CN108764062B - 一种基于视觉的服装裁片识别方法 - Google Patents
一种基于视觉的服装裁片识别方法 Download PDFInfo
- Publication number
- CN108764062B CN108764062B CN201810426345.1A CN201810426345A CN108764062B CN 108764062 B CN108764062 B CN 108764062B CN 201810426345 A CN201810426345 A CN 201810426345A CN 108764062 B CN108764062 B CN 108764062B
- Authority
- CN
- China
- Prior art keywords
- cut piece
- color
- target
- image
- pixel
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V10/30—Noise filtering
-
- 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
Abstract
本发明公开了一种基于视觉的服装裁片识别方法,具体包括如下步骤:通过摄像头采集裁片图像,对采集到的裁片图像进行预处理;基于Canny边缘检测算法对经预处理后的裁片图像进行边缘检测,获取目标裁片;采用自适应阈值分割方法将目标裁片分割出来;分别提取目标裁片的轮廓特征和HSV颜色空间模型下的颜色直方图表达的颜色特征;构建SVM多类分类器;根据目前裁片的轮廓特征信息和颜色特征信息,采用SVM多类分类器对目标裁片样本进行特征提取和分类,根据分类结果,形成各类裁片特征库;利用裁片特征库对单一颜色布、格子布、条纹布裁剪的各种形状的待识别裁片进行识别分类。解决了现有裁片存在的劳动量大的问题。
Description
技术领域
本发明属于机器视觉、服装裁片识别技术领域,涉及一种基于视觉的服装裁片识别方法。
背景技术
服装裁片识别是服装制造中重要的过程之一。特别是服装裁片识别分拣过程,不仅需要投入大量的时间、人力和物力,而且工作效率以及质量也不能得到很好的保障。因此实现对服装裁片识别的算法研究,可以提升服装生产的效益,同时也能保证产品的高品质,间接也推动了自动化的发展。
如何改善服装生产过程中对于由格子布、条纹布等布料裁剪的裁片识别与分拣的效率与准确性是提高生产效率的有效途径。近年来,图像处理技术与智能系统终端设备被很多领域所应用,因此,采用可靠、智能且高效的识别方法进行裁片识别成为趋势。基于图像处理技术的目标裁片识别方法,可以方便应用于微处理器终端,而且功耗和成本也相对较低。因此,采用视觉方法识别服装裁片具有一定的意义。
发明内容
本发明的目的是提供一种基于视觉的服装裁片识别方法,解决了现有服装生产中依靠人工识别格子布和条纹布的裁片存在的劳动量大的问题。
本发明所采用的技术方案是,一种基于视觉的服装裁片识别方法,具体包括如下步骤:
步骤1,通过摄像头采集裁片图像,并将采集到的裁片图像实时在线传送给PC机;
步骤2,对步骤1采集到的裁片图像进行预处理;
步骤3,基于Canny边缘检测算法对经步骤2预处理后的裁片图像进行边缘检测,获取目标裁片;
步骤4:对通过步骤3得到的目标裁片,采用自适应阈值分割方法,将裁片图像分成背景和前景两部分,遍历图像的不同阈值,计算不同阈值下对应的背景和前景之间的类内方差,选取类内方差的极大值对应的阈值作为分割阈值,利用该分割阈值将目标裁片分割出来;
步骤5,融合步骤3和步骤4得到目标裁片图像,分别提取目标裁片的轮廓特征和HSV颜色空间模型下的颜色直方图表达的颜色特征;
步骤6:构建SVM多类分类器;
步骤7:根据步骤5获得的目前裁片的轮廓特征信息和颜色特征信息,采用步骤6构建的SVM多类分类器对目标裁片样本进行特征提取和分类,根据分类结果,形成各类裁片特征库;
步骤8:利用步骤7所得的裁片特征库对单一颜色布、格子布、条纹布裁剪的各种形状的待识别裁片进行识别分类。
本发明的特点还在于,
步骤2的具体过程如下:
步骤2.1,使用高斯公式对目标图像进行滤波,采用如下公式(1)所示的size=5的高斯内核进行滤波:
其中,K为滤波系数;
步骤2.2,选用如下公式(2)、(3)所示的卷积公式,分别对裁片图像行方向和列方向做卷积,对裁片图像进行降噪处理:
步骤3中裁片图像的边缘检测过程如下:
Canny边缘检测算法采用滞后阈值对裁片图像的像素进行筛选,分别选取裁片图像像素的最低阈值和最高阈值作为阈值界限,根据阈值界限获取目标裁片;具体过程如下:
当裁片图像的像素幅值低于选取的低阈值时,该像素被删除;
当裁片图像的像素幅值高于选取的高阈值时,该像素被视为边缘像素;
当裁片图像的像素幅值介于阈值界限之间时,该像素只在接连到高于高阈值的像素时被保留,被保留的像素被视为边缘像素。
步骤5中目标裁片的轮廓特征提取过程如下:
将目标裁片的形心设为直角坐标系的原点,同时也是极坐标系的原点,目标裁片边界上任一点到目标裁片形心的直线作为纵坐标,将该条直线与直角坐标系横轴之间的夹角作为横坐标,建立新的坐标系,将封闭的轮廓转换成轮廓曲线,轮廓曲线即为提取出的目标裁片的轮廓特征。
目标裁片的颜色特征提取过程如下:
当目标裁片为条纹或格子时,采用颜色直方图法进行颜色特征提取,具体为:
将整幅图像平均划分为m个p×q的子块Bi,i=1,2,…,m,分别计算各个子块的颜色直方图,计算结果表示该子块的颜色特征Ei,i=1,2,…,m,再将各个子块的特征向量Ei进行融合,即得整幅图像的整体颜色特征向量值E,如式(6)所示:
E=(E1,E2,...,Em) (6);
根据颜色特征向量值E提取目标裁片的颜色特征。
本发明的有益效果是,本发明提出的裁片识别方法,通过将形状与颜色两方面特征融合进行裁片识别,相较于单一特征,识别结果更具有效性;改善了传统人工方法进行格子布、条纹布的裁片识别分拣时存在的劳动量大、劳动力成本高以及人眼劳累导致裁片识别存在误差的问题,提高了服装制造的智能化。
附图说明
图1是本发明一种基于视觉的服装裁片识别方法中裁片形心的直角坐标系与极坐标系的关系;
图2是本发明一种基于视觉的服装裁片识别方法中轮廓曲线相邻峰谷间所包含面积的示意图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种基于视觉的服装裁片识别方法,具体包括如下步骤:
步骤1,通过CCD摄像头采集裁片图像,并将采集到的裁片图像实时在线传送给PC机;
步骤2,通过PC机对步骤1采集到的裁片图像进行预处理,提高裁片质量,具体过程如下:
步骤2.1,使用高斯公式对目标图像进行滤波,采用如下公式(1)所示的size=5的高斯内核进行滤波:
其中,K为滤波系数;
步骤2.2,选用如下公式(2)、(3)所示的卷积公式,分别对裁片图像行方向(x轴)和列方向(y轴)做卷积,对裁片图像进行降噪处理:
步骤3,基于Canny边缘检测算法对经步骤2预处理后的裁片图像进行边缘检测,获取目标裁片,裁片图像的边缘检测过程如下:
Canny边缘检测算法采用滞后阈值对裁片图像的像素进行筛选,分别选取裁片图像像素的最低阈值和最高阈值作为阈值界限,根据阈值界限获取目标裁片;具体过程如下:
当裁片图像的像素幅值低于选取的低阈值时,该像素被删除;
当裁片图像的像素幅值高于选取的高阈值时,该像素被视为边缘像素;
当裁片图像的像素幅值介于阈值界限之间时,该像素只在接连到高于高阈值的像素时被保留,被保留的像素被视为边缘像素。
步骤4:对通过步骤3得到的目标裁片,采用自适应阈值分割方法,将裁片图像分成背景和前景两部分,遍历图像的不同阈值,计算不同阈值下对应的背景和前景之间的类内方差,选取类内方差的极大值对应的阈值作为分割阈值,利用该分割阈值将目标裁片分割出来;
步骤5,融合步骤3和步骤4得到目标裁片图像,分别提取目标裁片的轮廓特征和HSV颜色空间模型下的颜色直方图表达的颜色特征;
目标裁片的轮廓特征提取过程如下:
将目标裁片的形心设为直角坐标系的原点,同时也是极坐标系的原点,目标裁片边界上任一点到目标裁片形心的直线作为纵坐标,该条直线(该条直线指目标裁片边界上任一点到目标裁片形心之间的直线)与直角坐标系横轴之间的夹角作为横坐标,建立新的坐标系,将封闭的轮廓转换成轮廓曲线;裁片形心的直角坐标系与极坐标系的关系如图1所示;
轮廓曲线上的峰和谷代表了目标裁片的轮廓相对于形心的结构信息,轮廓曲线的相邻峰谷间所包含的面积代表了轮廓曲线的细节特征,轮廓曲线中相邻峰谷间面积计算步骤如下:
步骤A,从左至右按顺序计算轮廓曲线相邻峰谷间的面积,轮廓曲线所有相邻峰谷间的面积形成一个序列S={s1,s2,....,si-1,si},si表示第i个相邻峰谷间的面积;轮廓曲线相邻峰谷间所包含面积如图2所示。
步骤B,假设对序列S进行归一化后的序列为D={d1,d2,....,di},计算序列D的频谱,得到序列L={l1,l2,....,li},li通过如下公式(4)计算:
li=dωi,(N≥2) (4);
设li的实部和虚部分别为pi和qi,序列L的幅度记为序列V={v1,v2,....,vi},vi的计算公式如式(5)所示:
vi即为轮廓曲线第i个峰谷之间的面积。
对目标裁片的颜色特征进行提取,具体如下:
当目标裁片为条纹或格子时,采用颜色直方图法进行颜色特征提取,具体为:
将整幅图像平均划分为m个p×q的子块Bi(i=1,2,..,m),分别计算各个子块的颜色直方图,计算结果表示该子块的颜色特征Ei(i=1,2,..,m),再将各个子块的特征向量Ei进行融合,即得整幅图像的整体颜色特征向量值E,如式(6)所示:
E=(E1,E2,...,Em) (6);
根据颜色特征向量值E提取目标裁片的颜色特征。
步骤6:构建SVM(Support Vector Machine支持向量机)多类分类器;
步骤7:根据步骤5获得的目前裁片的轮廓特征信息和颜色特征信息,采用步骤6构建的SVM多类分类器对目标裁片样本进行特征提取和分类,根据分类结果,形成各类裁片特征库;
步骤8:利用步骤7所得的裁片特征库能够对单一颜色布、格子布、条纹布裁剪的各种形状的待识别裁片进行识别分类。
本发明一种基于视觉的服装裁片识别方法的特点为,不需要人工干预,能自主、高效准确而且稳定持久地实现服装裁片的分类识别,同时可以应用于移动终端以满足便携式要求。
Claims (1)
1.一种基于视觉的服装裁片识别方法,其特征在于:具体包括如下步骤:
步骤1,通过摄像头采集裁片图像,并将采集到的裁片图像实时在线传送给PC机;
步骤2,对步骤1采集到的裁片图像进行预处理;
步骤2的具体过程如下:
步骤2.1,使用高斯公式对目标图像进行滤波,采用如下公式(1)所示的size=5的高斯内核进行滤波:
其中,K为滤波系数;
步骤2.2,选用如下公式(2)、(3)所示的卷积公式,分别对裁片图像行方向和列方向做卷积,对裁片图像进行降噪处理:
步骤3,基于Canny边缘检测算法对经步骤2预处理后的裁片图像进行边缘检测,获取目标裁片;
步骤3中裁片图像的边缘检测过程如下:
Canny边缘检测算法采用滞后阈值对裁片图像的像素进行筛选,分别选取裁片图像像素的最低阈值和最高阈值作为阈值界限,根据阈值界限获取目标裁片;具体过程如下:
当裁片图像的像素幅值低于选取的低阈值时,该像素被删除;
当裁片图像的像素幅值高于选取的高阈值时,该像素被视为边缘像素;
当裁片图像的像素幅值介于阈值界限之间时,该像素只在接连到高于高阈值的像素时被保留,被保留的像素被视为边缘像素;
步骤4:对通过步骤3得到的目标裁片,采用自适应阈值分割方法,将裁片图像分成背景和前景两部分,遍历图像的不同阈值,计算不同阈值下对应的背景和前景之间的类内方差,选取类内方差的极大值对应的阈值作为分割阈值,利用该分割阈值将目标裁片分割出来;
步骤5,融合步骤3和步骤4得到目标裁片图像,分别提取目标裁片的轮廓特征和HSV颜色空间模型下的颜色直方图表达的颜色特征;
步骤5中目标裁片的轮廓特征提取过程如下:
将目标裁片的形心设为直角坐标系的原点,同时也是极坐标系的原点,目标裁片边界上任一点到目标裁片形心的直线作为纵坐标,将该条直线与直角坐标系横轴之间的夹角作为横坐标,建立新的坐标系,将封闭的轮廓转换成轮廓曲线,轮廓曲线即为提取出的目标裁片的轮廓特征;
轮廓曲线上的峰和谷代表了目标裁片的轮廓相对于形心的结构信息,轮廓曲线的相邻峰谷间所包含的面积代表了轮廓曲线的细节特征,轮廓曲线中相邻峰谷间面积计算步骤如下:
步骤A,从左至右按顺序计算轮廓曲线相邻峰谷间的面积,轮廓曲线所有相邻峰谷间的面积形成一个序列S={s1,s2,....,si-1,si},si表示第i个相邻峰谷间的面积;
步骤B,假设对序列S进行归一化后的序列为D={d1,d2,....,di},计算序列D的频谱,得到序列L={l1,l2,....,li},li通过如下公式(4)计算:
li=dωi,(N≥2) (4);
设li的实部和虚部分别为pi和qi,序列L的幅度记为序列V={v1,v2,....,vi},vi的计算公式如式(5)所示:
vi即为轮廓曲线第i个峰谷之间的面积;
目标裁片的颜色特征提取过程如下:
当目标裁片为条纹或格子时,采用颜色直方图法进行颜色特征提取,具体为:
将整幅图像平均划分为m个p×q的子块Bi,i=1,2,…,m,分别计算各个子块的颜色直方图,计算结果表示该子块的颜色特征Ei,i=1,2,…,m,再将各个子块的特征向量Ei进行融合,即得整幅图像的整体颜色特征向量值E,如式(6)所示:
E=(E1,E2,… ,Em) (6);
根据颜色特征向量值E提取目标裁片的颜色特征;
步骤6:构建SVM多类分类器;
步骤7:根据步骤5获得的目前裁片的轮廓特征信息和颜色特征信息,采用步骤6构建的SVM多类分类器对目标裁片样本进行特征提取和分类,根据分类结果,形成各类裁片特征库;
步骤8:利用步骤7所得的裁片特征库对单一颜色布、格子布、条纹布裁剪的各种形状的待识别裁片进行识别分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810426345.1A CN108764062B (zh) | 2018-05-07 | 2018-05-07 | 一种基于视觉的服装裁片识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810426345.1A CN108764062B (zh) | 2018-05-07 | 2018-05-07 | 一种基于视觉的服装裁片识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108764062A CN108764062A (zh) | 2018-11-06 |
CN108764062B true CN108764062B (zh) | 2022-02-25 |
Family
ID=64009872
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810426345.1A Active CN108764062B (zh) | 2018-05-07 | 2018-05-07 | 一种基于视觉的服装裁片识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108764062B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112831982A (zh) * | 2019-11-22 | 2021-05-25 | 重庆海尔洗衣机有限公司 | 衣物颜色识别的处理方法、装置、设备及存储介质 |
CN111191659B (zh) * | 2019-12-26 | 2023-04-28 | 西安工程大学 | 服装生产系统多形状衣架识别方法 |
CN112116000A (zh) * | 2020-09-16 | 2020-12-22 | 深圳印像数据科技有限公司 | 针对服装类型的图像识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105562361A (zh) * | 2015-12-23 | 2016-05-11 | 西安工程大学 | 一种织物分拣机器人自主分拣方法 |
CN106023173A (zh) * | 2016-05-13 | 2016-10-12 | 浙江工业大学 | 一种基于支持向量机的号码牌识别方法 |
CN107704882A (zh) * | 2017-10-13 | 2018-02-16 | 上海工程技术大学 | 一种基于数字图像处理技术的衣物类型识别方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104838424A (zh) * | 2012-09-27 | 2015-08-12 | 惠普发展公司,有限责任合伙企业 | 基于线段定向的服饰条纹检测 |
CN106022375B (zh) * | 2016-05-19 | 2019-07-26 | 东华大学 | 一种基于hu不变矩和支持向量机的服装款式识别方法 |
CN107767590A (zh) * | 2016-08-16 | 2018-03-06 | 深圳仪普生科技有限公司 | 物品自动识别商用条码电子秤及物品自动识别方法 |
-
2018
- 2018-05-07 CN CN201810426345.1A patent/CN108764062B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105562361A (zh) * | 2015-12-23 | 2016-05-11 | 西安工程大学 | 一种织物分拣机器人自主分拣方法 |
CN106023173A (zh) * | 2016-05-13 | 2016-10-12 | 浙江工业大学 | 一种基于支持向量机的号码牌识别方法 |
CN107704882A (zh) * | 2017-10-13 | 2018-02-16 | 上海工程技术大学 | 一种基于数字图像处理技术的衣物类型识别方法及系统 |
Non-Patent Citations (1)
Title |
---|
基于图像处理的机织物组织结构识别与分类;王静;《中国优秀硕士学位论文全文数据库电子期刊 信息科技辑》;20141215;第2014年卷(第12期);第I138-329页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108764062A (zh) | 2018-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107316031B (zh) | 用于行人重识别的图像特征提取方法 | |
CN109409355B (zh) | 一种新型变压器铭牌识别的方法及装置 | |
CN108764062B (zh) | 一种基于视觉的服装裁片识别方法 | |
CN107909081B (zh) | 一种深度学习中图像数据集的快速获取和快速标定方法 | |
CN110443128B (zh) | 一种基于surf特征点精确匹配的指静脉识别方法 | |
CN111340824B (zh) | 一种基于数据挖掘的图像特征分割方法 | |
CN107729820B (zh) | 一种基于多尺度hog的手指静脉识别方法 | |
CN108090494B (zh) | 基于Gabor滤波器及支持向量机纺织品瑕疵识别方法 | |
CN108563979B (zh) | 一种基于航拍农田图像判别水稻稻瘟病病情的方法 | |
CN104091157A (zh) | 一种基于特征融合的行人检测方法 | |
CN108230315B (zh) | 一种基于机器视觉的口罩带缺失检测方法 | |
CN107135664A (zh) | 一种人脸识别的方法以及人脸识别装置 | |
CN103870808A (zh) | 一种手指静脉识别方法 | |
CN106384126A (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 | |
CN103440035A (zh) | 一种三维空间中的手势识别系统及其识别方法 | |
CN108073932A (zh) | 一种基于Gabor滤波的工件图像特征提取与识别方法 | |
CN110348461A (zh) | 一种工件表面缺陷特征提取方法 | |
CN102136074B (zh) | 一种基于mmi的木材图像纹理分析与识别方法 | |
CN112597812A (zh) | 一种基于卷积神经网络和sift算法的手指静脉识别方法及系统 | |
CN116452506A (zh) | 一种基于机器学习的井下煤矸石智能视觉识别分选方法 | |
CN105354547A (zh) | 一种结合纹理和彩色特征的行人检测方法 | |
CN117197700B (zh) | 智能化无人巡检接触网缺陷识别系统 | |
CN108520252B (zh) | 基于广义霍夫变换和小波变换的路标识别方法 | |
Holtzman-Gazit et al. | Salient edges: A multi scale approach | |
CN105550646A (zh) | 基于对数梯度直方图的广义光照不变人脸特征描述方法 |
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 |