CN104838424A - 基于线段定向的服饰条纹检测 - Google Patents

基于线段定向的服饰条纹检测 Download PDF

Info

Publication number
CN104838424A
CN104838424A CN201280076131.7A CN201280076131A CN104838424A CN 104838424 A CN104838424 A CN 104838424A CN 201280076131 A CN201280076131 A CN 201280076131A CN 104838424 A CN104838424 A CN 104838424A
Authority
CN
China
Prior art keywords
striped
line segment
dress ornament
orientation
district
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201280076131.7A
Other languages
English (en)
Inventor
X·王
T·张
D·R·特雷特
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hewlett Packard Development Co LP
Original Assignee
Hewlett Packard Development Co LP
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hewlett Packard Development Co LP filed Critical Hewlett Packard Development Co LP
Publication of CN104838424A publication Critical patent/CN104838424A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30124—Fabrics; Textile; Paper
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30232—Surveillance

Abstract

本文所公开的示例涉及基于线段定向的服饰条纹检测。处理器可基于应用到与服饰区内的线段有关的线段信息的条纹分类器来确定图像内的服饰区是否包括条纹。线段信息可包括服饰区内在多个定向中的每一个定向上的线段的数量。处理器可输出指示服饰区是否包括条纹的确定的信息。

Description

基于线段定向的服饰条纹检测
背景技术
图像分析可提供与图像内容有关的信息。在一些情况下，可分析图像内的服饰来确定与图像中的人有关的信息。例如，可使用服饰分析对人进行识别来组织照片或对人进行识别作为监视的一部分。
附图说明
附图描述了示例实施例。以下详细描述参照附图，其中：
图1是示出了用于检测图像中服饰条纹的计算系统的一个示例的框图。
图2是示出了用于检测图像中服饰条纹的方法的一个示例的流程图。
图3是示出了检测图像中服饰条纹的一个示例的图。
图4是示出了检测图像中服饰条纹的一个示例的流程图。
具体实施方式
检测图像中服饰中条纹的存在可以对于识别图像中的服饰的类型是有用的。服饰信息可用于图像的组织或搜索。在一些情况下，服饰中条纹的存在可用于识别人，例如在监视视频搜索穿条纹的人。图像分析方法可基于面部和服饰特性(包括该人是否穿条纹)来识别人。
在一种实现中，可执行图像分析，以基于图像内线段的定向来确定图像中是否存在服饰条纹。例如，图像中被确定为条纹候选的线段可基于它们的定向被成簇，并且机器学习分类器可基于条纹候选线段的定向与从训练数据集学习到的线段定向规则相比，来确定线段簇是条纹的可能性。在一些情况下，该方法既可用于检测条纹的存在，也可用于确定条纹的主导定向，例如水平或垂直。
使用图像内线段的定向来检测条纹可以特别适用于服饰。服饰条纹可包括相同定向的若干线段，但在一些情况下，例如由于人的位置或服饰的褶皱，并非所有指示条纹的线段都将在相同的定向上。由于袖子和其它区域的自然折叠，或由于图像中服饰的不同的可见部分，服饰条纹可能显现得与其它项目上的条纹不同。用于确定指示服饰条纹的线段簇定向的机器学习分类器可计及图像中服饰条纹的不同定向。
图1是示出了用于检测图像中的服饰条纹的计算系统的一个示例的框图。例如，计算系统100可确定图像中服饰区内是否存在条纹。计算系统100可包括处理器101、机器可读存储介质102和存储装置107。计算系统100的组件可被包括在同一设备内，或者可包括例如经由网络相互通信的组件。
存储装置107可以是任何合适的存储装置，例如电子、磁、光学或其它物理存储装置。在一种实现中，机器可读存储介质102和存储装置107为相同的存储装置。存储装置107可存储处理器101访问的数据。存储装置107可存储条纹图案分类信息106。条纹图案分类信息106可以是与机器学习方法有关的信息，所述机器学习方法用于基于服饰区内的线段的定向来分类图像中的服饰区是否包括条纹。
可基于对训练数据集的分析来创建条纹图案分类信息106。训练数据集可作为监督的学习问题被分析。例如支持向量机或随机森林的方法可用于建立二元分类器来检测条纹的存在或不存在。训练数据集可包括在不同图像条件下、例如在不同的光照和阴影的情况下有和没有条纹的服饰。训练数据集可包括不同定向的条纹的图像，使得分类器可发现与指示条纹的线段簇的定向有关的规则。条纹图案分类信息106可指示作为服饰条纹的指示的图案。例如，短裤可具有用于第一条腿的第一定向的线段簇以及用于第二条腿的稍微不同定向的线段簇的图案。
处理器101可以是中央处理单元(CPU)、基于半导体的微处理器、或适用于检索和执行指令的任何其它装置。替代于或附加于取得、解码和执行指令的是，处理器101可包括一个或多个集成电路(IC)或包括用于执行以下所描述功能的多个电子部件的其它电子电路。以下所描述的功能可由多个处理器来执行。
处理器101可与机器可读存储介质102进行通信。机器可读存储介质102可以是任何适合的机器可读介质，例如存储可执行指令或其它数据的电子、磁、光学或其它物理存储装置(例如，硬盘驱动器、随机存取存储器、闪存等)。机器可读存储介质102可以是例如计算机可读非临时性介质。
机器可读存储介质102可包括线段定向成簇指令103、条纹检测指令104以及条纹信息输出指令105。线段定向成簇指令103可包括用于确定条纹候选线段的指令。例如，同一定向的线段可成簇在一起，并可以创建关于簇的概要信息。作为示例，可创建一向量，其中每个向量元素表示一个线段定向，其中元素的值指示与该元素相关联的特定定向的线段的数量。边缘检测方法可用于在图像的服饰区内检测线段。可执行进一步的处理，以确定检测到的边缘是否可能是条纹。边缘的定向可由可能是条纹的线段来确定。例如，可以通过线段的一端与线段的另一端之间的位置差来确定线段的定向。
在一些情况下，可考虑除了线段定向之外的信息来确定线段簇是否是条纹候选。例如，可考虑线段的长度或线段彼此的距离。在一种实现中，可分析线段之间的颜色来确定颜色图案是否与条纹一致。例如，可分析两个线段的每一侧的颜色来确定颜色是否相同。如果颜色不同，可将线段从条纹候选簇列表中移除。也可对簇中线段数量低于阈值的线段簇进行修剪。例如，相同定向的两个线段可能太低以至于不可能指示条纹。
条纹检测指令104可包括用于将线段簇与条纹图案分类信息106进行比较的指令。例如，机器学习分类器可被应用到线段簇。在一些情况下，线段定向的特定图案可以可能是指示条纹。例如，由于与袖子相比衬衫中部略微不同的条纹定向，第一定向以及与所述第一定向有关的第二定向可以指示条纹。基于对线段簇定向的分析，机器分类器可确定服饰区中是否存在条纹。
条纹信息输出指令105可包括用于输出与条纹检测有关的信息的指令。从机器学习分类器输出二进制值，指示条纹存在或不存在。可通过存储、传输或显示信息而输出所述信息。在一些情况下，可输入条纹定向，并可以输出图像组内的具有包括该条纹定向的服饰区的图像。
在一种实现中，也可确定并输出条纹的主导定向。例如，线段的定向可以与较大定向相关联，例如水平、垂直以及对角。线段数量最多的线段簇的定向可被认为是主导条纹，或者，在服饰区内占据最大空间量的线段的定向可被认为是主导条纹。
图2是示出了用于检测图像中服饰条纹的方法的一个示例的流程图。例如，可基于图像中线段簇的定向来确定图像的服饰区中条纹存在或不存在。例如，可识别服饰区中的线段簇，并可以根据机器学习分类器将被确定为是候选条纹簇的簇进行分类，所述机器学习分类器输出二进制值，其指示簇的特征向量是否可能是指示服饰条纹。所述方法可例如通过图1的处理器101来实现。
在200开始，处理器定位图像区中表示服饰的候选线段。例如，处理器可定位图像的服饰区中的是服饰条纹的候选的线段。
表示服饰的区可以是与任何服饰品类型相关联的区，这些服饰品类型例如是衬衫、袜子、手袋、裤子、发带或其它服饰物品。处理器可接收表示服饰的图像区，例如其中处理器接收关于特定区的信息，或接收裁剪成服饰区的图像。
在一种实现中，处理器接收图像，并且处理器确定表示服饰的图像区。例如，处理器可以对图像执行预处理，以确定图像哪些区域可能与服饰相关联。在一些情况下，可基于用于识别服饰区的机器学习分类器执行预处理。处理器可使用面部检测方法来确定图像中是否可能存在服饰。例如，如果图像中未定位到面部，那么处理器可确定该图像不可能包括服饰区。检测到的面部区可用于确定服饰区的相对位置。通过使用皮肤验证模块使用肤色来验证面部检测可减少误面部检测。处理器可例如通过使用具有相对位置的限界框和检测到的面部的比例来相对面部定位区。在识别服饰区后，处理器可进一步通过消除非服饰像素来减少服饰段，消除非服饰像素例如从服饰段移除人皮肤、杂乱背景、及自身以及第三方遮挡。
图像可包括多个服饰区，例如其中图像中有多个人。在一些情况下，为不同的服饰物品确定单独的服饰区，例如手袋的服饰区以及衬衫的服饰区。
处理器可以用任何合适的方式来确定候选条纹线段。例如，特定长度的直线段或指示边缘的线段可以是候选线段。处理器可定位服饰区内的边缘作为潜在的条纹线段。在一种实现中，处理器使用Canny边缘检测器或其它边缘检测方法。然后，处理器确定哪些检测到的边缘形成满足候选条纹线段的标准的线段。在一种实现中，服饰区内检测到的每个服饰边缘被分类为候选条纹线段，而不需要确定所述线段是否满足其它标准。
继续到201，处理器确定候选线段的相关联定向。例如，同一定向的线段簇可能是条纹。通过将线段的角度与和定向相关联的一组范围进行比较，处理器可确定线段的定向。作为一个示例，有24个定向范围覆盖360度定向范围的可能性。在一种实现中，处理器将在彼此定向度数范围内的线段进行成簇。可相对于图像边缘或相对人的区来确定线段的定向。例如，可基于面部相对于服饰段的位置来确定线段定向。
在一种实现中，处理器进一步分析线段簇，以确定特定定向的线段簇是否是条纹候选。不与条纹图案相一致的线段簇可被丢弃。例如，线段数量低于阈值数量的一定向的一组线段可被丢弃，例如，其中特定定向有三个或更少的线段。找到的小数量的线段可能指示假的边缘、自阴影或不指示条纹的其它图像伪像。
在一种实现中，分析线段簇的它们的相邻颜色特性。例如，条纹可以典型地在条纹任一侧具有相同的颜色。处理器可分析彼此相邻的两个线段的外侧的颜色，以确定颜色是否相同。如果颜色不同，可从候选列表中移除线段簇。在一种实现中，对线段之间不同颜色的数量进行分析，并且如果存在阈值之上的颜色数量，则从候选列表中修剪线段簇。
在一种实现中，基于服饰区内不同的条纹定向，处理器创建服饰区的条纹签名。例如，可能有24个存储定向范围的列表，并且第一服饰区可包括在定向2、4和6上的线段簇，且第二服饰区可包括在定向10上的线段簇。
移动到202，处理器将线段簇及其相关定向与条纹图案分类信息进行比较，以确定图像区是否包括条纹的存在或不存在。条纹图案分类信息可以是例如机器学习分类器，例如随机森林分类器。分类器的输入可以是例如指示线段定向的分布的条纹签名。在一种实现中，条纹签名是指示线段簇是否被在不同定向被识别的矢量或直方图。条纹签名可包括指示线段是否在可能的定向被识别的二进制值，或者条纹签名可以指示在每个可能定向被识别的线段的数量。
在一种实现中，处理器将线簇的不同定向与关于指示条纹的线簇定向的组的信息进行比较。例如，定向4、6和10(其中每个均表示不同的定向范围)的簇可以是条纹的指示，但定向4、6、10、12和13的簇可以不是条纹的指示。
在一种实现中，除定向信息之外，附加信息也用于确定条纹的存在。在一种实现中，处理器进一步将每个簇中线段的数量与条纹图案分类信息进行比较，例如其中特定定向具有在阈值之上数量的线段。例如，除了超过5个在定向8的线段，定向4的超过10个线段可指示条纹。在一种实现中，条纹图案分类信息对高和低阈值均进行比较，例如其中具有介于5与10个线段之间的特定定向的线段簇指示条纹。
可考虑任何合适的附加信息，例如线段的彼此距离或簇中线段的长度。也可评估不同定向的线段簇之间的距离。
在一种实现中，如果确定服饰区中存在条纹，则处理器进一步确定条纹的主导定向。可以用任何合适的方式来确定主导定向。例如，处理器可输出作为簇中数量最多的线段的定向的主导条纹定向。在一种实现中，用于检测条纹的定向被分组成较大的组，以确定主导条纹定向。例如，用于检测条纹的定向可比概要主导条纹信息更具体。具有数量最多的线段的主导条纹定向类别可被确定为主导条纹定向。在一种实现中，使用面部与服饰区的相对位置来确定主导条纹定向。相对于面部区的特定位置的数量最多的线段可被确定为主导条纹定向。
继续到203，处理器输出指示条纹存在或不存在的确定的信息。所述输出可以是指示条纹存在或不存在的二进制输出。在一种实现中，所述输出指示服饰区包括条纹的可能性，例如80％的可能性。可以用任何合适的方式输出所述信息，例如通过显示、存储或传输所述信息。处理器还可输出关于条纹的主导定向的信息。处理器可输出关于条纹的附加信息。例如主导颜色或估计的条纹宽度。
处理器可以使用条纹确定来提供附加的输出。例如，用户可提供照片集，并且处理器可输出该集中被确定为包括条纹服饰的照片。
图3是示出了检测图像中的条纹的一个示例的图。图3包括人的图像300。服饰区301在图像中形成人的服饰区上的限界框。在一些情况下，例如在图像包括多个人的情况下，图像内可能有多个服饰限界框。服饰区301包括11个条纹。条纹在衬衫的正面与袖子相比处于不同的定向。
在302，线段根据定向成簇，并且确定簇的定向。例如，分类器可将服饰区301中的边缘分类为10个条纹定向箱(bin)。例如，没有定向1和2的条纹，但有定向4的4个条纹。可以用任何合适的方式来表示线簇和定向，例如采用矢量数据结构或数据库表。
在303，线段簇的定向被提取并且充当到304处的条纹分类器的输入。在304，条纹分类器将来自303的定向与从应用到训练数据集的机器学习方法中学习的指示条纹的定向规则进行比较。在305，条纹分类器确定条纹存在并输出该信息。
图4是示出了检测图像中的服饰条纹的一个示例的流程图。方法例如可由图1的处理器101来实现。在400开始，处理器接收图像。处理器可检索图像或图像可通过用户输入来提供。
在401，处理器确定所接收到的图像内的服饰区。可执行图像分析来定位图像中的面部区，并定位面部区的相对区中服饰区。不指示服饰的图像区域、例如背景区域可从服饰区中被移除。在402，处理器识别服饰段内的线段。例如，可使用Canny边缘检测器方法来识别线段。在403，处理器确定线段簇和线段的定向。通过将线段进行分类，可将线段按定向分组，或者可以分析每个个体的线段并将其加入到定向组中。在404，处理器修剪线段簇。例如，所识别的线段可按照定向成簇，并可过滤簇以移除不可能指示服饰条纹的簇。在405，处理器将线段簇定向与条纹分类器进行比较。条纹分类器可以是从机器学习方法创建的分类器，其将特定线段定向与服饰条纹的可能性进行关联。在407，处理器输出是否存在条纹以及主导条纹定向。
基于对图像的服饰区内线段定向的分析，可准确且有效地检测服饰条纹。确定服饰是否包括条纹对于图象搜索、分类和管理是有用的。

Claims (15)

1.一种计算系统，包括：
存储装置，用于存储从条纹图案训练数据集得到的条纹图案分类信息；
处理器，用于：
基于线段定向将图像的服饰区内的线段成簇；
基于应用到线段簇的分类器来确定服饰区内是否包括条纹；以及
输出指示确定服饰区是否包括条纹的信息。
2.如权利要求1所述的计算系统，其中，所述处理器进一步用于：
如果确定条纹存在，则确定条纹的主导定向；以及
输出指示条纹的主导定向的信息。
3.如权利要求1所述的计算系统，其中，所述处理器进一步用于基于面部分析和背景图像分析中的至少一种在图像中定位服饰区。
4.如权利要求1所述的计算系统，其中，所述处理器进一步用于：
基于与簇中的线段相邻的图像颜色修剪线段簇；以及
基于应用到剩余线段簇的分类器来确定服饰区内是否包括条纹。
5.如权利要求1所述的计算系统，其中，所述处理器进一步用于：
如果簇中线段的数量低于阈值则修剪线段簇；以及
基于应用到剩余线段簇的分类器来确定服饰区内是否包括条纹。
6.如权利要求1所述的计算系统，其中，条纹图案分类信息包括关于基于以下中的至少一个指示条纹的线段图案的信息：线段的数量、距离、长度以及定向。
7.一种方法，包括：
在表示服饰的图像区中定位候选条纹线段；
确定候选条纹线段的相关联的定向；
通过处理器将候选条纹线段及其相关联的定向与条纹图案分类信息进行比较，来确定图像区是否包括条纹的存在或不存在；以及
输出指示条纹的存在或不存在的确定的信息。
8.如权利要求7所述的方法，进一步包括如果确定条纹存在，则确定条纹的主导定向。
9.如权利要求7所述的方法，其中确定候选条纹线段包括基于与候选条纹线段相邻的颜色来确定候选条纹线段。
10.如权利要求7所述的方法，进一步包括在具有相同定向的候选条纹线段的数量低于阈值的情况下修剪候选线段。
11.如权利要求7所述的方法，进一步包括确定图像的表示服饰的区。
12.一种机器可读非临时性存储介质，包括由处理器可执行用于以下操作的指令：
基于应用到与服饰段有关的候选线段信息的条纹分类器来确定图像内的服饰区是否包括条纹，
其中，候选线段信息包括服饰区内在多个定向中的每一个定向上的候选线段的数量；以及
输出指示服饰区是否包括条纹的确定的信息。
13.如权利要求12所述的机器可读非临时性存储介质，进一步包括指令，用于如果确定服饰区包括条纹，则确定服饰段内条纹的主导定向。
14.如权利要求12所述的机器可读非临时性存储介质，进一步包括指令，用于基于以下中的至少一个来选择候选线段：线段定向、线段数量以及线段之间的颜色。
15.如权利要求12所述的机器可读非临时性存储介质，进一步包括指令，用于基于训练数据集来创建条纹分类器。
CN201280076131.7A 2012-09-27 2012-09-27 基于线段定向的服饰条纹检测 Pending CN104838424A (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/US2012/057459 WO2014051581A1 (en) 2012-09-27 2012-09-27 Clothing stripe detection based on line segment orientation

Publications (1)

Publication Number Publication Date
CN104838424A true CN104838424A (zh) 2015-08-12

Family

ID=50388776

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201280076131.7A Pending CN104838424A (zh) 2012-09-27 2012-09-27 基于线段定向的服饰条纹检测

Country Status (4)

Country Link
US (1) US20150347855A1 (zh)
EP (1) EP2901423A4 (zh)
CN (1) CN104838424A (zh)
WO (1) WO2014051581A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104346370B (zh) * 2013-07-31 2018-10-23 阿里巴巴集团控股有限公司 图像搜索、获取图像文本信息的方法及装置
CN105844618A (zh) * 2016-03-17 2016-08-10 浙江理工大学 评价服装穿着起皱程度的图像处理及特征提取方法
CN108764062B (zh) * 2018-05-07 2022-02-25 西安工程大学 一种基于视觉的服装裁片识别方法
CN114612492B (zh) * 2022-03-30 2023-01-31 北京百度网讯科技有限公司 图像边框的检测方法、装置及电子设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1726504A (zh) * 2002-12-16 2006-01-25 皇家飞利浦电子股份有限公司 对具有条形结构的图像进行滤波的方法
JP2010262425A (ja) * 2009-05-01 2010-11-18 Palo Alto Research Center Inc 衣服を認識および分類するためのコンピュータ実行方法
KR101084914B1 (ko) * 2010-12-29 2011-11-17 심광호 차량번호 및 사람 이미지의 인덱싱 관리시스템
CN102663359A (zh) * 2012-03-30 2012-09-12 博康智能网络科技股份有限公司 一种基于物联网进行行人检索的方法及系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE60222865T2 (de) * 2002-06-10 2008-07-17 Accenture Global Services Gmbh Interaktiver Anproberaum
US8732025B2 (en) * 2005-05-09 2014-05-20 Google Inc. System and method for enabling image recognition and searching of remote content on display
US8386486B2 (en) * 2008-07-02 2013-02-26 Palo Alto Research Center Incorporated Method for facilitating social networking based on fashion-related information
KR100896293B1 (ko) * 2008-11-10 2009-05-07 렉스젠(주) 방범 카메라 시스템 및 그 제어방법
US8379920B2 (en) * 2010-05-05 2013-02-19 Nec Laboratories America, Inc. Real-time clothing recognition in surveillance videos
US8798363B2 (en) * 2011-09-30 2014-08-05 Ebay Inc. Extraction of image feature data from images

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1726504A (zh) * 2002-12-16 2006-01-25 皇家飞利浦电子股份有限公司 对具有条形结构的图像进行滤波的方法
JP2010262425A (ja) * 2009-05-01 2010-11-18 Palo Alto Research Center Inc 衣服を認識および分類するためのコンピュータ実行方法
KR101084914B1 (ko) * 2010-12-29 2011-11-17 심광호 차량번호 및 사람 이미지의 인덱싱 관리시스템
CN102663359A (zh) * 2012-03-30 2012-09-12 博康智能网络科技股份有限公司 一种基于物联网进行行人检索的方法及系统

Also Published As

Publication number Publication date
US20150347855A1 (en) 2015-12-03
WO2014051581A1 (en) 2014-04-03
EP2901423A4 (en) 2016-11-02
EP2901423A1 (en) 2015-08-05

Similar Documents

Publication Publication Date Title
Vittayakorn et al. Runway to realway: Visual analysis of fashion
US8068676B2 (en) Intelligent fashion exploration based on clothes recognition
CN109670591B (zh) 一种神经网络的训练方法及图像匹配方法、装置
US8798362B2 (en) Clothing search in images
Bialkowski et al. A database for person re-identification in multi-camera surveillance networks
Hara et al. Fashion apparel detection: the role of deep convolutional neural network and pose-dependent priors
Baysal et al. Recognizing human actions using key poses
US20110142335A1 (en) Image Comparison System and Method
CN108629319B (zh) 图像检测方法及系统
Hu et al. Clothing segmentation using foreground and background estimation based on the constrained Delaunay triangulation
Zhang et al. An intelligent fitting room using multi-camera perception
JP2010262425A (ja) 衣服を認識および分類するためのコンピュータ実行方法
CN104838424A (zh) 基于线段定向的服饰条纹检测
Karthikeyan et al. From where and how to what we see
Miura et al. SNAPPER: fashion coordinate image retrieval system
Lorenzo-Navarro et al. Evaluation of LBP and HOG descriptors for clothing attribute description
Linder et al. Real-time full-body human attribute classification in RGB-D using a tessellation boosting approach
Tian et al. Clothes matching for blind and color blind people
Al-Rawi et al. Probabilistic color modelling of clothing items
Gurkan et al. Evaluation of human and machine face detection using a novel distinctive human appearance dataset
Marciniak et al. Face recognition from low resolution images
Dadkhah et al. An efficient ward-based copy-move forgery detection method for digital image forensic
Tin Age Dependent Face Recognition using Eigenface
Forczmański et al. Comparing clothing styles by means of computer vision methods
Guo et al. Face detection with abstract template

Legal Events

Date Code Title Description
PB01 Publication
EXSB Decision made by sipo to initiate substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20150812