CN107766861A - 人物图像服装颜色识别方法、装置及电子设备 - Google Patents

Abstract

本发明提供一种人物图像服装颜色识别方法、装置及电子设备，涉及图像识别技术领域，其中，人物图像服装颜色识别方法包括：获取多个目标人物图像；从每个目标人物图像中提取出服装有效区域；通过预设深度学习模型对多个服装有效区域进行颜色分析识别，生成颜色比例图；基于多个颜色比例图，生成流行色趋势预测图。该人物图像服装颜色识别方法能够对采集于各个地区、各个季节的人物图像，进行服装颜色的识别及预测，为服装生产厂商提供可靠的参考。

Description

人物图像服装颜色识别方法、装置及电子设备

技术领域

本发明涉及图像识别技术领域，尤其是涉及一种人物图像服装颜色识别方法、装置及电子设备。

背景技术

随着我国经济的持续快速发展，服装出口业务呈现大幅度上升趋势。对于服装出口数量的控制及预测，目前采用如下方式：

国家专业机构每年提供两次服装流行色分析及预测报告，为各大服装供应商提供参考。具体的过程为：通过拍照获取各个商店、杂志或者其它场所的人物图像，然后通过人工方式对人物图像中的各种服装颜色进行分类统计。此过程需要花费大量的人力物力，并且效率很低。

发明内容

有鉴于此，本发明的目的在于提供一种人物图像服装颜色识别方法、装置及电子设备，能够对采集于各个地区、各个季节的人物图像，进行服装颜色的识别及预测，为服装生产厂商提供可靠的参考。

第一方面，本发明实施例提供了一种人物图像服装颜色识别方法，包括：

获取多个目标人物图像；

从每个目标人物图像中提取出服装有效区域；

通过预设深度学习模型对多个服装有效区域进行颜色分析识别，生成颜色比例图；

基于多个颜色比例图，生成流行色趋势预测图。

结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，获取多个目标人物图像，具体包括：

通过摄像机采集在预设时间段内预设地区的多个人物图像；预设时间段包括：春夏季、秋冬季；预设地区包括：服装出口地区中的任一区域；

将多个预设时间段内预设地区的人物图像作为目标人物图像。

结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中，从每个目标人物图像中提取出服装有效区域，具体包括：

采用Sobel边界检测滤镜，对目标人物图像进行边界检测；

根据边界检测的检测结果，确定服装有效区域。

结合第一方面，本发明实施例提供了第一方面的第三种可能的实施方式，其中，通过预设深度学习模型对服装有效区域进行颜色分析识别，生成颜色比例图，具体包括：

对服装有效区域进行颜色识别，确定服装有效区域内所包含的多个目标颜色；

对每个目标颜色进行量化检测，确定多个目标颜色之间的比例关系；

根据多个目标颜色之间的比例关系，生成颜色比例图。

结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方式，其中，基于多个颜色比例图，生成流行色趋势预测图，具体包括：

从多个颜色比例图中提取出相同颜色在各个颜色比例图中所占的比例；

根据比例绘制出多个相同颜色的比例变化曲线，生成流行色趋势预测图。

结合第一方面，本发明实施例提供了第一方面的第五种可能的实施方式，其中，在对服装有效区域进行颜色识别，确定服装有效区域内所包含的多个目标颜色之后，还包括：

对每个目标颜色进行预设语义匹配，得到颜色语义分析结果。

第二方面，本发明实施例提供一种人物图像服装颜色识别装置，包括：

图像获取模块，用于获取多个目标人物图像；

区域提取模块，用于从每个人物图像中提取出服装有效区域；

颜色识别模块，用于通过预设深度学习模型对多个服装有效区域进行颜色分析识别，生成颜色比例图；

图表生成模块，用于基于多个颜色比例图，生成流行色趋势预测图。

结合第二方面，本发明实施例提供了第二方面的第一种可能的实施方式，其中，颜色识别模块包括：

颜色识别单元，用于对服装有效区域进行颜色识别，确定服装有效区域内所包含的多个目标颜色；

量化检测单元，用于对每个目标颜色进行量化检测，确定多个目标颜色之间的比例关系；

比例图生成单元，用于根据多个目标颜色之间的比例关系，生成颜色比例图。

第三方面，本发明实施例提供一种电子设备，包括存储器、处理器，存储器上存储有可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述第一方面所述的方法的步骤。

第四方面，本发明实施例还提供一种具有处理器可执行的非易失的程序代码的计算机可读介质，程序代码使处理器执行如第一方面所述的方法。

本发明实施例带来了以下有益效果：

在本发明实施例提供的人物图像服装颜色识别方法中，首先获取多个目标人物图像；从每个目标人物图像中提取出服装有效区域；通过深度学习对多个服装有效区域进行颜色分析识别，生成颜色比例图；基于多个颜色比例图，生成流行色趋势预测图。该方法基于深度学习，能够对采集于各个地区各个时间段内的大量的人物图像进行服装颜色的识别和检测，从而对各个地区、各个季节的服装颜色进行分析及预测，为服装生产厂商提供可靠的参考。

本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种人物图像服装颜色识别方法的流程图；

图2为本发明实施例提供的另一种人物图像服装颜色识别方法的流程图；

图3为本发明实施例提供的另一种人物图像服装颜色识别方法的流程图；

图4为本发明实施例提供的另一种人物图像服装颜色识别方法的流程图；

图5为本发明实施例提供的另一种人物图像服装颜色识别方法的流程图；

图6为本发明实施例提供的另一种人物图像服装颜色识别方法的流程图；

图7为本发明实施例提供的一种人物图像服装颜色识别装置的结构示意图；

图8为本发明实施例提供的电子设备的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

目前现有的服装流行色分析及预测，需要通过人工方式对采集的人物图像中的各种服装颜色进行分类统计，此过程需要花费大量的人力物力，并且效率很低。基于此，本发明实施例提供的人物图像服装颜色识别方法、装置及电子设备，能够对采集于各个地区、各个季节的人物图像，进行服装颜色的识别及预测，为服装生产厂商提供可靠的参考。

为便于对本实施例进行理解，首先对本发明实施例所公开的一种人物图像服装颜色识别方法进行详细介绍。

实施例一：

本发明实施例提供了一种人物图像服装颜色识别方法，参见图1所示，该方法包括以下步骤：

S101：获取多个目标人物图像。

具体的获取图像过程包括以下步骤，参见图2所示：

S201：通过摄像机采集在预设时间段内预设地区的多个人物图像。

在本实施例中，预设时间段包括：春夏季、秋冬季，预设地区包括：服装出口地区中的任一区域，比如：南亚地区、韩国、欧洲等。需要说明的是，预设时间段不仅限于本发明实施例所述的春夏季、秋冬季，还可以采用其它的时间分段方式，比如：春季、夏季、秋季、冬季。

在具体实现的时候，通过摄像机采集某一地区某一时间段内的大量的人物图像，可以直接拍摄时尚杂志中的人物图像，也可以去各种服装店中拍摄模特的人物图像，或者其它场所的人物图像。当然，还可以将人物图像分为男士和女士两类，对这两类人物图像分别进行服装颜色识别和预测。

S202：将多个预设时间段内预设地区的人物图像作为目标人物图像。

将上述采集到的某个地区某个时间段内的大量的人物图像作为目标人物图像，为后续深度学习提供样本数据。

S102：从每个目标人物图像中提取出服装有效区域。

具体的确定服装有效区域过程包括以下步骤，参见图3所示：

S301：采用Sobel边界检测滤镜，对目标人物图像进行边界检测。

具体的，采用GPU Image Sobel Edge Detection Filter滤镜来检测服装有效区域，首先通过Sobel算子计算待处理图像的灰度值。

索贝尔算子(Sobel operator)主要用作边缘检测，在技术上，它是一离散性差分算子，用来运算图像亮度函数的灰度之近似值。在图像的任何一点使用此算子，将会产生对应的灰度矢量或是其法矢量。

Sobel卷积因子为：

该算子包含两组3x3的矩阵，分别为横向及纵向，将之与图像作平面卷积，即可分别得出横向及纵向的亮度差分近似值。如果以A代表原始图像，Gx及Gy分别代表经横向及纵向边缘检测的图像灰度值，其公式如下：

具体计算如下：

Gx＝(-1)*f(x-1,y-1)+0*f(x,y-1)+1*f(x+1,y-1)

+(-2)*f(x-1,y)+0*f(x,y)+2*f(x+1,y)

+(-1)*f(x-1,y+1)+0*f(x,y+1)+1*f(x+1,y+1)

＝[f(x+1,y-1)+2*f(x+1,y)+f(x+1,y+1)]-[f(x-1,y-1)+2*f(x-1,y)+f(x-1,y+1)]

Gy＝1*f(x-1,y-1)+2*f(x,y-1)+1*f(x+1,y-1)

+0*f(x-1,y)0*f(x,y)+0*f(x+1,y)

+(-1)*f(x-1,y+1)+(-2)*f(x,y+1)+(-1)*f(x+1,y+1)

＝[f(x-1,y-1)+2f(x,y-1)+f(x+1,y-1)]-[f(x-1,y+1)+2*f(x,y+1)+f(x+1,y+1)]

其中f(a,b),表示图像(a,b)点的灰度值；

图像的每一个像素的横向及纵向灰度值通过以下公式结合，来计算该点灰度的大小：

通常，为了提高效率使用不开平方的近似值：

|G|＝|Gx|+|Gy|

如果梯度G大于某一阀值，则认为该点(x,y)为边缘点。

然后可用以下公式计算梯度方向：

通过计算梯度方向可以得到精确的边缘方向。Sobel算子根据像素点上下、左右邻点灰度加权差，在边缘处达到极值这一现象检测边缘。对噪声具有平滑作用，提供精确的边缘方向信息。

S302：根据边界检测的检测结果，确定服装有效区域。

运用基于RGB色彩模式的阈值肤色识别准则，对人物图像进行肤色检测，精确地获取服装有效区域。

S103：通过预设深度学习模型对多个服装有效区域进行颜色分析识别，生成颜色比例图。

具体的颜色比例图生成过程包括以下步骤，参见图4所示：

S401：对服装有效区域进行颜色识别，确定服装有效区域内所包含的多个目标颜色。

在确定出服装有效区域后，检测服装有效区域内所包含的颜色，比如，红色、蓝色、黄色，为三种目标颜色。

S402：对每个目标颜色进行量化检测，确定多个目标颜色之间的比例关系。

S403：根据多个目标颜色之间的比例关系，生成颜色比例图。

比如，在确定出服装有效区域包含红色、蓝色、黄色三种目标颜色后，对这三种目标颜色进行量化检测，分别检测出每种颜色的颜色量，进而确定出每个目标颜色的颜色量占总颜色量的比值，也就得到多个目标颜色之间的比例关系。进一步地，根据上述确定出的多个目标颜色之间的比例关系，生成颜色比例图。

S104：基于多个颜色比例图，生成流行色趋势预测图。

具体的流行色趋势预测图生成过程包括以下步骤，参见图5所示：

S501：从多个颜色比例图中提取出相同颜色在各个颜色比例图中所占的比例。

S502：根据比例绘制出多个相同颜色的比例变化曲线，生成流行色趋势预测图。

具体的，多个颜色比例图可以是某一时间段内男士服装的颜色比例图，从中提取出相同颜色在各个颜色比例图中的颜色量占比，进而根据颜色量占比数值绘制出比例变化曲线，从而生成流行色趋势预测图。

此外，在对服装有效区域进行颜色识别，确定服装有效区域内所包含的多个目标颜色之后，还包括以下步骤，参见图6所示：

S601：对每个目标颜色进行预设语义匹配，得到颜色语义分析结果。

比如，与蓝色匹配的语义是纯净，与金黄色匹配的语义是活力，与绿色匹配的语义是青春，与红色匹配的语义是热情，与黄色匹配的语义是年轻，与紫色匹配的语义是神秘等，在确定出服装有效区域内所包含的多个目标颜色后，进行颜色和语义的匹配，得到每个目标人物图像中服装有效区域所对应的语义分析结果。

在本发明实施例提供的人物图像服装颜色识别方法中，首先获取多个目标人物图像；从每个目标人物图像中提取出服装有效区域；通过深度学习对多个服装有效区域进行颜色分析识别，生成颜色比例图；基于多个颜色比例图，生成流行色趋势预测图。该方法基于深度学习，能够对采集于各个地区各个时间段内的大量的人物图像进行服装颜色的识别和检测，从而对各个地区、各个季节的服装颜色进行分析及预测，为服装生产厂商提供可靠的参考。

实施例二：

本发明实施例提供一种人物图像服装颜色识别装置，参见图7所示，该装置包括：

图像获取模块71，用于获取多个目标人物图像；

区域提取模块72，用于从每个人物图像中提取出服装有效区域；

颜色识别模块73，用于通过预设深度学习模型对多个服装有效区域进行颜色分析识别，生成颜色比例图；

图表生成模块74，用于基于多个颜色比例图，生成流行色趋势预测图。

其中，颜色识别模块73包括：

颜色识别单元731，用于对服装有效区域进行颜色识别，确定服装有效区域内所包含的多个目标颜色；

量化检测单元732，用于对每个目标颜色进行量化检测，确定多个目标颜色之间的比例关系；

比例图生成单元733，用于根据多个目标颜色之间的比例关系，生成颜色比例图。

本发明实施例所提供的人物图像服装颜色识别装置中，各个模块的工作过程与前述人物图像服装颜色识别方法具有相同的技术特征，因此，同样可以实现上述功能，在此不再赘述。

实施例三：

本发明实施例还提供一种电子设备，参见图8所示，该电子设备包括：处理器80，存储器81，总线82和通信接口83，所述处理器80、通信接口83和存储器81通过总线82连接；处理器80用于执行存储器81中存储的可执行模块，例如计算机程序。处理器执行计算机程序时实现如方法实施例所述的方法的步骤。

其中，存储器81可能包含高速随机存取存储器(RAM，RandomAccessMemory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口83(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。

总线82可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图8中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

其中，存储器81用于存储程序，所述处理器80在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器80中，或者由处理器80实现。

处理器80可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器80中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器80可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器81，处理器80读取存储器81中的信息，结合其硬件完成上述方法的步骤。

本发明实施例所提供的网络设备的定位方法的计算机程序产品，包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置及电子设备的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

附图中的流程图和框图显示了根据本发明的多个实施例方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种人物图像服装颜色识别方法，其特征在于，包括：

获取多个目标人物图像；

从每个所述目标人物图像中提取出服装有效区域；

通过预设深度学习模型对多个所述服装有效区域进行颜色分析识别，生成颜色比例图；

基于多个所述颜色比例图，生成流行色趋势预测图。

2.根据权利要求1所述的方法，其特征在于，所述获取多个目标人物图像，具体包括：

通过摄像机采集在预设时间段内预设地区的多个人物图像；所述预设时间段包括：春夏季、秋冬季；所述预设地区包括：服装出口地区中的任一区域；

将多个所述预设时间段内预设地区的人物图像作为所述目标人物图像。

3.根据权利要求1所述的方法，其特征在于，所述从每个所述目标人物图像中提取出服装有效区域，具体包括：

采用Sobel边界检测滤镜，对所述目标人物图像进行边界检测；

根据所述边界检测的检测结果，确定所述服装有效区域。

4.根据权利要求1所述的方法，其特征在于，所述通过预设深度学习模型对所述服装有效区域进行颜色分析识别，生成颜色比例图，具体包括：

对所述服装有效区域进行颜色识别，确定所述服装有效区域内所包含的多个目标颜色；

对每个所述目标颜色进行量化检测，确定多个所述目标颜色之间的比例关系；

根据多个所述目标颜色之间的比例关系，生成颜色比例图。

5.根据权利要求1所述的方法，其特征在于，所述基于多个所述颜色比例图，生成流行色趋势预测图，具体包括：

从多个所述颜色比例图中提取出相同颜色在各个所述颜色比例图中所占的比例；

根据所述比例绘制出多个所述相同颜色的比例变化曲线，生成所述流行色趋势预测图。

6.根据权利要求4所述的方法，其特征在于，在所述对所述服装有效区域进行颜色识别，确定所述服装有效区域内所包含的多个目标颜色之后，还包括：

对每个所述目标颜色进行预设语义匹配，得到颜色语义分析结果。

7.一种人物图像服装颜色识别装置，其特征在于，包括：

图像获取模块，用于获取多个目标人物图像；

区域提取模块，用于从每个所述目标人物图像中提取出服装有效区域；

颜色识别模块，用于通过预设深度学习模型对多个所述服装有效区域进行颜色分析识别，生成颜色比例图；

图表生成模块，用于基于多个所述颜色比例图，生成流行色趋势预测图。

8.根据权利要求7所述的装置，其特征在于，所述颜色识别模块包括：

颜色识别单元，用于对所述服装有效区域进行颜色识别，确定所述服装有效区域内所包含的多个目标颜色；

量化检测单元，用于对每个所述目标颜色进行量化检测，确定多个所述目标颜色之间的比例关系；

比例图生成单元，用于根据多个所述目标颜色之间的比例关系，生成颜色比例图。

9.一种电子设备，包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至6任一项所述的方法的步骤。

10.一种具有处理器可执行的非易失的程序代码的计算机可读介质，其特征在于，所述程序代码使所述处理器执行所述权利要求1至6任一项所述的方法。