CN108230297B - 一种基于服装替换的色彩搭配评估方法 - Google Patents
一种基于服装替换的色彩搭配评估方法 Download PDFInfo
- Publication number
- CN108230297B CN108230297B CN201711245001.2A CN201711245001A CN108230297B CN 108230297 B CN108230297 B CN 108230297B CN 201711245001 A CN201711245001 A CN 201711245001A CN 108230297 B CN108230297 B CN 108230297B
- Authority
- CN
- China
- Prior art keywords
- color
- clothes
- image
- picture
- detection
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000001514 detection method Methods 0.000 claims abstract description 43
- 238000012545 processing Methods 0.000 claims abstract description 5
- 241000282414 Homo sapiens Species 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 10
- 239000003086 colorant Substances 0.000 claims description 8
- 238000003708 edge detection Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000009499 grossing Methods 0.000 claims description 4
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000002401 inhibitory effect Effects 0.000 claims description 2
- 230000001629 suppression Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 7
- 238000011156 evaluation Methods 0.000 abstract description 7
- 230000008859 change Effects 0.000 abstract description 4
- 230000004438 eyesight Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 230000003796 beauty Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明属于计算机图像处理技术领域，具体为基于服装替换的色彩搭配评估方法。本发明方法的步骤为：根据用户日常图片及选购服装，分别进行前景检测、中线检测；对用户图片进行人脸检测，模拟换装；提取换装后的图片色彩特征，并做聚类，利用Matsuda色彩和谐度模型，对服装色彩与肤色搭配效果（色彩和谐度）评估。本发明提出了一种基于前景检测、中线检测的换装方法，且能够对换装后的肤色与服装色彩搭配进行有效的美学评估。
Description
技术领域
本发明属于计算机图像处理技术领域，具体涉及一种换装及色彩搭配评估方法。
背景技术
随着计算机视觉技术的飞速发展，包括目标识别、物体检测等问题得到了很好的解决。然而在图像美学，这一难以被客观量化的问题上的研究却比较有限。图像采集设备的多元化使图片数据的数量随之爆发式地增长，生活品质的提高也使人们对日常生活中对美的追求越来越重视。当今，网上购物已经成为趋势，在网上购买服装也面临着一些需要计算机视觉解决的问题。如何快速有效准确地对新的服装效果，尤其是颜色搭配，进行有效评估是目前的研究热点之一。
利用计算机视觉的技术进行服装替换工作难度很大，因为人的服装涉及非常多的细节，想要细致匹配需要大量的细节特征。此前已有一些工作先对服装分割，再进行替换，效果有待改进。对于图像处理方面已有一些成熟的算法：Grabcut用于前景检测，canny算子用于边缘检测，人脸检测算法等。
此外，利用计算机视觉的技术进行色彩评估也是一个非常具有挑战性的工作。首先，我们需要在静态图像中提取出有效的色彩特征，并需要对这些色彩特征进行进一步的转换和组合，选取合适的量化规则，进而来准确地评估图像的色彩和谐情况。利用计算机准确地对图像进行色彩评估，可以帮助我们在日常生活场景中选择色彩搭配宜人的装束，获得更高的美感。
传统计算机视觉研究的内容不同的是，图像美学不仅仅是一个计算机方面的研究课题。它涉及包括艺术、心理学、社会学及人类学等多学科的内容，其难度显而易见。目前，图像色彩和谐度的评估工作，有一些模型。从上世纪人们开始探究色彩和谐度的规律开始，有两个知名的模型被人们所认可，它们分别是Moon-Spencer模型和Matsuda模型。这两个模型的共同点是都使用了HSV色彩空间，弱化某一种特定颜色的重要性，强调色彩的合理搭配。
Moon-Spencer模型的思想是尽可能排除单一颜色对图像色彩和谐度的影响，采用比较两个不同像素的颜色差异来决定该色彩搭配是否协调。Moon-Spencer模型的局限性也很明显，它仅仅是基于图片中两种颜色的比较。如果一幅图中的颜色种类繁多，它所计算出来的结果往往过于细微，很难反映出全局性的色彩和谐度，甚至与人类真实的视觉感受背道而驰。
Matsuda模型主要是围绕着八个模板来决定一幅图的色彩和谐度。它规定了什么模板叫做和谐，如果一幅图颜色搭配的样式越接近模板，那么这幅图就越和谐。
参考文献：
1.Moon and D.E.Spencer,“Geometric formulation of classical colorharmony”,Journal of the Optional Society of America,vol.34,pp.46-50,1944；
2.Y.Matsuda,“Color design”,AsakuraShoten,vol.2(4),1995。
发明内容
本发明的目的在于提供一种能够提供准确的、适应性强的基于计算机视觉的服装替换和色彩搭配评估方法。
本发明提供的基于服装替换的色彩搭配评估方法，是通过前景检测，中线检测，人脸检测，将服装进行有效且准确的缩放和替换；并提取色彩特征应用Matsuda模型的色彩和谐度原则进行美学评估，能够对服装和肤色的颜色搭配进行有效的美学评估。在多样的图像和复杂的背景下，该方法能够较为准确地体现服装的色彩搭配美学价值。其具体步骤如下：
(1)利用前景检测、中线检测等方法实现服装替换；
(2)利用Matsuda色彩和谐度模型对肤色与服装的色彩搭配进行评估。
其中：
步骤(1)所述实现服装替换，具体过程如下：
(11)对于每一张输入的用户日常着装图片，和n张用户选定想要购买或比较的服装图片，利用grabcut算法做前景检测，获得服装和人体的矩形框大小，调整服装和人体的大小，将人体和服装放缩到统一的长宽比例；
(12)对用户图片和服装图片用canny算子做边缘检测，之后进行中线检测，保证服装替换在轴线位置的准确性；
(13)利用人脸的Haar特征分类器对用户图片做人脸检测，获得人脸检测的矩形框。由该位置下移一定距离为颈部位置，确定服装替换的起点位置。服装替换时，检测服装的最高点，由最高点位置匹配人体的颈部位置；
(14)因边缘检测易产生锯齿状边缘，不够平滑，所以拷贝服装图片中阈值小于一定范围的像素点，可以过滤掉锯齿边缘，从而将服装拷贝到用户图片中，完成换装。
步骤(2)所述实现Matsuda色彩模型，具体过程如下：
(21)对于每一张传入的图片，基于HSV色彩空间，计算图片的色调直方图：计算每个像素点的HSV值。定义共有360种颜色，角度为0度到1度之间的认为是同一种颜色；直方图的数值对应每种颜色的饱和度之和，该数值越大，该种颜色占据整幅图的比例越高；
(22)色彩和谐度分为八种类别，根据色调直方图，采用K-means聚类，将图片匹配到最相近的一种类别中；
(23)计算该图片色调直方图与匹配类别的距离作为色彩和谐度打分。
步骤(11)中所述grabcut算法做前景检测和统一放缩，具体过程如下：
(111)用一个矩形框大致圈定图像上的前景对象，生成一个初始化的掩码矩阵；
(112)掩码矩阵的值可能有四种：GC_BGD＝0为背景，GC_FGD＝1为前景，GC_PR_BGD＝2表示可能为背景，GC_PR_FGD＝3表示可能为前景。将8位3通道(CV_8UC3)的待分割源图像进行处理，规则为：矩形外面的部分一定是背景，在掩码图中对应的像素值为GC_BGD，而矩形内部的的值可能为前景，对应的像素值为GC_PR_FGD。并多次迭代这个过程，得到最终的结果图像；
(113)遍历掩码矩阵，判断可能为前景的像素点，获得前景图像的范围，即人体和服装的矩形框；
(114)将人体和服装的图像范围——长宽比放缩到统一尺寸。
步骤(12)中所述用canny算子做中线检测，具体过程如下：
(121)对图像做平滑处理：用高斯滤波器平滑图像—将图像与尺度为σ的高斯函数做卷积；
(122)边缘强度计算：用一阶偏导有限差分计算图像的边缘幅度及方向。Canny算子卷积模板：
其x向、y向的一阶偏导数矩阵，梯度幅值以及梯度方向的数学表达式为：
p[i,j]＝(f[i,j+1]-f[i,j]+f[i+1,j+1]-f[i+1,j])/2；
Q[i,j]＝(f[i+1,j]-f[i,j]+f[i+1,j+1]-f[i,j+1])/2；
θ＝arctan(Q[i,j]/p[i,j])；
其中，f为图像灰度值，(i,j)表示像素点的位置，f[i,j]为像素点(i,j)的图像灰度值；相应地，f[i,j+1]为像素点(i,j+1)的图像灰度值，f[i+1,j]为像素点(i+1,j)像素点的图像灰度值，f[i+1,j+1]为像素点(i+1,j+1)像素点的图像灰度值；P代表X方向梯度幅值，Q代表Y方向梯度幅值，M是该点幅值，θ是梯度方向，也就是角度；
(123)非极大值抑制：只有局部极大值标记为边缘。若中心点在沿其方向上邻域的梯度幅值最大，则保留；否则，抑制；
(124)滞后阈值化处理：用双阈值算法检测和连接边缘。当边缘强度大于高阈值时立即设置为边缘点，低于低阈值时立即剔除，在中间的作为潜在边缘点，按下列原则处理：只有这些点能按照某一路径与已存在边缘点相连时，它们才被接受为边缘点。组成这一路径的点边缘幅度都要大于低阈值；双阈值的选取是按照直方图来选择的，首先把梯度幅值的直方图求出来，选取占直方图总数的一定比例(可以根据要求设定，代码中设定为70％)所对应的梯度幅值为高阈值，高阈值的一半为低阈值；
(125)从上到下遍历边缘取中点的均值，得到中线。
步骤(23)中所述根据色彩模型类别的距离打分，具体过程如下：
(231)依照Matsuda模型的八个模板，得分的定义是图像直方图与指定样式的距离，计算出图像相对于和谐度模板的得分；
(232)提取出换装后的人，目前图像包含肤色信息，服装颜色信息。将Matsuda模型应用于服装色彩搭配评估。利用高斯函数标准化对色彩和谐度匹配模板距离打分做标准化，并用sigmoid函数映射到0-1之间。
与现有技术相比，本发明的有益效果为：
1、只需要用户提供同类服装的日常照片，及欲选购的服装照片，能够较准确的实现服装替换，向用户直观的展示新服装的着装效果。利用前景检测、中线检测、人脸检测等方法，使服装替换的效果得到优化；
2、针对服装替换的结果，进行色彩搭配美学评估。利用Matsuda模型对服装替换的结果提取肤色和服装颜色，并对最终色彩搭配和谐度进行打分；
3、本发明可向用户提供服装购买和搭配展示实际着装效果，并提供参考建议。
附图说明
图1为本发明的新型服装替换和色彩搭配评估算法的总流程框图。
图2为图1中步骤(1)所述的服装替换的流程图。
图3为图1步骤(11)前景检测的结果图。其中，(a)为用户提供的日常图片，(b)为前景检测后的用户图片，(c)为用户选择的服装图片，(d)为前景检测后的服装图片。
图4为图1步骤(12)中线检测的结果图。其中，(a)为用户提供的日常图片，(b)为中线检测后的用户图片，(c)为用户选择的服装图片，(d)为中线检测后的服装图片。
图5为图1步骤(13)(14)人脸检测、服装替换的结果图。其中，(a)为人脸检测后的用户图片，(b)为服装替换后的图片。
图6为图1中步骤(2)所述的针对换装后的图片进行色彩搭配美学评估的流程图。
图7为图1中步骤(22)所述的Matsuda模型的8个和谐度模板。
图8为用户提供图片及5件欲购买的服装。
图9为整个算法的服装替换及服装色彩和谐度打分效果图。
具体实施方式
下面结合附图和实施例对本发明作进一步详细说明。
参照图1，本发明的服装替换与色彩搭配评估算法，其具体步骤如下：
(1)服装替换，具体方式如图2所示，展示如下：
(11)对于每一张输入的用户日常着装图片，利用grabcut算法做前景检测，如图3中(a)(b)所示。对于n张用户选定想要购买或比较的服装图片，利用grabcut算法做前景检测，如图3中(c)(d)所示。并获得服装和人体的矩形框大小，调整服装和人体的大小，将人体和服装放缩到统一的长宽比例；
(12)对用户图片用canny算子做边缘检测，获得用户的中线，如图4(a)(b)所示，对服装图片也用canny算子做边缘检测，获得服装图片的中线。保证服装替换在轴线位置的准确性；
(13)利用人脸的Haar特征分类器对用户图片做人脸检测，获得人脸检测的矩形框。如图5(a)所示；
由该位置下移一定距离为颈部位置，确定服装替换的起点位置。服装替换时，检测服装的最高点，由最高点位置匹配人体的颈部位置；
(14)因边缘检测易产生锯齿状边缘，不够平滑，所以仅拷贝服装图片中阈值小于一定范围的像素点，可以过滤掉锯齿边缘，从而将服装拷贝到用户图片中，完成换装，如图5(b)所示。
(2)利用Matsuda色彩和谐度模型对肤色与服装的色彩搭配进行评估，具体步骤如图6所示：
(21)对于每一张传入的图片，基于HSV色彩空间，计算图片的色调直方图：计算每个像素点的HSV值。定义共有360种颜色，角度为0度到1度之间的认为是同一种颜色。直方图的数值对应每种颜色的饱和度之和，该数值越大，该种颜色占据整幅图的比例越高；
(22)色彩和谐度分为八种类别，根据色调直方图，采用K-means聚类，将图片匹配到最相近的一种类别中；
(23)计算该图片色调直方图与匹配类别的距离作为色彩和谐度打分；
(231)依照Matsuda模型的的八个模板，如图7所示，得分的定义是图像直方图与指定样式的距离，计算出图像相对于和谐度模板的得分；
(232)提取出换装后的人，目前图像包含肤色信息，服装颜色信息。将Matsuda模型应用于服装色彩搭配评估。利用高斯函数标准化对色彩和谐度匹配模板距离打分做标准化，并用sigmoid函数映射到0-1之间。
以图8所示，提供一张用户日常图片，和5张欲选购的服装图片。经过换装和色彩评价后的最终结果(分数取3位小数)如图9所示。
色彩评价的过程如下所示，index表示替换服装后的图片索引，patter为其匹配的Matsuda模型的模板序号，score为经过高斯标准化后的色彩得分。
输入：
输出：
| index | pattern | score | |
| 0 | 1 | 7 | 0.303631 |
| 1 | 2 | 1 | 0.312983 |
| 2 | 3 | 4 | 0.339430 |
| 3 | 4 | 7 | 0.273526 |
| 4 | 5 | 7 | 0.355700 |
。
Claims (4)
1.一种基于服装替换的色彩搭配评估方法，其特征在于，具体步骤如下：
(1)利用前景检测、中线检测方法实现服装替换；
(2)利用Matsuda色彩和谐度模型对肤色与服装的色彩搭配进行评估；
其中：
步骤(1)所述实现服装替换，具体过程如下：
(11)对于每一张输入的用户日常着装图片，和n张用户选定想要购买或比较的服装图片，利用grabcut算法做前景检测，获得服装和人体的矩形框大小，调整服装和人体的大小，将人体和服装放缩到统一的长宽比例；
(12)对用户图片和服装图片用canny算子做边缘检测，之后进行中线检测，保证服装替换在轴线位置的准确性；
(13)利用人脸的Haar特征分类器对用户图片做人脸检测，获得人脸检测的矩形框；服装替换时，检测服装的最高点，由最高点位置匹配人体的颈部位置；
(14)拷贝服装图片中阈值小于一定范围的像素点，以过滤掉锯齿边缘，从而将服装拷贝到用户图片中，完成换装；
步骤(2)所述利用Matsuda色彩和谐度模型对肤色与服装的色彩搭配进行评估，具体过程如下：
(21)对于每一张传入的图片，基于HSV色彩空间，计算图片的色调直方图：计算每个像素点的HSV值；定义一共有360种颜色，角度为0度到1度之间的认为是同一种颜色；直方图的数值对应每种颜色的饱和度之和，该数值越大，该种颜色占据整幅图的比例越高；
(22)色彩和谐度分为八种类别，根据色调直方图，采用K-means聚类，将图片匹配到最相近的一种类别中；
(23)计算该图片色调直方图与匹配类别的距离作为色彩和谐度打分。
2.根据权利要求1所述的方法，其特征在于，步骤(11)中所述利用grabcut算法做前景检测，将人体和服装放缩到统一的长宽比例，具体过程如下：
(111)用一个矩形框大致圈定图像上的前景对象，生成一个初始化的掩码矩阵；
(112)掩码矩阵的值有四种：GC_BGD＝0为背景，GC_FGD＝1为前景，GC_PR_BGD＝2表示可能为背景，GC_PR_FGD＝3表示可能为前景；将8位3通道CV_8UC3的待分割源图像进行处理，规则为：矩形外面的部分一定是背景，在掩码图中对应的像素值为GC_BGD，而矩形内部的值可能为前景，对应的像素值为GC_PR_FGD；并多次迭代这个过程，得到最终的结果图像；
(113)遍历掩码矩阵，判断可能为前景的像素点，获得前景图像的范围，即人体和服装的矩形框；
(114)将人体和服装的图像范围——长宽比放缩到统一尺寸。
3.根据权利要求2所述的方法，其特征在于，步骤(12)中所述用canny算子做中线检测，具体过程如下：
(121)对图像做平滑处理：用高斯滤波器平滑图像——将图像与尺度为σ的高斯函数做卷积；
(122)边缘强度计算：用一阶偏导有限差分计算图像的边缘幅度及方向；Canny算子卷积模板：
p[i,j]＝(f[i,j+1]-f[i,j]+f[i+1,j+1]-f[i+1,j])/2
Q[i,j]＝(f[i+1,j]-f[i,j]+f[i+1,j+1]-f[i,j+1])/2
θ＝arctan(Q[i,j]/p[i,j])
其中，f为图像灰度值，(i,j)表示像素点的位置，f[i,j]为像素点(i,j)的图像灰度值；p代表X方向梯度幅值，Q代表Y方向梯度幅值，M是该点幅值，θ是梯度方向，也就是角度；
(123)非极大值抑制：只有局部极大值标记为边缘；若中心点在沿其方向上邻域的梯度幅值最大，则保留；否则，抑制；
(124)滞后阈值化处理：用双阈值算法检测和连接边缘；当边缘强度大于高阈值时立即设置为边缘点，低于低阈值时立即剔除；在中间的作为潜在边缘点，按下列原则处理：只有这些点能按照某一路径与已存在边缘点相连时，它们才被接受为边缘点；组成这一路径的点边缘幅度都要大于低阈值；双阈值是按照直方图来选择的，首先把梯度幅值的直方图求出来，选取占直方图总数的一定比例所对应的梯度幅值为高阈值，高阈值的一半为低阈值；
(125)从上到下遍历边缘取中点的均值，得到中线。
4.根据权利要求3所述的方法，其特征在于，步骤(23)中所述计算该图片色调直方图与匹配类别的距离作为色彩和谐度打分，具体过程如下：
(231)依照Matsuda模型的八个模板，得分的定义是图像直方图与指定样式的距离，计算出图像相对于和谐度模板的得分；
(232)提取出换装后的人，目前图像包含肤色信息，服装颜色信息；将Matsuda模型应用于服装色彩搭配评估；利用高斯函数标准化对色彩和谐度匹配模板距离打分做标准化，并用sigmoid函数映射到0-1之间。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711245001.2A CN108230297B (zh) | 2017-11-30 | 2017-11-30 | 一种基于服装替换的色彩搭配评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711245001.2A CN108230297B (zh) | 2017-11-30 | 2017-11-30 | 一种基于服装替换的色彩搭配评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108230297A CN108230297A (zh) | 2018-06-29 |
| CN108230297B true CN108230297B (zh) | 2020-05-12 |
Family
ID=62653720
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711245001.2A Expired - Fee Related CN108230297B (zh) | 2017-11-30 | 2017-11-30 | 一种基于服装替换的色彩搭配评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108230297B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110210283B (zh) * | 2019-04-09 | 2021-05-14 | 深圳市梦网视讯有限公司 | 一种基于换装应用的图像处理方法和系统 |
| CN110378959A (zh) * | 2019-07-15 | 2019-10-25 | 杭州恢弘科技有限公司 | 一种服装辅助印烫定位设置方法、定位方法及辅助印烫方法 |
| CN111814877B (zh) * | 2020-07-09 | 2023-11-24 | 北京服装学院 | 一种大型群体演出活动服装实景展演系统及方法 |
| CN112164013B (zh) * | 2020-10-14 | 2023-04-18 | 上海影卓信息科技有限公司 | 人像换装方法、系统及介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102779270A (zh) * | 2012-06-21 | 2012-11-14 | 西南交通大学 | 一种针对购物图像搜索的目标衣物图像提取方法 |
| CN103400274A (zh) * | 2013-07-22 | 2013-11-20 | 郝芳莉 | 一种个性化服饰虚拟试穿戴服务平台及虚拟试穿戴方法 |
| CN104484450A (zh) * | 2014-12-25 | 2015-04-01 | 广东欧珀移动通信有限公司 | 基于图像的服饰搭配推荐方法和服饰搭配推荐装置 |
| CN104700421A (zh) * | 2015-03-27 | 2015-06-10 | 中国科学院光电技术研究所 | 一种基于canny的自适应阈值的边缘检测算法 |
| CN105069466A (zh) * | 2015-07-24 | 2015-11-18 | 成都市高博汇科信息科技有限公司 | 基于数字图像处理的行人服饰颜色识别方法 |
| CN106504064A (zh) * | 2016-10-25 | 2017-03-15 | 清华大学 | 基于深度卷积神经网络的服装分类与搭配推荐方法及系统 |
| CN106649300A (zh) * | 2015-10-28 | 2017-05-10 | 中通服公众信息产业股份有限公司 | 一种基于云平台的智能服饰搭配推荐方法及系统 |
| CN106778788A (zh) * | 2017-01-13 | 2017-05-31 | 河北工业大学 | 对图像进行美学评价的多特征融合方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5664553B2 (ja) * | 2009-10-16 | 2015-02-04 | 日本電気株式会社 | 人物服装特徴抽出装置、人物検索装置、人物服装特徴抽出方法、人物検索方法及びプログラム |
| US10347052B2 (en) * | 2015-11-18 | 2019-07-09 | Adobe Inc. | Color-based geometric feature enhancement for 3D models |
-
2017
- 2017-11-30 CN CN201711245001.2A patent/CN108230297B/zh not_active Expired - Fee Related
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102779270A (zh) * | 2012-06-21 | 2012-11-14 | 西南交通大学 | 一种针对购物图像搜索的目标衣物图像提取方法 |
| CN103400274A (zh) * | 2013-07-22 | 2013-11-20 | 郝芳莉 | 一种个性化服饰虚拟试穿戴服务平台及虚拟试穿戴方法 |
| CN104484450A (zh) * | 2014-12-25 | 2015-04-01 | 广东欧珀移动通信有限公司 | 基于图像的服饰搭配推荐方法和服饰搭配推荐装置 |
| CN104700421A (zh) * | 2015-03-27 | 2015-06-10 | 中国科学院光电技术研究所 | 一种基于canny的自适应阈值的边缘检测算法 |
| CN105069466A (zh) * | 2015-07-24 | 2015-11-18 | 成都市高博汇科信息科技有限公司 | 基于数字图像处理的行人服饰颜色识别方法 |
| CN106649300A (zh) * | 2015-10-28 | 2017-05-10 | 中通服公众信息产业股份有限公司 | 一种基于云平台的智能服饰搭配推荐方法及系统 |
| CN106504064A (zh) * | 2016-10-25 | 2017-03-15 | 清华大学 | 基于深度卷积神经网络的服装分类与搭配推荐方法及系统 |
| CN106778788A (zh) * | 2017-01-13 | 2017-05-31 | 河北工业大学 | 对图像进行美学评价的多特征融合方法 |
Non-Patent Citations (1)
| Title |
|---|
| Visual Aesthetics and Human Preference;Stephen E.Palmer.et;《Annual Review of Psychology》;20131231;第64卷;第17.1-17.31页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108230297A (zh) | 2018-06-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108230297B (zh) | 一种基于服装替换的色彩搭配评估方法 | |
| Berger et al. | Style and abstraction in portrait sketching | |
| Wilson et al. | Facial feature detection using Haar classifiers | |
| JP2020526809A (ja) | 仮想顔化粧の除去、高速顔検出およびランドマーク追跡 | |
| CN104318558B (zh) | 复杂场景下基于多信息融合的手势分割方法 | |
| Sablatnig et al. | Hierarchical classification of paintings using face-and brush stroke models | |
| KR101141643B1 (ko) | 캐리커쳐 생성 기능을 갖는 이동통신 단말기 및 이를 이용한 생성 방법 | |
| CN108874145B (zh) | 一种图像处理方法、计算设备及存储介质 | |
| Hu et al. | Clothing segmentation using foreground and background estimation based on the constrained Delaunay triangulation | |
| Yarlagadda et al. | A novel method for human age group classification based on Correlation Fractal Dimension of facial edges | |
| CN104794693A (zh) | 一种人脸关键区域自动检测蒙版的人像优化方法 | |
| CN106530317B (zh) | 一种简笔画计算机评分与辅助上色方法 | |
| Le et al. | A novel shape constrained feature-based active contour model for lips/mouth segmentation in the wild | |
| Qin et al. | Automatic skin and hair masking using fully convolutional networks | |
| Chuang et al. | Saliency-guided improvement for hand posture detection and recognition | |
| Fernando et al. | Novel approach to use HU moments with image processing techniques for real time sign language communication | |
| Chattoraj et al. | Assistive system for physically disabled people using gesture recognition | |
| Paul et al. | PCA based geometric modeling for automatic face detection | |
| Choi et al. | Age face simulation using aging functions on global and local features with residual images | |
| WO2011074014A2 (en) | A system for lip corner detection using vision based approach | |
| Youlian et al. | Face detection method using template feature and skin color feature in rgb color space | |
| Liu et al. | A novel image segmentation algorithm based on visual saliency detection and integrated feature extraction | |
| Nguyen et al. | Enhanced age estimation by considering the areas of non-skin and the non-uniform illumination of visible light camera sensor | |
| Gacon et al. | Statistical active model for mouth components segmentation | |
| Guo et al. | Multi-criteria decision making under uncertainty for Personality-driven Modern design |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200512 |