一種基于傅里葉描述子和支持向量機(jī)的服裝款式識(shí)別方法
【專利摘要】本發(fā)明涉及一種基于傅里葉描述子和支持向量機(jī)的服裝款式識(shí)別方法，通過對服裝圖像的預(yù)處理，獲取服裝的外部輪廓，然后進(jìn)行服裝外部輪廓的傅里葉描述，再予以基于支持向量機(jī)(SVM)的服裝款式識(shí)別。所述對服裝圖像的預(yù)處理是指對服裝圖像分割處理，找到最大面積的8連通區(qū)域即為服裝區(qū)域，并對服裝區(qū)域填充內(nèi)部空洞；所述獲取服裝的外部輪廓是指對服裝圖像的預(yù)處理后進(jìn)行外部的邊緣檢測，得到服裝的輪廓圖像。所述對服裝的外部輪廓的傅里葉描述是指提取服裝輪廓形狀特征的標(biāo)準(zhǔn)化傅里葉描述子特征向量。所述基于SVM的服裝款式識(shí)別采用SVM多分類器進(jìn)行服裝款式的多分類識(shí)別。本發(fā)明能夠達(dá)到95％的識(shí)別準(zhǔn)確率，具有快速和準(zhǔn)確的特點(diǎn)，可適用于服裝圖像中服裝款式的識(shí)別。
【專利說明】
一種基于傅里葉描述子和支持向量機(jī)的服裝款式識(shí)別方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬服裝款式識(shí)別技術(shù)領(lǐng)域，涉及一種基于傅里葉描述子和支持向量機(jī)的服 裝款式識(shí)別方法，特別是涉及一種經(jīng)圖像分割處理后進(jìn)行邊緣檢測得到服裝輪廓圖像且基 于傅里葉描述子和SVM的服裝款式識(shí)別的方法。
【背景技術(shù)】
[0002] 隨著大數(shù)據(jù)時(shí)代的來臨，商家通過機(jī)器視覺技術(shù)分析消費(fèi)者著裝風(fēng)格，將有助于 商家捕捉各客戶群體的消費(fèi)趨勢，制定出有針對性的產(chǎn)品組合、營銷計(jì)劃和商業(yè)決策。同時(shí) 隨著人臉計(jì)算機(jī)識(shí)別技術(shù)的普及，提取人臉特征并結(jié)合服裝款式特征，將會(huì)提高身份認(rèn)證 的精確度。服裝款式是由服裝的外部輪廓和內(nèi)部細(xì)節(jié)變化構(gòu)成的，反映了服裝結(jié)構(gòu)的形態(tài) 特征，不包含顏色和紋理特征。因此尋找一種有效的方法描述服裝的形態(tài)特征和快速精確 的分類是服裝款式識(shí)別領(lǐng)域的研究重點(diǎn)。由于特征提取技術(shù)和模式識(shí)別技術(shù)的復(fù)雜性，目 前的服裝款式特征描述以及分類方法的適應(yīng)性和實(shí)時(shí)性有待進(jìn)一步提高。
[0003] Hou等（HOU A L，ZHA0 L Q，SHI D C.Garment image retrieval based on multi-features[C],201OInternational Conference on Computer,Mechatronics, Control and Electronic Engineering(CMCE 2010) ,2010:194-197.)在服裝照片檢索的 研究中提出了使用融合特征(HU不變矩和傅里葉描述子)來描述服裝的形狀特征，通過計(jì)算 歐式距離來判斷形狀的相似性。歐式距離雖然是一種簡單有效的相似性判斷方法，但是在 處理復(fù)雜特征的分類問題上與機(jī)器學(xué)習(xí)分類器相比效果較差。
[0004] An等（AN L X,LI ff.An integrated approach to fashion flat sketches classification[J], International Journal of Clothing Science and Technology, 2014,26(5):346-366.)提出了一個(gè)服裝設(shè)計(jì)平面圖的分類方法，使用小波傅里葉描述子 (Wavelet Fourier Descriptor，WFD)描述輪廓特征，對WFD降維后訓(xùn)練了極端學(xué)習(xí)機(jī)分類 器(Extreme Learning Machine，ELM)，進(jìn)行服裝設(shè)計(jì)平面圖的分類。An提出的WFD是離散小 波和傅里葉描述子(Fourier Descriptor，F(xiàn)D)的結(jié)合。由于WFD特征向量之間的相似度對比 方法較復(fù)雜，且依賴于目標(biāo)物體輪廓的復(fù)雜度，因此WH)并不太適合形狀的實(shí)時(shí)分類。ELM雖 然能夠極大的提高網(wǎng)絡(luò)學(xué)習(xí)的速度和泛化能力，但卻不可避免的造成過擬合的隱患，使分 類效果降低。同時(shí)An識(shí)別的是服裝設(shè)計(jì)平面圖，沒有顏色和紋理的干擾，因此獲取服裝輪廓 更平滑，識(shí)別難度略低;其識(shí)別方法不適用于有顏色和紋理的服裝。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明所要解決的技術(shù)問題是提供一種基于傅里葉描述子和支持向量機(jī)的服裝 款式識(shí)別方法，特別是涉及一種經(jīng)圖像分割處理后進(jìn)行邊緣檢測得到服裝輪廓圖像且基于 傅里葉描述子和SVM的服裝款式識(shí)別的方法。
[0006] 本發(fā)明經(jīng)過預(yù)處理后獲得服裝輪廓，用于后續(xù)提取輪廓的形狀特征；采用的傅里 葉描述子作為一種被廣泛使用的形狀特征描述方法，能夠有效的表達(dá)輪廓的整體形狀特 點(diǎn)，具有計(jì)算簡單、抗噪性強(qiáng)等特點(diǎn)，更適合進(jìn)行快速獲取服裝款式的形態(tài)特征。SVM由于其 非線性映射的理論基礎(chǔ)避免了 "維數(shù)災(zāi)難"，學(xué)習(xí)少量的多維數(shù)據(jù)也能達(dá)到很好的分類效 果，具有較好的魯棒性，因此更適合進(jìn)行服裝的款式分類。
[0007] 本發(fā)明的服裝款式的識(shí)別方法，通過對服裝圖像的預(yù)處理，獲取服裝的外部輪廓， 然后進(jìn)行服裝的外部輪廓的傅里葉描述，再予以基于SVM的服裝款式識(shí)別;使用傅里葉描述 子提取服裝輪廓特征，以傅里葉描述子特征向量訓(xùn)練支持向量機(jī)，進(jìn)行服裝款式識(shí)別；
[0008] 所述對服裝圖像的預(yù)處理是指對服裝圖像分割處理，找到最大面積的8連通區(qū)域 即為服裝區(qū)域，并對服裝區(qū)域填充內(nèi)部空洞；
[0009] 所述獲取服裝的外部輪廓是指對服裝圖像的預(yù)處理后進(jìn)行外部的邊緣檢測，得到 服裝的輪廓圖像。
[0010]作為優(yōu)選的技術(shù)方案：
[0011] 如上所述的一種基于傅里葉描述子和支持向量機(jī)的服裝款式識(shí)別方法，所述服裝 圖像為白色背景的服裝灰度圖像，原圖為RGB空間的彩色服裝圖像，將彩色圖像三維RGB空 間中每個(gè)像素的顏色向直線R=G = B做射影，轉(zhuǎn)化為一維空間的灰度圖像。
[0012] 如上所述的一種基于傅里葉描述子和支持向量機(jī)的服裝款式識(shí)別方法，所述服裝 圖像分割的步驟為：
[0013] (1)將灰度圖像的灰度值在1〇w-255之間的值映射到0-255之間，低于low的值映射 為〇,增強(qiáng)灰度圖像中服裝圖案與背景的對比度；
[0014] (2)使用最大類間方差法對灰度圖像進(jìn)行二值化，并對二值圖像進(jìn)行取反運(yùn)算，便 于后續(xù)形態(tài)學(xué)處理；
[0015] (3)對二值圖像進(jìn)行形態(tài)學(xué)閉運(yùn)算處理，平滑服裝圖案的邊界，連接邊界狹窄的缺 口，其中閉運(yùn)算的結(jié)構(gòu)元素為半徑2-4個(gè)像素的圓盤；
[0016] (4)在上步驟獲得的二值圖像中標(biāo)記8連通的區(qū)域，找到最大面積的8連通區(qū)域即 為服裝區(qū)域，并對服裝區(qū)域填充內(nèi)部空洞。
[0017] 如上所述的一種基于傅里葉描述子和支持向量機(jī)的服裝款式識(shí)別方法，所述low 取值范圍為90-100。
[0018] 如上所述的一種基于傅里葉描述子和支持向量機(jī)的服裝款式識(shí)別方法，所述邊緣 檢測使用canny算子。
[0019] 如上所述的一種基于傅里葉描述子和支持向量機(jī)的服裝款式識(shí)別方法，所述服裝 的外部輪廓的傅里葉描述具體為：
[0020] 前處理得到了服裝輪廓的數(shù)字圖像，由于數(shù)字圖像是用像素矩陣表示的，可以看 作是像素為單位的平面坐標(biāo)系;服裝的外部輪廓中的輪廓像素點(diǎn)采用坐標(biāo)b(k) = (Xk，yk)表 示，式中a和yk分別為其橫坐標(biāo)值與縱坐標(biāo)值;k = 0，l，2，...N-l;N為輪廓像素點(diǎn)總數(shù);每個(gè) 坐標(biāo)寫成復(fù)數(shù)形式:b(k)=Xk+jyk，j為虛數(shù)單位;將復(fù)數(shù)坐標(biāo)序列b(k)進(jìn)行離散傅里葉變換 得到服裝輪廓b(k)的傅里葉描述序列a(u):
[0021]
[0022] 式中u取值為0，1，2，. . .，N-I; e為自然常數(shù)；
[0023] 為了得到對圖像平移、旋轉(zhuǎn)和縮放不敏感的傅里葉描述子，進(jìn)一步對a(u)進(jìn)行標(biāo) 準(zhǔn)化得到標(biāo)準(zhǔn)化傅里葉描述子S(U):
[0024]
[0025] 式中u 取值為1，2,3，...，N_1;
[0026] [s(l)，s(2)，s(3)，...，s(N-l)]即為表示服裝輪廓形狀特征的標(biāo)準(zhǔn)化傅里葉描述 子特征向量。
[0027] 如上所述的一種基于傅里葉描述子和支持向量機(jī)的服裝款式識(shí)別方法，所述基于 SVM的服裝款式識(shí)別采用SVM多分類器進(jìn)行服裝款式的多分類識(shí)別;具體步驟為：
[0028] 首先將訓(xùn)練集描述服裝輪廓特征的標(biāo)準(zhǔn)化傅里葉描述子特征矩陣以及服裝款式 類別標(biāo)簽作為輸入，使用網(wǎng)格搜索法進(jìn)行SVM多分類器中懲罰參數(shù)和核參數(shù)的尋優(yōu)，其中懲 罰參數(shù)的取值區(qū)間為[_8,8]，核參數(shù)的取值區(qū)間為[_8,8]，步進(jìn)值均為1;然后使用最優(yōu)的 參數(shù)、訓(xùn)練集傅里葉描述子特征矩陣及類別標(biāo)簽訓(xùn)練得到SVM多分類器;最后將測試集傅里 葉描述子特征矩陣輸入到SVM多分類器中得到預(yù)測的測試集服裝款式類別，與測試集實(shí)際 款式比較即可得到款式識(shí)別的準(zhǔn)確率。
[0029]有益效果
[0030] 由于采用以上技術(shù)方案，本發(fā)明的有益效果是，服裝圖像預(yù)處理能夠有效獲取服 裝輪廓，使用傅里葉描述子比HU不變矩和融合特征更能表達(dá)服裝的款式特征，SVM比ELM更 適合服裝款式識(shí)別。本發(fā)明提出的服裝款式的識(shí)別方法能夠使服裝款式識(shí)別達(dá)到95%以上 的準(zhǔn)確率，具有快速準(zhǔn)確的特點(diǎn)。
【附圖說明】
[0031] 圖1為服裝款式識(shí)別方法流程圖
[0032] 圖2為服裝圖像的預(yù)處理過程
[0033 ]圖3為傅里葉描述子(FD)長度與識(shí)別準(zhǔn)確率的關(guān)系圖 [0034]圖4為SVM識(shí)別系統(tǒng)流程圖
[0035] 圖5為不同特征提取技術(shù)識(shí)別效果對比圖
[0036] 圖6為ELM與SVM識(shí)別準(zhǔn)確率對比圖
[0037] 圖7為ELM與SVM測試耗時(shí)對比圖
【具體實(shí)施方式】
[0038] 下面結(jié)合【具體實(shí)施方式】，進(jìn)一步闡述本發(fā)明。應(yīng)理解，這些實(shí)施例僅用于說明本發(fā) 明而不用于限制本發(fā)明的范圍。此外應(yīng)理解，在閱讀了本發(fā)明講授的內(nèi)容之后，本領(lǐng)域技術(shù) 人員可以對本發(fā)明作各種改動(dòng)或修改，這些等價(jià)形式同樣落于本申請所附權(quán)利要求書所限 定的范圍。
[0039] 本發(fā)明的服裝款式的識(shí)別方法，如圖1所示，通過對服裝圖像的預(yù)處理，獲取服裝 的外部輪廓，然后進(jìn)行服裝的外部輪廓的傅里葉描述，再予以基于SVM的服裝款式識(shí)別;使 用傅里葉描述子提取服裝輪廓特征，以傅里葉描述子特征向量訓(xùn)練支持向量機(jī)，進(jìn)行服裝 款式識(shí)別；
[0040] 所述對服裝圖像的預(yù)處理是指對服裝圖像分割處理，找到最大面積區(qū)域即為服裝 區(qū)域，并對服裝區(qū)域填充內(nèi)部空洞；圖2為服裝圖像的預(yù)處理過程，全流程為彩色圖像-灰度 圖像-灰度增強(qiáng)圖像-二值圖像-閉運(yùn)算后的圖像-填充空洞后最大面積的圖像-輪廓圖像；
[0041] 所述獲取服裝的外部輪廓是指對服裝圖像的預(yù)處理后進(jìn)行外部的邊緣檢測，得到 服裝的輪廓圖像。
[0042] 如上所述的一種基于傅里葉描述子和支持向量機(jī)的服裝款式識(shí)別方法，所述服裝 圖像為白色背景的服裝灰度圖像，原圖為RGB空間的彩色服裝圖像，將彩色圖像三維RGB空 間中每個(gè)像素的顏色向直線R=G = B做射影，即可轉(zhuǎn)化為一維空間的灰度圖像。
[0043] 如上所述的一種基于傅里葉描述子和支持向量機(jī)的服裝款式識(shí)別方法，所述服裝 圖像分割的步驟為：
[0044] (1)將灰度圖像的灰度值在low-255之間的值映射到0-255之間，低于low的值映射 為〇,增強(qiáng)灰度圖像中服裝圖案與背景的對比度；
[0045] (2)使用最大類間方差法對灰度圖像進(jìn)行二值化，并對二值圖像進(jìn)行取反運(yùn)算，便 于后續(xù)形態(tài)學(xué)處理；
[0046] (3)對二值圖像進(jìn)行形態(tài)學(xué)閉運(yùn)算處理，平滑服裝圖案的邊界，連接邊界狹窄的缺 口，其中閉運(yùn)算的結(jié)構(gòu)元素為半徑2-4個(gè)像素的圓盤；
[0047] (4)在上步驟獲得的二值圖像中標(biāo)記8連通的區(qū)域，找到最大面積的8連通區(qū)域即 為服裝區(qū)域，并對服裝區(qū)域填充內(nèi)部空洞。
[0048] 如上所述的一種基于傅里葉描述子和支持向量機(jī)的服裝款式識(shí)別方法，所述low 取值范圍為90-100。
[0049] 如上所述的一種基于傅里葉描述子和支持向量機(jī)的服裝款式識(shí)別方法，所述邊緣 檢測使用canny算子。
[0050] 如上所述的一種基于傅里葉描述子和支持向量機(jī)的服裝款式識(shí)別方法，所述服裝 的外部輪廓的傅里葉描述具體為：
[0051] 前處理得到了服裝輪廓的數(shù)字圖像，由于數(shù)字圖像是用像素矩陣表示的，可以看 作是像素為單位的平面坐標(biāo)系;服裝的外部輪廓中的輪廓像素點(diǎn)采用坐標(biāo)b(k) = (xk，yk)表 示，式中a和yk分別為其橫坐標(biāo)值與縱坐標(biāo)值;k = 0，l，2，...N-l;N為輪廓像素點(diǎn)總數(shù);每個(gè) 坐標(biāo)寫成復(fù)數(shù)形式:b(k)=Xk+jyk，j為虛數(shù)單位;將復(fù)數(shù)坐標(biāo)序列b(k)進(jìn)行離散傅里葉變換 得到服裝輪廓b(k)的傅里葉描述序列a(u):
[0052]
[0053] 式中u取值為0，1，2, . . .，N_l;e為自然常數(shù)；
[0054] 為了得到對圖像平移、旋轉(zhuǎn)和縮放不敏感的傅里葉描述子，進(jìn)一步對a(u)進(jìn)行標(biāo) 準(zhǔn)化得到標(biāo)準(zhǔn)化傅里葉描述子S(U):
[0055]
[0056] 式中u 取值為1，2,3，···，Ν-1;
[0057] [s(l)，s(2)，s(3)，...，s(N-l)]即為表示服裝輪廓形狀特征的標(biāo)準(zhǔn)化傅里葉描述 子特征向量。
[0058] 在傅里葉描述子提取服裝輪廓特征后進(jìn)行服裝款式識(shí)別，本發(fā)明選用SVM作為服 裝款式特征的分類器。SVM是一種有監(jiān)督的學(xué)習(xí)模型，可以學(xué)習(xí)不同類別的已知樣本特點(diǎn)， 進(jìn)而對未知樣本進(jìn)行預(yù)測。SVM的基本思想是建立一個(gè)分類超平面，使得樣本空間中正例和 反例之間的距離最大化，其本質(zhì)上是一個(gè)二分類的算法，但也可以擴(kuò)展成多分類的分類器， 所述基于SVM的服裝款式識(shí)別采用IibSVM工具箱(www. csie .ntu. edu. tw/~c jlin/libsvm) 進(jìn)行服裝款式的SVM多分類識(shí)別;具體步驟為：
[0059] 服裝款式SVM識(shí)別系統(tǒng)流程如圖4所示，首先將訓(xùn)練集描述服裝輪廓特征的標(biāo)準(zhǔn)化 傅里葉描述子特征矩陣以及服裝款式類別標(biāo)簽作為輸入，使用網(wǎng)格搜索法進(jìn)行SVM多分類 器中懲罰參數(shù)和核參數(shù)的尋優(yōu)，其中懲罰參數(shù)的取值區(qū)間為[_8,8]，核參數(shù)的取值區(qū)間為 [_8,8]，步進(jìn)值均為1;然后使用最優(yōu)的參數(shù)、訓(xùn)練集傅里葉描述子特征矩陣及類別標(biāo)簽訓(xùn) 練得到SVM多分類器;最后將測試集傅里葉描述子特征矩陣輸入到SVM多分類器中得到預(yù)測 的測試集服裝款式類別，與測試集實(shí)際款式比較即可得到款式識(shí)別的準(zhǔn)確率。
[0060] 傅里葉描述子的低頻分量表示總體形狀特征，高頻分量表示形狀細(xì)節(jié)特征，由于 服裝款式識(shí)別主要基于服裝的總體形狀，只需選取標(biāo)準(zhǔn)化傅里葉描述子的部分低頻分量描 述服裝的形態(tài)特征，因此進(jìn)行預(yù)實(shí)驗(yàn)獲取最優(yōu)的標(biāo)準(zhǔn)化傅里葉描述子特征向量長度。預(yù)實(shí) 驗(yàn)服裝照片樣本集進(jìn)行預(yù)處理和傅里葉描述，得到標(biāo)準(zhǔn)化傅里葉描述子特征向量，分別選 取不同的特征向量長度（1，2,3, ...，50)，進(jìn)行SVM多分類器訓(xùn)練和分類測試。預(yù)實(shí)驗(yàn)樣本集 平均分類準(zhǔn)確率如圖3所示。由圖3可知長度為20的標(biāo)準(zhǔn)化傅里葉描述子特征向量的分類準(zhǔn) 確率最高，因此本實(shí)施例中描述服裝款式特征的標(biāo)準(zhǔn)化傅里葉描述子特征向量長度皆選取 20,特征向量即為[s(l)，s(2)， s(3)，...，s(20)]。
[0061 ] 實(shí)施例1
[0062] 本實(shí)施例利用Matlab R2014a編程實(shí)現(xiàn)，創(chuàng)建了一個(gè)新的樣本庫，樣本庫共有650 個(gè)服裝照片樣本，收集自天貓網(wǎng)(WWW. tmalI. com)，分為8個(gè)款式類別，樣本類別詳情如表1 所示。隨機(jī)抽取樣本庫中60 %的樣本作為訓(xùn)練集，剩余的40 %作為測試集，組成一個(gè)樣本集 [訓(xùn)練集;測試集]，隨機(jī)抽取10組樣本集進(jìn)行分類實(shí)驗(yàn)。
[0063]表1服裝照片樣本庫
[0066]服裝款式識(shí)別結(jié)果比較：
[0067]總體識(shí)別準(zhǔn)確率在95%以上，各款式識(shí)別準(zhǔn)確率如表2所示。長褲、短褲和短袖T恤 等款式的識(shí)別準(zhǔn)確率較高(96%以上），主要是因?yàn)槠湫螤钐卣髋c其他款式差別較明顯。而 西裝上衣、外套和長袖襯衣相比其他幾類準(zhǔn)確率低，因?yàn)槿叩牟顒e主要在領(lǐng)子和門襟等 形狀細(xì)節(jié)上，而沒有體現(xiàn)在外觀輪廓上。
[0068]表2測試集款式識(shí)別結(jié)果分析表
[0070]不同特征提取技術(shù)識(shí)別效果比較：
[0071]為了驗(yàn)證傅里葉描述子描述形狀特征的優(yōu)越性，對比分析了 HU不變矩和融合特征 法描述服裝款式特征的識(shí)別效果。HU不變矩是以圖像歸一化中心不變矩的形式來表示圖像 形狀特征，對圖像具有旋轉(zhuǎn)、縮放和平移不變性的7個(gè)HU不變矩特征向量為：Φ =[ Φ I φ2， Φ3，Φ4，Φ5，Φ6，Φ7]。
[0072]融合特征法是將HU不變矩和傅里葉描述子兩個(gè)特征向量采用串行特征融合的方 式融合，得到融合特征向量f =[ Φ，s (u)]。由于不同特征表達(dá)的物理意義和取值范圍的不 同，所以采用融合特征分類時(shí)需要對特征向量進(jìn)行內(nèi)部的歸一化。特征向量的歸一化采用 高斯歸一化，即對特征矩陣f計(jì)算其每個(gè)分量的均值μ和標(biāo)準(zhǔn)差〇,將其每個(gè)分量歸一化至[_ I，1 ]區(qū)間。歸一化后的融合特征即：r = (f-μ) /〇。
[0073]結(jié)果見圖5,證明了傅里葉描述子比HU不變矩和融合特征更能描述服裝的款式特 征。
[0074]對樣本集提取傅里葉描述子特征、HU不變矩特征和融合特征，進(jìn)行SVM分類訓(xùn)練與 測試，識(shí)別準(zhǔn)確率如圖5所示。結(jié)果顯示傅里葉描述子的識(shí)別效果明顯高于HU不變矩。同時(shí)， 融合特征法識(shí)別準(zhǔn)確率與傅里葉描述子相比略低1 %左右，說明HU不變矩和傅里葉描述子 的融合并不能提高識(shí)別效果。因此，單一采用傅里葉描述子表征服裝的款式即可。
[0075]支持向量機(jī)與極端學(xué)習(xí)機(jī)識(shí)別效果比較：
[0076] Huang(HUANG G B,ZHU G Y,SIEff C K.Extreme learning machine：Theory and applicatioons[J] · Neurocomput ing，2006,70(1-3) :489-501 ·)提出的極端學(xué)習(xí)機(jī) (Extreme Learning Machine,ELM)是通過對單隱層神經(jīng)網(wǎng)絡(luò)的輸入權(quán)值和隱層節(jié)點(diǎn)偏移 量隨機(jī)的賦值，經(jīng)過一步計(jì)算即可求解出神經(jīng)網(wǎng)絡(luò)的輸出權(quán)值。ELM能夠極大的提高網(wǎng)絡(luò)學(xué) 習(xí)的速度和泛化能力，具有很高的運(yùn)算速度優(yōu)勢，但卻不可避免的造成過擬合的隱患，使分 類效果降低。
[0077]為了驗(yàn)證ELM對服裝款式傅里葉描述子的識(shí)別效果，使用了 Huang開發(fā)的elm_ kernel工具箱進(jìn)行ELM識(shí)別實(shí)驗(yàn)。每組樣本集分別使用傅里葉描述子特征向量進(jìn)行ELM與 SVM識(shí)別實(shí)驗(yàn)，識(shí)別準(zhǔn)確率和識(shí)別測試耗時(shí)結(jié)果對比如圖6、圖7所示?？梢钥闯霰景l(fā)明SVM算 法在速度上達(dá)到了ELM的速度，而識(shí)別準(zhǔn)確率相比則大大提高。本發(fā)明提出的使用SVM對服 裝款式的傅里葉描述子特征進(jìn)行識(shí)別的方法具有快速和有效的特點(diǎn)。
【主權(quán)項(xiàng)】
1. 一種基于傅里葉描述子和支持向量機(jī)的服裝款式識(shí)別方法，其特征是:通過對服裝 圖像的預(yù)處理，獲取服裝的外部輪廓，然后進(jìn)行服裝的外部輪廓的傅里葉描述，再予以基于 支持向量機(jī)的服裝款式識(shí)別； 所述對服裝圖像的預(yù)處理是指對服裝圖像分割處理，找到最大面積的8連通區(qū)域即為 服裝區(qū)域，并對服裝區(qū)域填充內(nèi)部空洞； 所述獲取服裝的外部輪廓是指對服裝圖像的預(yù)處理后進(jìn)行外部的邊緣檢測，得到服裝 的輪廓圖像。2. 根據(jù)權(quán)利要求1所述的一種基于傅里葉描述子和支持向量機(jī)的服裝款式識(shí)別方法， 其特征在于，所述服裝圖像為白色背景的服裝灰度圖像;原圖為RGB空間的彩色服裝圖像， 將彩色圖像三維RGB空間中每個(gè)像素的顏色向直線R=G=B做射影，轉(zhuǎn)化為一維空間的灰度 圖像。3. 根據(jù)權(quán)利要求1所述的一種基于傅里葉描述子和支持向量機(jī)的服裝款式識(shí)別方法， 其特征在于，所述服裝圖像分割的步驟為： (1) 將灰度圖像的灰度值在l〇w-255之間的值映射到0-255之間，低于low的值映射為0， 增強(qiáng)灰度圖像中服裝圖案與背景的對比度； (2) 使用最大類間方差法對灰度圖像進(jìn)行二值化，并對二值圖像進(jìn)行取反運(yùn)算，便于后 續(xù)形態(tài)學(xué)處理； (3) 對二值圖像進(jìn)行形態(tài)學(xué)閉運(yùn)算處理，平滑服裝圖案的邊界，連接邊界狹窄的缺口， 其中閉運(yùn)算的結(jié)構(gòu)元素為半徑2-4個(gè)像素的圓盤； (4) 在上步驟獲得的二值圖像中標(biāo)記8連通的區(qū)域，找到最大面積的8連通區(qū)域即為服 裝區(qū)域，并對服裝區(qū)域填充內(nèi)部空洞。4. 根據(jù)權(quán)利要求3所述的一種基于傅里葉描述子和支持向量機(jī)的服裝款式識(shí)別方法， 其特征在于，所述low取值范圍為90-100。5. 根據(jù)權(quán)利要求1所述的一種基于傅里葉描述子和支持向量機(jī)的服裝款式識(shí)別方法， 其特征在于，所述邊緣檢測使用canny算子。6. 根據(jù)權(quán)利要求1所述的一種基于傅里葉描述子和支持向量機(jī)的服裝款式識(shí)別方法， 其特征在于，所述服裝的外部輪廓的傅里葉描述具體為： 服裝的外部輪廓中的輪廓像素點(diǎn)采用坐標(biāo)b(k) = (Xk，yk)表示，式中XdPyk分別為其橫 坐標(biāo)值與縱坐標(biāo)值;k = 0，1，2，. . .N-1;N為輪廓像素點(diǎn)總數(shù);每個(gè)坐標(biāo)寫成復(fù)數(shù)形式： b(k)=xk+jyk，j為虛數(shù)單位;將復(fù)數(shù)坐標(biāo)序列b(k)進(jìn)行離散傅里葉變換得到服裝輪廓b (k)的傅里葉描述序列a(u):式中u取值為0，1，2，. . .，N-1; e為自然常數(shù)； 為了得到對圖像平移、旋轉(zhuǎn)和縮放不敏感的傅里葉描述子，進(jìn)一步對a(u)進(jìn)行標(biāo)準(zhǔn)化 得到標(biāo)準(zhǔn)化傅里葉描述子s(u):式中u取值為1，2,3，...，N-1; [S(1)，S(2)，S(3)，...，S(N-1)]即為表示服裝輪廓形狀特征的標(biāo)準(zhǔn)化傅里葉描述子特 征向量。7.根據(jù)權(quán)利要求1所述的一種基于傅里葉描述子和支持向量機(jī)的服裝款式識(shí)別方法， 其特征在于，所述基于支持向量機(jī)的服裝款式識(shí)別采用支持向量機(jī)多分類器進(jìn)行服裝款式 的多分類識(shí)別;具體步驟為： 首先將訓(xùn)練集描述服裝輪廓特征的標(biāo)準(zhǔn)化傅里葉描述子特征矩陣以及服裝款式類別 標(biāo)簽作為輸入，使用網(wǎng)格搜索法進(jìn)行支持向量機(jī)多分類器中懲罰參數(shù)和核參數(shù)的尋優(yōu)，其 中懲罰參數(shù)的取值區(qū)間為[_8,8]，核參數(shù)的取值區(qū)間為[_8,8]，步進(jìn)值均為1;然后使用最 優(yōu)的參數(shù)、訓(xùn)練集傅里葉描述子特征矩陣及類別標(biāo)簽訓(xùn)練得到支持向量機(jī)多分類器;最后 將測試集傅里葉描述子特征矩陣輸入到支持向量機(jī)多分類器中得到預(yù)測的測試集服裝款 式類別，與測試集實(shí)際款式比較即可得到款式識(shí)別的準(zhǔn)確率。
【文檔編號(hào)】G06K9/46GK106056132SQ201610334158
【公開日】2016年10月26日
【申請日】2016年5月19日
【發(fā)明人】萬賢福, 李 東, 汪軍
【申請人】東華大學(xué)