CN106022343A - 一种基于傅里叶描述子和bp神经网络的服装款式识别方法 - Google Patents

Abstract

本发明涉及一种基于傅里叶描述子和BP神经网络的服装款式识别方法，通过对服装图像的预处理，获取服装的外部轮廓，然后进行服装外部轮廓的傅里叶描述，并进行数据的预处理，再予以基于反向传播(BP)神经网络的服装款式识别。所述对服装图像的预处理是指对服装图像分割处理，分割得到服装区域，并进行边缘检测，得到服装的轮廓图像。所述对服装的外部轮廓的傅里叶描述是指提取服装轮廓形状的标准化傅里叶描述子特征向量，所述数据的预处理是对标准化傅里叶描述子特征向量进行归一化处理和主成分分析。所述基于BP神经网络的服装款式识别是对主成分矩阵使用三层的BP神经网络进行服装款式的识别。本发明能够达到81％的识别准确率，鲁棒性和泛化能力强，可适用于服装图像中服装的款式识别。

Description

一种基于傅里叶描述子和BP神经网络的服装款式识别方法

技术领域

本发明属服装款式识别技术领域，涉及一种基于傅里叶描述子和BP神经网络的服装款式识别方法，特别是涉及一种经图像分割处理后进行边缘检测得到服装轮廓图像且基于傅里叶描述子和BP神经网络的服装款式识别的方法。

背景技术

随着大数据时代的来临，商家通过机器视觉技术分析消费者着装风格，将有助于商家捕捉各客户群体的消费趋势，制定出有针对性的产品组合、营销计划和商业决策。同时随着人脸计算机识别技术的普及，提取人脸特征并结合服装款式特征，将会提高身份认证的精确度。服装款式是由服装的外部轮廓和内部细节变化构成的，反映了服装结构的形态特征，不包含颜色和纹理特征。因此寻找一种有效的方法描述服装的形态特征和快速精确的分类是服装款式识别领域的研究重点。由于特征提取技术和模式识别技术的复杂性，目前的服装款式特征描述以及分类方法的适应性和实时性有待进一步提高。

Hou等(HOU A L，ZHAO L Q，SHI D C.Garment image retrieval based on multi-features[C].2010International Conference on Computer，Mechatronics，Control and Electronic Engineering(CMCE 2010).2010：194-197.)在服装照片检索的研究中提出了使用融合特征(HU不变矩和傅里叶描述子)来描述服装的形状特征，通过计算欧式距离来判断形状的相似性。欧式距离虽然是一种简单有效的相似性判断方法，但是在处理复杂特征的分类问题上与机器学习分类器相比效果较差。

An等(AN L X，LI W.An integrated approach to fashion flat sketches classification[J].International Journal of Clothing Science and Technology，2014，26(5)：346-366.)提出了一个服装设计平面图的分类方法，使用小波傅里叶描述子(Wavelet Fourier Descriptor，WFD)描述轮廓特征，对WFD降维后训练了极端学习机分类器(Extreme Learning Machine，ELM)，进行服装设计平面图的分类。An提出的WFD是离散小波和傅里叶描述子(Fourier Descriptor，FD)的结合。由于WFD特征向量之间的相似度对比方法较复杂，且依赖于目标物体轮廓的复杂度，因此WFD并不太适合形状的实时分类。ELM虽然能够极大的提高网络学习的速度和泛化能力，但却不可避免的造成过拟合的隐患，使分类效果降低。同时An识别的是服装设计平面图，没有颜色和纹理的干扰，因此获取服装轮廓更平滑，识别难度略低；其识别方法不适用于有颜色和纹理的服装。

发明内容

本发明所要解决的技术问题是提供一种基于傅里叶描述子和BP神经网络的服装款式识别方法，特别是涉及一种经图像分割处理后进行边缘检测得到服装轮廓图像且基于傅里叶描述子和BP神经网络的服装的款式识别方法。

本发明经过预处理后获得服装轮廓，用以后续提取轮廓的形状特征；采用的傅里叶描述子作为一种被广泛使用的形状特征描述方法，能够有效的表达轮廓的整体形状特点，具有计算简单、抗噪性强等特点，更适合进行快速获取服装款式的形态特征。BP神经网络是一种按误差逆传播算法训练的多层前馈网络，能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程，具有自学习和自适应能力，并且优秀的泛化能力能够将学习结果应用于新知识。结合傅里叶描述子具有较好的轮廓描述能力和BP神经网络较强的自学习能力，利用傅里叶描述子与BP神经网络的组合更适合进行服装的款式识别，具有较好的鲁棒性和较高的识别率。

本发明的服装款式的识别方法，通过对服装图像的预处理，获取服装的外部轮廓，然后进行服装的外部轮廓的傅里叶描述，并进行数据的预处理，再予以基于BP神经网络的服装款式识别；使用傅里叶描述子提取服装轮廓特征，以数据预处理后的主成分矩阵训练BP神经网络，进行服装款式识别；

所述对服装图像的预处理是指对服装图像分割处理，找到最大面积的8连通区域即为服装区域，并对服装区域填充内部空洞；

所述获取服装的外部轮廓是指对服装图像的预处理后进行外部的边缘检测，得到服装的轮廓图像。

作为优选的技术方案：

如上所述的一种基于傅里叶描述子和BP神经网络的服装款式识别方法，所述服装图像为白色背景的服装灰度图像，原图为RGB空间的彩色服装图像，将彩色图像三维RGB空间中每个像素的颜色向直线R＝G＝B做射影，转化为一维空间的灰度图像。

如上所述的一种基于傅里叶描述子和BP神经网络的服装款式识别方法，所述服装图像分割的步骤为：

(1)将灰度图像的灰度值在low-255之间的值映射到0-255之间，低于low的值映射为0，增强灰度图像中服装图案与背景的对比度；

(2)使用最大类间方差法对灰度图像进行二值化，并对二值图像进行取反运算，便于后续形态学处理；

(3)对二值图像进行形态学闭运算处理，平滑服装图案的边界，连接边界狭窄的缺口，其中闭运算的结构元素为半径2-4个像素的圆盘；

(4)在上步骤获得的二值图像中标记8连通的区域，找到最大面积的8连通区域即为服装区域，并对服装区域填充内部空洞。

如上所述的一种基于傅里叶描述子和BP神经网络的服装款式识别方法，所述low取值范围为90-100。

如上所述的一种基于傅里叶描述子和BP神经网络的服装款式识别方法，所述边缘检测使用canny算子。

如上所述的一种基于傅里叶描述子和BP神经网络的服装款式识别方法，所述服装的外部轮廓的傅里叶描述具体为：

前处理得到了服装轮廓的数字图像，由于数字图像是用像素矩阵表示的，可以看作是像素为单位的平面坐标系；服装的外部轮廓中的轮廓像素点采用坐标b(k)＝(x_k,y_k)表示，式中x_k和y_k分别为其横坐标值与纵坐标值；k＝0,1,2,...N-1；N为轮廓像素点总数；每个坐标写成复数形式：b(k)＝x_k+jy_k，j为虚数单位；将复数坐标序列b(k)进行离散傅里叶变换得到服装轮廓b(k)的傅里叶描述序列a(u)：

$a\left(u\right)=\underset{k=0}{\overset{N-1}{\Σ}}b\left(k\right)e^{-j2\mathrm{\π}uk/N};$

式中u取值为0,1,2,...,N-1；e为自然常数；

为了得到对图像平移、旋转和缩放不敏感的傅里叶描述子，进一步对a(u)进行标准化得到标准化傅里叶描述子s(u)：

$s\left(u\right)=\frac{\left|a\left(u\right)\right|}{\left|a\left(1\right)\right|};$

式中u取值为1,2,3,...,N-1；

[s(1),s(2),s(3),...,s(N-1)]即为表示服装轮廓形状特征的标准化傅里叶描述子特征向量。

如上所述的一种基于傅里叶描述子和BP神经网络的服装款式识别方法，所述数据的预处理是对标准化傅里叶描述子特征向量进行归一化处理和主成分分析；所述归一化处理是将标准化傅里叶描述子特征向量映射到[0,1]或[-1,1]或更小的区间，得到归一化傅里叶描述子特征向量；所述主成分分析是将归一化傅里叶描述子特征向量进行主成分分析，选取累计贡献率为95％或99％的向量为主成分向量。

如上所述的一种基于傅里叶描述子和BP神经网络的服装款式识别方法，所述基于BP神经网络的服装款式识别是对样本集的主成分矩阵使用三层的BP神经网络进行服装款式的多分类识别；具体步骤为：

(1)神经网络结构为三层，分别是输入层、隐含层和输出层；

(2)输入数据为样本集的主成分矩阵和款式类别标签，输入层的神经元节点数为主成分矩阵的特征维度；

(3)隐含层的神经元节点数由多次实验择优选择，可选范围为10-30；

(4)输出层的神经元节点数为款式类别数，输出为BP神经网络的训练和分类结果。

有益效果

由于采用以上技术方案，本发明的有益效果是，服装图像预处理能够有效获取服装轮廓，使用傅里叶描述子能够表达服装的款式特征。本发明提出的基于傅里叶描述子和BP神经网络的服装的款式识别方法能够使服装的款式识别达到81％以上的准确率，具有较高的鲁棒性和泛化能力。

附图说明

图1为服装的款式识别方法流程图

图2为服装图像的预处理过程

图3为BP神经网络结构图

具体实施方式

下面结合具体实施方式，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

本发明的服装款式的识别方法，如图1所示，通过对服装图像的预处理，获取服装的外部轮廓，然后进行服装的外部轮廓的傅里叶描述，并进行数据的预处理，再予以基于BP神经网络的服装款式识别；使用傅里叶描述子提取服装轮廓特征，以数据预处理后的傅里叶描述子特征矩阵训练BP神经网络，进行服装款式识别；

所述对服装图像的预处理是指对服装图像分割处理，找到最大面积区域即为服装区域，并对服装区域填充内部空洞；图2为服装图像的预处理过程，全流程为彩色图像-灰度图像-灰度增强图像-二值图像-闭运算后的图像-填充空洞后最大面积的图像-轮廓图像；

所述获取服装的外部轮廓是指对服装图像的预处理后进行外部的边缘检测，得到服装的轮廓图像。

如上所述的一种基于傅里叶描述子和BP神经网络的服装款式识别方法，所述服装图像为白色背景的服装灰度图像，原图为RGB空间的彩色服装图像，将彩色图像三维RGB空间中每个像素的颜色向直线R＝G＝B做射影，即可转化为一维空间的灰度图像。

如上所述的一种基于傅里叶描述子和BP神经网络的服装款式识别方法，所述服装图像分割的步骤为：

(1)将灰度图像的灰度值在low-255之间的值映射到0-255之间，低于low的值映射为0，增强灰度图像中服装图案与背景的对比度；

(2)使用最大类间方差法对灰度图像进行二值化，并对二值图像进行取反运算，便于后续形态学处理；

(3)对二值图像进行形态学闭运算处理，平滑服装图案的边界，连接边界狭窄的缺口，其中闭运算的结构元素为半径2-4个像素的圆盘；

(4)在上步骤获得的二值图像中标记8连通的区域，找到最大面积的8连通区域即为服装区域，并对服装区域填充内部空洞。

如上所述的一种基于傅里叶描述子和BP神经网络的服装款式识别方法，所述low取值范围为90-100。

如上所述的一种基于傅里叶描述子和BP神经网络的服装款式识别方法，所述边缘检测使用canny算子。

如上所述的一种基于傅里叶描述子和BP神经网络的服装款式识别方法，所述服装的外部轮廓的傅里叶描述具体为：

前处理得到了服装轮廓的数字图像，由于数字图像是用像素矩阵表示的，可以看作是像素为单位的平面坐标系；服装的外部轮廓中的轮廓像素点采用坐标b(k)＝(x_k,y_k)表示，式中x_k和y_k分别为其横坐标值与纵坐标值；k＝0,1,2,...N-1；N为轮廓像素点总数；每个坐标写成复数形式：b(k)＝x_k+jy_k，j为虚数单位；将复数坐标序列b(k)进行离散傅里叶变换得到服装轮廓b(k)的傅里叶描述序列a(u)：

$a\left(u\right)=\underset{k=0}{\overset{N-1}{\Σ}}b\left(k\right)e^{-j2\mathrm{\π}uk/N};$

式中u取值为0,1,2,...,N-1；e为自然常数；

为了得到对图像平移、旋转和缩放不敏感的傅里叶描述子，进一步对a(u)进行标准化得到标准化傅里叶描述子s(u)：

$s\left(u\right)=\frac{\left|a\left(u\right)\right|}{\left|a\left(1\right)\right|};$

式中u取值为1,2,3,...,N-1；

[s(1),s(2),s(3),...,s(N-1)]即为表示服装轮廓形状特征的标准化傅里叶描述子特征向量。

如上所述的一种基于傅里叶描述子和BP神经网络的服装款式识别方法，所述数据的预处理是对标准化傅里叶描述子特征向量进行归一化处理和主成分分析；所述归一化处理是将标准化傅里叶描述子特征向量映射到[0,1]或[-1,1]或更小的区间，得到归一化傅里叶描述子特征向量；所述主成分分析是将归一化傅里叶描述子进行主成分分析，选取累计贡献率为95％或99％的向量为主成分向量。

如上所述的一种基于傅里叶描述子和BP神经网络的服装款式识别方法，所述基于BP神经网络的服装款式识别是对样本集的主成分矩阵使用三层的BP神经网络进行服装款式的多分类识别；BP神经网络结构如图3所示；具体步骤为：

(1)神经网络结构为三层，分别是输入层、隐含层和输出层；

(2)输入数据为样本集的主成分矩阵和款式类别标签，输入层的神经元节点数为主成分矩阵的特征维度；

(3)隐含层的神经元节点数由多次实验择优选择，可选范围为10-30；

(4)输出层的神经元节点数为款式类别数，输出为BP神经网络的训练和分类结果。

实施例1

本实施例利用Matlab R2014a编程实现。创建了一个新的样本库，样本库共有650个服装照片样本，收集自天猫网(www.tmall.com)，分为8个款式类别，样本类别详情如表1所示。随机抽取样本库中70％的样本作为训练集，剩余的30％作为测试集。

表1服装照片样本库

服装款式识别结果比较：

样本库分别提取傅里叶描述子并进行数据预处理，再进行基于BP神经网络的款式识别。样本库所有款式平均识别准确率为81.00％，各款式识别结果如表2所示。长裤、短裤和短袖T恤等款式的形状特征与其他款式差别较明显，因此识别准确率较高。西装上衣、外套和长袖衬衣相比其他几类识别准确率较低，因为三者的外观轮廓相似性比较高，差别主要在领子和门襟等形状细节。

表2测试集款式识别结果分析表

Claims (8)

1.一种基于傅里叶描述子和BP神经网络的服装款式识别方法，其特征是：通过对服装图像的预处理，获取服装的外部轮廓，然后进行服装的外部轮廓的傅里叶描述，并进行数据的预处理，再予以基于BP神经网络的服装款式识别；

所述对服装图像的预处理是指对服装图像分割处理，找到最大面积的8连通区域即为服装区域，并对服装区域填充内部空洞；

所述获取服装的外部轮廓是指对服装图像的预处理后进行外部的边缘检测，得到服装的轮廓图像。

2.根据权利要求1所述的一种基于傅里叶描述子和BP神经网络的服装款式识别方法，其特征在于，所述服装图像为白色背景的服装灰度图像，原图为RGB空间的彩色服装图像，将彩色图像三维RGB空间中每个像素的颜色向直线R＝G＝B做射影，转化为一维空间的灰度图像。

3.根据权利要求1所述的一种基于傅里叶描述子和BP神经网络的服装款式识别方法，其特征在于，所述服装图像分割的步骤为：

(1)将灰度图像的灰度值在low-255之间的值映射到0-255之间，低于low的值映射为0，增强灰度图像中服装图案与背景的对比度；

(2)使用最大类间方差法对灰度图像进行二值化，并对二值图像进行取反运算，便于后续形态学处理；

(3)对二值图像进行形态学闭运算处理，平滑服装图案的边界，连接边界狭窄的缺口，其中闭运算的结构元素为半径2-4个像素的圆盘；

(4)在上步骤获得的二值图像中标记8连通的区域，找到最大面积的8连通区域即为服装区域，并对服装区域填充内部空洞。

4.根据权利要求3所述的一种基于傅里叶描述子和BP神经网络的服装款式识别方法，其特征在于，所述low取值范围为90-100。

5.根据权利要求1所述的一种基于傅里叶描述子和BP神经网络的服装款式识别方法，其特征在于，所述边缘检测使用canny算子。

6.根据权利要求1所述的一种基于傅里叶描述子和BP神经网络的服装款式识别方法，其特征在于，所述服装的外部轮廓的傅里叶描述具体为：

服装的外部轮廓中的轮廓像素点采用坐标b(k)＝(x_k,y_k)表示，式中x_k和y_k分别为其横坐标值与纵坐标值；k＝0,1,2,...N-1；N为轮廓像素点总数；每个坐标写成复数形式：b(k)＝x_k+jy_k，j为虚数单位；将复数坐标序列b(k)进行离散傅里叶变换得到服装轮廓b(k)的傅里叶描述序列a(u)：

$a\left(u\right)=\underset{k=0}{\overset{N-1}{\Σ}}b\left(k\right)e^{-j2\mathrm{\π}uk/N};$

式中u取值为0,1,2,...,N-1；e为自然常数；

为了得到对图像平移、旋转和缩放不敏感的傅里叶描述子，进一步对a(u)进行标准化得到标准化傅里叶描述子s(u)：

$s\left(u\right)=\frac{\left|a\left(u\right)\right|}{\left|a\left(1\right)\right|};$

式中u取值为1,2,3,...,N-1；

[s(1),s(2),s(3),...,s(N-1)]即为表示服装轮廓形状特征的标准化傅里叶描述子特征向量。

7.根据权利要求1所述的一种基于傅里叶描述子和BP神经网络的服装款式识别方法，其特征在于，所述数据的预处理是对标准化傅里叶描述子特征向量进行归一化处理和主成分分析；所述归一化处理是将标准化傅里叶描述子特征向量映射到[0,1]或[-1,1]或更小的区间，得到归一化傅里叶描述子特征向量；所述主成分分析是将归一化傅里叶描述子特征向量进行主成分分析，选取累计贡献率为95％或99％的向量为主成分向量。

8.根据权利要求1所述的一种基于傅里叶描述子和BP神经网络的服装款式识别方法，其特征在于，所述基于BP神经网络的服装款式识别是对样本集的主成分矩阵使用三层的BP神经网络进行服装款式的多分类识别；具体步骤为：

(1)神经网络结构为三层，分别是输入层、隐含层和输出层；

(2)输入数据为样本集的主成分矩阵和款式类别标签，输入层的神经元节点数为主成分矩阵的特征维度；

(3)隐含层的神经元节点数由多次实验择优选择，可选范围为10-30；

(4)输出层的神经元节点数为款式类别数，输出为BP神经网络的训练和分类结果。