1.基于时尚拼图与动态聚类的服装图像时尚风格学习方法，其特征在于，包括以下步骤：步骤1、将服装图像数据集进行预处理，其中，预处理包括切割、增强和拼接，预处理后得到时尚拼图集；

步骤2、将时尚拼图集输入主干网络进行特征提取，得到每个时尚拼图的图像特征向量；

步骤3、计算每个时尚拼图的图像特征向量的聚类损失和定位损失，通过最小化损失函数，对主干网络的参数进行调整，获得预训练模型；

步骤4、将部分预处理后的目标数据集输入预训练模型，根据输出结果对预训练模型进行参数微调，获得训练好的模型；

步骤5、将目标数据集输入步骤4的训练好的模型中，得到目标数据集的图像特征队列；

步骤6、将目标数据集的图像特征队列输入动态密度聚类算法中，得到初始聚类结果，计算各个聚类簇的质心，相似图像标记为相同簇，相同簇的图像表示具有相同的时尚风格，每个簇表示一种时尚风格类型，噪点表示潜在风格，质心是每种时尚风格的代表图像；

步骤7、将新增图像数据输入训练好的模型中，得到新增图像数据的图像特征，将新增图像数据的图像特征输入动态密度聚类算法中，计算与初始聚类簇质心的距离，与最近簇进行聚类，标记为已有簇、形成新簇或噪点，根据已有簇得到相应时尚风格类型，将新簇作为新风格类型。

2.根据权利要求1所述的基于时尚拼图与动态聚类的服装图像时尚风格学习方法，其特征在于，所述步骤1包括以下步骤：步骤11、将输入的图像缩放到预设大小；

步骤12、将缩放后的图像按照1:1.6:2.2:1.2的比例由上至下切割成四个图像块，四个图像块分别对应头部图像块、上身图像块、下身图像块和脚部图像块，且相邻的图像块有

20％的部分重叠；

步骤13、使用图像增强方法对切割后的图像块进行增强处理，得到增强后的图像块；

步骤14、将增强后的图像块打乱顺序，并按照由上至下的头部图像块、上身图像块、下身图像块和脚部图像块的顺序随机拼接到一起，组成时尚拼图。

3.根据权利要求2所述的基于时尚拼图与动态聚类的服装图像时尚风格学习方法，其特征在于，所述步骤13中图像增强方法包括对切割后的图像块随机进行旋转、翻转、褪色处理、改变图像亮度、改变图像对比度、改变图像饱和度、改变图像色调、灰度化或高斯模糊。

4.根据权利要求1所述的基于时尚拼图与动态聚类的服装图像时尚风格学习方法，其特征在于，所述步骤3包括以下步骤：步骤31、将时尚拼图的图像特征向量切割为四个图像块的图像特征向量，分别表述头部、上身、下身和鞋子；

步骤32、通过聚类损失函数计算时尚拼图特征向量的聚类损失，聚类损失函数使用对抗学习的方法，聚类损失函数的计算公式为：其中，n表示时尚拼图的数量，li，j为时尚拼图的每个图像块之间的余弦相似度损失，i和j分别指时尚拼图里的两个不同的图像块，ci表示同一原图像的图像块的集合；

步骤33、通过定位损失函数计算时尚拼图特征向量的定位损失，定位损失函数使用交叉熵误差(cross‑entropyloss)判断每块图像块所在位置的准确性，定位损失函数的计算公式为：其中，gt为基准(ground truth)；

步骤34、最终的损失函数为：

使用Adam优化主干网络参数，使损失函数最小化，获得预训练模型。

5.根据权利要求1所述的基于时尚拼图与动态聚类的服装图像时尚风格学习方法，其特征在于，所述步骤6中，通过DBSCAN聚类算法对目标数据集的图像特征队列进行聚类，在聚类结束后，通过调用scipy库的center_of_mass方法来计算每个聚类簇的质心。

6.根据权利要求1所述的基于时尚拼图与动态聚类的服装图像时尚风格学习方法，其特征在于，所述步骤7中将新增图像数据的图像特征输入动态密度聚类算法中，计算与初始聚类簇质心的距离，与最近簇进行聚类，标记为已有簇、形成新簇或噪点的方法包括以下步骤：步骤71、度量待处理数据的每个特征与各个簇的质心的距离，寻找最近簇进行聚类计算，若聚类成功，若是则将特征标记为相应簇；若否则进行步骤72；

步骤72、将该特征与距离空间中的噪点进行聚类，若能聚类成功，若是则将特征标记为新簇，若否则标记为噪点。

7.根据权利要求1所述的基于时尚拼图与动态聚类的服装图像时尚风格学习方法，其特征在于，所述步骤1中服装图像数据集中的数据量大于步骤4中的目标数据集中的数据量。