基于物理衣橱镜像的服饰缺口检索与协同可视化决策支持方法及系统与流程
本发明涉及智能衣橱、服饰推荐、图像合成、虚拟试衣及可视化决策支持,具体而言,涉及基于物理衣橱镜像的服饰缺口检索与协同可视化决策支持方法及系统。
背景技术:
1、随着电子商务的蓬勃发展,服装线上零售市场规模持续扩大,各大电商平台及独立站纷纷投入大量资源研发智能服装推荐系统,以期提升用户的购物体验与转化率,当前服装推荐系统的技术演进主要集中在以下几个方向:
2、其一,基于用户历史浏览行为、点击记录及购买数据的协同过滤与深度学习推荐算法,通过分析用户的行为序列来预测其潜在购买意向;
3、其二,基于图像识别与三维人体建模的虚拟试衣技术,系统通过多模态数据采集模块获取人体图像,结合深度学习算法构建三维体型模型,实现肩宽、胸围等关键参数的精准测量,并通过增强现实或三维渲染技术将推荐服装叠加显示在用户影像或数字替身上;
4、其三,基于知识图谱的服装搭配推荐方法,通过构建涵盖服装实体关联、色彩搭配规则、场景适配关系等结构化知识的穿搭知识图谱,实现从需求理解到搭配推理的推荐闭环;
5、其四,数字衣橱管理系统,通过允许用户上传服饰照片或接入购物记录来构建虚拟衣橱,并在此基础上提供穿搭建议与衣橱管理功能,此外,虚拟试穿领域的研究已从单件试穿逐步拓展至多服饰组合试穿,出现了支持多件服装图像输入及文本指令控制穿法的组合式虚拟试穿框架;
6、然而,上述现有技术方案在解决服装电商核心痛点方面仍存在显著缺陷,无法有效应对行业面临的高退货率与低决策效率问题,据统计电商服饰领域的退货率居高不下,其中女装退货率高达50%至60%,女装直播的退货率甚至达到80%以上,主要存在以下三大缘由:
7、第一,现有推荐系统主要基于用户的近期浏览行为或热销爆款级盲推,由于平台无法获知用户家中物理衣橱的真实存量资产状态,推送的单品无法与用户已有的衣服进行成套搭配,导致用户购买后发现自己已有的衣物无法与新购单品形成有效组合,最终造成极高的退货率,即便部分方案提出了基于虚拟衣橱的推荐方法,其衣橱数据的构建仍依赖于用户手动上传每件服饰照片,过程极为耗时且用户体验不佳,且缺乏对用户全量物理资产的常态化、自动化盘点功能;
8、第二,用户仅看电商平台提供的白底图或模特图,无法感知新衣服与自己已有衣服搭配在一起的真实视觉效果,现有虚拟试衣技术大多仅支持单件服装在用户身上的试穿效果展示,或者仅能将电商平台的商品与标准模特进行组合渲染,而无法实现新购单品与用户自家已有旧衣的虚实交融式协同渲染,用户无法直观地预览新衣服与自己衣橱中特定存量服饰搭配后的真实上身效果,导致购买决策效率低下;
9、第三,现有推荐系统多在用户浏览电商平台时进行即时推送,或在用户临出门的紧急场景下推荐穿搭缺口商品,此时用户无法立刻获取该商品,推荐转化为无效推荐;
10、综上所述,现有技术方案未能从用户物理衣橱资产数字化到长周期缺口智能识别再到虚实融合可视化决策与跨平台商业变现的技术链路,亟需能够解决上述问题的系统。
技术实现思路
1、(一)解决的技术问题
2、本发明的目的在于提供基于物理衣橱镜像的服饰缺口检索与协同可视化决策支持方法及系统,引入用户专属身材特征向量与品牌偏好库的多维过滤,配合候选单品与用户自有旧衣的虚实融合协同渲染,让用户在购买前即可直观预览新衣与自家衣橱服饰组合后的真实上身效果,同时长周期时间窗口的常态化盘点将推荐时机前置到日常资产配置阶段,有效化解了时效错位难题。。
3、(二)技术方案
4、本发明是这样实现的,基于物理衣橱镜像的服饰缺口检索与协同可视化决策支持方法,应用于云端服务器,具体包括以下步骤:
5、s11:通过在物理衣橱端侧无感录入,获取用户物理衣橱中每一件服饰的多模态资产数据,基于长周期时间窗口对所述多模态资产数据进行持续累积与动态更新,构建与用户物理衣橱实时映射的数字孪生虚拟衣橱数据库;
6、s12:云端服务器调用穿搭知识图谱激活用户已有存量资产,基于多目标缺口评分模型对所述数字孪生虚拟衣橱数据库中的全量服饰资产进行向量化缺口检索,从候选缺口单品中筛选核心资产配置缺口单品,所述多目标缺口评分模型至少根据存量服饰激活数量、用户历史偏好、用户风格匹配度、天气季节适配度、目标场景覆盖度、色彩互补度、风格互补度中的一种或多种因素计算候选缺口单品的综合评分,输出缺口单品的目标品类特征与目标风格特征向量;
7、s13:云端服务器根据所述缺口单品的目标品类特征与目标风格特征向量,向与云端服务器互联的商品匹配引擎发起候选商品检索请求,所述商品匹配引擎基于预设的多源商品数据库进行特征级匹配与sku相似度计算,从全局候选商品池中筛选并返回符合所述目标品类特征与目标风格特征向量的候选商品列表;
8、s14:用户终端接收候选商品列表的同时,自动启动协同可视化生成引擎,协同可视化生成引擎基于候选商品图像特征、材质纹理特征、品类风格特征,以及用户已有服饰图像特征、款式特征、色彩特征、穿搭兼容性映射关系,在用户终端界面输出候选商品与用户已有服饰组合的协同可视化搭配效果图,并向用户同步呈现所述候选商品的sku信息、价格信息及库存状态信息,以辅助用户基于可视化效果进行购买决策。
9、进一步地,在用户终端界面输出候选商品与用户已有服饰组合的协同可视化搭配效果图的展示界面中,基于购买决策触发的购买确认操作,通过购买入口对候选商品完成购买交割操作,包括:
10、购买入口中嵌入跟踪代码,所述跟踪代码包含项目方身份标识及候选商品的唯一标识,当用户通过购买入口跳转至外部电商平台完成支付后,外部电商平台在支付成功回调中携带所述跟踪代码向云端服务器的结算网关发送交易确认通知,所述结算网关根据所述交易确认通知记录订单信息并触发分成结算流程;
11、所述结算网关与外部电商平台的交易数据库进行异步对账,验证交易真实性后按照预设的分成比例计算应划转金额,生成分成结算指令并发送至支付渠道,由支付渠道从外部电商平台的交易结算款中划转销售抽佣至项目方指定账户,并返回划转结果回执供云端服务器更新分成结算台账。
12、进一步地,在s11中,通过在物理衣橱端侧无感录入,获取用户物理衣橱中每一件服饰的多模态资产数据,包括:
13、通过用户终端的摄像装置对物理衣橱内每一件服饰进行多角度图像采集,所述多角度图像采集至少包括正面、背面、侧面及局部细节图像,部署于用户终端的边缘计算单元对多角度图像进行实时预处理,实时预处理至少包括图像去噪、背景分割、服饰轮廓提取及色彩空间转换,生成预处理后的服饰图像数据;
14、云端服务器接收所述预处理后的服饰图像数据,调用预先训练的多模态服饰识别模型对每一件服饰进行自动化属性标注,自动化属性标注至少包括服饰品类、主辅色、版型分类、面料纹理及风格标签;
15、基于所述自动化属性标注的结果生成每一件服饰的多模态资产数据,多模态资产数据至少包括服饰图像特征、品类标签、色彩向量、风格特征向量及历史穿着频次记录,历史穿着频次记录由云端服务器根据用户在不同时间窗口内的实际穿着行为累计生成并动态更新。
16、进一步地,构建与用户物理衣橱实时映射的数字孪生虚拟衣橱数据库,包括:
17、云端服务器将每一件服饰的多模态资产数据与用户身份标识进行关联,按照服饰品类、色彩向量及风格特征向量建立多级索引结构,并基于长周期时间窗口内各时间节点的资产变更记录,对多级索引结构进行增量式更新与版本管理,构建与用户物理衣橱实时映射的数字孪生虚拟衣橱数据库;
18、云端服务器通过对用户在长周期时间窗口内的穿搭频次分布、色彩偏好演化趋势及风格特征向量聚类结果进行深度学习与常态化盘点,生成用户物理衣橱的完整资产状态画像,常态化盘点按照预定周期自动触发,将深度学习的结果与当前数字孪生虚拟衣橱数据库中的存量资产数据进行交叉对比,输出包含品类覆盖率、色彩多样性指数及风格一致性系数的资产状态评估报告。
19、进一步地,在s12中,云端服务器调用穿搭知识图谱激活用户已有存量资产,基于多目标缺口评分模型对所述数字孪生虚拟衣橱数据库中的全量服饰资产进行向量化缺口检索,包括:
20、云端服务器将数字孪生虚拟衣橱数据库中的每一件存量服饰分别映射为穿搭知识图谱中的存量节点,并提取各存量节点对应的品类嵌入向量、色彩嵌入向量及风格嵌入向量,作为全量服饰资产在知识图谱空间中的资产表征;
21、通过计算候选缺口单品与用户已有存量资产中多件服饰之间的穿搭兼容性向量距离,识别能够与用户已有存量资产中两件以上服饰分别构成有效穿搭组合的候选单品。
22、进一步地,在s13中,所述商品匹配引擎基于预设的多源商品数据库进行特征级匹配与sku相似度计算,包括:
23、所述商品匹配引擎接收云端服务器发送的缺口单品的目标品类特征与目标风格特征向量后,以所述目标品类特征及目标风格特征向量为检索条件,在预设的多源商品数据库中执行一级粗筛,滤除品类不匹配或风格偏离度超过预设风格阈值的商品,生成粗筛候选商品集;
24、所述商品匹配引擎对粗筛候选商品集中的每一件商品提取其品类嵌入向量与风格嵌入向量,分别计算所述目标品类特征向量与各商品品类嵌入向量之间的第一相似度、所述目标风格特征向量与各商品风格嵌入向量之间的第二相似度,并对所述第一相似度和第二相似度进行加权融合计算,得到每一商品与缺口单品之间的综合匹配相似度得分;
25、所述商品匹配引擎按照综合匹配相似度得分从高到低对粗筛候选商品集中的全部商品进行排序,将综合匹配相似度得分高于预设匹配阈值的候选商品作为匹配结果返回云端服务器。
26、进一步地,在s14中,协同可视化生成引擎生成协同可视化搭配效果图,包括:
27、协同可视化生成引擎获取每一候选商品的多角度商品图像、材质纹理参数、品类风格嵌入向量,并对候选商品图像进行姿态归一化、背景剥离和特征张量提取;
28、从数字孪生虚拟衣橱数据库中提取与候选商品具有穿搭兼容性匹配关系的用户已有服饰图像特征、款式特征、色彩特征、材质纹理特征和穿搭兼容性映射关系;
29、将所述候选商品特征与用户已有服饰特征输入协同可视化生成模型,生成候选商品与用户已有服饰组合后的协同可视化搭配效果图;
30、所述协同可视化搭配效果图包括三维人体网格虚拟上身图、二维用户人像合成图、半身/全身搭配图、服饰平铺组合图、虚拟模特搭配图、生成式图像合成图中的一种或多种。
31、与现有技术相比,本发明提供的基于物理衣橱镜像的服饰缺口检索与协同可视化决策支持方法及系统,具备以下有益效果:
32、1、通过构建数字孪生虚拟衣橱实现全量资产的长周期动态盘点,基于多目标缺口评分模型筛选核心资产配置缺口单品,经由穿搭知识图谱的向量化缺口检索锁定单品,进一步引入用户专属身材特征向量与品牌偏好库的多维过滤,配合候选单品与用户自有旧衣的虚实融合协同渲染,让用户在购买前即可直观预览新衣与自家衣橱服饰组合后的真实上身效果,同时长周期时间窗口的常态化盘点将推荐时机前置到日常资产配置阶段,有效化解了时效错位难题,形成从资产盘点、缺口发现、精准检索到可视化决策运行;
33、2、以用户的协同可视化搭配效果图为底层参数,对候选商品与多件已有服饰进行联合几何对齐与光影一致性合成,渲染结果直接反映了新单品与存量资产在真实穿着场景中的叠穿层次与整体协调性,同时长周期窗口内的穿搭频次、色彩偏好演化及风格特征聚类等深度学习的引入,能够识别用户自身可能尚未察觉的资产配置缺口,形成缺口发现、精准匹配、可视化验证、一键购买、自动分成的商业链路,实现将资产认知、智能决策、沉浸式体验与价值捕获融为一体,既提升了单次购买对用户存量资产的整体激活效率,也为平台方提供了可持续的联盟分成收益模式,实现了用户决策效率与商业变现能力的同步跃升。
34、基于物理衣橱镜像的服饰缺口检索与协同可视化决策支持系统,用于执行上述的服饰缺口检索与协同可视化决策支持方法,所述系统包括:
35、资产建模与盘点模块,用于通过端侧无感录入获取用户物理衣橱的全量服饰数据,构建数字孪生虚拟衣橱数据库并对用户穿搭行为进行长周期学习,输出用户物理衣橱的完整资产状态画像;
36、资产缺口计算模块,用于基于所述资产状态画像,调用穿搭知识图谱进行向量化缺口检索,锁定能够基于多目标缺口评分模型,所筛选出来的核心资产配置缺口单品,并输出所述缺口单品的目标品类特征与目标风格特征向量;
37、商品匹配模块,用于根据所述缺口单品的目标品类特征与目标风格特征向量,基于预设的多源商品数据库进行特征级匹配与sku相似度计算,从全局候选商品池中筛选并返回符合所述目标品类特征与目标风格特征向量的候选商品列表;
38、协同可视化生成模块,用于拉取所述候选商品的图像特征、材质纹理特征、品类风格特征,以及用户已有服饰的图像特征、款式特征、色彩特征、穿搭兼容性映射关系并进行协同渲染,输出协同可视化搭配效果图至用户终端界面;
39、用户决策支持模块,用于在用户终端界面呈现所述协同可视化搭配效果图,并向用户同步呈现所述候选商品的sku信息、价格信息及库存状态信息,以辅助用户基于可视化效果进行购买决策。
40、具体的,所述系统还包括分成结算模块,分成结算模块用于在所述协同可视化搭配效果图的展示界面中提供购买入口,响应于用户在所述展示界面中基于购买决策触发的购买确认操作触发分成结算,与外部电商平台对账并按预设比例划转销售抽佣。
41、具体的,所述资产建模与盘点模块包括:
42、端侧图像采集单元,用于通过用户终端的摄像装置对物理衣橱内服饰进行多角度图像采集;
43、边缘计算预处理单元,用于对采集的图像进行去噪、背景分割、轮廓提取及色彩空间转换的实时预处理;
44、自动化属性标注单元,用于调用多模态服饰识别模型对预处理后的图像进行品类、色彩、版型、面料及风格的自动化属性标注;
45、多模态资产数据生成单元,用于根据标注结果生成包含服饰图像特征、品类标签、色彩向量、风格特征向量及历史穿着频次记录的多模态资产数据;
46、数据库构建单元,用于将所述多模态资产数据与用户身份关联并建立多级索引,构建与用户物理衣橱实时映射的数字孪生虚拟衣橱数据库;
47、资产画像生成单元,用于对用户在长周期时间窗口内的穿搭频次分布、色彩偏好演化及风格特征聚类进行深度学习与常态化盘点,生成包含品类覆盖率、色彩多样性指数及风格一致性系数的资产状态评估报告。
48、具体的,所述商品匹配模块包括:
49、特征向量接收单元,用于接收资产缺口计算模块输出的缺口单品的目标品类特征与目标风格特征向量;
50、多源商品数据库检索单元,用于根据所述目标品类特征与目标风格特征向量,在预设的多源商品数据库中进行特征级匹配与sku相似度计算,所述特征级匹配至少包括品类特征向量之间的余弦相似度计算和风格特征向量之间的欧氏距离计算;
51、候选商品排序输出单元,用于按照综合匹配相似度得分从高到低对匹配结果进行排序,将相似度高于预设阈值的候选商品组装为候选商品列表返回至云端服务器,并附带每一候选商品的sku信息、价格信息及库存状态信息。
52、具体的,所述分成结算模块包括:
53、购买入口交互单元,用于在所述协同可视化搭配效果图的展示界面中提供购买入口,捕获用户在所述展示界面中基于购买决策触发的购买确认操作,响应于所述购买确认操作将用户导流至外部电商平台的商品交易页面并跟踪用户的购买交割行为;
54、跟踪代码嵌入单元,用于在所述购买入口中嵌入跟踪代码,所述跟踪代码包含项目方身份标识及候选商品的唯一标识,当用户通过购买入口跳转至外部电商平台完成支付后,外部电商平台在支付成功回调中携带所述跟踪代码向云端服务器的结算网关发送交易确认通知;
55、结算网关单元,用于接收外部电商平台在用户支付成功后发送的交易确认通知,根据所述交易确认通知记录订单信息,并与外部电商平台的交易数据库进行异步对账,验证交易真实性后按照预设的分成比例计算应划转金额,生成分成结算指令并发送至支付渠道;
56、账务更新单元,用于接收支付渠道返回的划转结果回执,根据所述划转结果回执更新分成结算台账,并记录本次分成结算的订单编号、商品信息、分成金额、结算时间及结算状态至云端服务器的结算日志数据库。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com