CN104200233A - 一种基于韦伯局部描述符的服装分类识别方法 - Google Patents

Abstract

本发明公开了一种基于韦伯局部描述符的服装分类识别方法，属于图像处理和模式识别技术。包括对作为训练样本的服装图像和待分类的服装图像利用韦伯局部描述符进行特征提取，得出用于表征该服装图像的特征向量；并且依次求取待分类服装图像的特征向量与训练样本中服装图像的特征向量之间的相似度；第二步，选取与训练样本相似度最高的待分类服装，通过两者特征向量的差异来选取与训练样本相似度最高的待分类服装。本发明能够在使用少量训练样本的同时较好地解决多分类问题，同时需要的每一种服装所能提供的训练样本少；而且能够定量描述服装款式，便于快速查询服装的信息。

Description

一种基于韦伯局部描述符的服装分类识别方法

技术领域

一种基于韦伯局部描述符的服装分类识别方法，属于图像处理和模式识别技术。 

背景技术

目前，常用的物品分类识别的方法主要有基于SVM(支持向量机)的模式分类方法，基于BP人工神经网络的模式分类方法，基于Adaboost算法的模式分类方法等。但这些方法都有自身的局限性。 

SVM(支持向量机)的模式分类方法是通过一个非线性映射p，把样本空间映射到一个高维乃至无穷维的特征空间中(Hilbert空间)，使得在原来的样本空间中非线性可分的问题转化为在特征空间中的线性可分的问题，但是SVM(支持向量机)对二分类问题较为有效，当面临多分类问题时效果往往不理想。 

基于BP人工神经网络和Adaboost算法的模式分类方法都采用一种基于贪心学习的策略来搜索假设空间，这种方法一般只能获得局部最优解。此外，这两类方法需要大量的训练样本构建分类器；只有当满足这一条件时，才能对测试集进行较好的分类。若训练样本过少，则无法获得较好的分类效果。 

发明内容

发明目的：为了克服现有技术中存在的不足，本发明提供一种基于韦伯局部描述符的服装分类识别方法，该方法能够在使用少量训练样本的同时较好地解决多分类问题，同时需要的每一种服装所能提供的训练样本少；而且能够定量描述服装款式，将其用于服装信息的检索，便于快速查询服装的信息。 

为实现上述目的，本发明采用的技术方案为：一种基于韦伯局部描述符的服装分类识别方法，包括以下步骤：第一步，在训练集中，每一种服装包含3至10张的训练样本，对作为训练样本的服装图像利用韦伯局部描述符进行特征提取，得出用于表征该服装图像的特征向量；同样对待分类的服装图像提取基于韦伯局部描述符的特征向量，并且依次求取待分类服装图像的特征向量与训练样本中服装图像的特征向量之间的相似度；第二步，选取与训练样本相似度最高的待分类服装，若两者特征向量的差异低于某一设定的阈值则认为该待分类的服装属于训练样本中对应的那一类服装；若特征向量的差异高于设定的某一阈值，则通过求取待分类服装与训练样本中每一种服装中训练样本 相似度的均值来判断，将均值最小者定义为待分类服装所属的服装类别。 

优选的：所述韦伯局部描述符进行特征向量提取的方法,包括以下步骤，首先将服装图像分块成子图像，分别对每一块子图像提取基于韦伯局部描述符的子图像特征向量，然后将所有区块的子图像特征向量依次连接，得出用于表征该图像的特征向量。 

优选的：所述韦伯局部描述符进行服装图像特征向量提取的方法，包括以下步骤： 

1)，通过使用韦伯局部描述符将该服装图像中的子图像分为差励图像和方向图像两部分；然后利用差励算子f₀₀计算像素x_c的差励ξ(x_c)： 

$\mathrm{\ξ}\left(x_c\right)=\arctan \left[\underset{i=0}{\overset{p-1}{\mathrm{\Σ}}}\left(\frac{x_i-x_c}{x_c}\right)\right]---\left(3\right)$

其中，其中差励算子f₀₀为：x_i是当前像素x_c的第i个邻域像素，ξ(x_c)∈[-π/2,π/2]；同时构造差励ξ(x_c)特征向量对应的直方图，把[-π/2,π/2]分为M个区间l_m(m＝0,1,...,M-1)；对每个区间l_m，有l_m＝[η_m,l,η_m,u]，其中，下区间η_m,l＝(m/M-1/2)π，上区间η_m,u＝[(m+1)/M-1/2]π。 

同时，利用算子f₁₀和f₁₁计算出像素x_c的梯度方向， 

其中， $\mathrm{\θ}\left(x_c\right)=\arctan \left(\frac{v_s^{11}}{v_s^{10}}\right)---\left(4\right),$

和是利用算子f₁₀和f₁₁计算后的结果， 

算子f₁₀为： $v_s^{10}=x_5-x_1,$ 算子f₁₁为： $v_s^{11}=x_7-x_3---\left(5\right)$

其中，x₁，x₃，x₅，x₇分别是当前像素x_c的第1、3、5、7个邻域像素， 

T是θ被量化的T个主方向，映射

${\mathrm{\θ}}^{\′}=\arctan 2(v_s^{11},v_s^{10})+\mathrm{\π},$

$\arctan 2(v_s^{11},v_s^{10})=\left\{\begin{array}{cc}\mathrm{\&theta;},& v_s^{11}>0\mathrm{and}{v}_s^{10}>0\\ \mathrm{\&pi;}-\mathrm{\&theta;},& v_s^{11}>0\mathrm{and}{v}_s^{10}<0\\ \mathrm{\&theta;}-\mathrm{\&pi;},& v_s^{11}<0\mathrm{and}{v}_s^{10}<0\\ -\mathrm{\&theta;},& v_s^{11}<0\mathrm{and}{v}_s^{10}>0\end{array}\right.---\left(6\right)$

θ∈[-π/2,π/2]，θ'∈[0,2π]。 

2)，构造差励图像：首先构造一幅与原图像大小相同且灰度全为0的差励图像，然后对原图像的每个像素点x_c求其差励值ξ(x_c)，若ξ(x_c)∈l_m则差励图像在相应位置的值为m+1；构造方向图像：首先构造一幅与原图像大小相同且灰度全为0的方向图像，然后对原图像的每个像素经公式(4)(5)(6)计算θ'(x_c)，若θ'(x_c)的值落在区间[Φ_t-π/T,Φ_t+π/T]则通过公式(7)将其变换为Φ_t，以Φ_t代表像素x_c所对应的主方向，将该主方向所对应的方向值记为t+1。 

3)，构造直方图，求取特征向量：根据第二步得出的差励图像、方向图像，根据这两幅图计算二维直方图{WLD(l_m,Φ_t)},(m＝0,1,...,M-1,t＝0,1,...,T-1)，其大小为T×M，M是ξ的区间数，T为Φ的区间数；使用二维直方图的每一行形成一个一维直方图H(k),(k＝0,1,...,M-1)，每一个子直方图H(k)对应的是差励区间l_k，连结所有的M个子直方图，形成最终的一维直方图H＝{H_m},m＝0,1,...,M-1；将该图像分成M×N块子图像，对每一块子图像分别计算一维直方图，将所有的子图像一维直方图依次连接作为对该图像的描述。 

4.根据权利要求3所述的基于韦伯局部描述符的服装分类识别方法，其特征在于：在第二步，选取与训练样本相似度最高的待分类服装方法是使用基于直方图向量的最邻近分类器进行分类：使用χ²的直方图相似性度量方法： 

${\mathrm{\&chi;}}^2(S,M)=\underset{i}{\mathrm{\&Sigma;}}\frac{{(S_i-M_i)}^2}{S_i+M_i}---\left(8\right)$

其中S，M是两个样本的一维WLD直方图向量，若公式(8)的结果小于某一阈值，则认为该待分类的服装属于训练样本中对应的那一类服装；否则通过求取待分类服装与训 练样本中每一种服装中5张训练样本直方图向量间差异的均值来判断，将均值最小者定义为待分类服装所属的服装类别。 

优选的：所述差励算子为圆形算子，用(P,R)来标记，表示半径为R的圆上的P个样本点；如果xi没有落在像素中心，则需要通过双线性插值来得到其近似值。 

优选的：每一种服装的训练样本张数为5张。 

优选的：所述服装的种类为16种，所述每张服装图像分为6*4个子图像，差励算子的邻域取P＝8,半径R＝2，方向T＝8，特征向量差异的阈值设为1*10^4。 

本发明提供的一种基于韦伯局部描述符的服装分类识别方法，相比现有技术，具有以下有益效果：相比于现有的基于SVM(支持向量机)分类识别方法，基于BP人工神经网络的模式分类方法和Adaboost算法的模式分类方法，该方法对服装分类时每种服装所需的训练样本少，平均每种服装分类所需的时间短。相比于LBP(局部二进制)算法提取特征值进行分类，该方法分类识别正确率较高。因此，该方法能够在使用少量训练样本的同时较好地解决多分类问题，同时需要的每一种服装所能提供的训练样本少；而且能够定量描述服装款式，将其用于服装信息的检索，便于快速查询服装的信息。 

附图说明

图1为韦伯局部描述符计算示例。 

图2为差励算子。 

图3为主方向Φ_t的计算示意图。 

图4为直方图的构造示意图。 

具体实施方式

下面结合附图对本发明作更进一步的说明。 

一种基于韦伯局部描述符的服装分类识别方法，包括以下步骤：第一步，在训练集中，每一种服装包含3至10张的训练样本，最优的每一种服装的训练样本张数为5张，对作为训练样本的服装图像利用韦伯局部描述符进行特征提取，得出用于表征该服装图像的特征向量；同样对待分类的服装图像提取基于韦伯局部描述符的特征向量，并且依次求取待分类服装图像的特征向量与训练样本中服装图像的特征向量之间的相似度；第二步，选取与训练样本相似度最高的待分类服装，若两者特征向量的差异低于某一设定的阈值则认为该待分类的服装属于训练样本中对应的那一类服装；若特征向量的差异高 于设定的某一阈值，则通过求取待分类服装与训练样本中每一种服装中训练样本相似度的均值来判断，将均值最小者定义为待分类服装所属的服装类别。 

所述韦伯局部描述符进行特征向量提取的方法,包括以下步骤，首先将服装图像分块成子图像，分别对每一块子图像提取基于韦伯局部描述符的子图像特征向量，然后将所有区块的子图像特征向量依次连接，得出用于表征该图像的特征向量。 

所述韦伯局部描述符进行服装图像特征向量提取的方法，包括以下步骤： 

1)，通过使用韦伯局部描述符将该服装图像中的子图像分为差励图像和方向图像两部分；如图1所示，首先利用差励算子f₀₀计算邻域像素和中间像素的差。公式如下： 

$v_s^{00}=\underset{i=0}{\overset{p-1}{\mathrm{\&Sigma;}}}\left({\mathrm{\&Delta;x}}_i\right)=\underset{i=0}{\overset{p-1}{\mathrm{\&Sigma;}}}(x_i-x_c)---\left(1\right)$

其中，x_i是当前像素x_c的第i个邻域像素，差励算子f₀₀即为公式(1)所描述的函数关系。 

然后，计算和当前像素的比率，如下面公式所示： 

$G_{\mathrm{ratio}}\left(x_c\right)=\frac{v_s^{00}}{x_c}---\left(2\right)$

最后利用差励算子f₀₀计算像素x_c的差励ξ(x_c)： 

$\mathrm{\&xi;}\left(x_c\right)=\arctan \left[\underset{i=0}{\overset{p-1}{\mathrm{\&Sigma;}}}\left(\frac{x_i-x_c}{x_c}\right)\right]---\left(3\right)$

其中，其中差励算子f₀₀为：x_i是当前像素x_c的第i个邻域像素，ξ(x_c)∈[-π/2,π/2]；同时构造差励ξ(x_c)特征向量对应的直方图，把[-π/2,π/2]分为M个区间l_m(m＝0,1,...,M-1)；对每个区间l_m，有l_m＝[η_m,l,η_m,u]，其中，下区间η_m,l＝(m/M-1/2)π，上区间η_m,u＝[(m+1)/M-1/2]π。 

同时，利用算子f₁₀和f₁₁计算出子图像的梯度方向，如图3所示， 

$\mathrm{\&theta;}\left(x_c\right)=\arctan \left(\frac{v_s^{11}}{v_s^{10}}\right)---\left(4\right)$

这里，和是利用算子f₁₀和f₁₁计算后的结果： 

$v_s^{10}=x_5-x_1,v_s^{11}=x_7-x_3---\left(5\right)$

算子f₁₀和f₁₁为公式(5)所描述的函数关系。为了简化，θ被进一步量化为T个主方向。在量化之前，做如下映射

${\mathrm{\&theta;}}^{\&prime;}=\arctan 2(v_s^{11},v_s^{10})+\mathrm{\&pi;},$

$\arctan 2(v_s^{11},v_s^{10})=\left\{\begin{array}{cc}\mathrm{\&theta;},& v_s^{11}>0\mathrm{and}{v}_s^{10}>0\\ \mathrm{\&pi;}-\mathrm{\&theta;},& v_s^{11}>0\mathrm{and}{v}_s^{10}<0\\ \mathrm{\&theta;}-\mathrm{\&pi;},& v_s^{11}<0\mathrm{and}{v}_s^{10}<0\\ -\mathrm{\&theta;},& v_s^{11}<0\mathrm{and}{v}_s^{10}>0\end{array}\right.---\left(6\right)$

θ∈[-π/2,π/2]，θ'∈[0,2π]。量化函数如下： 

其中，x₁，x₃，x₅，x₇分别是当前像素x_c的第1、3、5、7个邻域像素， 

T是θ被量化的T个主方向， 

θ∈[-π/2,π/2]，θ'∈[0,2π]。 

例如，如果T＝8，那么这T个主方向是Φ_t＝(tπ)/4,(t＝0,1,...,T-1)。换句话说那些值在区间[Φ_t-π/T,Φ_t+π/T]内的被量化为Φ_t。 

2)，构造差励图像，如图2所示：首先构造一幅与原图像大小相同且灰度全为0的差励图像，然后对原图像的每个像素点x_c求其差励值ξ(x_c)，若ξ(x_c)∈l_m则差励图像在相应位置的值为m+1；构造方向图像：首先构造一幅与原图像大小相同且灰度全为0的方向图像，然后对原图像的每个像素经公式(4)(5)(6)计算θ'(x_c)，若θ'(x_c)的值落在区间[Φ_t-π/T,Φ_t+π/T]则通过公式(7)将其变换为Φ_t，以Φ_t代表像素x_c所对应的主方向，将该主方向所对应的方向值记为t+1。 

如图2所示，差励算子有方形和圆形。考虑到圆形算子的半径和邻域个数都是可调 整的，更加灵活更能描述图像局部信息，因此使用圆型算子进行计算。对于圆形算子，使用(P,R)来标记，表示半径为R的圆上的P个样本点。如果x_i没有落在像素中心，则需要通过双线性插值来得到其近似值。 

3)，构造直方图，求取特征向量。如图4所示，首先使用公式(3)计算每个像素的差励ξ(x_c)，用公式(7)计算每个像素的方向Φ_t，并量化，得到两幅新的图像，差励图像和方向图像。根据这两幅图像，计算二维直方图{WLD(l_m,Φ_t)},(m＝0,1,...,M-1,t＝0,1,...,T-1)，其大小为T×M，M是ξ的区间数，T为Φ的区间数。话句话说，在二维直方图里，每一列对应的是一个主方向Φ_t，每一行对应的是一个差励区间。因此，每一小块WLD(l_m,Φ_t)对应的值是一个确定的差励区间l_m和主导方向Φ_t的频率。 

为了便于分类，二维直方图{WLD(l_m,Φ_t)}被进一步转换成一维直方图。如图4所示，使用二维直方图的每一行形成一个一维直方图H(k),(k＝0,1,...,M-1)，每一个子直方图H(k)对应的是差励区间l_k。连结所有的M个子直方图，形成最终的一维直方图H＝{H_m},m＝0,1,...,M-1。 

为了尽可能的利用局部信息，采用模块化思想，将图像分成M×N块子图像。对每一块子图像分别计算一维直方图，将所有的子图像一维直方图依次连接作为对该图像的描述。 

在第二步中，选取与训练样本相似度最高的待分类服装方法是使用基于直方图向量的最邻近分类器进行分类：使用χ²的直方图相似性度量方法： 

${\mathrm{\&chi;}}^2(S,M)=\underset{i}{\mathrm{\&Sigma;}}\frac{{(S_i-M_i)}^2}{S_i+M_i}---\left(8\right)$

其中S，M是两个样本的一维WLD直方图向量，若公式(8)的结果小于某一阈值，则认为则认为该待分类的服装属于训练样本中对应的那一类服装；否则通过求取待分类服装与训练样本中每一种服装中5张训练样本直方图向量间差异的均值来判断，将均值最小者定义为待分类服装所属的服装类别。 

实例: 

本实例通过以上方法，做了一次仿真计算结果与分析： 

随机选取来自16种类别的27张300*200的服装图片，训练集为来自这16种服装的80张300*200图片。将图片划分为6*4个区域，差励算子的邻域取P＝8,半径R＝2，方向T＝8,特征向量差异的阈值设为1*10^4；测试结果如下表所示： 

>>WLD_Clothes 

index＝1 2 2 3 4 6 16 16 15 15 15 11 5 5 7 7 8 9 10 

accuracy＝0.81481 

>>LBP_Clothes 

index＝10 2 2 3 4 3 16 13 15 15 15 10 5 10 7 7 8 13 1 

accuracy＝0.55556 

如上表所示，对27张图片分类正确的概率为81.5％。而使用LBP算法提取特征值进行分类正确的概率仅为55.5％。 

综上所述：本发明够在使用少量训练样本的同时较好地解决多分类问题。服装的款式品牌众多，而每一种服装所能提供的训练样本又比较少；在现实生活中，对服装款式的描述往往较为模糊，无法定量描述。因此通过这种算法可以定量描述服装款式，将其用于服装信息的检索，便于快速查询服装的信息。 

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。 

Claims (7)

1.一种基于韦伯局部描述符的服装分类识别方法，其特征在于，包括以下步骤：第一步，在训练集中，每一种服装包含3至10张的训练样本，对作为训练样本的服装图像利用韦伯局部描述符进行特征提取，得出用于表征该服装图像的特征向量；同样对待分类的服装图像提取基于韦伯局部描述符的特征向量，并且依次求取待分类服装图像的特征向量与训练样本中服装图像的特征向量之间的相似度；第二步，选取与训练样本相似度最高的待分类服装，若两者特征向量的差异低于某一设定的阈值则认为该待分类的服装属于训练样本中对应的那一类服装；若特征向量的差异高于设定的某一阈值，则通过求取待分类服装与训练样本中每一种服装中训练样本相似度的均值来判断，将均值最小者定义为待分类服装所属的服装类别。

2.根据权利要求1所述的基于韦伯局部描述符的服装分类识别方法，其特征在于：所述韦伯局部描述符进行特征向量提取的方法,包括以下步骤，首先将服装图像分块成子图像，分别对每一块子图像提取基于韦伯局部描述符的子图像特征向量，然后将所有区块的子图像特征向量依次连接，得出用于表征该图像的特征向量。

3.根据权利要求2所述的基于韦伯局部描述符的服装分类识别方法，其特征在于：所述韦伯局部描述符进行服装图像特征向量提取的方法，包括以下步骤：

1)，通过使用韦伯局部描述符将该服装图像中的子图像分为差励图像和方向图像两部分；然后利用差励算子f₀₀计算像素x_c的差励ξ(x_c)：

$\mathrm{\&xi;}\left(x_c\right)=\arctan \left[\underset{i=0}{\overset{p-1}{\mathrm{\&Sigma;}}}\left(\frac{x_i-x_c}{x_c}\right)\right]---\left(3\right)$

其中，其中差励算子f₀₀为：x_i是当前像素x_c的第i个邻域像素，ξ(x_c)∈[-π/2,π/2]；同时构造差励ξ(x_c)特征向量对应的直方图，把[-π/2,π/2]分为M个区间l_m(m＝0,1,...,M-1)；对每个区间l_m，有l_m＝[η_m,l,η_m,u]，其中，下区间η_m,l＝(m/M-1/2)π，上区间η_m,u＝[(m+1)/M-1/2]π。

同时，利用算子f₁₀和f₁₁计算出像素x_c的梯度方向，

其中， $\mathrm{\&theta;}\left(x_c\right)=\arctan \left(\frac{v_s^{11}}{v_s^{10}}\right)---\left(4\right),$

和是利用算子f₁₀和f₁₁计算后的结果，

算子f₁₀为： $v_s^{10}=x_5-x_1,$ 算子f₁₁为： $v_s^{11}=x_7-x_3---\left(5\right)$

其中，x₁，x₃，x₅，x₇分别是当前像素x_c的第1、3、5、7个邻域像素，

T是θ被量化的T个主方向，映射

${\mathrm{\&theta;}}^{\&prime;}=\arctan 2(v_s^{11},v_s^{10})+\mathrm{\&pi;},$

$\arctan 2(v_s^{11},v_s^{10})=\left\{\begin{array}{cc}\mathrm{\&theta;},& v_s^{11}>0\mathrm{and}{v}_s^{10}>0\\ \mathrm{\&pi;}-\mathrm{\&theta;},& v_s^{11}>0\mathrm{and}{v}_s^{10}<0\\ \mathrm{\&theta;}-\mathrm{\&pi;},& v_s^{11}<0\mathrm{and}{v}_s^{10}<0\\ -\mathrm{\&theta;},& v_s^{11}<0\mathrm{and}{v}_s^{10}>0\end{array}\right.---\left(6\right)$

θ∈[-π/2,π/2]，θ'∈[0,2π]。

2)，构造差励图像：首先构造一幅与原图像大小相同且灰度全为0的差励图像，然后对原图像的每个像素点x_c求其差励值ξ(x_c)，若ξ(x_c)∈l_m则差励图像在相应位置的值为m+1；构造方向图像：首先构造一幅与原图像大小相同且灰度全为0的方向图像，然后对原图像的每个像素经公式(4)(5)(6)计算θ'(x_c)，若θ'(x_c)的值落在区间[Φ_t-π/T,Φ_t+π/T]则通过公式(7)将其变换为Φ_t，以Φ_t代表像素x_c所对应的主方向，将该主方向所对应的方向值记为t+1。

3)，构造直方图，求取特征向量：根据第二步得出的差励图像、方向图像，根据这两幅图计算二维直方图{WLD(l_m,Φ_t)},(m＝0,1,...,M-1,t＝0,1,...,T-1)，其大小为T×M，M是ξ的区间数，T为Φ的区间数；使用二维直方图的每一行形成一个一维直方图H(k),(k＝0,1,...,M-1)，每一个子直方图H(k)对应的是差励区间l_k，连结所有的M个子直方图，形成最终的一维直方图H＝{H_m},m＝0,1,...,M-1；将该图像分成M×N块子图像，对每一块子图像分别计算一维直方图，将所有的子图像一维直方图依次连接作为对该图像的描述。

4.根据权利要求3所述的基于韦伯局部描述符的服装分类识别方法，其特征在于：在第二步，选取与训练样本相似度最高的待分类服装方法是使用基于直方图向量的最邻近分类器进行分类：使用χ²的直方图相似性度量方法：

${\mathrm{\&chi;}}^2(S,M)=\underset{i}{\mathrm{\&Sigma;}}\frac{{(S_i-M_i)}^2}{S_i+M_i}---\left(8\right)$

其中S，M是两个样本的一维WLD直方图向量，若公式(8)的结果小于某一阈值，则认为该待分类的服装属于训练样本中对应的那一类服装；否则通过求取待分类服装与训练样本中每一种服装中5张训练样本直方图向量间差异的均值来判断，将均值最小者定义为待分类服装所属的服装类别。

5.根据权利要求4所述的基于韦伯局部描述符的服装分类识别方法，其特征在于：所述差励算子为圆形算子，用(P,R)来标记，表示半径为R的圆上的P个样本点；如果x_i没有落在像素中心，则需要通过双线性插值来得到其近似值。

6.根据权利要求5所述的基于韦伯局部描述符的服装分类识别方法，其特征在于：每一种服装的训练样本张数为5张。

7.根据权利要求6所述的基于韦伯局部描述符的服装分类识别方法，其特征在于：所述服装的种类为16种，所述每张服装图像分为6*4个子图像，差励算子的邻域取P＝8,半径R＝2，方向T＝8，特征向量差异的阈值设为1*10^4。