引位置为 1， 在其他位置为0； 训练使用随机梯度下降算法进 行训练， 其中批量大小 为50， 初始学习率 为e‑3， 在10K次迭代后降为e ‑4。 5.根据权利要求4所述的一种基于人脸特征的服装款型搭配算法， 其特征在于， 所述步 骤S5通过以下方法进 行所述人脸关键点检测： 引用dlib中的人脸关键点检测模型检测人脸 关键点， 绘制包括68个人脸关键点的人脸关键点图像， 记录每个所述人脸关键点的二维坐 标值， 并将68个所述人脸关键点编号1 ‑68， 记录检测样本数T， 每通过所述检测模型从用户 脸部视频中进行一次检测， T值加1。 6.根据权利要求5所述的一种基于人脸特征的服装款型搭配算法， 其特征在于， 所述步 骤S6具体为： 通过公式： Is＝HS/WS*100％计算形态面指数， 其 中， Is为形态面指数， HS为形态 面高， WS为面宽； 通过公式IM＝WM/WS*100％计算颧下颌宽指数， 其中， IM为颧下颌宽指数WM为 下颌宽度， WS为面宽。 7.根据权利要求6所述的一种基于人脸特征的服装款型搭配算法， 其特征在于， 所述步 骤S6通过所述步骤S5所述的人脸关键点图像计算以下参数： 形态面高HS、 面宽WS、 下颌宽度 WM； 其中形态面高HS为所述人脸关键点图像中点28与点9之间的欧式距离， 面宽WS为所述人 脸关键点图像中点2和点16之间的欧式距离， 下颌宽度WM为所述人脸关键点图像中点5和点 13之间的欧式距离 。 8.根据权利要求7所述的一种基于人脸特征的服装款型搭配算法， 其特征在于， 所述步 骤S7具体为： 形态 面指数大于100％为长脸， 形态 面指数大于70％且小于100％为中长脸， 形 态面指数小于70％为短脸； 颧下颌宽指数大于100％为三角脸， 颧下颌宽指数大于70％小于 90％为五角脸， 颧下颌宽指数 大于40％且小于70％为 三角脸。权　利　要　求　书 1/2 页 2 CN 115482577 A 29.根据权利要求8所述的一种基于人脸特征的服装款型搭配算法， 其特征在于， 所述步 骤S8通过公式： 计算服装推荐参数VEST， 其中， G为性别参数， G＝1为男性， G＝ ‑1为女性， T为所述检测 样本数， ISK为第K个检测样本的形态面指数， MALE为男性服装调整参数， FEM 为女性服装调整 参数， IMK为第K个检测样本的颧下颌宽指数， WSK为第K个检测样本的面宽； 男性服装调整参 数MALE＝1.8， 女性服装调整参数为FEM＝2.08； 创建VEST推荐标签： 当VEST>0.85时， 所述 VEST推荐标签记录宽松、 竖向花纹； 当0.85>VEST>0.6时， 所述VEST推荐标签记录贴身、 塑 形； 当VEST<0.6时所述VEST推荐标签记录高腰、 短款； 创建脸型推荐标签： 为长脸用户添加 以下标签： 大衣、 阔腿裤、 v 领、 长筒靴； 为中长脸用户添加以下标签： T恤、 卫衣、 高跟鞋、 七分 裤； 为短脸用户添加以下标签： 毛衣、 宽袖、 截短上装、 牛仔裤； 为 五角脸用户添加以下标签： 吊带、 露背、 连衣裙、 背心； 为瓜子脸用户添加以下标签： 泡泡袖、 T恤、 短裤、 运动鞋； 为三角 脸用户添加以下标签： 衬衫、 夹克、 短外套、 短裙； 将用户性别、 所述VEST推荐 标签、 所述脸型 推荐标签进行组合得到服装搭配 推荐。权　利　要　求　书 2/2 页 3 CN 115482577 A 3