一種基于傅里葉描述子和bp神經(jīng)網(wǎng)絡(luò)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BP神經(jīng)網(wǎng)絡(luò)的服裝款式識(shí)別方法，通過對(duì)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，并進(jìn)行數(shù)據(jù)的預(yù)處理，再予以基于反向傳播(BP)神經(jīng)網(wǎng)絡(luò)的服裝款式識(shí)別。所述對(duì)服裝圖像的預(yù)處理是指對(duì)服裝圖像分割處理，分割得到服裝區(qū)域，并進(jìn)行邊緣檢測(cè)，得到服裝的輪廓圖像。所述對(duì)服裝的外部輪廓的傅里葉描述是指提取服裝輪廓形狀的標(biāo)準(zhǔn)化傅里葉描述子特征向量，所述數(shù)據(jù)的預(yù)處理是對(duì)標(biāo)準(zhǔn)化傅里葉描述子特征向量進(jìn)行歸一化處理和主成分分析。所述基于BP神經(jīng)網(wǎng)絡(luò)的服裝款式識(shí)別是對(duì)主成分矩陣使用三層的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行服裝款式的識(shí)別。本發(fā)明能夠達(dá)到81％的識(shí)別準(zhǔn)確率，魯棒性和泛化能力強(qiáng)，可適用于服裝圖像中服裝的款式識(shí)別。
【專利說明】
-種基于傅里葉描述子和BP神經(jīng)網(wǎng)絡(luò)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，設(shè)及一種基于傅里葉描述子和BP神經(jīng)網(wǎng)絡(luò)的服 裝款式識(shí)別方法，特別是設(shè)及一種經(jīng)圖像分割處理后進(jìn)行邊緣檢測(cè)得到服裝輪廓圖像且基 于傅里葉描述子和BP神經(jīng)網(wǎng)絡(luò)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(shì)，制定出有針對(duì)性的產(chǎn)品組合、營(yíng)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W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等化OU A L，ZHA0 L Q，SHI D〔.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化U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(jiǎn)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 W.An integrated approach to fashion flat sketches cl曰ssific曰tion[J]. InterMtional Journ曰I 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(duì)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,FD)的結(jié)合。由于WFD特征向量之間的相似度對(duì)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WFD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BP神經(jīng)網(wǎng)絡(luò)的服裝 款式識(shí)別方法，特別是設(shè)及一種經(jīng)圖像分割處理后進(jìn)行邊緣檢測(cè)得到服裝輪廓圖像且基于 傅里葉描述子和BP神經(jīng)網(wǎng)絡(luò)的服裝的款式識(shí)別方法。
[0006] 本發(fā)明經(jīng)過預(yù)處理后獲得服裝輪廓，用W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(jiǎn)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。B巧巾經(jīng)網(wǎng) 絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，能學(xué)習(xí)和存膽大量的輸入-輸出模式映 射關(guān)系，而無需事前掲示描述運(yùn)種映射關(guān)系的數(shù)學(xué)方程，具有自學(xué)習(xí)和自適應(yīng)能力，并且優(yōu) 秀的泛化能力能夠?qū)W(xué)習(xí)結(jié)果應(yīng)用于新知識(shí)。結(jié)合傅里葉描述子具有較好的輪廓描述能力 和BP神經(jīng)網(wǎng)絡(luò)較強(qiáng)的自學(xué)習(xí)能力，利用傅里葉描述子與BP神經(jīng)網(wǎng)絡(luò)的組合更適合進(jìn)行服裝 的款式識(shí)別，具有較好的魯棒性和較高的識(shí)別率。
[0007] 本發(fā)明的服裝款式的識(shí)別方法，通過對(duì)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，并進(jìn)行數(shù)據(jù)的預(yù)處理，再予W基于BP神經(jīng)網(wǎng)絡(luò)的 服裝款式識(shí)別；使用傅里葉描述子提取服裝輪廓特征，W數(shù)據(jù)預(yù)處理后的主成分矩陣訓(xùn)練 BP神經(jīng)網(wǎng)絡(luò)，進(jìn)行服裝款式識(shí)別；
[0008] 所述對(duì)服裝圖像的預(yù)處理是指對(duì)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(duì)服裝區(qū)域填充內(nèi)部空桐；
[0009] 所述獲取服裝的外部輪廓是指對(duì)服裝圖像的預(yù)處理后進(jìn)行外部的邊緣檢測(cè)，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BP神經(jīng)網(wǎng)絡(luò)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S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BP神經(jīng)網(wǎng)絡(luò)的服裝款式識(shí)別方法，所述服裝 圖像分割的步驟為：
[OOU] (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0,增強(qiáng)灰度圖像中服裝圖案與背景的對(duì)比度；
[0014] (2)使用最大類間方差法對(duì)灰度圖像進(jìn)行二值化，并對(duì)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(duì)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(duì)服裝區(qū)域填充內(nèi)部空桐。
[0017] 如上所述的一種基于傅里葉描述子和BP神經(jīng)網(wǎng)絡(luò)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BP神經(jīng)網(wǎng)絡(luò)的服裝款式識(shí)別方法，所述邊緣 檢測(cè)使用canny算子。
[0019] 如上所述的一種基于傅里葉描述子和BP神經(jīng)網(wǎng)絡(luò)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W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)6化）=(祉，7〇表 示，式中Xk和yk分別為其橫坐標(biāo)值與縱坐標(biāo)值;k = 0，l，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:Mk) =xk+jyk，j為虛數(shù)單位;將復(fù)數(shù)坐標(biāo)序列Kk)進(jìn)行離散傅里葉變換 得到服裝輪廓Kk)的傅里葉描述序列a(u):
[0021] ;
[0022] 式中U取值為0，I，2，. . .，N-I; e為自然常數(shù)；
[0023] 為了得到對(duì)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(duì)a(u)進(jìn)行標(biāo) 準(zhǔn)化得到標(biāo)準(zhǔn)化傅單葉描述子S(U):
[0024]
[0025] 式中U 取值為1，2,3，...，N-1;
[0026] k(l)，s(2)，s(3)，...，S(N-I)]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BP神經(jīng)網(wǎng)絡(luò)的服裝款式識(shí)別方法，所述數(shù)據(jù) 的預(yù)處理是對(duì)標(biāo)準(zhǔn)化傅里葉描述子特征向量進(jìn)行歸一化處理和主成分分析;所述歸一化處 理是將標(biāo)準(zhǔn)化傅里葉描述子特征向量映射到[0，1]或[-1,1]或更小的區(qū)間，得到歸一化傅 里葉描述子特征向量;所述主成分分析是將歸一化傅里葉描述子特征向量進(jìn)行主成分分 析，選取累計(jì)貢獻(xiàn)率為95 %或99 %的向量為主成分向量。
[0028] 如上所述的一種基于傅里葉描述子和BP神經(jīng)網(wǎng)絡(luò)的服裝款式識(shí)別方法，所述基于 BP神經(jīng)網(wǎng)絡(luò)的服裝款式識(shí)別是對(duì)樣本集的主成分矩陣使用S層的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行服裝款 式的多分類識(shí)別;具體步驟為：
[0029] (1)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為=層，分別是輸入層、隱含層和輸出層；
[0030] (2)輸入數(shù)據(jù)為樣本集的主成分矩陣和款式類別標(biāo)簽，輸入層的神經(jīng)元節(jié)點(diǎn)數(shù)為 主成分矩陣的特征維度；
[0031] (3)隱含層的神經(jīng)元節(jié)點(diǎn)數(shù)由多次實(shí)驗(yàn)擇優(yōu)選擇，可選范圍為10-30;
[0032] (4)輸出層的神經(jīng)元節(jié)點(diǎn)數(shù)為款式類別數(shù)，輸出為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和分類結(jié)果。
[0033] 有益效果
[0034] 由于采用W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，使用傅里葉描述子能夠表達(dá)服裝的款式特征。本發(fā)明提出的基于傅里葉描述子和 BP神經(jīng)網(wǎng)絡(luò)的服裝的款式識(shí)別方法能夠使服裝的款式識(shí)別達(dá)到81% W上的準(zhǔn)確率，具有較 高的魯棒性和泛化能力。
【附圖說明】
[0035] 圖1為服裝的款式識(shí)別方法流程圖
[0036] 圖2為服裝圖像的預(yù)處理過程
[0037] 圖3為BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)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，運(yùn)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W對(duì)本發(fā)明作各種改動(dòng)或修改，運(yùn)些等價(jià)形式同樣落于本申請(qǐng)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I所示，通過對(duì)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，并進(jìn)行數(shù)據(jù)的預(yù)處理，再予W基于BP 神經(jīng)網(wǎng)絡(luò)的服裝款式識(shí)別；使用傅里葉描述子提取服裝輪廓特征，W數(shù)據(jù)預(yù)處理后的傅里 葉描述子特征矩陣訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，進(jìn)行服裝款式識(shí)別；
[0040] 所述對(duì)服裝圖像的預(yù)處理是指對(duì)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(duì)服裝區(qū)域填充內(nèi)部空桐；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-填充空桐后最大面積的圖像-輪廓圖像；
[0041] 所述獲取服裝的外部輪廓是指對(duì)服裝圖像的預(yù)處理后進(jìn)行外部的邊緣檢測(cè)，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BP神經(jīng)網(wǎng)絡(luò)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S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BP神經(jīng)網(wǎng)絡(luò)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0,增強(qiáng)灰度圖像中服裝圖案與背景的對(duì)比度；
[0045] (2)使用最大類間方差法對(duì)灰度圖像進(jìn)行二值化，并對(duì)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(duì)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(duì)服裝區(qū)域填充內(nèi)部空桐。
[004引如上所述的一種基于傅里葉描述子和BP神經(jīng)網(wǎng)絡(luò)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BP神經(jīng)網(wǎng)絡(luò)的服裝款式識(shí)別方法，所述邊緣 檢測(cè)使用canny算子。
[0050] 如上所述的一種基于傅里葉描述子和BP神經(jīng)網(wǎng)絡(luò)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W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)6化）=(祉，7〇表 示，式中Xk和yk分別為其橫坐標(biāo)值與縱坐標(biāo)值;k = 0，l，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:Mk) =xk+jyk，j為虛數(shù)單位;將復(fù)數(shù)坐標(biāo)序列Kk)進(jìn)行離散傅里葉變換 得到服裝輪廓Kk)的傅里葉描述序列a(u):
[0化2]
[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(duì)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(duì)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):
[0化5]
[0056] 式中U取值為1，2,3, . . .，N-1;
[0057] k(l)，s(2)，s(3)，...，S(N-I)]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。
[005引如上所述的一種基于傅里葉描述子和BP神經(jīng)網(wǎng)絡(luò)的服裝款式識(shí)別方法，所述數(shù)據(jù) 的預(yù)處理是對(duì)標(biāo)準(zhǔn)化傅里葉描述子特征向量進(jìn)行歸一化處理和主成分分析;所述歸一化處 理是將標(biāo)準(zhǔn)化傅里葉描述子特征向量映射到[0，1]或[-1,1]或更小的區(qū)間，得到歸一化傅 里葉描述子特征向量;所述主成分分析是將歸一化傅里葉描述子進(jìn)行主成分分析，選取累 計(jì)貢獻(xiàn)率為95 %或99 %的向量為主成分向量。
[0059] 如上所述的一種基于傅里葉描述子和BP神經(jīng)網(wǎng)絡(luò)的服裝款式識(shí)別方法，所述基于 BP神經(jīng)網(wǎng)絡(luò)的服裝款式識(shí)別是對(duì)樣本集的主成分矩陣使用S層的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行服裝款 式的多分類識(shí)別;B巧巾經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示;具體步驟為：
[0060] (1)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為=層，分別是輸入層、隱含層和輸出層；
[0061] (2)輸入數(shù)據(jù)為樣本集的主成分矩陣和款式類別標(biāo)簽，輸入層的神經(jīng)元節(jié)點(diǎn)數(shù)為 主成分矩陣的特征維度；
[0062] (3)隱含層的神經(jīng)元節(jié)點(diǎn)數(shù)由多次實(shí)驗(yàn)擇優(yōu)選擇，可選范圍為10-30;
[0063] (4)輸出層的神經(jīng)元節(jié)點(diǎn)數(shù)為款式類別數(shù)，輸出為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和分類結(jié)果。
[0064] 實(shí)施例1
[0065] 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(kù)，樣本庫(kù)共有650 個(gè)服裝照片樣本，收集自天貓網(wǎng)(WWW. tmal 1. 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(kù)中70%的樣本作為訓(xùn)練集，剩余的30%作為測(cè)試集。
[0066] 表1服裝照片樣本庫(kù)
[0067]
[006引
[0069] 服裝款式識(shí)別結(jié)果比較：
[0070] 樣本庫(kù)分別提取傅里葉描述子并進(jìn)行數(shù)據(jù)預(yù)處理，再進(jìn)行基于BP神經(jīng)網(wǎng)絡(luò)的款式 識(shí)別。樣本庫(kù)所有款式平均識(shí)別準(zhǔn)確率為81.00%，各款式識(shí)別結(jié)果如表2所示。長(zhǎng)褲、短褲 和短袖T恤等款式的形狀特征與其他款式差別較明顯，因此識(shí)別準(zhǔn)確率較高。西裝上衣、外 套和長(zhǎng)袖襯衣相比其他幾類識(shí)別準(zhǔn)確率較低，因?yàn)?者的外觀輪廓相似性比較高，差別主 要在領(lǐng)子和口襟等形狀細(xì)節(jié)。
[0071] 夫2娜I試隹款擊巧別結(jié)罷A析夫
[0072]
【主權(quán)項(xiàng)】
1. 一種基于傅里葉描述子和BP神經(jīng)網(wǎng)絡(luò)的服裝款式識(shí)別方法，其特征是：通過對(duì)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，并進(jìn)行數(shù)據(jù) 的預(yù)處理，再予以基于BP神經(jīng)網(wǎng)絡(luò)的服裝款式識(shí)別； 所述對(duì)服裝圖像的預(yù)處理是指對(duì)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(duì)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(duì)服裝圖像的預(yù)處理后進(jìn)行外部的邊緣檢測(cè)，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BP神經(jīng)網(wǎng)絡(luò)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BP神經(jīng)網(wǎng)絡(luò)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O， 增強(qiáng)灰度圖像中服裝圖案與背景的對(duì)比度； (2) 使用最大類間方差法對(duì)灰度圖像進(jìn)行二值化，并對(duì)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(duì)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(duì)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BP神經(jīng)網(wǎng)絡(luò)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BP神經(jīng)網(wǎng)絡(luò)的服裝款式識(shí)別方法， 其特征在于，所述邊緣檢測(cè)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BP神經(jīng)網(wǎng)絡(luò)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，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):式中u取值為0，1，2，. . .，N-I; e為自然常數(shù)；為了得到對(duì)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(duì)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BP神經(jīng)網(wǎng)絡(luò)的服裝款式識(shí)別方法， 其特征在于，所述數(shù)據(jù)的預(yù)處理是對(duì)標(biāo)準(zhǔn)化傅里葉描述子特征向量進(jìn)行歸一化處理和主成 分分析;所述歸一化處理是將標(biāo)準(zhǔn)化傅里葉描述子特征向量映射到[〇，1]或[_1，1]或更小 的區(qū)間，得到歸一化傅里葉描述子特征向量;所述主成分分析是將歸一化傅里葉描述子特 征向量進(jìn)行主成分分析，選取累計(jì)貢獻(xiàn)率為95 %或99 %的向量為主成分向量。8. 根據(jù)權(quán)利要求1所述的一種基于傅里葉描述子和BP神經(jīng)網(wǎng)絡(luò)的服裝款式識(shí)別方法， 其特征在于，所述基于BP神經(jīng)網(wǎng)絡(luò)的服裝款式識(shí)別是對(duì)樣本集的主成分矩陣使用三層的BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行服裝款式的多分類識(shí)別;具體步驟為： (1) 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為三層，分別是輸入層、隱含層和輸出層； (2) 輸入數(shù)據(jù)為樣本集的主成分矩陣和款式類別標(biāo)簽，輸入層的神經(jīng)元節(jié)點(diǎn)數(shù)為主成 分矩陣的特征維度； (3) 隱含層的神經(jīng)元節(jié)點(diǎn)數(shù)由多次實(shí)驗(yàn)擇優(yōu)選擇，可選范圍為10-30; (4) 輸出層的神經(jīng)元節(jié)點(diǎn)數(shù)為款式類別數(shù)，輸出為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和分類結(jié)果。
【文檔編號(hào)】G06K9/46GK106022343SQ201610334096
【公開日】2016年10月12日
【申請(qǐng)日】2016年5月19日
【發(fā)明人】萬賢福, 李 東, 汪軍
【申請(qǐng)人】東華大學(xué)