CN106022343B - 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
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 Download PDFInfo
- Publication number
- CN106022343B CN106022343B CN201610334096.4A CN201610334096A CN106022343B CN 106022343 B CN106022343 B CN 106022343B CN 201610334096 A CN201610334096 A CN 201610334096A CN 106022343 B CN106022343 B CN 106022343B
- Authority
- CN
- China
- Prior art keywords
- clothes
- image
- neural network
- fourier
- fourier descriptor
- 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.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 42
- 239000013598 vector Substances 0.000 claims abstract description 23
- 239000011159 matrix material Substances 0.000 claims abstract description 14
- 238000003708 edge detection Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000000513 principal component analysis Methods 0.000 claims abstract description 8
- 210000002569 neuron Anatomy 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 7
- 239000011800 void material Substances 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 5
- 238000002474 experimental method Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 6
- 238000010606 normalization Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000002203 pretreatment Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000282326 Felis catus Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
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
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 onmulti-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 sketchesclassification[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)＝(xk,yk)表示，式中xk和yk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)＝xk+jyk，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)：
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)：
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)＝(xk,yk)表示，式中xk和yk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)＝xk+jyk，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)：
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)：
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 (6)
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；
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；
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)＝(xk,yk)表示，式中xk和yk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)＝xk+jyk，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)：
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)：
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。
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low取值范围为90-100。
4.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。
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。
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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610334096.4A CN106022343B (zh) | 2016-05-19 | 2016-05-19 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610334096.4A CN106022343B (zh) | 2016-05-19 | 2016-05-19 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106022343A CN106022343A (zh) | 2016-10-12 |
| CN106022343B true CN106022343B (zh) | 2019-08-16 |
Family
ID=57095841
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610334096.4A Active CN106022343B (zh) | 2016-05-19 | 2016-05-19 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106022343B (zh) |
Families Citing this family (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106971190A (zh) * | 2017-03-07 | 2017-07-21 | 上海优裁信息技术有限公司 | 基于人体体型的性别判断方法 |
| CN107038419A (zh) * | 2017-03-28 | 2017-08-11 | 南京邮电大学 | 一种基于视频序列深度学习的人物行为语义识别方法 |
| CN107609564B (zh) * | 2017-09-19 | 2020-01-10 | 浙江大学 | 基于联合分割和傅里叶描述子库的水下目标图像识别方法 |
| CN110021061B (zh) * | 2018-01-08 | 2021-10-29 | Oppo广东移动通信有限公司 | 搭配模型构建方法、服饰推荐方法、装置、介质及终端 |
| CN108769585A (zh) * | 2018-05-30 | 2018-11-06 | 深圳万智联合科技有限公司 | 一种监控效果良好的监控系统 |
| CN109035229B (zh) * | 2018-07-18 | 2022-02-18 | 河南牧业经济学院 | 一种基于傅里叶描述子的奶牛体况自动评价方法 |
| CN111079757B (zh) * | 2018-10-19 | 2024-09-20 | 北京奇虎科技有限公司 | 服饰属性识别方法、装置及电子设备 |
| CN109636790B (zh) * | 2018-12-13 | 2021-07-27 | 北京理工大学 | 一种管路结构的识别方法及装置 |
| CN111476253B (zh) * | 2019-01-23 | 2024-04-02 | 阿里巴巴集团控股有限公司 | 服装图像分类、图像分类方法、装置及设备 |
| CN109829418B (zh) * | 2019-01-28 | 2021-01-05 | 北京影谱科技股份有限公司 | 一种基于背影特征的打卡方法、装置和系统 |
| CN110046624B (zh) * | 2019-03-20 | 2022-12-06 | 东北大学 | 一种基于傅里叶描述子的示功图特征提取方法 |
| CN111860567B (zh) * | 2020-05-09 | 2024-04-16 | 武汉理工大学 | 叶片图像识别模型的构建方法 |
| CN112308084B (zh) * | 2020-11-09 | 2024-04-23 | 西安工程大学 | 一种基于多尺度Gabor的服装廓形分类方法 |
| CN112419489B (zh) * | 2020-12-08 | 2024-05-24 | 浙江蓝天制衣有限公司 | 一种基于特征融合与rbf网络的三维-二维的样板生成方法 |
| CN115641254A (zh) * | 2022-10-13 | 2023-01-24 | 北京沃东天骏信息技术有限公司 | 迁移方法和装置 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104331682B (zh) * | 2014-10-11 | 2018-11-30 | 东南大学 | 一种基于傅里叶描述子的建筑物自动识别方法 |
| CN104680127A (zh) * | 2014-12-18 | 2015-06-03 | 闻泰通讯股份有限公司 | 手势识别方法及系统 |
| CN104834922B (zh) * | 2015-05-27 | 2017-11-21 | 电子科技大学 | 基于混合神经网络的手势识别方法 |
-
2016
- 2016-05-19 CN CN201610334096.4A patent/CN106022343B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN106022343A (zh) | 2016-10-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106022343B (zh) | 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 | |
| CN106022375B (zh) | 一种基于hu不变矩和支持向量机的服装款式识别方法 | |
| CN109325952B (zh) | 基于深度学习的时尚服装图像分割方法 | |
| CN106056132B (zh) | 一种基于傅里叶描述子和支持向量机的服装款式识别方法 | |
| CN106384126B (zh) | 基于轮廓曲率特征点和支持向量机的服装款式识别方法 | |
| CN104268583B (zh) | 基于颜色区域特征的行人重识别方法及系统 | |
| CN108182397B (zh) | 一种多姿态多尺度的人脸验证方法 | |
| CN110837768A (zh) | 一种面向珍稀动物保护的在线检测与识别方法 | |
| CN106778474A (zh) | 3d人体识别方法及设备 | |
| CN104834941A (zh) | 基于计算机输入下的稀疏自编码的脱机手写体识别方法 | |
| CN105718552A (zh) | 基于服装手绘草图的服装图像检索方法 | |
| CN107392105B (zh) | 一种基于反向协同显著区域特征的表情识别方法 | |
| CN110046544A (zh) | 基于卷积神经网络的数字手势识别方法 | |
| CN112446340A (zh) | 结合行人局部特征和服饰属性分类的行人搜索方法、系统及存储介质 | |
| Hu et al. | Depth sensor based human detection for indoor surveillance | |
| Tong et al. | Cross-view gait recognition based on a restrictive triplet network | |
| CN109145947A (zh) | 一种基于部件检测和视觉特征的时尚女装图像细粒度分类方法 | |
| CN110210561B (zh) | 神经网络的训练方法、目标检测方法及装置、存储介质 | |
| Priya et al. | STD-net: saree texture detection via deep learning framework for E-commerce applications | |
| CN113887428B (zh) | 一种基于上下文信息的深度学习成对模型人耳检测方法 | |
| Zhang et al. | Content-based superpixel segmentation and matching using its region feature descriptors | |
| Elsayed et al. | Hybrid method based on multi-feature descriptor for static sign language recognition | |
| Park et al. | Clothing classification using CNN and shopping mall search system | |
| Juan | [Retracted] Research on Embroidery Feature Recognition Algorithm of Traditional National Costumes Based on Double‐Layer Model | |
| Vairavan et al. | An Efficient Age Estimation System with Facial Makeover Images Based on Key Points Selection. |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |