CN109344872A - 一种少数民族服装图像的识别方法 - Google Patents

一种少数民族服装图像的识别方法 Download PDF

Info

Publication number
CN109344872A
CN109344872A CN201811006952.9A CN201811006952A CN109344872A CN 109344872 A CN109344872 A CN 109344872A CN 201811006952 A CN201811006952 A CN 201811006952A CN 109344872 A CN109344872 A CN 109344872A
Authority
CN
China
Prior art keywords
image
training
feature
classifier
national costume
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.)
Pending
Application number
CN201811006952.9A
Other languages
English (en)
Inventor
刘骊
吴圣美
付晓东
黄青松
刘利军
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.)
Kunming University of Science and Technology
Original Assignee
Kunming University of Science and Technology
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 Kunming University of Science and Technology filed Critical Kunming University of Science and Technology
Priority to CN201811006952.9A priority Critical patent/CN109344872A/zh
Publication of CN109344872A publication Critical patent/CN109344872A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

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

Abstract

本发明涉及一种少数民族服装图像的识别方法，属于计算机视觉、模式识别及图像应用领域。首先输入待识别的少数民族服装图像，通过对待识别图像和少数民族服装图像库中的训练图像进行人体检测，分别得到检测后的待识别图像和训练图像；其次，提取检测后的待识别图像和训练图像各自的颜色直方图、HOG、LBP、SIFT以及边缘5种底层特征，得到特征提取后的待识别图像和训练图像；然后，定义少数民族服装的语义属性，采用多任务模型学习少数民族服装的不同风格并训练分类器模型；最后，通过训练后的分类器，实现少数民族服装图像的识别并输出识别结果。本发明的识别方法具有较高的准确率和效率。

Description

一种少数民族服装图像的识别方法
技术领域
本发明涉及一种少数民族服装图像的识别方法，属于计算机视觉、模式识别及图像应用领域。
背景技术
随着少数民族服装图像数据的迅猛增长，迫切需要通过计算机对大规模图像进行自动分析，提取出人们能够理解的相关信息，以便于对这些珍贵的少数民族服装图像进行分析、管理和识别。目前服装图像识别公知方法中，大多数方法只关注底层特征的类别预测且只针对通用服装图像，陈等人(<Describing clothing by semantic attributes>,2012:609–623Heidelberg)提出从身体部位提取底层特征，包括SIFT、颜色、纹理特征，然后使用包模型和SVM来预测属性和服装类别。Shen等人(<Unified structured learning forsimultaneous human pose estimation and garment attribute classification>，2014:4786–4798)则是通过姿态估计来提高识别的性能。Yang等人(<Real-time clothingrecognition in surveillance videos>,2011:2937-2940)提出了一个实时监控视频的服装识别系统，可实时按照预定义类别进行多个服装的标注，该系统使用区域生长方法的有效变体从该候选区域分割服装，采用多级线性SVM分类器来学习服装类别。Yamaguchi等人(<Mix and match:Joint model for clothing and attribute recognition>,2015,51.1–51.12)提出了基于CRF的服装属性组合的样式规则模型，但没有考虑姿态变化的问题。Chen(<Describing clothing by semantic attributes>,2012:609–623)定义了服装属性来描述上装的外观，而该方法只能处理正面姿势的输入图像。Bhang(<WeaklySupervised Fine-Grained Categorization With Part-Based Image Representation>,2016,25(4):1713-1725)提出了一个易于部署的细粒度的图像分类方法。目前的公知方法中很少有针对少数民族服装图像的。区别于通用服装，少数民族服装图像颜色较鲜艳、层次明显，其款式大体有长袍和短衣两种；此外，少数民族服装包含很多局部细节属性，且纹理和图案更具特色。因此，本发明采用基于k-poselet的人体检测方法,对输入的待识别图像和训练图像进行整体和局部检测，以避免人体姿势和不同视角的影响。此外，通过定义的少数民族服装款式和语义属性类别，采用多任务模型学习出不同的民族服装风格，提高了服装识别的准确率。最后将特征提取后的待识别图像输入到训练好的分类器，提高了少数民族服装图像的识别效率。
发明内容
本发明涉及一种少数民族服装图像的识别方法，以用于有效地检测和识别云南少数民族服装图像，从而进一步提高少数民族服装图像识别的准确率和效率。
本发明的技术方案是：一种少数民族服装图像的识别方法，首先输入待识别的少数民族服装图像，通过对待识别图像和少数民族服装图像库中的训练图像进行人体检测，分别得到检测后的待识别图像和训练图像；其次，提取检测后的待识别图像和训练图像各自的颜色直方图、HOG、LBP、SIFT以及边缘5种底层特征，得到特征提取后的待识别图像和训练图像；然后，定义少数民族服装的语义属性，采用多任务模型学习少数民族服装的不同风格并训练分类器模型；最后，通过训练后的分类器，实现少数民族服装图像的识别并输出识别结果。
所述方法的具体步骤如下：
Step1、输入待识别的少数民族服装图像G，从少数民族服装图像库中输入训练图像T，采用k-poselet(k>1)可变形部件模型分别对各个独立的poselet进行检测，实现人体的整体和局部检测，得到检测后的待识别图像G'和训练图像T'。
Step2、分别提取检测后的待识别图像G'和训练图像各自T'的HOG、LBP、SIFT、颜色直方图和边缘算子5种底层特征，得到特征提取后的少数民族服装待识别图像G”和训练图像T”。
Step3、首先将少数民族服装按照上身、下身、全局三个部分来定义相关的语义属性。
然后，根据待识别图像G”和训练图像T”中提取到的HOG特征、LBP特征、SIFT特征、颜色特征、边缘算子特征，采用多任务特征学习模型以学习出少数民族服装的不同风格。其中W＝[w1,...,wP]∈Rm×P表示Wi，即第i行属于任务Si权重向量的权重矩阵，表示第i个任务的类别标签，λ＞0表示正则化参数，λ(W)是一个模型特定调节器。通过优化该学习模型，得到特征的权重向量。
最后，通过权重向量选择从待识别图像G”和训练图像T”中提取到的HOG特征、LBP特征、SIFT特征、颜色特征、边缘算子特征，使用选择后的特征训练多个SVM分类器。
Step4、通过训练后的分类器，实现少数民族服装的图像识别并输出少数民族服装图像的识别结果。
本发明的有益效果是：
1、公知的人体检测方法会因人体姿势变化和视角不同导致检测结果不准确的问题。本发明采用k-poselet(k>1)可变形部件模型分别对各个独立的poselet进行检测，实现对输入的待识别图像和训练图像中人体的整体和局部检测，避免了人体姿势和不同视角的影响，较好提高了检测的效果。
2、公知的特征提取方法大多数是基于服装图像的全局特征。由于少数民族服装图像在颜色上较鲜艳、色调层次明显，色块间的对比和反差较大，且局部包含的细节属性较多、局部纹理和图案更具特色，因此，本发明提取了少数民族图像中的颜色直方图、HOG、LBP、SIFT以及边缘5种底层特征，并对特征提取后的图像集中的全局特征向量和局部特征向量作归一化处理，以提高后续识别的准确率。
3、公知的方法多采用单任务学习训练分类器，即每个任务的样本单独训练一个SVM分类器。本发明采用多任务模型学习少数民族服装的不同民族风格，并训练多个SVM分类器，以更好地利用特征之间的相关性来减少高维度小样本的过度学习问题，较好地提高了少数民族服装图像的识别效率。
附图说明
图1为本发明的流程图；
图2为本发明中人体检测后的效果示例图；
图3为本发明中云南少数民族服装的特征提取示例图；
图4为本发明中以苗族服装为例的SIFT特征提取和匹配示例图；
图5为本发明中以白族服装为例的语义标注示例图；
图6为本发明中部分云南少数民族服装的图像识别结果示例图；
具体实施方式
下面结合附图和具体实施方式对本发明作进一步说明。
实施例1：如图1-6所示，一种少数民族服装图像的识别方法，具体步骤如下：
Step1对待识别图像G和训练图像T进行人体检测，采用k-poselet(k>1)可变形部件模型分别对各个独立的poselet进行检测，实现人体的整体和局部检测，分别得到检测后的待识别图像G'和检测后的训练图像T'；
Step2分别提取检测后的待识别图像G'和检测后的训练图像T'各自的颜色直方图、HOG、LBP、SIFT以及边缘算子5种底层特征，得到特征提取后的待识别图像G”和特征提取后的训练图像T”；
Step3定义少数民族服装的语义属性，对检测后的训练图像T'进行语义属性标注，采用多任务特征模型学习少数民族服装的不同风格并训练分类器；
首先将少数民族服装按照上身、下身、全局三个部分来定义相关的语义属性。
然后，根据待识别图像G”和训练图像T”中提取到的HOG特征、LBP特征、SIFT特征、颜色特征、边缘算子特征，采用多任务特征学习模型以学习出少数民族服装的不同风格。其中W＝[w1,...w,P]∈Rm×P表示Wi，即第i行属于任务Si权重向量的权重矩阵，表示第i个任务的类别标签，λ＞0表示正则化参数，λ(W)是一个模型特定调节器。通过优化该学习模型，得到特征的权重向量。
最后，通过权重向量选择从待识别图像G”和训练图像T”中提取到的HOG特征、LBP特征、SIFT特征、颜色特征、边缘算子特征，使用选择后的特征训练多个SVM分类器。
Step4通过训练后的分类器，实现少数民族服装图像的识别并输出识别结果。
实施例2：本实施例中以云南少数民族服装图像为例进行说明。
Step1、首先对输入待识别的少数民族服装图像G和从云南少数民族服装图像库中输入训练图像T，用权向量ω＝(M0,...,Mj...,Mk-1,d1,...,dj...dk-1,b)描述每个k-poselet，其中，Mj是外观模板，dj是k-poselet的第j个姿态的空间变形模型，b是偏差，检测模型时每个k-poselet由一个权向量描述。
然后，使用k个单独的HOG模板来模拟每个部分的外观模型，分别对各个独立的poselet进行人体检测，并从训练数据中的poselet位置和尺度的平均位置进行关键点预测。用平均最大精度(AMP)来衡量一个k-poselets集C是否实现了高精度和高覆盖率：
其中，Q是实例的总数，precc(s)是检测器c在阈值s处的精确度，sq,c是实例q中检测器c的最大真正分值。为了校准而计算的精确-召回曲线可重复用于AMP计算，使用贪婪向前选择法来最大化近似该公式，从一个空的C开始，直到选择固定数目的k-poselet检测器。
最后，将边界框预测器的高度(以躯干高度为单位)聚类为两个类，使用k-poselet激活预测一个给定的人假设属于哪个类。在人体假设预测的躯干周围的图像中的大窗口上(纵横比为2：1)计算HOG特征。再让每个k-poselet对边界框的高度(以躯干为单位)进行投票，实现人体的整体和局部检测，得到检测后的服装图像，如图2所示。
实例中的云南少数民族服装图像库，以具有代表性的青年女性为例，包含了云南25个少民族服装，主要从商店、人工拍摄、博客、论坛和其他用户生成的内容、淘宝、天猫、京东等平台上收集，每个民族都有1000幅图，共25000幅图像。将每幅图像的大小均设置为500*500像素，并对不同的民族进行归类和编号，为了便于后期实验，对收集的图像背景进行适当处理，将图片统一设置成jpg的格式。
Step2、分别提取检测后的待识别图像G'和训练图像各自T'的HOG、LBP、SIFT、颜色直方图和边缘算子5种底层特征，得到特征提取后的云南少数民族服装待识别图像G”和训练图像T”。
如表1所示，局部区域中考虑到服装的花纹、刺绣，图案、衣襟的大小、褶皱等，所以对检测后的待识别图像G'和训练图像各自T'提取的局部特征主要为HOG、SIFT特征。而全局区域考虑到服装的颜色、材质、边缘形状，所以对检测后的待识别图像G'和训练图像各自T'提取的底层特征主要为颜色直方图、LBP特征、边缘算子。得到特征提取后的云南少数民族服装待识别图像G”和训练图像T”，如图3、图4所示。同时对检测后的训练图像各自T'进行手动语义属性标注，如图5展示了语义标注示例。
表1区域特征提取表
区域 特征类型
局部 HOG特征、SIFT特征
全局 颜色直方图、LBP特征、边缘算子
Step3、首先将云南少数民族服装按照上身、下身、全局三个部分来定义相关的语义属性。
云南少数民族服装大体存在长袍和短衣之分，为了更好区别和不同民族服装风格，进一步学习底层特征和语义属性之间的关联性，提高后续识别的准确率。所以本发明根据少数民族服装结构设计的知识，将云南少数民族服装进一步按照上身、下身、全局定义了相应的款式类型，如表2所示。
表2云南少数民族服装款式类型表
定义的云南少数民族服装对应三个部分的语义属性见表3。
表3云南少数民族服装语义属性表
然后，根据待识别图像G”和训练图像T”的中提取到的HOG特征、LBP特征、SIFT特征、颜色特征、和边缘算子特征，采用多任务特征学习模型，以学习出云南少数民族服装的不同风格。假设S＝{S1,S2,...,Si,...,SP}，其中任务Si包含ki种语义属性，则一共有语义属性数量为第i类语义属性M维训练样本表示为A的每行代表一个样本，Ni代表每个训练样本的数量，所以 N表示的是所有训练样本的数量。对应的样本的标签向量表示为fr表示第r种语义属性的标签。多任务特征学习模型的目标损失函数为W＝[w1,...,wP]∈Rm×P表示第i行wi属于任务Si权重向量的权重矩阵，λ＞0表示正则化参数，λ(W)是一个模型特定调节器。采用l2范数约束得到目标函数方程通过优化多任务学习的目标函数，得到特征的权向量w，根据特征权重向量w去选择从待识别图像和训练图像中提取到的底层特征，以训练多个SVM分类器，对第i个任务Si来说，wi越高代表它的特征组件更有效。
最后，通过权重向量选择从待识别图像G”和训练图像T”中提取到的HOG特征、LBP特征、SIFT特征、颜色特征、边缘算子特征训练多个SVM分类器。
针对云南少数民族服装图像检测后的不同区域选择对应提取的底层特征进行训练分类器，上身检测到脖子区域提取的特征用来训练衣领分类器，肩膀和胳膊区域提取的特征则用来训练袖子分类器，躯干腰部区域提取的特征则用来训练围裙和腰带分类器，下身检测到的区域对应提取特征则用来训练裤子和裙子分类器。检测全局部分对应提取的特征则用来训练服装图案样式分类器。
分类器训练如下：Xi∈Rd和yi∈{-1,1}表示为训练集的底层特征量和相应的语义标签。离超平面最近的异类向量表示支持向量，表示支持向量与超平面的距离，表示支持向量之间的距离，通过下式约束条件最小化构造最优超平面：
加入拉格朗日乘子，求解得到以最优解得到分类函数为其中α是非负拉格朗日乘子，w表示权重向量，αi为对应的最优解，x表示特征,y为结果语义标签，i表示第i个样本，b为分类阈值，sgn()为符号函数，通过参数的符号判断输入向量的类别。由于直接维数映射较难，所以SVM采用核函数机制，则最终判别函数为K(x·xi)是属性空间向量内积形式。
Step4、通过训练后的分类器，实现云南少数民族服装的图像识别并输出云南少数民族服装图像G的识别结果，图6给出了部分云南少数民族服装图像的识别结果示例。
为提高少数民族服装识别准确率，在本发明中选择提取5种底层特征训练进行预测结果，避免由单一特征属性直接决定云南少数民族服装类别的方式。如表4所示，展示了不同的少数民族服装图像分别利用单一特征以及本发明方法在SVM下的识别准确率，同时比较采用训练CPU时间评估少数民族服装图像上提取不同特征在SVM下的效率。从表4中可以看出采用本发明方法识别少数民族服装图像时，准确率是最高的。
表4不同的图像特征在SVM下的准确率和效率
特征类别 准确率 时间
颜色直方图 83.9125 13.06s
HOG 84.4705 13.11s
LBP 84.0625 12.81s
边缘 84.0625 10.96s
SIFT 83.1845 11.16s
本发明方法 85.9625 17.96s
公知的方法多采用单任务学习训练分类器，即每个任务的样本单独训练一个SVM分类器，本发明采用多任务模型学习云南少数民族服装的不同民族风格。因此，本发明进一步分析和比较了采用多任务学习方法与传统单任务学习方法的识别率结果。通过识别准确率来验证云南少数民族服装图像识别结果。
N表示测试样本的数量，e表示通过训练好的分类器返回的正确样本数量。如表5所示，分别给出了多任务和单任务学习下的13个语义属性的识别率，可以看出本发明采用方法识别率较高。
表5与单任务学习方法比较
同时，为更好的说明采用多任务学习方法的效率好，本发明方法中采用训练CPU运行处理时间来评估两种方法识别云南少数民族服装图像的效率，从表6可以看出本文方法处理时间较短，即识别效率更高。
表6两种方法对云南少数民族服装图像识别的效率
方法 时间(T)
STL 124.07s
MTL 73.91s
上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (4)

1.一种少数民族服装图像的识别方法，其特征在于，包括如下步骤：
Step1对待识别图像G和训练图像T进行人体检测，分别得到检测后的待识别图像G'和检测后的训练图像T'；
Step2分别提取检测后的待识别图像G'和检测后的训练图像T'各自的颜色直方图、HOG、LBP、SIFT以及边缘算子5种底层特征，得到特征提取后的待识别图像G”和特征提取后的训练图像T”；
Step3定义少数民族服装的语义属性，对检测后的训练图像T'进行语义属性标注，采用多任务特征模型学习少数民族服装的不同风格并训练分类器；
Step4通过训练后的分类器，实现少数民族服装图像的识别并输出识别结果。
2.根据权利要求1所述的一种少数民族服装图像的识别方法，其特征在于：所述训练图像T包括若干采集到的各少数民族的服装图像，采用k-poselet可变形部件模型分别对各个独立的poselet进行检测，实现人体的整体和局部检测，得到检测后的待识别图像G'和训练图像T'。
3.根据权利要求1所述的少数民族服装图像的识别方法，其特征在于：所述Step3中分类器的训练是针对少数民族服装图像检测后的不同区域选择对应提取的底层特征进行训练分类器，上身检测到脖子区域提取的特征用来训练衣领分类器，肩膀和胳膊区域提取的特征则用来训练袖子分类器，躯干腰部区域提取的特征则用来训练围裙和腰带分类器，下身检测到的区域对应提取特征则用来训练裤子和裙子分类器，检测全局部分对应提取的特征则用来训练服装图案样式分类器。
4.根据权利要求3所述的少数民族服装图像的识别方法，其特征在于：所述分类器的训练具体过程如下：
多任务特征学习模型的目标损失函数为其中W＝[w1,...,wP]∈Rm×P表示Wi，即第i行属于任务Si权重向量的权重矩阵，表示第i个任务的类别标签，λ＞0表示正则化参数，λ(W)是一个模型特定调节器，通过优化该学习模型，得到特征的权重向量，以训练多个SVM分类器；
分类器训练如下：Xi∈Rd和yi∈{-1,1}表示为训练集的底层特征量和相应的语义属性，离超平面最近的异类向量表示支持向量，表示支持向量与超平面的距离，表示支持向量之间的距离，通过下式约束条件最小化构造最优超平面：
加入拉格朗日乘子，求解得到以最优解得到分类函数为其中α是非负拉格朗日乘子，w表示权重向量，αi为对应的最优解，x表示特征,y为结果语义标签，i表示第i个样本，b为分类阈值，sgn()为符号函数，通过参数的符号判断输入向量的类别，由于直接维数映射较难，所以SVM采用核函数机制，则最终判别函数为K(x·xi)是属性空间向量内积形式。
CN201811006952.9A 2018-08-31 2018-08-31 一种少数民族服装图像的识别方法 Pending CN109344872A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811006952.9A CN109344872A (zh) 2018-08-31 2018-08-31 一种少数民族服装图像的识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811006952.9A CN109344872A (zh) 2018-08-31 2018-08-31 一种少数民族服装图像的识别方法

Publications (1)

Publication Number Publication Date
CN109344872A true CN109344872A (zh) 2019-02-15

Family

ID=65292231

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811006952.9A Pending CN109344872A (zh) 2018-08-31 2018-08-31 一种少数民族服装图像的识别方法

Country Status (1)

Country Link
CN (1) CN109344872A (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109934287A (zh) * 2019-03-12 2019-06-25 上海宝尊电子商务有限公司 一种基于lbp与glcm的服装纹理识别分类方法
CN110070147A (zh) * 2019-05-07 2019-07-30 上海宝尊电子商务有限公司 一种基于神经网络的服装图案纹理识别方法与系统
CN110414624A (zh) * 2019-08-06 2019-11-05 广东工业大学 基于多任务学习的分类模型构建方法及装置
CN111666963A (zh) * 2019-03-07 2020-09-15 深圳云天励飞技术有限公司 一种服饰风格的识别方法、装置及设备
CN111738062A (zh) * 2020-05-09 2020-10-02 广智微芯(扬州)有限公司 一种基于嵌入式平台的自动再识别方法及系统
CN112182336A (zh) * 2020-10-13 2021-01-05 广西机电职业技术学院 一种京族图案谱系整理分类系统
CN112508864A (zh) * 2020-11-20 2021-03-16 昆明理工大学 基于改进UNet++的视网膜血管图像分割方法
CN112669343A (zh) * 2021-01-04 2021-04-16 桂林电子科技大学 一种基于深度学习的壮族少数民族服饰分割方法
CN113486855A (zh) * 2021-07-30 2021-10-08 浙江大华技术股份有限公司 服饰识别方法、装置、设备及介质
CN113989858A (zh) * 2021-12-28 2022-01-28 安维尔信息科技(天津)有限公司 一种工作服识别方法及系统
CN114972622A (zh) * 2021-12-30 2022-08-30 昆明理工大学 一种针对民族服装图像的高精度三维重建方法
CN114972795A (zh) * 2021-12-30 2022-08-30 昆明理工大学 一种结合属性检测和视觉感知的民族服装图像字幕生成方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105894050A (zh) * 2016-06-01 2016-08-24 北京联合大学 一种基于多任务学习的人脸图像种族和性别识别方法
CN106127173A (zh) * 2016-06-30 2016-11-16 北京小白世纪网络科技有限公司 一种基于深度学习的人体属性识别方法
US20170039417A1 (en) * 2015-08-05 2017-02-09 Canon Kabushiki Kaisha Image recognition method, image recognition apparatus, and recording medium

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170039417A1 (en) * 2015-08-05 2017-02-09 Canon Kabushiki Kaisha Image recognition method, image recognition apparatus, and recording medium
CN105894050A (zh) * 2016-06-01 2016-08-24 北京联合大学 一种基于多任务学习的人脸图像种族和性别识别方法
CN106127173A (zh) * 2016-06-30 2016-11-16 北京小白世纪网络科技有限公司 一种基于深度学习的人体属性识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
LIN CHEN等: "Predicting Multiple Attributes via Relative Multi-task Learning", 《2014 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 *
刘聪: "基于视觉的服装属性分类算法", 《微电子学与计算机》 *
邱兆文: "《图像检索技术与应用》", 31 May 2012, 东北林业大学出版社 *

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111666963A (zh) * 2019-03-07 2020-09-15 深圳云天励飞技术有限公司 一种服饰风格的识别方法、装置及设备
CN111666963B (zh) * 2019-03-07 2023-10-13 深圳云天励飞技术有限公司 一种服饰风格的识别方法、装置及设备
CN109934287A (zh) * 2019-03-12 2019-06-25 上海宝尊电子商务有限公司 一种基于lbp与glcm的服装纹理识别分类方法
CN110070147A (zh) * 2019-05-07 2019-07-30 上海宝尊电子商务有限公司 一种基于神经网络的服装图案纹理识别方法与系统
CN110070147B (zh) * 2019-05-07 2023-10-17 上海宝尊电子商务有限公司 一种基于神经网络的服装图案纹理识别方法与系统
CN110414624A (zh) * 2019-08-06 2019-11-05 广东工业大学 基于多任务学习的分类模型构建方法及装置
CN111738062A (zh) * 2020-05-09 2020-10-02 广智微芯(扬州)有限公司 一种基于嵌入式平台的自动再识别方法及系统
CN111738062B (zh) * 2020-05-09 2024-05-17 广智微芯(扬州)有限公司 一种基于嵌入式平台的自动再识别系统
CN112182336B (zh) * 2020-10-13 2023-05-30 广西机电职业技术学院 一种京族图案谱系整理分类系统
CN112182336A (zh) * 2020-10-13 2021-01-05 广西机电职业技术学院 一种京族图案谱系整理分类系统
CN112508864A (zh) * 2020-11-20 2021-03-16 昆明理工大学 基于改进UNet++的视网膜血管图像分割方法
CN112669343A (zh) * 2021-01-04 2021-04-16 桂林电子科技大学 一种基于深度学习的壮族少数民族服饰分割方法
CN113486855A (zh) * 2021-07-30 2021-10-08 浙江大华技术股份有限公司 服饰识别方法、装置、设备及介质
CN113989858B (zh) * 2021-12-28 2022-04-08 上海安维尔信息科技股份有限公司 一种工作服识别方法及系统
CN113989858A (zh) * 2021-12-28 2022-01-28 安维尔信息科技(天津)有限公司 一种工作服识别方法及系统
CN114972795B (zh) * 2021-12-30 2023-04-07 昆明理工大学 一种结合属性检测和视觉感知的服装图像字幕生成方法
CN114972795A (zh) * 2021-12-30 2022-08-30 昆明理工大学 一种结合属性检测和视觉感知的民族服装图像字幕生成方法
CN114972622A (zh) * 2021-12-30 2022-08-30 昆明理工大学 一种针对民族服装图像的高精度三维重建方法

Similar Documents

Publication Publication Date Title
CN109344872A (zh) 一种少数民族服装图像的识别方法
CN108520226B (zh) 一种基于躯体分解和显著性检测的行人重识别方法
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
CN105022982B (zh) 手部运动识别方法和装置
CN107944431B (zh) 一种基于运动变化的智能识别方法
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
US20110142335A1 (en) Image Comparison System and Method
CN109919177B (zh) 基于层次化深度网络的特征选择方法
CN108510000A (zh) 复杂场景下行人细粒度属性的检测与识别方法
CN109523520A (zh) 一种基于深度学习的染色体自动计数方法
CN107977671A (zh) 一种基于多任务卷积神经网络的舌象分类方法
CN110334687A (zh) 一种基于行人检测、属性学习和行人识别的行人检索增强方法
CN108549870A (zh) 一种对物品陈列进行鉴别的方法及装置
CN105488809A (zh) 基于rgbd描述符的室内场景语义分割方法
CN109919106A (zh) 渐进式目标精细识别与描述方法
CN103186775A (zh) 基于混合描述子的人体运动识别方法
CN110647906A (zh) 基于Faster R-CNN方法的服饰目标检测方法
CN113435335B (zh) 微观表情识别方法、装置、电子设备及存储介质
CN108961265A (zh) 一种基于颜色显著性和高斯模型的精确目标分割方法
CN103745233B (zh) 基于空间信息迁移的高光谱图像分类方法
CN109886295A (zh) 一种基于神经网络的蝴蝶识别方法及相关设备
CN109145947B (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
CN109635708A (zh) 一种基于三数据集交叉迁移学习的无监督行人再识别方法
CN104050460B (zh) 多特征融合的行人检测方法
CN111815582B (zh) 改进背景先验和前景先验的二维码区域检测方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20190215

RJ01 Rejection of invention patent application after publication