CN110263637B - 一种衣服智能收纳识别方法及系统 - Google Patents
一种衣服智能收纳识别方法及系统 Download PDFInfo
- Publication number
- CN110263637B CN110263637B CN201910404889.2A CN201910404889A CN110263637B CN 110263637 B CN110263637 B CN 110263637B CN 201910404889 A CN201910404889 A CN 201910404889A CN 110263637 B CN110263637 B CN 110263637B
- Authority
- CN
- China
- Prior art keywords
- image
- clothes
- stock
- identified
- clothing
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种衣服智能收纳识别方法及系统,通过图像采集设备获取衣服图像数据,提取待识别图像特征值并根据特征值计算待识别图像的待识别特征度,从而获取匹配衣服图像对应的衣服购买时间、价格、以及衣服搭配构成的衣物描述信息,可以不依赖于智能衣柜或智能服装柜等实体家居,而且不能够自由的根据衣服个性化的智能快速进行读取衣服的信息,仅仅依靠用户的手持移动终端设备就可以进行,通过模式匹配可以快速精准的定位衣服图像库中的衣服图像数据,匹配速度和准确率很高,并可调整参数以微调匹配速度,可以独立用也可以配合智能家居应用,从而使智能家居带来更好的用户体验。
Description
技术领域
本公开涉及计算机图像处理与智能家居技术领域,具体涉及一种衣服智能收纳识别方法及系统。
背景技术
随着智能家居的快速发展,消费者们逐步的意识到家居的智能化带来的用户体验的感官提升。目前市场中对于家居设备的智能化研发仍处于初级阶段,而对于衣柜的衣服收纳的软件,依然不能满足当前客户的需求。
目前,在衣柜的衣服收纳中进行衣服搭配等智能化处理的方法有:中国专利申请号CN201810709393.1公开的一种基于智能衣柜的搭配方案推荐方法及系统通过接收搭配需求,基于总衣物数据库形成符合所述搭配需求的搭配方案,输出所述搭配方案并获取所述搭配方案中的衣物,其中总衣物数据库包括个人衣物数据库以及与个人衣物数据库相互关联的所有好友个人衣物数据库中的所有衣物信息,将多个智能服装柜绑定在一起,实现不同用户物品相互流转,以及不同用户之间相互推荐共享,但是该方案只必须依赖于智能衣柜或智能服装柜等实体家居,而且不能够自由的根据衣服个性化的智能快速进行读取衣服的信息。
发明内容
为解决上述问题,本公开提供一种衣服智能收纳识别方法及系统的技术方案,通过图像采集设备获取衣服图像数据,提取待识别图像特征值并根据特征值计算待识别图像的待识别特征度,从而获取匹配衣服图像对应的衣服购买时间、价格、以及衣服搭配构成的衣物描述信息,可以独立用也可以配合智能家居应用,从而使智能家居带来更好的用户体验。
为了实现上述目的,根据本公开的一方面,提供一种衣服智能收纳识别方法,所述方法包括以下步骤:
步骤1,通过图像采集设备获取衣服图像数据;
步骤2,将衣服图像数据预处理得到待识别图像;
步骤3,依次将待识别图像与衣服图像库中的各个库存衣服图像模式匹配得到匹配衣服图像;
步骤4,获取匹配衣服图像对应的衣物描述信息;
步骤5,将匹配衣服图像和衣物描述信息推送到用户的移动设备。
进一步地,在步骤1中,图像采集设备包括但不限于移动设备的摄像头、工业相机任意一种,衣服图像数据的图像格式包括但不限于jpg、jpeg、gif、png、bmp任意一种格式。
进一步地,在步骤2中,将衣服图像数据预处理得到待识别图像的方法为:令R2表示二维平面图像,则衣服图像数据的灰度图像表示为:f(x):Ω→Rm*n,其中m,n是整数,若m=1,则表示衣服图像数据的灰度图像,将衣服图像数据的灰度图像的图像域内各个像素的灰度值用函数f(x,y)表示,其中x和y是像素的坐标,f是衣服图像数据在点(x,y)的像素值,则将待识别图像表示为以下矩阵形式:
进一步地,在步骤3中,依次将待识别图像与衣服图像库中的各个库存衣服图像模式匹配得到匹配衣服图像的方法为:
令m为待识别图像,g为库存衣服图像,把待识别图像和库存衣服图像分别作为由若干个等灰度网格组成的集合,即将库存衣服图像的全部像素点作为对比点则m=f(x,y),g=g(x,y);将式f(x,y)=const两边同时取偏微分得到梯度场,其中,u为从待识别图像向库存衣服图像变化的梯度场;为函数f(x,y)的梯度向量,即const为常数;在实际应用中,为了对匹配速度进行调整将公式修改为:其中,k为归一化系数,设置在0.5到1比较合适,根据二八定律,设置k=0.8,由可知,通过选择k的值可以自由调整匹配速度的大小。梯度场u的上限为k,显然,k的值越小,匹配的速度越慢,配准的精度较高,可以根据实际的要求调整归一化系数的大小;
从衣服图像库中选出与待识别图像梯度场相等的各个库存衣服图像,依次统计这些库存衣服图像符合条件的像素总数量,即依次统计待识别图像m中的各个像素的灰度值大于各个库存衣服图像上相应点的像素灰度值即mp>fp的像素总数量,选取各个库存衣服图像符合条件的像素总数量最多的库存衣服图像作为匹配衣服图像。
进一步地,在步骤3中,所述衣服图像库包括但不限于多个库存衣服图像,库存衣服图像包括但不限于衣物产品图片、衣物的局部特征图片以及用户的实际穿着图片;各个库存衣服图像均对应有衣物描述信息,衣物描述信息包括但不限于衣服购买时间、价格、衣物类型信息、衣物所属季节信息、衣物属性信息、衣物归属信息、衣物应用场合信息,其中,衣物类型信息包括:上衣、裤子、裙子、内衣以及外套等;衣物所属季节信息包括:春装、夏装、秋装以及冬装;衣物属性信息包括名称、品牌、产地、价格、尺码、颜色、洗涤状况以及使用年限等;衣物归属信息为衣物归属哪个家庭成员的信息;衣物应用场合信息包括派对、休闲、商务以及运动信息,根据衣物应用场合信息生成预设的衣服搭配信息,生成衣服搭配信息的方法为管理员输入的预设搭配方案,默认为没有,衣服图像库位于远程的云端服务器或智能衣柜或智能服装柜等智能家居中。
进一步地,在步骤5中,用户的移动设备包括安装有Android或IOS应用的移动终端,包括手机、笔记本、平板电脑、POS机或车载电脑。
本发明还提供了一种衣服智能收纳识别系统,所述系统包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序运行在以下系统的单元中:
衣服图像采集单元,用于通过图像采集设备获取衣服图像数据;
图像数据预处理单元,用于将衣服图像数据预处理得到待识别图像;
模式匹配单元,用于依次将待识别图像与衣服图像库中的各个库存衣服图像模式匹配得到匹配衣服图像;
描述信息获取单元,用于获取匹配衣服图像对应的衣物描述信息;
描述信息推送单元,用于将匹配衣服图像和衣物描述信息推送到用户的移动设备。
本公开的有益效果为:本发明提供一种衣服智能收纳识别方法及系统,可以不依赖于智能衣柜或智能服装柜等实体家居,而且不能够自由的根据衣服个性化的智能快速进行读取衣服的信息,仅仅依靠用户的手持移动终端设备就可以进行,通过模式匹配可以快速精准的定位衣服图像库中的衣服图像数据,匹配速度和准确率很高,并可调整参数以微调匹配速度,提升了用户的体验。
附图说明
通过对结合附图所示出的实施方式进行详细说明,本公开的上述以及其他特征将更加明显,本公开附图中相同的参考标号表示相同或相似的元素,显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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,在附图中:
图1所示为一种衣服智能收纳识别方法的流程图;
图2所示为一种衣服智能收纳识别系统图。
具体实施方式
以下将结合实施例和附图对本公开的构思、具体结构及产生的技术效果进行清楚、完整的描述,以充分地理解本公开的目的、方案和效果。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
如图1所示为根据本公开的一种衣服智能收纳识别方法的流程图,下面结合图1来阐述根据本公开的实施方式的一种衣服智能收纳识别方法。
本公开提出一种衣服智能收纳识别方法,具体包括以下步骤:
步骤1,通过图像采集设备获取衣服图像数据;
步骤2,将衣服图像数据预处理得到待识别图像;
步骤3,依次将待识别图像与衣服图像库中的各个库存衣服图像模式匹配得到匹配衣服图像;
步骤4,获取匹配衣服图像对应的衣物描述信息;
步骤5,将匹配衣服图像和衣物描述信息推送到用户的移动设备。
进一步地,在步骤1中,图像采集设备包括但不限于移动设备的摄像头、工业相机任意一种,衣服图像数据的图像格式包括但不限于jpg、jpeg、gif、png、bmp任意一种格式。
进一步地,在步骤2中,将衣服图像数据预处理得到待识别图像的方法为:令R2表示二维平面图像,则衣服图像数据的灰度图像表示为:f(x):Ω→Rm*n,其中m,n是整数,若m=1,则表示衣服图像数据的灰度图像,将衣服图像数据的灰度图像的图像域内各个像素的灰度值用函数f(x,y)表示,其中x和y是像素的坐标,f是衣服图像数据在点(x,y)的像素值,则将待识别图像表示为以下矩阵形式:
进一步地,在步骤3中,依次将待识别图像与衣服图像库中的各个库存衣服图像模式匹配得到匹配衣服图像的方法为:
令m为待识别图像,g为库存衣服图像,把待识别图像和库存衣服图像分别作为由若干个等灰度网格组成的集合,即将库存衣服图像的全部像素点作为对比点则m=f(x,y),g=g(x,y);将式f(x,y)=const两边同时取偏微分得到梯度场,其中,u为从待识别图像向库存衣服图像变化的梯度场;为函数f(x,y)的梯度向量,即const为常数;在实际应用中,为了对匹配速度进行调整将公式修改为:其中,k为归一化系数,设置在0.5到1比较合适,根据二八定律,设置k=0.8,由可知,通过选择k的值可以自由调整匹配速度的大小。梯度场u的上限为k,显然,k的值越小,匹配的速度越慢,配准的精度较高,可以根据实际的要求调整归一化系数的大小;
从衣服图像库中选出与待识别图像梯度场相等的各个库存衣服图像,依次统计这些库存衣服图像符合条件的像素总数量,即依次统计待识别图像m中的各个像素的灰度值大于各个库存衣服图像上相应点的像素灰度值即mp>fp的像素总数量,选取各个库存衣服图像符合条件的像素总数量最多的库存衣服图像作为匹配衣服图像。
进一步地,在步骤3中,所述衣服图像库包括但不限于多个库存衣服图像,库存衣服图像包括但不限于衣物产品图片、衣物的局部特征图片以及用户的实际穿着图片;各个库存衣服图像均对应有衣物描述信息,衣物描述信息包括但不限于衣服购买时间、价格、衣物类型信息、衣物所属季节信息、衣物属性信息、衣物归属信息、衣物应用场合信息,其中,衣物类型信息包括:上衣、裤子、裙子、内衣以及外套等;衣物所属季节信息包括:春装、夏装、秋装以及冬装;衣物属性信息包括名称、品牌、产地、价格、尺码、颜色、洗涤状况以及使用年限等;衣物归属信息为衣物归属哪个家庭成员的信息;衣物应用场合信息包括派对、休闲、商务以及运动信息,根据衣物应用场合信息生成预设的衣服搭配信息,生成衣服搭配信息的方法为管理员输入的预设搭配方案,默认为没有,衣服图像库位于远程的云端服务器或智能衣柜或智能服装柜等智能家居中。
进一步地,在步骤5中,用户的移动设备包括安装有Android或IOS应用的移动终端,包括手机、笔记本、平板电脑、POS机或车载电脑。
本公开的实施例提供的一种衣服智能收纳识别系统,如图2所示为本公开的一种衣服智能收纳识别系统图,该实施例的一种衣服智能收纳识别系统包括:处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述一种衣服智能收纳识别系统实施例中的步骤。
所述系统包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序运行在以下系统的单元中:
衣服图像采集单元,用于通过图像采集设备获取衣服图像数据;
图像数据预处理单元,用于将衣服图像数据预处理得到待识别图像;
模式匹配单元,用于依次将待识别图像与衣服图像库中的各个库存衣服图像模式匹配得到匹配衣服图像;
描述信息获取单元,用于获取匹配衣服图像对应的衣物描述信息;
描述信息推送单元,用于将匹配衣服图像和衣物描述信息推送到用户的移动设备。
所述一种衣服智能收纳识别系统可以运行于桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备中。所述一种衣服智能收纳识别系统,可运行的系统可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,所述例子仅仅是一种衣服智能收纳识别系统的示例,并不构成对一种衣服智能收纳识别系统的限定,可以包括比例子更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述一种衣服智能收纳识别系统还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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,所述处理器是所述一种衣服智能收纳识别系统运行系统的控制中心,利用各种接口和线路连接整个一种衣服智能收纳识别系统可运行系统的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述一种衣服智能收纳识别系统的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
尽管本公开的描述已经相当详尽且特别对几个所述实施例进行了描述,但其并非旨在局限于任何这些细节或实施例或任何特殊实施例,而是应当将其视作是通过参考所附权利要求考虑到现有技术为这些权利要求提供广义的可能性解释,从而有效地涵盖本公开的预定范围。此外,上文以发明人可预见的实施例对本公开进行描述,其目的是为了提供有用的描述,而那些目前尚未预见的对本公开的非实质性改动仍可代表本公开的等效改动。
Claims (5)
1.一种衣服智能收纳识别方法,其特征在于,所述方法包括以下步骤:
步骤1,通过图像采集设备获取衣服图像数据;
步骤2,将衣服图像数据预处理得到待识别图像;
步骤3,依次将待识别图像与衣服图像库中的各个库存衣服图像模式匹配得到匹配衣服图像;
步骤4,获取匹配衣服图像对应的衣物描述信息;
步骤5,将匹配衣服图像和衣物描述信息推送到用户的移动设备;
在步骤2中,将衣服图像数据预处理得到待识别图像的方法为:令R2表示二维平面图像,则衣服图像数据的灰度图像表示为:f(x):Ω→Rm*n,其中m,n是整数,若m=1,则表示衣服图像数据的灰度图像,将衣服图像数据的灰度图像的图像域内各个像素的灰度值用函数f(x,y)表示,其中x和y是像素的坐标,f是衣服图像数据在点(x,y)的像素值,则将待识别图像表示为以下矩阵形式:
在步骤3中,依次将待识别图像与衣服图像库中的各个库存衣服图像模式匹配得到匹配衣服图像的方法为:
令m为待识别图像,g为库存衣服图像,把待识别图像和库存衣服图像分别作为由若干个等灰度网格组成的集合,即将库存衣服图像的全部像素点作为对比点则m=f(x,y),g=g(x,y);将式f(x,y)=const两边同时取偏微分得到梯度场,其中,u为从待识别图像向库存衣服图像变化的梯度场;为函数f(x,y)的梯度向量,即const为常数;在实际应用中,为了对匹配速度进行调整将公式修改为:其中,k为归一化系数,从衣服图像库中选出与待识别图像梯度场相等的各个库存衣服图像,依次统计这些库存衣服图像符合条件的像素总数量,即依次统计待识别图像m中的各个像素的灰度值大于各个库存衣服图像上相应点的像素灰度值即mp>fp的像素总数量,选取各个库存衣服图像符合条件的像素总数量最多的库存衣服图像作为匹配衣服图像。
2.根据权利要求1所述的一种衣服智能收纳识别方法,其特征在于,在步骤1中,图像采集设备包括移动设备的摄像头、工业相机任意一种,衣服图像数据的图像格式包括jpg、jpeg、gif、png、bmp任意一种格式。
3.根据权利要求1所述的一种衣服智能收纳识别方法,其特征在于,在步骤3中,所述衣服图像库包括多个库存衣服图像,库存衣服图像包括衣物产品图片、衣物的局部特征图片以及用户的实际穿着图片;各个库存衣服图像均对应有衣物描述信息。
4.根据权利要求1所述的一种衣服智能收纳识别方法,其特征在于,在步骤5中,用户的移动设备包括安装有Android或IOS应用的移动终端,包括手机、笔记本、平板电脑、POS机或车载电脑。
5.一种衣服智能收纳识别系统,其特征在于,所述系统包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序运行在以下系统的单元中:
衣服图像采集单元,用于通过图像采集设备获取衣服图像数据;
图像数据预处理单元,用于将衣服图像数据预处理得到待识别图像;
模式匹配单元,用于依次将待识别图像与衣服图像库中的各个库存衣服图像模式匹配得到匹配衣服图像;
描述信息获取单元,用于获取匹配衣服图像对应的衣物描述信息;
描述信息推送单元,用于将匹配衣服图像和衣物描述信息推送到用户的移动设备;
将衣服图像数据预处理得到待识别图像的方法为:令R2表示二维平面图像,则衣服图像数据的灰度图像表示为:f(x):Ω→Rm*n,其中m,n是整数,若m=1,则表示衣服图像数据的灰度图像,将衣服图像数据的灰度图像的图像域内各个像素的灰度值用函数f(x,y)表示,其中x和y是像素的坐标,f是衣服图像数据在点(x,y)的像素值,则将待识别图像表示为以下矩阵形式:
依次将待识别图像与衣服图像库中的各个库存衣服图像模式匹配得到匹配衣服图像的方法为:
令m为待识别图像,g为库存衣服图像,把待识别图像和库存衣服图像分别作为由若干个等灰度网格组成的集合,即将库存衣服图像的全部像素点作为对比点则m=f(x,y),g=g(x,y);将式f(x,y)=const两边同时取偏微分得到梯度场,其中,u为从待识别图像向库存衣服图像变化的梯度场;为函数f(x,y)的梯度向量,即const为常数;在实际应用中,为了对匹配速度进行调整将公式修改为:其中,k为归一化系数,从衣服图像库中选出与待识别图像梯度场相等的各个库存衣服图像,依次统计这些库存衣服图像符合条件的像素总数量,即依次统计待识别图像m中的各个像素的灰度值大于各个库存衣服图像上相应点的像素灰度值即mp>fp的像素总数量,选取各个库存衣服图像符合条件的像素总数量最多的库存衣服图像作为匹配衣服图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910404889.2A CN110263637B (zh) | 2019-05-16 | 2019-05-16 | 一种衣服智能收纳识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910404889.2A CN110263637B (zh) | 2019-05-16 | 2019-05-16 | 一种衣服智能收纳识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110263637A CN110263637A (zh) | 2019-09-20 |
CN110263637B true CN110263637B (zh) | 2023-05-09 |
Family
ID=67913240
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910404889.2A Active CN110263637B (zh) | 2019-05-16 | 2019-05-16 | 一种衣服智能收纳识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110263637B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113283617B (zh) * | 2021-05-21 | 2024-07-05 | 东华大学 | 一种服装重构方法及其服务器系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106325108B (zh) * | 2015-06-18 | 2020-01-03 | 深圳市欧力森科技发展有限公司 | 衣物管理系统的管理方法 |
CN106375544B (zh) * | 2015-07-23 | 2020-11-06 | 青岛海尔洗衣机有限公司 | 一种衣物搭配推荐方法及智能终端 |
CN105046280B (zh) * | 2015-08-10 | 2018-05-04 | 北京小豹科技有限公司 | 一种衣柜智能管理装置及方法 |
CN109190015A (zh) * | 2018-07-02 | 2019-01-11 | 四川斐讯信息技术有限公司 | 一种基于智能衣柜的搭配方案推荐方法及系统 |
-
2019
- 2019-05-16 CN CN201910404889.2A patent/CN110263637B/zh active Active
Non-Patent Citations (3)
Title |
---|
Zhe Liu.Computer recognition algorithm for density uniformity of clothing fabric.《2008 9th International Conference on Computer-Aided Industrial Design and Conceptual Design》.2008,全文. * |
姜兴琼 ; 杨德强 ; .基于PCA的少数民族服饰识别算法设计与实现.电脑知识与技术.2017,(29),全文. * |
李鹏飞 ; 郑明智 ; 景军锋 ; .图像处理在衣服尺寸在线测量中的应用.电子测量与仪器学报.2016,(08),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN110263637A (zh) | 2019-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9317778B2 (en) | Interactive content generation | |
CN108229496B (zh) | 服饰关键点的检测方法和装置、电子设备、存储介质和程序 | |
JP6774137B2 (ja) | Id写真の真正性を検証するためのシステムおよび方法 | |
US9036905B2 (en) | Training classifiers for deblurring images | |
CN104991954B (zh) | 基于图像搜索的购物搜索系统及其实现方法 | |
CN109829448A (zh) | 人脸识别方法、装置及存储介质 | |
US10134149B2 (en) | Image processing | |
Joshi | OpenCV with Python by example | |
CN116934907A (zh) | 图像生成方法、设备和存储介质 | |
Wang et al. | PalGAN: Image colorization with palette generative adversarial networks | |
CN112200844A (zh) | 生成图像的方法、装置、电子设备及介质 | |
CN110263637B (zh) | 一种衣服智能收纳识别方法及系统 | |
CN109886781B (zh) | 基于绘画行为的产品推荐方法、装置、设备及存储介质 | |
Jiang et al. | Face hallucination and recognition in social network services | |
Bhardwaj et al. | Palette power: Enabling visual search through colors | |
CN116994007B (zh) | 商品纹理检测处理方法及装置 | |
JP2012146159A (ja) | 情報処理装置、方法及びプログラム | |
Imani et al. | Local binary pattern, local derivative pattern and skeleton features for RGB-D person re-identification | |
CN108446737B (zh) | 用于识别对象的方法和装置 | |
Rivas et al. | Image matching algorithm based on hashes extraction | |
JP2014099027A (ja) | 画像特徴量算出装置、学習装置、識別装置、およびそのプログラム | |
Phadikar et al. | A comprehensive assessment of content-based image retrieval using selected full reference image quality assessment algorithms | |
Fan et al. | Efficient Gabor phase based illumination invariant for face recognition | |
JP6717769B2 (ja) | 情報処理装置及びプログラム | |
JP2017027227A (ja) | ラベル推定関数学習装置、方法、ラベル推定装置、方法及びプログラム |
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 |