CN109344841B - 一种服装识别方法及装置 - Google Patents

一种服装识别方法及装置 Download PDF

Info

Publication number
CN109344841B
CN109344841B CN201810907579.8A CN201810907579A CN109344841B CN 109344841 B CN109344841 B CN 109344841B CN 201810907579 A CN201810907579 A CN 201810907579A CN 109344841 B CN109344841 B CN 109344841B
Authority
CN
China
Prior art keywords
garment
local
similarity
clothing
image
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
Application number
CN201810907579.8A
Other languages
English (en)
Other versions
CN109344841A (zh
Inventor
王行
周晓军
李骊
盛赞
李朔
杨淼
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing HJIMI Technology Co Ltd
Original Assignee
Beijing HJIMI Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing HJIMI Technology Co Ltd filed Critical Beijing HJIMI Technology Co Ltd
Priority to CN201810907579.8A priority Critical patent/CN109344841B/zh
Publication of CN109344841A publication Critical patent/CN109344841A/zh
Application granted granted Critical
Publication of CN109344841B publication Critical patent/CN109344841B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

一种服装识别方法及装置，所述方法包括获取图像中人体的人体关键点坐标；根据待识别服装的类型截取所述人体关键点附近的图像区域的局部区域图像；使用深度学习的方式对各个局部区域图像提取服装的局部特征；使用深度学习的方式对所述服装整体图像提取所述服装的全局特征；计算所述待识别服装与对比服装的局部特征相似度以及所述待识别服装与所述对比服装的全局特征相似度；根据所述局部特征相似度和所述全局特征相似度进行服装识别。本发明提供的服装识别方法及装置，根据人体关键点提取服装的关键局部特征，并有效融合服装的关键局部特征以及全局特征，可以有效提高服装识别的精度。

Description

一种服装识别方法及装置
技术领域
本发明涉及图像信息处理技术领域，具体地涉及一种服装识别方法及装置。
背景技术
近几年网络购物的飞速发展已经极大的改变了人们的购物习惯，网络购物市场越来越大，其中服装购买是网络购物最大需求之一。当前消费者购买服装时，仍然主要依靠通过文字描述进行检索的方式查找自己喜欢的服装，但由于文字表述的差异和不全面性，导致检索结果往往差强人意。当用户在街头或者视频资料中看到自己喜欢的衣服，并且想要购买时，最为简单高效的方式应该是利用用户获得的图片到购物网站上直接搜索。目前各大购物网站也开始支持通过图片进行检索，但检索准确率仍然较低。这是因为，当前基于图片的服装检索算法主要是基于服饰全局特征或者服装关键点进行比对检索，然而由于服装款式、姿态、甚至遮挡问题对于当前的算法有着极大的挑战。
当前服装检索算法中，一类是基于图片，使用深度学习的方法，从图片中提取出服装的类别，属性等信息，根据已知的服装类别，基于深度学习网络提取服装的高维特征向量，然后计算不同服装图片之间特征向量的相似度，从而得出识别检索结果。由于类别、属性等能够记录的属性毕竟是有限的，难以应对服装款式和姿态变化的多样性，因此检索精度有限。
另一类是通过深度学习的方法，从输入的服装图片中提取高维的特征表达向量。通过比对不同图片的特征表达向量的相似度得出比对结果。服装款式和姿态的变化对特征表达向量的影响非常明显，从而导致服装识别检索的精度较低。
为了应对姿态及遮挡等问题，部分研究者采用对服装关键点进行预测，从而根据服装关键点提取服装的局部特征，将局部特征与全局特征融合后，应用于服装检索。由于服装款式千变万化，姿态变化也多种多样，导致服装关键点的定义和位置估计难度较大，准确率很低，从而不能显著提升检索精度。
发明内容
本发明的目的在于提出一种的服装识别方法及装置，以提高服装识别的精度。
为达此目的，本发明采用以下技术方案：
一种服装识别方法，所述方法包括：获取图像中人体的人体关键点坐标,；根据待识别服装的类型截取所述人体关键点附近的图像区域的局部区域图像；使用深度学习的方式对各个局部区域图像提取服装的局部特征；使用深度学习的方式对服装整体图像提取服装的全局特征，其中，所述服装整体图像根据现有的服装检测算法或骨架结合点信息获取；计算所述待识别服装与对比服装的局部特征相似度以及所述待识别服装与所述对比服装的全局特征相似度；根据所述局部特征相似度和所述全局特征相似度进行服装识别。
上述方案中，所述使用深度学习的方式对各个局部区域图像提取特征，包括：所述局部特征通过特征提取器提取，所述特征提取器通过机器学习或卷积神经网络获取。
上述方案中，所述计算所述待识别服装与对比服装的局部特征相似度以及所述待识别服装与所述对比服装的全局特征相似度，包括：根据相似度计算函数计算所述全局特征相似度。
上述方案中，所述计算所述待识别服装与对比服装的局部特征相似度以及所述待识别服装与所述对比服装的全局特征相似度，还包括：采用所述相似度计算函数计算所述待识别服装与所述对比服装的局部区域图像相似度；将各个局部区域图像相似度加权求和，得到所述待识别服装与所述对比服装的局部特征相似度。
上述方案中，所述计算所述待识别服装与对比服装的局部特征相似度以及所述待识别服装与所述对比服装的全局特征相似度，还包括：将所述图像的各个局部区域图像的图像特征向量拼接成一个整体的局部特征向量；采用所述相似度计算函数计算所述待识别服装与所述对比服装的局部区域图像相似度。
上述方案中，所述相似度计算函数包括欧式距离或余弦距离；其中，所述欧式距离为
Figure BDA0001760977160000031
所述余弦距离为
Figure BDA0001760977160000032
上述方案中，所述根据所述局部特征相似度和所述全局特征相似度进行服装识别，包括：将所述局部特征相似度和所述全局特征相似度加权求和，得到所述待识别服装与所述对比服装的最终相似度；根据所述最终相似度进行服装识别。
上述方案中，所述获取图像中人体的人体关键点坐标,包括：根据人体骨架检测算法获取图像中人体的人体关键点坐标。
一种服装识别装置，所述装置包括：坐标获取单元，用于获取图像中人体的人体关键点坐标；图像截取单元，用于根据待识别服装的类型截取所述人体关键点附近的图像区域的局部区域图像；局部特征提取单元，用于使用深度学习的方式对各个局部区域图像提取服装的局部特征；全局特征提取单元，用于使用深度学习的方式对服装整体图像提取服装的全局特征，其中，所述服装整体图像根据现有的服装检测算法或骨架结合点信息获取；相似度计算单元，用于计算所述待识别服装与对比服装的局部特征相似度以及所述待识别服装与所述对比服装的全局特征相似度；服装识别单元，用于根据所述局部特征相似度和所述全局特征相似度进行服装识别。
上述方案中，所述识别单元，包括：求和子单元，用于将所述局部特征相似度和所述全局特征相似度加权求和，得到所述待识别服装与所述对比服装的最终相似度；识别子单元，用于根据所述最终相似度进行服装识别。
本发明提供的服装识别方法及装置，根据人体关键点提取服装的关键局部特征，并有效融合服装的关键局部特征以及全局特征，有效提升了服装识别算法对于服装款式，角度，姿态等多样化的鲁棒性和适应性，提高了服装识别的精度。
附图说明
图1是本发明实施例服装识别方法的方法流程图；
图2是本发明实施例中的服装识别方法的实施流程图；
图3是本发明实施例服装识别装置的组成结构示意图。
具体实施方式
服装款式的多样性很大程度上体现在领子、肩膀、肘关节，手腕，腰部，胯部，膝盖，脚踝等细节位置，而这些位置都与人体关键点基本一致，因此如果能够有效利用人体关键点信息，必然对服装识别有一定辅助作用。本发明实施例提出基于人体关键点信息的服装识别方法及装置，通过人体关键点信息提取服装的关键区域特征，同时也提取服装的全局特征，将局部特征和全局特征进行有效融合。
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
如图1所示，本发明实施例提供的服装识别方法包括：
步骤110，获取图像中人体的人体关键点坐标。
步骤120，截取人体关键点附近的图像区域的局部区域图像。这里，截取人体关键点附件的图像区域的局部图像区域时，需要根据待识别服装的类型截取。
步骤130，使用深度学习的方式对各个局部区域图像提取服装的局部特征。
步骤140，使用深度学习的方式对服装整体图像提取服装的全局特征，其中，服装整体图像根据现有的服装检测算法或骨架结合点信息获取。
步骤150，计算待识别服装与对比服装的局部特征相似度以及待识别服装与对比服装的全局特征相似度。
步骤160，根据局部特征相似度和全局特征相似度进行服装识别。
本发明实施例中的技术方案根据人体关键点获取服装的关键局部特征，并根据服装的局部特征的相似度与服装全局特征的相似度进行服装识别。这样，不仅考虑了服装的全局特征，也考虑了服装的局部特征，而且在获取服装局部特征时，利用了人体关键点信息，增强了服装识别对于姿态、角度以及遮挡等问题的适应性和鲁棒性，能够有效提升识别精度。
这里，针对不同的服装类型，可能会使用不同的人体关键点组合获取服装的多个局部图像，但不论什么样的关键点组合方式，都可以采用用本发明实施例提出的根据人体关键点位置信息获取服装关键点图像区域的方法。
在步骤110中，根据人体骨架检测算法或其它现有人体关键点检测算法获取图像中人体的人体关键点坐标。例如，可以使用当前开源的openpose骨架检测算法。
人体穿着的待识别服装的类型信息可以通过现有的服装分类算法获取，也可以指定待识别服装类型。
针对不同的服装类型，可能会使用不同的人体关键点组合获取服装的多个局部图像，使用不同的人体关键点检测算法，可能会得到不同的人体关键点组合
在步骤120中，截取人体关键点附近的图像区域的局部区域图像时，根据步骤110中的获取的人体关键点坐标，以及待识别服装的类型进行局部区域图像的截取。该局部区域图像由一个或多个关键点及它们之间的相对位置和相对距离等信息决定。
例如，如待识别服装为长款连衣裙时，可以选取位于头部、肩部、肘部、手腕、腰部、臀部、膝部和脚腕的多个人体关键点附近的多个局部区域图像。待识别服装为长袖上衣时，可以选取位于头部、肩部、肘部、手腕、臀部的多个人体关键点附近的多个局部区域图像。在步骤130中，提取局部特征时，局部特征通过特征获取器提取，特征获取器通过机器学习或卷积神经网络获取。其中，局部特征Vi＝f(Ri)，f(·)为特征提取器，i为自然数。
步骤140，根据服装整体图像提取服装的全局特征，而该整体图像由现有服装检测算法或者骨架结合点信息获取，因而可以削弱较大环境背景对识别造成的影响。
在步骤150中，计算待识别服装与对比服装的局部特征相似度时，可以采用以下办法：采用相似度计算函数计算该待识别服装与对比服装的局部区域图像相似度，再将各个局部区域图像相似度加权求和得到该待识别服装与对比服装的局部特征相似度。这里，不同的局部区域图像j的局部特征相似度Sli＝Sim(Vj_1,Vj_2)。其中，Sim(·)为相似度计算函数。加权求和公式为
Figure BDA0001760977160000061
其中0≤wj≤1,
Figure BDA0001760977160000062
此外，还可以采用以下办法：将图像的各个局部区域图像的图像特征向量拼接成一个整体的局部特征向量；采用相似度计算函数计算该待识别服装与对比服装的局部特征相似度。拼接为一个整体的局部特征向量Vl＝[V1 V2 ... Vm]，局部特征相似度Sl＝Sim(Vl_1,Vl_2)。
在步骤150中，使用相似度计算函数计算全局特征相似度。其公式为全局特征相似度Sg＝Sim(Vg_1,Vg_2)，其中，Vg_1,Vg_2分别为两个服装图像的全局特征向量。
这里，相似度计算函数Sim(·)可以是欧式距离或余弦距离，但并不局限于此二者。例如，计算局部特征相似度时，欧式距离为
Figure BDA0001760977160000071
余弦距离为
Figure BDA0001760977160000072
在步骤160中，根据局部特征相似度和全局特征相似度进行服装识别时，首先将局部特征相似度和全局特征相似度加权求和，得到待识别服装与对比服装的最终相似度；再根据最终相似度进行服装识别。
其中，最终相似度S的计算公式如下：
S＝wl·Sl+wg·Sj其中0≤wl≤1,0≤wg≤1,wl+wg＝＝1。根据最终相似度进行服装识别时，可以在S的值大于设定阈值时认为待识别待识别服装与对比服装为同一服装。例如，该阈值可以设置为90％。
如图2所示的是一种服装识别方法的具体实施方式的流程图。如图2所示，在本发明实施例中，识别待识别服装时，首先执行步骤210，输入服装图片。之后，执行步骤221和步骤231。步骤221为服装检测，执行完步骤221后，执行步骤222：服装全局特征提取以及步骤222之后的步骤223：计算待识别服装与对比服装全局特征相似度。同时，步骤231为人体关键点检测，执行完步骤231之后，依次执行步骤232、步骤233和步骤234。其中，步骤232为：获取服装局部区域图像，步骤233为服装局部特征提取，步骤234为计算待识别服装与对比服装的局部特征相似度。之后，根据步骤223和步骤234的结果，执行步骤240，进行相似度融合，即将步骤223和步骤234的结果进行加权求和，以进行服装识别。最后，执行步骤250输出识别结果。
采用本发明提供的服装识别方法，根据人体关键点提取服装的关键局部特征，并有效融合服装的关键局部特征以及全局特征，有效提升了服装识别算法对于服装款式，角度，姿态等多样化的鲁棒性和适应性，提高了服装识别的精度。
如图3所示，本发明实施例提供一种服装识别装置，该装置包括：
坐标获取单元310，用于获取图像中人体的人体关键点坐标。
图像截取单元320，用于根据待识别服装的类型截取人体关键点附近的图像区域的局部区域图像。
局部特征提取单元330，用于使用深度学习的方式对各个局部区域图像提取服装的局部特征。
全局特征提取单元340，用于使用深度学习的方式对服装整体图像提取服装的全局特征，其中，服装整体图像根据现有的服装检测算法或骨架结合点信息获取。
相似度计算单元350，用于计算待识别服装与对比服装的局部特征相似度以及待识别服装与对比服装的全局特征相似度。
服装识别单元360，用于根据局部特征相似度和全局特征相似度进行服装识别。
本发明实施例中的技术方案根据人体关键点获取服装的关键局部特征，并根据服装的局部特征的相似度与服装全局特征的相似度进行服装识别。这样，不仅考虑了服装的全局特征，也考虑了服装的局部特征，而且在获取服装局部特征时，利用了人体关键点信息，增强了服装识别对于姿态、角度以及遮挡等问题的适应性和鲁棒性，能够有效提升识别精度。
在本发明实施例中，识别单元，包括求和子单元和识别子单元，其中，求和子单元，用于将局部特征相似度和全局特征相似度加权求和，得到待识别服装与对比服装的最终相似度。识别子单元，用于根据最终相似度进行服装识别。
采用本发明提供的服装识别装置，根据人体关键点提取服装的关键局部特征，并有效融合服装的关键局部特征以及全局特征，有效提升了服装识别算法对于服装款式，角度，姿态等多样化的鲁棒性和适应性，提高了服装识别的精度。
实际应用中，坐标获取单元310、图像截取单元320、局部特征提取单元330、全局特征提取单元340、相似度计算单元350以及识别单元360均可由位于服装识别装置上的中央处理器(CPU，Central Processing Unit)、微处理器(MPU，Micro Processor Unit)、数字信号处理器(DSP，Digital Signal Processor)、或现场可编程门阵列(FPGA，FieldProgrammable Gate Array)等实现。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。

Claims (4)

1.一种服装识别方法，其特征在于，所述方法包括：
根据人体骨架检测算法获取图像中人体的人体关键点坐标；
根据待识别服装的类型截取所述人体关键点附近的图像区域的局部区域图像，该局部区域图像由一个或多个关键点及所述关键点之间的相对位置和相对距离决定；
使用深度学习的方式对各个局部区域图像提取服装的局部特征；
使用深度学习的方式对服装整体图像提取服装的全局特征，其中，所述服装整体图像根据现有的服装检测算法或骨架结合点信息获取；
根据相似度计算函数计算所述待识别服装与对比服装的局部特征相似度以及所述待识别服装与所述对比服装的全局特征相似度，包括：采用所述相似度计算函数计算所述待识别服装与所述对比服装的局部区域图像的特征相似度，将各个局部区域图像的特征相似度加权求和，得到所述待识别服装与所述对比服装的局部特征相似度；或者，
将所述图像的各个局部区域图像的图像特征向量拼接成一个整体的局部特征向量；采用所述相似度计算函数计算所述待识别服装与所述对比服装的局部特征相似度；
其中，所述相似度计算函数包括欧式距离或余弦距离；其中，所述欧式距离为
Figure FDA0003265614010000011
所述余弦距离为
Figure FDA0003265614010000012
根据所述局部特征相似度和所述全局特征相似度进行服装识别。
2.根据权利要求1所述的方法，其特征在于，所述使用深度学习的方式对各个局部区域图像提取特征，包括：
所述局部特征通过特征提取器提取，所述特征提取器通过卷积神经网络获取。
3.根据权利要求1所述的方法，其特征在于，所述根据所述局部特征相似度和所述全局特征相似度进行服装识别，包括：
将所述局部特征相似度和所述全局特征相似度加权求和，得到所述待识别服装与所述对比服装的最终相似度；
根据所述最终相似度进行服装识别。
4.一种服装识别装置，其特征在于，所述装置包括：
坐标获取单元，用于根据人体骨架检测算法获取图像中人体的人体关键点坐标；
图像截取单元，用于根据待识别服装的类型截取所述人体关键点附近的图像区域的局部区域图像，该局部区域图像由一个或多个关键点及所述关键点之间的相对位置和相对距离决定；
局部特征提取单元，用于使用深度学习的方式对各个局部区域图像提取服装的局部特征；
全局特征提取单元，用于使用深度学习的方式对服装整体图像提取服装的全局特征，其中，所述服装整体图像根据现有的服装检测算法或骨架结合点信息获取；
相似度计算单元，用于根据相似度计算函数计算所述待识别服装与对比服装的局部特征相似度以及所述待识别服装与所述对比服装的全局特征相似度；包括：采用所述相似度计算函数计算所述待识别服装与所述对比服装的局部区域图像的特征相似度，将各个局部区域图像的特征相似度加权求和，得到所述待识别服装与所述对比服装的局部特征相似度；或者，
将所述图像的各个局部区域图像的图像特征向量拼接成一个整体的局部特征向量；采用所述相似度计算函数计算所述待识别服装与所述对比服装的局部特征相似度；其中，所述相似度计算函数包括欧式距离或余弦距离；其中，所述欧式距离为
Figure FDA0003265614010000021
所述余弦距离为
Figure FDA0003265614010000022
服装识别单元，用于根据所述局部特征相似度和所述全局特征相似度进行服装识别；其中，所述服装识别单元包括：
求和子单元，用于将所述局部特征相似度和所述全局特征相似度加权求和，得到所述待识别服装与所述对比服装的最终相似度；
识别子单元，用于根据所述最终相似度进行服装识别。
CN201810907579.8A 2018-08-10 2018-08-10 一种服装识别方法及装置 Active CN109344841B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810907579.8A CN109344841B (zh) 2018-08-10 2018-08-10 一种服装识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810907579.8A CN109344841B (zh) 2018-08-10 2018-08-10 一种服装识别方法及装置

Publications (2)

Publication Number Publication Date
CN109344841A CN109344841A (zh) 2019-02-15
CN109344841B true CN109344841B (zh) 2021-11-30

Family

ID=65291550

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810907579.8A Active CN109344841B (zh) 2018-08-10 2018-08-10 一种服装识别方法及装置

Country Status (1)

Country Link
CN (1) CN109344841B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110096983A (zh) * 2019-04-22 2019-08-06 苏州海赛人工智能有限公司 一种基于神经网络的图像中施工工人安全服饰检测方法
CN110188701A (zh) * 2019-05-31 2019-08-30 上海媒智科技有限公司 基于人体关键节点预测的服饰识别方法、系统及终端
CN110765954A (zh) * 2019-10-24 2020-02-07 浙江大华技术股份有限公司 一种车辆重识别方法、设备及存储装置
CN111091160B (zh) * 2019-12-27 2024-05-03 北京蜜莱坞网络科技有限公司 一种图像分类方法
CN111159456B (zh) * 2019-12-30 2022-09-06 云南大学 基于深度学习与传统特征的多尺度服装检索方法及系统
CN111273581B (zh) * 2020-01-23 2021-11-09 深圳市大拿科技有限公司 一种智能衣柜的控制方法及相关产品
CN111401265B (zh) * 2020-03-19 2020-12-25 重庆紫光华山智安科技有限公司 行人重识别方法、装置、电子设备和计算机可读存储介质
CN113536917B (zh) * 2021-06-10 2024-06-07 浙江大华技术股份有限公司 着装识别方法、系统、电子装置和存储介质
CN114863405A (zh) * 2022-04-06 2022-08-05 北京爱奇艺科技有限公司 一种服饰识别方法、装置、终端及存储介质
CN117270479B (zh) * 2023-11-21 2024-02-06 清远欧派集成家居有限公司 造型板多工序加工生产线监测方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106021603A (zh) * 2016-06-20 2016-10-12 昆明理工大学 一种基于分割和特征匹配的服装图像检索方法
CN107918780A (zh) * 2017-09-01 2018-04-17 中山大学 一种基于关键点检测的衣服种类和属性分类方法
CN108229496A (zh) * 2017-07-11 2018-06-29 北京市商汤科技开发有限公司 服饰关键点的检测方法和装置、电子设备、存储介质和程序

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10089520B2 (en) * 2015-03-26 2018-10-02 Krishna V Motukuri System for displaying the contents of a refrigerator

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106021603A (zh) * 2016-06-20 2016-10-12 昆明理工大学 一种基于分割和特征匹配的服装图像检索方法
CN108229496A (zh) * 2017-07-11 2018-06-29 北京市商汤科技开发有限公司 服饰关键点的检测方法和装置、电子设备、存储介质和程序
CN107918780A (zh) * 2017-09-01 2018-04-17 中山大学 一种基于关键点检测的衣服种类和属性分类方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
"DeepFashion: Powering Robust Clothes Recognition and Retrieval with Rich Annotations";Ziwei Liu et al;《2016 IEEE Conference on Computer Vision and Pattern Recognition》;20161212;全文 *
"基于关键点的服装检索";陈嫒嫒等;《计算机应用》;20171110;第37卷(第11期);全文 *
"融合全局和局部描述的图像检索方法";吴永国等;《计算机工程与设计》;20120229;第33卷(第2期);第634-638页 *

Also Published As

Publication number Publication date
CN109344841A (zh) 2019-02-15

Similar Documents

Publication Publication Date Title
CN109344841B (zh) 一种服装识别方法及装置
An et al. Performance evaluation of model-based gait on multi-view very large population database with pose sequences
EP3483741B1 (en) Image retrieving apparatus, image retrieving method, and setting screen used therefor
CN109657631B (zh) 人体姿态识别方法及装置
US11086924B2 (en) Image search device and image search method
Kim et al. Canonical correlation analysis of video volume tensors for action categorization and detection
US9020250B2 (en) Methods and systems for building a universal dress style learner
US9098740B2 (en) Apparatus, method, and medium detecting object pose
CN109685013B (zh) 人体姿态识别中头部关键点的检测方法及装置
Wang et al. Learning content and style: Joint action recognition and person identification from human skeletons
CN111950321B (zh) 步态识别方法、装置、计算机设备及存储介质
Ning et al. People tracking based on motion model and motion constraints with automatic initialization
JP2018084890A (ja) 情報処理装置、情報処理方法、およびプログラム
Zhao et al. Clothing cosegmentation for shopping images with cluttered background
CN112330383A (zh) 用于基于可视元素的物品推荐的设备及方法
Huang et al. Clothing landmark detection using deep networks with prior of key point associations
KR20220004009A (ko) 키 포인트 검출 방법, 장치, 전자 기기 및 저장 매체
KR102580009B1 (ko) 의류 피팅 시스템 및 의류 피팅 시스템의 동작 방법
Tian et al. Free-view gait recognition
Liu et al. Toward fashion intelligence in the big data era: State-of-the-art and future prospects
Zhang et al. On the correlation among edge, pose and parsing
Ren et al. An investigation of skeleton-based optical flow-guided features for 3D action recognition using a multi-stream CNN model
Liang et al. Egocentric hand pose estimation and distance recovery in a single RGB image
Gao et al. Occluded person re-identification based on feature fusion and sparse reconstruction
Wang et al. Tc-sfm: Robust track-community-based structure-from-motion

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