CN110458020A - 一种基于形状上下文的服装款式检索方法 - Google Patents
一种基于形状上下文的服装款式检索方法 Download PDFInfo
- Publication number
- CN110458020A CN110458020A CN201910618265.0A CN201910618265A CN110458020A CN 110458020 A CN110458020 A CN 110458020A CN 201910618265 A CN201910618265 A CN 201910618265A CN 110458020 A CN110458020 A CN 110458020A
- Authority
- CN
- China
- Prior art keywords
- fashion
- profile
- shape
- style
- clothes
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012163 sequencing technique Methods 0.000 claims abstract description 5
- 239000000284 extract Substances 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000004321 preservation Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 abstract description 3
- 238000013461 design Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000001217 buttock Anatomy 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于形状上下文的服装款式检索方法,包括确定款式样本,并建立轮廓形状库;轮廓形状的形状上下文描述;输入款式轮廓提取和描述;款式轮廓的形状上下文匹配;款式轮廓的相似度排序;本发明无须对图片预处理,不受图片背景、颜色等干扰,可以按照实际需要调整服装款式的轮廓;结合服装款式特征进行匹配,从一定程度上可以反映出服装的结构特征要素,可以对目标款式轮廓进行智能廓形分类;利用形状上下文方法进行轮廓特征描述与匹配,准确度高,可以将图形的点与点之间进行匹配;本发明确定了服装关键部位,并提取关键点的轮廓,利用形状上下文方法进行服装轮廓的匹配与相似度计算,快速实现服装款式识别。
Description
技术领域
本发明涉及服装设计领域,具体为一种基于形状上下文的服装款式检索方法。
背景技术
随着大数据智能时代的到来,对生产和销售过程的要求越来越高,服装的款式是服装所有信息的基础,由服装外轮廓和内部细节变化构成,反映了服装结构的形态特征、造型设计、风格信息等。服装廓形是影响服装款式风格的主要因素,不包含颜色和纹理特征,可用于服装推荐系统。服装样板是样板师根据服装廓形、尺寸、面料、特殊工艺等信息反复检查调整获得。现有的打板方法大多从服装原型或者款式基型入手,对样板师的要求很高,出样的周期较长。因此寻找一种有效地方法识别服装款式很有必要。现有的服装企业根据有限的品类库进行查找,无法对以往的数据资料有效的筛选,很难根据已知款式特征进行检索。图像识别主要利用特征提取和高维索引技术进行检索。目前针对服装轮廓进行特征提取及分类的方法主要有基于小波傅里叶描述子的学习机分类法以及基于融合特征的欧式距离分类法。但是均有不足,比如计算复杂、适应性差以及效率低等。
服装的品类有很多种,同类别的服装,款式不尽相同,但是服装的廓形基本可以分为六大类:A形、S形、X形、H形、T形、O形。服装款式的识别主要以文本标记和分类为主,语义差距大,无法作为标准化的资料。服装款式设计在服装廓形、领型、袖型等方面一定程度上相似,很多产品都是在原设计基础上继续调整,此外服装结构设计在款式基型的基础上设计更加快速,同时越来越多的消费者在购买服装时带有目标款式,因此服装款式图象的检索变得尤为重要。另一方面,为了更好的应对多品种、小批量、短周期的生产现状,服装企业必须加快设计与生产的速度,虽然在建立服装资料库方面提出了服装通用部件库、品类模块、局部细节模块等,但是在真正使用以往资料时,无法快速准确地检索;且对图像的识别算法复杂,易受背景噪音的影响,无法对整个款式进行有效的筛选。
现有技术对服装款式图的要求高,对图片的预处理过程繁复且效果不一,受背景噪音影响较大,同时现有技术的目的多是对服装款式轮廓的单一识别,识别效果差。
发明内容
本发明的目的在于提供一种基于形状上下文的服装款式检索方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种基于形状上下文的服装款式检索方法,包括如下具体步骤:
S1:确定款式样本,并建立轮廓形状库,具体为:
S11:选取需要的服装款式图片作为服装检索款式库;
S12:对服装款式结构特征要素进行分析和文献调查,确定服装款式的关键部位,并提取关键部位对应的m个关键点,记录对应点的坐标,然后对所提取的m个关键点进行标准化;
S13:在获得的由关键点所构成的封闭图形基础上,进行均匀采样,采样n个点,并得到对应点的坐标,将获得的所有样本的坐标数据作为轮廓形状库,以供后续款式检索;
S2:轮廓形状的形状上下文描述:获得样本的轮廓后,对所有样本进行形状上下文描述,具体方法为:
S21:构建极坐标空间:将极坐标空间按照角度分为a份,极半径分为b份,即a*b个区间,将每一份定义为一个bin,将所有点的二维坐标转换为极坐标;
S22:极坐标构建完成后,将所有点Pi分别作为原点,统计其余轮廓点相对于点Pi在各个bin上的分布个数,即可得到该点的形状上下文直方图;
S23:每个样本轮廓由n个点组成,即得到n个a*b的直方图矩阵,从而得到所有样本的形状上下文描述子;
S3:输入款式轮廓提取和描述:读取输入款式的图像,采用轮廓形状库的提取方法提取输入款式的轮廓,记录关键点的坐标,按照上述方法对输入款式轮廓计算形状上下文描述;
S4:款式轮廓的形状上下文匹配:将输入款式图形的形状上下文描述子与服装轮廓特征库中的图形描述子比较,计算形状描述子之间的距离,具体步骤为:
S41:输入款式的轮廓形状图A中的点Ai,与轮廓库中的款式形状图B中的所有点计算匹配代价最小的Bi,并保存匹配信息;
S42:对轮廓A中剩余所有点重复上述步骤S41,得到匹配的点集和Cs值;
S43:轮廓A与轮廓库中所有款式样本轮廓均重复上述步骤S41,得到与所有轮廓的Cs值,最小的即为与轮廓A最匹配的款式,保存相关匹配信息,完成服装轮廓匹配的款式的识别;
S5:款式轮廓的相似度排序:根据以上步骤计算得到输入款式轮廓与所有测试样本的轮廓匹配代价,按照匹配代价的大小排序得到相似度的排序,从而检索到目标款式。
作为本发明的一种优选方案,步骤S12中,提取关键点轮廓时从同一个部位开始,按照同样的顺序提取以保证所有样本的轮廓关键点对应部位相同。
与现有技术相比,本发明的有益效果是:
本发明利用形状上下文方法以目标轮廓的有限点集合表示图像特征,可以描述每个点与其它点的分布情况等关系,并且可以匹配出两个图象中各个点的匹配情况,准确率高;从款式的关键点外轮廓入手,获得n个均匀采样点组成的轮廓形状,计算形状上下文描述子,计算输入款式轮廓形状描述子与服装轮廓形状特征库形状上下文描述子的匹配代价,代价越小,轮廓越相似;无须对图片预处理,不受图片背景、颜色等干扰,可以按照实际需要调整服装款式的轮廓;本发明结合服装款式特征进行匹配,提出的是关键点包括服装的肩线、腰线、臀线、中摆线和下摆线的结构特征,从一定程度上可以反映出服装的结构特征要素,可以对目标款式轮廓进行智能廓形分类;利用形状上下文方法进行轮廓特征描述与匹配,准确度高,可以将图形的点与点之间进行匹配;本发明确定了服装关键部位,并提取关键点的轮廓,利用形状上下文方法进行服装轮廓的匹配与相似度计算,快速实现服装款式识别。
附图说明
图1为本发明的款式识别的步骤;
图2为本发明的实施案例轮廓提取界面;
图3为本发明的款式轮廓;
图4为本发明的款式轮廓的匹配效果示意图一;
图5为本发明的款式轮廓的匹配效果示意图二。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1:请参阅图1-5,本发明提供一种技术方案:一种基于形状上下文的服装款式检索方法,包括如下具体步骤:
S1:确定款式样本,并建立轮廓形状库,具体为:
S11:选取需要的服装款式图片作为服装检索款式库;
S12:对服装款式结构特征要素进行分析和文献调查,确定服装款式的关键部位,并提取关键部位对应的m个关键点,记录对应点的坐标,然后对所提取的m个关键点进行标准化;
S13:在获得的由关键点所构成的封闭图形基础上,进行均匀采样,采样n个点,并得到对应点的坐标,将获得的所有样本的坐标数据作为轮廓形状库,以供后续款式检索;
S2:轮廓形状的形状上下文描述:获得样本的轮廓后,对所有样本进行形状上下文描述,具体方法为:
S21:构建极坐标空间:将极坐标空间按照角度分为a份,极半径分为b份,即a*b个区间,将每一份定义为一个bin,将所有点的二维坐标转换为极坐标;
S22:极坐标构建完成后,将所有点Pi分别作为原点,统计其余轮廓点相对于点Pi在各个bin上的分布个数,即可得到该点的形状上下文直方图;
S23:每个样本轮廓由n个点组成,即得到n个a*b的直方图矩阵,从而得到所有样本的形状上下文描述子;
S3:输入款式轮廓提取和描述:读取输入款式的图像,采用轮廓形状库的提取方法提取输入款式的轮廓,记录关键点的坐标,按照上述方法对输入款式轮廓计算形状上下文描述;
S4:款式轮廓的形状上下文匹配:将输入款式图形的形状上下文描述子与服装轮廓特征库中的图形描述子比较,计算形状描述子之间的距离,具体步骤为:
S41:输入款式的轮廓形状图A中的点Ai,与轮廓库中的款式形状图B中的所有点计算匹配代价最小的Bi,并保存匹配信息;
S42:对轮廓A中剩余所有点重复上述步骤S41,得到匹配的点集和Cs值;
S43:轮廓A与轮廓库中所有款式样本轮廓均重复上述步骤S41,得到与所有轮廓的Cs值,最小的即为与轮廓A最匹配的款式,保存相关匹配信息,完成服装轮廓匹配的款式的识别;
S5:款式轮廓的相似度排序:根据以上步骤计算得到输入款式轮廓与所有测试样本的轮廓匹配代价,按照匹配代价的大小排序得到相似度的排序,从而检索到目标款式。
进一步的,步骤S12中,提取关键点轮廓时从同一个部位开始,按照同样的顺序提取以保证所有样本的轮廓关键点对应部位相同。
实施例2:以连衣裙品类为例,本发明的具体实施案例和步骤为:
S1:建立轮廓形状库:
S11:选取知名品牌的连衣裙款式图片作为服装样本,并对这些图片进行筛选,剔除部分造型夸张、模特姿态不端正、面料特征突出的图片,作为服装款式检索款式库,比如对于企业而言,就是企业以往的款式资料库。
S12:对服装款式结构特征要素进行分析和文献调查,确定服装款式的关键部位,在连衣裙品类的案例中,关键部位主要包括:肩部、腰部、臀部、中摆和下摆五处,并提取关键部位对应的10个关键点,记录对应点的坐标。提取关键点轮廓时从同一个部位开始,按照同样的顺序,如右肩点—右腰点—右臀点—右中摆点—右下摆点—左下摆点—中摆点—左臀点—左腰点—左肩点提取以保证所有样本的轮廓关键点对应部位相同。对所提取的10个关键点进行标准化,如肩线的两点A(x1,y1),B(x2,y2),调整后y′1=y′2=(y1+y2)/2。
S13:在获得的由关键点所构成的封闭图形基础上,进行均匀采样,采用n个点,在本案例中考虑到计算速度和形状准确度,采用了99个点,即n=99,并得到对应点的坐标,则每个轮廓即可用点集Ci={p1,p2,……,pn}表示,其中n=99。此时获得的所有样本的坐标数据作为轮廓形状库,以供后续款式检索。
S2:轮廓形状的形状上下文描述:
获得样本的轮廓后,对所有样本进行形状上下文描述,形状上下文描述方法和原理如下:
S21:构建极坐标空间。在极坐标空间下,点之间的方向与距离可以更直观的表示。将极坐标空间按照角度分为a份,极半径分为b份,即a*b个区间,在本案例中,考虑到计算复杂度和速度,在半径方向分割为6份,角度方向分割为8份,建立6*8的对数极坐标空间,将每一份定义为一个bin。
S22:将所有轮廓点的二维坐标转换为极坐标。需要将款式轮廓中的每个点(xi,yi)表示为对数极坐标下的(r,θ)。坐标原点的对应函数可以表示为:
二维坐标原点的复数形式即可表示为:
z=x+iy=r(cosθ+isinθ)=reiθ (3)
令:
ω=ln z=p(z)=ln r+iθ (4)
则二维坐标系中的点与对数极坐标空间的映射关系为:
p(r,θ)=ln r·q(r,θ)=θ (5)
S23:获得轮廓的形状上下文描述子。极坐标构建完成后,将所有点Pi分别作为原点,统计其余轮廓点相对于点Pi在各个bin上的分布个数,即可得到该点的形状上下文直方图。对于任意一个Pi,与剩下的n-1个点构成的形状直方图的计算公式:
hi(k)=#{q≠pi&(q-pi)∈bin(k)} (6)
其中k∈{1,2,...,K},K为方向参数和距离参数的乘积。(q-pi)∈bin(k)表示相对于pi,点q属于形状直方图的第k个分量,在本案例中k的取值为1-48。对于任一图像,可以得到n个直方图表示形状信息。序列{ai1,ai2,...,ai48}表示点pi的直方图信息,则廓形的形状信息可用如下矩阵储存:
此矩阵就是服装轮廓的形状上下文描述子。在本案例中,每个连衣裙款式均对应99个6*8的直方图矩阵,从而得到所有样本的形状上下文描述子,在后续的检索相似款式中应用。
S3:输入款式轮廓提取和描述:
读取输入款式的图像,采用步骤S1中对的提取方法提取输入款式的轮廓,记录关键点的坐标。采用步骤二中的方法对输入款式的轮廓进行形状上下文描述。
S4:款式轮廓的形状上下文匹配
将输入款式图形的形状上下文描述子与服装轮廓特征库中的图形描述子比较,计算形状描述子之间的距离。基于形状上下文匹配方法对连衣裙轮廓匹配的具体步骤:
S41:将输入款式的轮廓形状图A中的点Ai与轮廓库中的款式形状图B中的所有点计算匹配代价最小的Bi,并保存匹配信息;如点pi,qi之间的匹配程度用C(pi,qi)表示匹配代价:
其中hi(k)为目标款式P的点pi的形状直方图,hj(k)为目标款式Q的点qi的形状直方图,Cij表示代价矩阵。
选用合适的算法使公式(8)有最小值,本案例中选取匈牙利算法进行点的匹配,代价如下:
minH(Π)=∑C(pi,qΠ(i)) (9)
其中C(pi,qΠ(i))表示两个图形中对应两个点的匹配代价。以一个数值表示两个图形的相似度,代价越小,形状越相似。
S42:对轮廓A中剩余所有点重复上述步骤A,得到匹配的点集和Cs值;
S43:轮廓A与轮廓库中所有款式样本轮廓均重复步骤A和B,得到与所有轮廓的Cs值,最小的即为与轮廓A最匹配的款式,保存相关匹配信息。
至此,根据上述步骤即可实现基于服装轮廓匹配的款式的识别。
S5:款式轮廓的相似度排序:
根据以上步骤计算可以得到输入款式轮廓与所有测试样本的轮廓匹配代价,按照匹配代价的大小排序就可以得到相似度的排序,从而检索到目标款式。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (2)
1.一种基于形状上下文的服装款式检索方法,其特征在于,包括如下具体步骤:
S1:确定款式样本,并建立轮廓形状库,具体为:
S11:选取需要的服装款式图片作为服装检索款式库;
S12:对服装款式结构特征要素进行分析和文献调查,确定服装款式的关键部位,并提取关键部位对应的m个关键点,记录对应点的坐标,然后对所提取的m个关键点进行标准化;
S13:在获得的由关键点所构成的封闭图形基础上,进行均匀采样,采样n个点,并得到对应点的坐标,将获得的所有样本的坐标数据作为轮廓形状库,以供后续款式检索;
S2:轮廓形状的形状上下文描述:获得样本的轮廓后,对所有样本进行形状上下文描述,具体方法为:
S21:构建极坐标空间:将极坐标空间按照角度分为a份,极半径分为b份,即a*b个区间,将每一份定义为一个bin,将所有点的二维坐标转换为极坐标;
S22:极坐标构建完成后,将所有点Pi分别作为原点,统计其余轮廓点相对于点Pi在各个bin上的分布个数,即可得到该点的形状上下文直方图;
S23:每个样本轮廓由n个点组成,即得到n个a*b的直方图矩阵,从而得到所有样本的形状上下文描述子;
S3:输入款式轮廓提取和描述:读取输入款式的图像,采用轮廓形状库的提取方法提取输入款式的轮廓,记录关键点的坐标,按照上述方法对输入款式轮廓计算形状上下文描述;
S4:款式轮廓的形状上下文匹配:将输入款式图形的形状上下文描述子与服装轮廓特征库中的图形描述子比较,计算形状描述子之间的距离,具体步骤为:
S41:输入款式的轮廓形状图A中的点Ai,与轮廓库中的款式形状图B中的所有点计算匹配代价最小的Bi,并保存匹配信息;
S42:对轮廓A中剩余所有点重复上述步骤S41,得到匹配的点集和Cs值;
S43:轮廓A与轮廓库中所有款式样本轮廓均重复上述步骤S41,得到与所有轮廓的Cs值,最小的即为与轮廓A最匹配的款式,保存相关匹配信息,完成服装轮廓匹配的款式的识别;
S5:款式轮廓的相似度排序:根据以上步骤计算得到输入款式轮廓与所有测试样本的轮廓匹配代价,按照匹配代价的大小排序得到相似度的排序,从而检索到目标款式。
2.根据权利要求1所述的一种基于形状上下文的服装款式检索方法,其特征在于:步骤S12中,提取关键点轮廓时从同一个部位开始,按照同样的顺序提取以保证所有样本的轮廓关键点对应部位相同。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910618265.0A CN110458020A (zh) | 2019-07-10 | 2019-07-10 | 一种基于形状上下文的服装款式检索方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910618265.0A CN110458020A (zh) | 2019-07-10 | 2019-07-10 | 一种基于形状上下文的服装款式检索方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110458020A true CN110458020A (zh) | 2019-11-15 |
Family
ID=68482507
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910618265.0A Pending CN110458020A (zh) | 2019-07-10 | 2019-07-10 | 一种基于形状上下文的服装款式检索方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110458020A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115795288A (zh) * | 2022-11-16 | 2023-03-14 | 钰深(北京)科技有限公司 | 服装版型查重方法、装置、电子设备以及存储介质 |
CN116205708A (zh) * | 2023-02-27 | 2023-06-02 | 钰深(北京)科技有限公司 | Ugc的订单生成及订单驱动生产的服装供销方法及系统 |
CN116226432A (zh) * | 2022-12-14 | 2023-06-06 | 钰深(北京)科技有限公司 | 数字化的服装款式查重方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106056120A (zh) * | 2016-06-14 | 2016-10-26 | 浙江理工大学 | 基于服装的轮廓形状跟踪实现衣服款式识别与推荐的方法 |
US20170011551A1 (en) * | 2015-07-07 | 2017-01-12 | Moonhwan Jeong | Garment capture from a photograph |
CN106384126A (zh) * | 2016-09-07 | 2017-02-08 | 东华大学 | 基于轮廓曲率特征点和支持向量机的服装款式识别方法 |
CN107103323A (zh) * | 2017-03-09 | 2017-08-29 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种基于图像轮廓特征的目标识别方法 |
CN109409228A (zh) * | 2018-09-25 | 2019-03-01 | 湖南省忘不了服饰有限公司 | 适用于服装定制的基于形状上下文的人体体型识别方法 |
-
2019
- 2019-07-10 CN CN201910618265.0A patent/CN110458020A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170011551A1 (en) * | 2015-07-07 | 2017-01-12 | Moonhwan Jeong | Garment capture from a photograph |
CN106056120A (zh) * | 2016-06-14 | 2016-10-26 | 浙江理工大学 | 基于服装的轮廓形状跟踪实现衣服款式识别与推荐的方法 |
CN106384126A (zh) * | 2016-09-07 | 2017-02-08 | 东华大学 | 基于轮廓曲率特征点和支持向量机的服装款式识别方法 |
CN107103323A (zh) * | 2017-03-09 | 2017-08-29 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种基于图像轮廓特征的目标识别方法 |
CN109409228A (zh) * | 2018-09-25 | 2019-03-01 | 湖南省忘不了服饰有限公司 | 适用于服装定制的基于形状上下文的人体体型识别方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115795288A (zh) * | 2022-11-16 | 2023-03-14 | 钰深(北京)科技有限公司 | 服装版型查重方法、装置、电子设备以及存储介质 |
CN115795288B (zh) * | 2022-11-16 | 2023-09-08 | 钰深(北京)科技有限公司 | 服装版型查重方法、装置、电子设备以及存储介质 |
CN116226432A (zh) * | 2022-12-14 | 2023-06-06 | 钰深(北京)科技有限公司 | 数字化的服装款式查重方法和装置 |
CN116205708A (zh) * | 2023-02-27 | 2023-06-02 | 钰深(北京)科技有限公司 | Ugc的订单生成及订单驱动生产的服装供销方法及系统 |
CN116205708B (zh) * | 2023-02-27 | 2023-09-15 | 钰深(北京)科技有限公司 | Ugc的订单生成及订单驱动生产的服装供销方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109670591B (zh) | 一种神经网络的训练方法及图像匹配方法、装置 | |
Kumar et al. | Plant species recognition using morphological features and adaptive boosting methodology | |
CN107463946B (zh) | 一种结合模板匹配与深度学习的商品种类检测方法 | |
US5179643A (en) | Method of multi-dimensional analysis and display for a large volume of record information items and a system therefor | |
CN110458020A (zh) | 一种基于形状上下文的服装款式检索方法 | |
CN111784845B (zh) | 基于人工智能的虚拟试穿方法、装置、服务器及存储介质 | |
CN101853299A (zh) | 一种基于感性认知的图像检索结果排序方法 | |
CN110647906A (zh) | 基于Faster R-CNN方法的服饰目标检测方法 | |
Hussain et al. | A Simple and Efficient Deep Learning‐Based Framework for Automatic Fruit Recognition | |
CN107870992A (zh) | 基于多通道主题模型的可编辑服装图像搜索方法 | |
Anwar et al. | Ancient coin classification using reverse motif recognition: Image-based classification of roman republican coins | |
CN107220325A (zh) | 一种基于卷积神经网络的app相似图标检索方法和系统 | |
Miao et al. | ClothingNet: Cross-domain clothing retrieval with feature fusion and quadruplet loss | |
Liu et al. | Upright orientation of 3D shapes with convolutional networks | |
CN116884045B (zh) | 身份识别方法、装置、计算机设备和存储介质 | |
Sheu et al. | IDS-DLA: sheet metal part identification system for process automation using deep learning algorithms | |
CN107038593A (zh) | 一种基于防伪溯源系统的异常数据处理方法及系统 | |
CN108921006A (zh) | 手写签名图像真伪鉴别模型建立方法及真伪鉴别方法 | |
CN116704270A (zh) | 一种基于图像处理的智能设备定位标记方法 | |
CN110160518A (zh) | 一种面向微小卫星的星图识别方法 | |
CN113781432B (zh) | 基于深度学习的激光扫描自动铺放在线检测方法及装置 | |
CN115690027A (zh) | 一种适用于物体自身纹理的通用特征检索防伪方法 | |
Juan | [Retracted] Research on Embroidery Feature Recognition Algorithm of Traditional National Costumes Based on Double‐Layer Model | |
CN108229498A (zh) | 一种拉链片识别方法、装置及设备 | |
Maldonado et al. | Registration of range images using a histogram based metric |
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: 20191115 |
|
RJ01 | Rejection of invention patent application after publication |