阅读说明：本技术 一种基于自学习的商品详情页的生成方法 (Self-learning-based commodity detail page generation method ) 是由 彭石 于 2019-08-29 设计创作，主要内容包括：本发明公开了一种基于自学习的商品详情页的生成方法,至少包括以下步骤：S1、提供图像处理模型；S2、构建详情页模板库；S3、构建图片库；S4、提供图像或图像集,提取图像或图像集主体颜色；针对所述图像用姿态相似度算法匹配图片库中图片,结合主体颜色和匹配度排序图像集；S5、根据所述图像或图像集的类别,使其与详情页模板库进行匹配；S6、根据S5中匹配的详情页模板以及配置参数,匹配模块上图片占位框和图像；S7、根据模块上的图片占位框中的裁剪规则,裁剪对应的图像；S8、生成商品详情页。(The invention discloses a self-learning-based commodity detail page generation method, which at least comprises the following steps: s1, providing an image processing model; s2, constructing a detail page template library; s3, constructing a picture library; s4, providing an image or an image set, and extracting the main color of the image or the image set; matching pictures in a picture library by using a posture similarity algorithm aiming at the images, and sequencing the image sets by combining the main body color and the matching degree; s5, matching the image or the image set with a detail page template library according to the category of the image or the image set; s6, matching the picture space occupying frame and the image on the module according to the matched detail page template and the configuration parameters in the S5; s7, cutting the corresponding image according to the cutting rule in the picture occupying frame on the module; and S8, generating a commodity detail page.)

一种基于自学习的商品详情页的生成方法

技术领域

本发明属于视觉版面设计的自动化领域，具体涉及一种基于自学习的商品详情页的生成方法。

背景技术

电商商品详情页依靠美工修图、排版、调整、裁剪，再将制作好的商品详情页上传和发布到各个电商平台。这种传统流程需要几十分钟到几个小时。

目前，现有技术是通过命名匹配的方式生成电商平台商品详情页。首先对模板上的图片占位框进行命名，然后对素材图片文件指定命名，通过计算机程序将指定命名的素材图片文件放置在模板上相同命名的图片占位框上即可。该方法缺点：需要设计师预先在头脑中规划详情页版面，然后指定素材图在详情页上的位置，最后给图片文件命名。该方法仅仅在详情页模板上填充已经命名好的图片，没有智能排版布局的功能，提升效率很有限。

中国专利公布号为CN105068985A提出的“一种基于人工智能机器的自动化设计排版方法”。S1、根据第三方电商平台所要求的字段建立信息映射对接框架；S2、根据产品图片进行智能自动排版。S3、微调审核确认后形成最终的商品详情页，根据客户最终确认可将最终形成的商品详情页全自动上传到各大第三方电商平台。其中S2的具体流程，根据客户提交的原始详情页模板上传到排版系统，排版系统具有解析PSD源文件的解码功能，通过排版系统中的解码功能会解析PSD源文件且结合商家提供的预设模板信息生成可供人工智能识别和自动编辑的智能模板，接下来根据客户提供的产品图片上传到排版系统中的智能模板上，排版系统会从美学标准角度出发自动视觉识别产品图片的内容，其自动识别产品的图片内容通过自动比对、摆放、裁剪和美化图片来组合成商品展示详情页面，排版系统会从美学标准角度出发以DenseNet模型自动视觉识别产品图片的内容遵循以下步骤：a、根据第三方电商平台上审美规则和实时图像的检测来给图片进行审美评分，评分会从高到低自动排序，则进入下一步；b、将经过检测上一步骤a中符合条件的图片通过GPU集群来识别图片中的事物，进行对每张产品图片进行预设信息匹配度的打分，将图片分数从高至低依次排序；c、根据智能模板上预设审美模板的尺寸的图片要求自动对所选取步骤b后的图片进行裁剪和删减；d、对电商产品字段的语义进行分析，分析出产品字段的具体语义及其对应关系；e、排版系统会自动挑选出符合预设图片和字段信息要求的字段和图片，最终通过自动比对、摆放、裁剪和美化图片将字段和图片拼接到智能模板上对应的区域内组合成商品展示详情页面。其缺点是：该方法处理某个素材包时，只有一个预先配置的详情页模板。当素材图的服装类型不符合模板上预设类型，或者素材包图片成分复杂，会导致最终详情页效果不佳，需要人工在详情页编辑器中大量调整，效率依然不高。

发明内容

为了解决上述技术问题，本发明提供了一种基于自学习的商品详情页的生成方法，至少包括以下步骤：

S1、提供图像处理模型；

S2、构建详情页模板库；

S3、构建图片库；

S4、提供图像或图像集，提取图像或图像集主体颜色；针对所述图像用姿态相似度算法匹配图片库中图片，结合主体颜色和匹配度排序图像集；

S5、根据所述图像或图像集的类别，使其与详情页模板库进行匹配；

S6、根据S5中匹配的详情页模板以及配置参数，匹配模块上图片占位框和图像；

S7、根据模块上的图片占位框中的裁剪规则，裁剪对应的图像；

S8、生成商品详情页。

优选地，所述图像处理模型的构建方法如下：

S11、收集商品图像；

S12、基于深度神经网络训练模型对商品图像进行分类；

S13、基于Convolutional Pose Machines模型选择商品图像关键点；

S14、基于Faster R-CNN模型定位商品图像目标检测框；

S15、对所述商品图像提取主体颜色，并按主体颜色分类。

优选地，所述详情页模板库的构建方法如下：

S21、将新详情页录入模板库；

S22、基于所述模板库中的模板元件序列，训练CRF模型，并对所述图像或者图像集进行模板元件序列预测，得到新的详情页模板。

优选地，所述姿态相似度算法如下：

S41、检测图像中人体或服装目标框；

S42、选定图像中面积最大的目标框，缩放目标区域至200像素宽度；

S43、若两图像的目标框的宽高比之差大于k，则返回“不相似”判定结果；其中，k＝0.2；

S44、检测人体或者服装关键点，定义关键点个数为m；

S45、将选定目标框中检测到的关键点的坐标X和Y坐标，规范化到[0,1]之间；

S46、固定关键点的顺序,形成向量坐标轴，以关键点的X和Y坐标值为向量值，得到向量v；未检测到的关键点标记X和Y为-1；v_i,x表示第i个关键点的X坐标，v_i,y表示第i个关键点的Y坐标；

S47、若两个对比区域存在至少n个同名关键点，则继续计算；否则返回“不相似”判定结果；其中，n＝m*0.9；

S48、对于每个区域，根据同名关键点坐标的min(X),min(Y),max(X),max(Y)，构造一个矩形；若较小矩形的面积/较大矩形的面积的比值小于t，则返回“不相似”判定结果；其中，t＝0.7；

S49、两图的关键点向量v1和v2，定义它们在欧式空间距离：

d<0.1即认为两图姿态相似图。

与现有技术相比，本申请的技术方案的有益效果：

本申请中的基于自学习的商品详情页的生成方法能够极大的提升详情页面编辑的效率，无需人工在详情页编辑器中大量调整，节约了人力成本。

对于现有技术中采用的人工制作单个详情页，平均耗时约20分钟以上，采用本申请的方法制作单个详情页，平均耗时约2分钟以下，实现了10倍以上效率提升。商家用户使用了该系统以后，能大幅减少制作商品详情页的美工人力投入，产生巨大经济效益。

附图说明

图1为本申请的方法流程图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

实施例

本实施例公开了一种基于自学习的商品详情页的生成方法，至少包括以下步骤：

S1、提供图像处理模型；

对于本申请的实施例是针对服装商品详情页的生成方法。

其中，素材图的服装分类，素材图的类型，服装目标检测框，人体目标检测框，人体关键点，服装关键点等信息称为基础图像语义信息。

定义服装分类：短袖上衣，长袖上衣，风衣，短裤，长裤，连衣裙，短裙等类型。

定义素材图片的七个大类型：模特图，吊拍图，平铺图，细节图，吊牌图，组合图。

定义模特图的三个拍摄身段：上半身、下半身和全身图。

定义模特图，吊拍图和平铺图的三个拍摄角度：正面图、侧面图和背面图。

定义人体框和服装框，是图片中主体的近似最小包围矩形框。

定义人体关键点：脖子，下巴，左耳，右耳，左肩，右肩，左腰，右腰，左膝，右膝等等

定义服装关键点，左袖口外角，左袖口内角，右袖口外角，右袖口内角，左领口，右领口，下领口，左下摆角，右下摆角，裤裆，左裤脚外角，左裤脚内角等。

优选地，所述图像处理模型的构建方法如下：

S11、收集服装商品图像；

S12、基于深度神经网络训练模型(Mask R-CNN模型)对服装商品图像进行分类；

S13、基于Convolutional Pose Machines模型选择服装商品图像关键点；

S14、基于Faster R-CNN模型定位服装商品图像目标检测框；

S15、对所述服装商品图像进行主体颜色提取以及细节图进行裁剪。

S2、构建详情页模板库；

详情页模板确定详情页的视觉版面特征，一般包含海报图模块，模特展示模块，子款式对比模块，细节图模块，材质面料模块，商品信息模块，商品指数模块，尺码表模块，尺码推荐表模块，搭配推荐模块等。模块是由一系列等宽的从上而下不交叠排列的元件组成。元件上有图片占位框和装饰性图片组件或文字。图片占位框可以指定挑图策略，比如指定挑选特定类型的素材图，比如“正面上半身服装模特图”、“侧面上半身模特图”、“裤子图”和“领口细节图”等。图片占位框上附有裁剪参数，比如指定了人物主体或服装主体距离图片占位框边界的左右上下距离，也可指定人物居中或居左放置等规则。

所述详情页模板库的构建方法如下：

S21、将新详情页录入模板库；

S22、基于所述模板库中的模板元件序列，训练CRF模型，并对所述图像或者图像集进行模板元件序列预测，得到新的详情页模板。

用户使用系统时，会自动产生一个新详情页，如果不满意则会在详情页编辑中修改详情页，包括增减模块，增减图片占位框和素材图片，调整布局，改变文字颜色或大小等。

S3、构建图片库；

定期从电商平台下载大量优质图片数据，提取人体关键点和服装关键点等数据，构建图片库。

S4、提供图像或图像集，提取图像主体颜色。针对所述图像用姿态相似度算法匹配图片库中图片，然后结合主体颜色和匹配度排序图像集；

所述姿态相似度算法如下：

S41、检测图像中人体或服装目标框；

S42、选定图像中面积最大的目标框，缩放目标区域至200像素宽度；

S43、若两图像的目标框的宽高比之差大于k，则返回“不相似”判定结果；其中，k＝0.2；

S44、检测人体或者服装关键点，定义关键点个数为m；

S45、将选定目标框中检测到的关键点的坐标X和Y坐标，规范化到[0,1]之间；

S46、固定关键点的顺序,比如{脖子，下巴，左耳，右耳，左肩，右肩，左腰，右腰，左膝，右膝……}，形成向量坐标轴，以关键点的X和Y坐标值为向量值，得到向量v；未检测到的关键点标记X和Y为-1；v_i,x表示第i个关键点的X坐标，v_i,y表示第i个关键点的Y坐标；

S47、若两个对比区域存在至少n个同名关键点，则继续计算；否则返回“不相似”判定结果；其中，n＝m*0.9；

S48、对于每个区域，根据同名关键点坐标的min(X),min(Y),max(X),max(Y)，构造一个矩形。若较小矩形的面积/较大矩形的面积的比值小于t，则返回’不相似’判定结果；其中，t＝0.7；

S49、两图的关键点向量v1和v2，定义它们在欧式空间距离：

d<0.1即认为两图姿态相似图。

S5、根据所述图像或图像集的类别，使其与详情页模板库进行匹配。

所述图像或图像集是指用户上传的素材包，用图像处理模型提取图像语义信息；

根据素材包中素材图的服装类别，检索用户的详情页模板库，得到详情页模板列表。根据素材包与详情页模板上图片占位框中样例图的相似度，挑选最相似的智能详情页模板。若匹配的详情页模板配置了动态扩展策略，则用CRF模型扩展模板中的指定模块，得到一个新的详情页模板。若没有配置动态扩展策略，则直接使用匹配的详情页模板。

其中，素材包与详情页模板上图片占位框中样例图的相似度的匹配方法为：

(1)素材包有服装类型属性，从模板库检索对应类型的模板。

比如，当前素材包属于衬衫类型，则检索模板库的衬衫的模板列表。如果库中没有衬衫模板，则选中人工配置的初始详情页模板。

(2)如果上一步检索到多个详情页模板，则提取素材包的‘子款式数量’属性，如果与详情页模板的‘子款式数量’相同，则选中此类模板，转入下一步。如果没有一个详情页模板的‘子款式数量’属性相同，则直接转入下一步判定。

(3)若上一步依然匹配到多个模板，则以素材图的七个类型：模特图，吊拍图，平铺图，细节图，吊牌图，组合图作为分量，统计每个分量的素材图数量，形成一个特征向量，获取素材包和详情页模板上图片占位框中样例图的特征向量，匹配特征向量相似度最大的详情页模板。

(4)若匹配的详情页模板中模特展示模块配置了动态生成策略，可根据排序好的素材图，基于CRF模型动态生成模特展示模块的元件序列，得到一个新详情页模板，匹配成功并结束。

S6、根据S5中匹配的详情页模板以及配置参数，匹配模板上图片占位框和图像；

从上至下顺序遍历模板中各个模块，根据图片占位框的挑图规则，优先从剩余图片中挑选指定类型的最高美观度图片。已经使用的图片，一般不可再使用，除非定义了重复用图策略。

部分模块有特殊挑图规则。比如子款式对比模块，若素材图中有n个子款，则动态设置该模块有n个图片占位框。同时要求每个图片占位框中的主体的视觉尺度大小要相等并且姿态尽量相似。人体和服装关键点数据可用于挑选姿态相似的素材图，并统一图中主体的视觉尺度大小。

S7、根据模块上的图片占位框中的裁剪规则，裁剪对应的图像或图像集；

S8、生成商品详情页。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。