CN111222481A - 识别衣服颜色的方法和装置 - Google Patents
识别衣服颜色的方法和装置 Download PDFInfo
- Publication number
- CN111222481A CN111222481A CN202010035696.7A CN202010035696A CN111222481A CN 111222481 A CN111222481 A CN 111222481A CN 202010035696 A CN202010035696 A CN 202010035696A CN 111222481 A CN111222481 A CN 111222481A
- Authority
- CN
- China
- Prior art keywords
- clothes
- garment
- images
- image
- color
- 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.)
- Granted
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种识别衣服颜色的方法和装置,属于图像处理领域。所述方法包括:获取来自监控设备的第一衣服图像和来自拍照设备的第二衣服图像,第二衣服图像的分辨率高于第一衣服图像的分辨率;标记第一衣服图像的衣服颜色和第二衣服图像的衣服颜色,形成训练集;采用训练集训练深度学习模型;获取监控设备拍摄的第三衣服图像;采用深度学习模型识别第三衣服图像的衣服颜色。本公开通过采用来自监控设备的衣服图像训练从监控设备拍摄的衣服图像中识别衣服颜色的深度学习模型,深度学习模型的识别和训练的图像来源相同,而且还采用来自拍照设备的分辨率更高的衣服图像一起训练深度学习模型,有利于从衣服图像中准确识别衣服颜色,提高识别准确率。
Description
技术领域
本公开涉及图像处理领域,特别涉及一种识别衣服颜色的方法和装置。
背景技术
在侦查和安防领域,需要使用衣服的颜色、图案等信息对场景中穿这个衣服的人进行分析,为异时、异地、异景下识别出这个人提供检索特征。
相关技术中,识别衣服颜色的方法包括:获取衣服图像;确定衣服图像中各个像素的红绿蓝(英文全称:Red Green Blue,英文简称:RGB)色彩值;根据像素的RGB色彩值,确定像素的颜色;统计各个颜色的像素数量,并将像素数量最多的颜色作为衣服的颜色。
在实现本公开的过程中,发明人发现相关技术至少存在以下问题:
监控场景中获取的衣服图像存在颜色偏差,导致识别出的衣服颜色不正确,无法满足侦查和安防领域的搜索要求。
发明内容
本公开实施例提供了一种识别衣服颜色的方法和装置,可以提高衣服颜色识别的准确性。所述技术方案如下:
一方面,本公开实施例提供了一种识别衣服颜色的方法,所述方法包括:
获取来自监控设备的第一衣服图像和来自拍照设备的第二衣服图像,所述第二衣服图像的分辨率高于所述第一衣服图像的分辨率;
标记所述第一衣服图像的衣服颜色和所述第二衣服图像的衣服颜色,形成训练集;
采用所述训练集训练深度学习模型;
获取监控设备拍摄的第三衣服图像;
采用所述深度学习模型识别所述第三衣服图像的衣服颜色。
可选地,所述训练集中各种衣服颜色的衣服图像的数量级相同,且所述训练集中两种衣服颜色的衣服图像的数量之差小于一个数量级。
可选地,所述获取来自监控设备的第一衣服图像和来自拍照设备的第二衣服图像,包括:
获取多种衣服颜色的所述第一衣服图像,多种衣服颜色的所述第一衣服图像的数量级相同,且两种衣服颜色的第一衣服图像的数量之差小于一个数量级;
获取多种衣服颜色的所述第二衣服图像,相同衣服颜色的所述第二衣服图像的数量级小于所述第一衣服图像的数量;
采用所述第二衣服图像一一替换相同衣服颜色的所述第一衣服图像。
可选地,所述获取多种衣服颜色的所述第一衣服图像,多种衣服颜色的所述第一衣服图像的数量级相同,且两种衣服颜色的第一衣服图像的数量之差小于一个数量级,包括:
当至少两种衣服颜色的所述第一衣服图像的数量级不同时,或者,当所有衣服颜色的所述第一衣服图像的数量级相同,且至少两种衣服颜色的所述第一衣服图像的数量之差大于一个数量级时,将所有衣服颜色的所述第一衣服图像的数量的公倍数作为目标数量;
当第一衣服颜色的所述第一衣服图像的数量与所述目标数量之差大于一个数量级时,在设定范围内改变第一衣服颜色的所述第一衣服图像的饱和度,扩充第一衣服颜色的所述第一衣服图像的数量,直到第一衣服颜色的所述第一衣服图像的数量与所述目标数量之差小于一个数量级。
可选地,相同衣服颜色的所述第二衣服图像的数量与所述第一衣服图像的扩充数量正相关。
可选地,粉色的所述第二衣服图像的数量与灰色的所述第二衣服图像的数量相同。
另一方面,本公开实施例提供了一种识别衣服颜色的装置,所述装置包括:
训练图像获取模块,用于获取来自监控设备的第一衣服图像和来自拍照设备的第二衣服图像,所述第二衣服图像的分辨率高于所述第一衣服图像的分辨率;
标记模块,用于标记所述第一衣服图像的衣服颜色和所述第二衣服图像的衣服颜色,形成训练集;
训练模块,用于采用所述训练集训练深度学习模型;
识别图像获取模块,用于获取监控设备拍摄的第三衣服图像;
识别模块,用于采用所述深度学习模型识别所述第三衣服图像的衣服颜色。
可选地,所述训练集中各种衣服颜色的衣服图像的数量级相同,且所述训练集中两种衣服颜色的衣服图像的数量之差小于一个数量级。
可选地,所述训练图像获取模块包括:
第一图像获取子模块,用于获取多种衣服颜色的所述第一衣服图像,多种衣服颜色的所述第一衣服图像的数量级相同,且两种衣服颜色的第一衣服图像的数量之差小于一个数量级;
第二图像获取子模块,用于获取多种衣服颜色的所述第二衣服图像,相同衣服颜色的所述第二衣服图像的数量级小于所述第一衣服图像的数量;
替换模块,用于采用所述第二衣服图像一一替换相同衣服颜色的所述第一衣服图像。
可选地,所述第一图像获取子模块用于,
当至少两种衣服颜色的所述第一衣服图像的数量级不同时,或者,当所有衣服颜色的所述第一衣服图像的数量级相同,且至少两种衣服颜色的所述第一衣服图像的数量之差大于一个数量级时,将所有衣服颜色的所述第一衣服图像的数量的公倍数作为目标数量;
当第一衣服颜色的所述第一衣服图像的数量与所述目标数量之差大于一个数量级时,在设定范围内改变第一衣服颜色的所述第一衣服图像的饱和度,扩充第一衣服颜色的所述第一衣服图像的数量,直到第一衣服颜色的所述第一衣服图像的数量与所述目标数量之差小于一个数量级。
本公开实施例提供的技术方案带来的有益效果是:
通过采用来自监控设备的衣服图像,训练从监控设备拍摄的衣服图像中识别衣服颜色的深度学习模型,深度学习模型的识别和训练的图像来源相同,深度学习模型可以学会从存在颜色偏差的监控设备拍摄图像中准确识别衣服颜色,提高识别的准确率。而且还采用来自拍照设备的衣服图像,与来自监控设备的衣服图像一起训练深度学习模型,来自拍摄设备的衣服图像的分辨率高于来自监控设备的衣服图像,与来自监控设备的低分辨率图像相比,来自拍摄设备的高分辨率图像可以更好地学习不同颜色的衣服图像之间的区别,有利于从衣服图像中准确识别衣服颜色,进一步提高识别的准确率。
附图说明
为了更清楚地说明本公开实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,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。
图1是本公开实施例提供的一种识别衣服颜色的方法的应用场景图;
图2是本公开实施例提供的一种识别衣服颜色的方法的流程图;
图3是本公开实施例提供的另一种识别衣服颜色的方法的流程图;
图4是本公开实施例提供的深度学习模型的结构示意图;
图5是本公开实施例提供的识别结果的对比图;
图6是本公开实施例提供的一种识别衣服颜色的装置的结构示意图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚,下面将结合附图对本公开实施方式作进一步地详细描述。
在侦查和安防领域,先利用布置在不同区域的监控设备实时拍摄图像,再用图像处理设备从监控设备拍摄的图像中搜索出特定人物,以满足侦查和安防的需要。搜索特定人物时,通常从图像中识别出人脸、衣服颜色等人物特征,若识别出的人物特征符合特定人物特征,则搜索出特定人物。图1为本公开实施例提供的一种识别衣服颜色的方法的应用场景图。参见图1,先采用人脸定位算法在图像中确定人脸区域A,再根据人脸区域A在图像中确定衣服区域B,最后识别出衣服区域B的颜色,得到人物特征。
本公开实施例提供了一种识别衣服颜色的方法。图2为本公开实施例提供的一种识别衣服颜色的方法的流程图。参见图2,该方法包括:
步骤101:获取来自监控设备的第一衣服图像和来自拍照设备的第二衣服图像,第二衣服图像的分辨率高于第一衣服图像的分辨率。
在本实施例中,分辨率是单位英寸中所包含的像素点数,决定了图像细节的精细程度。通常情况下,图像的分辨率越高,所包含的像素越多,图像的清晰度越高。同时,占用的存储空间越多。
监控设备可以为用于监控的摄像头,如监控摄像头。通常情况下,监控设备拍摄的场景远而大,导致感兴趣的目标在图像中较小,感兴趣目标的图像所包含的像素点数较少。同时因监控设备不间断拍摄图像,存储的图像很多,为减少图像占用空间,监控设备采用的分辨率较低。因此,来自监控设备的感兴趣目标的图像(即第一衣服图像)的分辨率较低。
拍照设备可以为用于拍照的摄像头,如手机、相机等电子设备的摄像头。通常情况下,拍照设备是对需要记录的图像进行拍摄,感兴趣的目标在图像中较大,感兴趣目标的图像所包含的像素点数较多。而且为保证记录效果,拍照设备采用的分辨率较高。因此,来自拍照设备的感兴趣目标的图像(即第二衣服图像)的分辨率较高。
第一衣服图像和第二衣服图像均为衣服图像,不同之处主要在于来源不同:第一衣服图像为来自监控设备的衣服图像,第二衣服图像为来自拍照设备的衣服图像。
衣服图像可以为包括衣服的图像。在实际应用中,监控设备或者拍摄设备拍摄的图像中通常同时存在人物和景物。为了提高识别准确度,可以先采用人脸定位算法确定人脸区域,再根据人物区域确定衣服区域,并将衣服区域所在的图像作为衣服图像,以最大程度排出干扰因素。
步骤102:标记第一衣服图像的衣服颜色和第二衣服图像的衣服颜色,形成训练集。
在本实施例中,衣服颜色可以包括白色、黑色、红色、黄色、蓝色、绿色、棕色、灰色、橙色、紫色和粉色。
示例性地,可以采用0~10依次标记白色、黑色、红色、黄色、蓝色、绿色、棕色、灰色、橙色、紫色和粉色。
步骤103:采用训练集训练深度学习模型。
在实际应用中,可以先随意设置深度学习模型的参数值,再将训练集中的衣服图像输入深度学习模型得到衣服颜色,并根据得到的衣服颜色与训练集标记的衣服颜色之间的差异调整深度学习模型的参数值,直到训练完成,如得到的衣服颜色与标记的衣服颜色一致。
步骤104:获取监控设备拍摄的第三衣服图像。
在本实施例中,第三衣服图像和第一衣服图像为来源相同的衣服图像,不同之处主要在于衣服颜色的确定方式,第三衣服图像的衣服颜色是深度学习模型识别得到的,第一衣服图像的衣服颜色是人为判断之后输入设备的。
在实际应用中,监控设备拍摄的图像中通常同时存在人物和景物。为了提高识别准确度,可以先采用人脸定位算法确定人脸区域,再根据人物区域确定衣服区域,并将衣服区域所在的图像作为衣服图像,以最大程度排出干扰因素,提高识别准确度。
步骤105:采用深度学习模型识别第三衣服图像的衣服颜色。
在本实施例中,将第三衣服图像输入训练之后的深度学习模型,即可得到衣服颜色。
本公开实施例通过采用来自监控设备的衣服图像,训练从监控设备拍摄的衣服图像中识别衣服颜色的深度学习模型,深度学习模型的识别和训练的图像来源相同,深度学习模型可以学会从存在颜色偏差的监控设备拍摄图像中准确识别衣服颜色,提高识别的准确率。而且还采用来自拍照设备的衣服图像,与来自监控设备的衣服图像一起训练深度学习模型,来自拍摄设备的衣服图像的分辨率高于来自监控设备的衣服图像,与来自监控设备的低分辨率图像相比,来自拍摄设备的高分辨率图像可以更好地学习不同颜色的衣服图像之间的区别,有利于从衣服图像中准确识别衣服颜色,进一步提高识别的准确率。
可选地,训练集中各种衣服颜色的衣服图像的数量级相同,且训练集中两种衣服颜色的衣服图像的数量之差小于一个数量级。
通过均衡各个衣服颜色的训练图像数量,可以较好地学习各种颜色的衣服图像之间的区别,有利于从衣服图像中准确识别衣服颜色,提高识别的准确率。
例如,在训练集中,白色的衣服图像的数量可以为6080件,黑色的衣服图像的数量可以为6100件,红色的衣服图像的数量可以为6002件,黄色的衣服图像的数量可以为6010件,蓝色的衣服图像的数量可以为6020件,绿色的衣服图像的数量可以为6000件,棕色的衣服图像的数量可以为6050件,灰色的衣服图像的数量可以为6080件,橙色的衣服图像的数量可以为6000件,紫色的衣服图像的数量可以为6000件,粉色的衣服图像的数量可以为6000件。11种衣服颜色的衣服图像的数量级均为103,且两种衣服颜色的衣服图像的数量之差小于103。
本公开实施例提供了另一种识别衣服颜色的方法。图3为本公开实施例提供的另一种识别衣服颜色的方法的流程图。参见图3,该方法包括:
步骤201:获取多种衣服颜色的第一衣服图像,多种衣服颜色的第一衣服图像的数量级相同,且两种衣服颜色的第一衣服图像的数量之差小于一个数量级。
可选地,该步骤201可以包括:
当至少两种衣服颜色的第一衣服图像的数量级不同时,或者,当所有衣服颜色的第一衣服图像的数量级相同,且至少两种衣服颜色的第一衣服图像的数量之差大于一个数量级时,将所有衣服颜色的第一衣服图像的数量的公倍数作为目标数量;
当第一衣服颜色的第一衣服图像的数量与目标数量之差大于一个数量级时,在设定范围内改变第一衣服颜色的第一衣服图像的饱和度,扩充第一衣服颜色的第一衣服图像的数量,直到第一衣服颜色的第一衣服图像的数量与目标数量之差小于一个数量级。
在实际应用中,从监控设备直接获取的第一衣服图像有限,很难保证不同衣服颜色的第一衣服图像的数量一致。通过改变某个衣服颜色的第一衣服图像的饱和度,将第一衣服图像的数量以倍数为单位进行扩充,可以将这个衣服颜色的第一衣服图像的数量快速扩充至所有衣服颜色的衣服图像数量的公倍数,实现所有衣服颜色的衣服图像数量一致。
例如,从监控设备直接获取的第一衣服图像中,白色的衣服图像的数量可以为6080件,黑色的衣服图像的数量可以为6100件,红色的衣服图像的数量可以为6002件,黄色的衣服图像的数量可以为6010件,蓝色的衣服图像的数量可以为6020件,绿色的衣服图像的数量可以为6000件,棕色的衣服图像的数量可以为6050件,灰色的衣服图像的数量可以为6080件,橙色的衣服图像的数量可以为3000件,紫色的衣服图像的数量可以为2000件,粉色的衣服图像的数量可以为500件。粉色和紫色的衣服图像数量级不同,紫色和橙色的衣服图像的数量相同且数量之差大于一个数量级,可以将6000作为目标数量,橙色的衣服图像的饱和度改变一次,紫色的衣服图像的饱和度改变两次,粉色的衣服图像的数量的饱和度改变九次,衣服图像的数量均可以扩充至6000件。
可选地,在设定范围内改变第一衣服颜色的第一衣服图像的饱和度,扩充第一衣服颜色的第一衣服图像的数量,可以包括:
将RGB图像转换为HSV(英文:Hue,Saturation,Value,中文:色调、饱和度、明度)图像;
将HSV图像的饱和度加上设定范围内的一个随机数;
将改变后的HSV图像转换为RGB图像。
在实际应用中,可以调用OpenCV的转换函数将RGB图像转换为HSV图像。
示例性地,设定范围可以为[-5,+5]。一方面可以改变图像饱和度,扩充图像数量;另一方面避免变化幅度太大,改变图像颜色。
在实际应用中,可以将产生时间作为饱和度的变化值,若产生时间在设定范围外,则取边界值。
步骤202:获取多种衣服颜色的第二衣服图像,相同衣服颜色的第二衣服图像的数量级小于第一衣服图像的数量。
例如,第一衣服图像的数量级为103,第二衣服图像的数量级为102。
步骤203:采用第二衣服图像一一替换相同衣服颜色的第一衣服图像。
例如,橙色的第二衣服图像的数量为100件,橙色的第一衣服颜色的图像的数量为6000件,将100件橙色的第二衣服图像替换6000件橙色的第一衣服图像中的100件。
在本实施例中,通过执行步骤201~步骤203实现获取来自监控设备的第一衣服图像和来自拍照设备的第二衣服图像。
在实际应用中,深度学习模型用于识别监控设备拍摄图像中的衣服颜色,为了尽可能保证深度学习模型的识别和训练的图像来源尽可能相同,来自监控设备的衣服图像的数量会远大于来自拍照设备的衣服图像的数量。通过先保证多种衣服颜色的第一衣服图像的数量级相同,且两种衣服颜色的第一衣服图像的数量之差小于一个数量级,再采用第二衣服图像一一替换相同衣服颜色的第一衣服图像,可以方便实现训练集中各种衣服颜色的衣服图像的数量级相同,且训练集中两种衣服颜色的衣服图像的数量之差小于一个数量级。
可选地,相同衣服颜色的第二衣服图像的数量与第一衣服图像的扩充数量可以正相关。
通过改变饱和度扩充的第一衣服图像的数量越多,替换第一衣服图像的第二衣服图像的数量越多,可以尽可能改善训练图像的丰富性,有利于提高训练出的深度学习模型的识别准确度。
在本实施例中,相同衣服颜色的第二衣服图像的数量与第一衣服图像的扩充数量正相关是指第一衣服图像的扩充数量较多时,替换第一衣服图像的第二衣服图像的数量也较多。例如,橙色的衣服图像的饱和度改变一次,紫色的衣服图像的饱和度改变两次,粉色的衣服图像的数量的饱和度改变九次之后,橙色、紫色、粉色的第一衣服图像的数量均扩充至6000件,将100件橙色的第二衣服图像替换6000件橙色的第一衣服图像中100件,将200件紫色的第二衣服图像替换6000件紫色的第二衣服图像中的200件,将1000件粉色的第二衣服图像替换6000件粉色的第二衣服图像中的1000件。橙色、紫色、粉色的第一衣服图像的扩充数量依次增大,橙色、紫色、粉色的第二衣服图像的数量也依次增大。
可选地,粉色的第二衣服图像的数量与灰色的第二衣服图像的数量可以相同。
在监控设备拍摄图像中,粉色与灰色容易混淆,粉色和灰色获取相同数量的第二衣服图像替换第一衣服图像进行训练,可以更好地学习粉色和灰色的衣服图像之间的区别,有利于从衣服图像中准确识别衣服颜色,提高识别的准确率。
例如,将1000件粉色的第二衣服图像替换6000件粉色的第二衣服图像中的1000件的同时,将1000件灰色的第二衣服图像替换6080件灰色的第一衣服图像中的1000件。
步骤204:标记第一衣服图像的衣服颜色和第二衣服图像的衣服颜色,形成训练集。
在实际应用中,可以人为判定衣服图像的衣服颜色并输入到设备中,由设备对衣服图像的衣服颜色进行标记。在本实施例中,衣服颜色可以包括白色、黑色、红色、黄色、蓝色、绿色、棕色、灰色、橙色、紫色和粉色。示例性地,可以采用0~10依次标记白色、黑色、红色、黄色、蓝色、绿色、棕色、灰色、橙色、紫色和粉色。
步骤205:采用训练集训练深度学习模型。
图4为本公开实施例提供的深度学习模型的结构示意图。参见图4,在本实施例中,深度学习模型可以包括依次连接的输入层(227*227*3)10、第一卷积层(96*11*11*3)21、第二卷积层(256*5*5*48)22、第三卷积层(384*3*3*256)23、第四卷积层(384*3*3*192)24、第五卷积层(256*3*3*192)25,第一全连接层(4096*6*6*256)31、第二全连接层(4096*4096)32、输出层(4096*11)40。
可选地,第一卷积层21和第二卷积层22之间、第二卷积层22和第三卷积层23之间、第五卷积层25和第一全连接层31之间可以增设一个池化层。
在实际应用中,卷积层可以感知局部特征;池化层可以对特征进行聚合统计;全连接层可以建立上一层的各个神经元与下一层的所有神经元的连接。
示例性地,在设置深度学习模型中参数的初始值时,学习率可以为0.01,权重衰减系数可以为0.0005,验证间隔可以为500,学习率的变化方式可以为逐级递减。在训练过程中,可以查看结果收敛情况和精度变化趋势,以防止过拟合,直到结果收敛(如6000次之后),即训练完成。
可选地,该方法还可以包括:
测试深度学习模型的准确度。
在深度学习模型的准确度小于设定值(如82%)时,可以再次执行步骤201~205,也可以改变深度学习模型的结构,提高深度学习模型的准确度,即识别衣服颜色的准确度。
在实际应用中,测试与训练的图像数量之比可以为1:4。
示例性地,测试和训练可以采用caffe平台。
步骤206:获取监控设备拍摄的第三衣服图像。
步骤207:采用深度学习模型识别第三衣服图像的衣服颜色。
图5为本公开实施例提供的识别结果的对比图。参见图5,与相关技术提供的识别衣服颜色的方法相比,本公开实施例提供的识别衣服颜色的方法的准确度较高,达到93%。
本公开实施例提供了一种识别衣服颜色的装置。图6为本公开实施例提供的一种识别衣服颜色的装置的结构示意图。参见图6,该装置包括:
训练图像获取模块301,用于获取来自监控设备的第一衣服图像和来自拍照设备的第二衣服图像,第二衣服图像的分辨率高于第一衣服图像的分辨率;
标记模块302,用于标记第一衣服图像的衣服颜色和第二衣服图像的衣服颜色,形成训练集;
训练模块303,用于采用训练集训练深度学习模型;
识别图像获取模块304,用于获取监控设备拍摄的第三衣服图像;
识别模块305,用于采用深度学习模型识别第三衣服图像的衣服颜色。
可选地,训练集中各种衣服颜色的衣服图像的数量级可以相同,且训练集中两种衣服颜色的衣服图像的数量之差小于一个数量级。
可选地,训练图像获取模块301可以包括:
第一图像获取子模块,用于获取多种衣服颜色的第一衣服图像,多种衣服颜色的第一衣服图像的数量级相同,且两种衣服颜色的第一衣服图像的数量之差小于一个数量级;
第二图像获取子模块,用于获取多种衣服颜色的第二衣服图像,相同衣服颜色的第二衣服图像的数量级小于第一衣服图像的数量;
替换模块,用于采用第二衣服图像一一替换相同衣服颜色的第一衣服图像。
可选地,第一图像获取子模块可以用于,当至少两种衣服颜色的第一衣服图像的数量级不同时,或者,当所有衣服颜色的第一衣服图像的数量级相同,且至少两种衣服颜色的第一衣服图像的数量之差大于一个数量级时,将所有衣服颜色的第一衣服图像的数量的公倍数作为目标数量;
当第一衣服颜色的第一衣服图像的数量与目标数量之差大于一个数量级时,在设定范围内改变第一衣服颜色的第一衣服图像的饱和度,扩充第一衣服颜色的第一衣服图像的数量,直到第一衣服颜色的第一衣服图像的数量与目标数量之差小于一个数量级。
可选地,相同衣服颜色的第二衣服图像的数量与第一衣服图像的扩充数量可以正相关。
可选地,粉色的第二衣服图像的数量与灰色的第二衣服图像的数量可以相同。
需要说明的是:上述实施例提供的识别衣服颜色的装置在识别衣服颜色时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的识别衣服颜色的装置与识别衣服颜色的方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
上述本公开实施例序号仅仅为了描述,不代表实施例的优劣。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本公开的可选实施例,并不用以限制本公开,凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (10)
1.一种识别衣服颜色的方法,其特征在于,所述方法包括:
获取来自监控设备的第一衣服图像和来自拍照设备的第二衣服图像,所述第二衣服图像的分辨率高于所述第一衣服图像的分辨率;
标记所述第一衣服图像的衣服颜色和所述第二衣服图像的衣服颜色,形成训练集;
采用所述训练集训练深度学习模型;
获取监控设备拍摄的第三衣服图像;
采用所述深度学习模型识别所述第三衣服图像的衣服颜色。
2.根据权利要求1所述的方法,其特征在于,所述训练集中各种衣服颜色的衣服图像的数量级相同,且所述训练集中两种衣服颜色的衣服图像的数量之差小于一个数量级。
3.根据权利要求2所述的方法,其特征在于,所述获取来自监控设备的第一衣服图像和来自拍照设备的第二衣服图像,包括:
获取多种衣服颜色的所述第一衣服图像,多种衣服颜色的所述第一衣服图像的数量级相同,且两种衣服颜色的第一衣服图像的数量之差小于一个数量级;
获取多种衣服颜色的所述第二衣服图像,相同衣服颜色的所述第二衣服图像的数量级小于所述第一衣服图像的数量;
采用所述第二衣服图像一一替换相同衣服颜色的所述第一衣服图像。
4.根据权利要求3所述的方法,其特征在于,所述获取多种衣服颜色的所述第一衣服图像,多种衣服颜色的所述第一衣服图像的数量级相同,且两种衣服颜色的第一衣服图像的数量之差小于一个数量级,包括:
当至少两种衣服颜色的所述第一衣服图像的数量级不同时,或者,当所有衣服颜色的所述第一衣服图像的数量级相同,且至少两种衣服颜色的所述第一衣服图像的数量之差大于一个数量级时,将所有衣服颜色的所述第一衣服图像的数量的公倍数作为目标数量;
当第一衣服颜色的所述第一衣服图像的数量与所述目标数量之差大于一个数量级时,在设定范围内改变第一衣服颜色的所述第一衣服图像的饱和度,扩充第一衣服颜色的所述第一衣服图像的数量,直到第一衣服颜色的所述第一衣服图像的数量与所述目标数量之差小于一个数量级。
5.根据权利要求4所述的方法,其特征在于,相同衣服颜色的所述第二衣服图像的数量与所述第一衣服图像的扩充数量正相关。
6.根据权利要求3~5任一项所述的方法,其特征在于,粉色的所述第二衣服图像的数量与灰色的所述第二衣服图像的数量相同。
7.一种识别衣服颜色的装置,其特征在于,所述装置包括:
训练图像获取模块,用于获取来自监控设备的第一衣服图像和来自拍照设备的第二衣服图像,所述第二衣服图像的分辨率高于所述第一衣服图像的分辨率;
标记模块,用于标记所述第一衣服图像的衣服颜色和所述第二衣服图像的衣服颜色,形成训练集;
训练模块,用于采用所述训练集训练深度学习模型;
识别图像获取模块,用于获取监控设备拍摄的第三衣服图像;
识别模块,用于采用所述深度学习模型识别所述第三衣服图像的衣服颜色。
8.根据权利要求7所述的装置,其特征在于,所述训练集中各种衣服颜色的衣服图像的数量级相同,且所述训练集中两种衣服颜色的衣服图像的数量之差小于一个数量级。
9.根据权利要求8所述的装置,其特征在于,所述训练图像获取模块包括:
第一图像获取子模块,用于获取多种衣服颜色的所述第一衣服图像,多种衣服颜色的所述第一衣服图像的数量级相同,且两种衣服颜色的第一衣服图像的数量之差小于一个数量级;
第二图像获取子模块,用于获取多种衣服颜色的所述第二衣服图像,相同衣服颜色的所述第二衣服图像的数量级小于所述第一衣服图像的数量;
替换模块,用于采用所述第二衣服图像一一替换相同衣服颜色的所述第一衣服图像。
10.根据权利要求9所述的装置,其特征在于,所述第一图像获取子模块用于,
当至少两种衣服颜色的所述第一衣服图像的数量级不同时,或者,当所有衣服颜色的所述第一衣服图像的数量级相同,且至少两种衣服颜色的所述第一衣服图像的数量之差大于一个数量级时,将所有衣服颜色的所述第一衣服图像的数量的公倍数作为目标数量;
当第一衣服颜色的所述第一衣服图像的数量与所述目标数量之差大于一个数量级时,在设定范围内改变第一衣服颜色的所述第一衣服图像的饱和度,扩充第一衣服颜色的所述第一衣服图像的数量,直到第一衣服颜色的所述第一衣服图像的数量与所述目标数量之差小于一个数量级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010035696.7A CN111222481B (zh) | 2020-01-14 | 2020-01-14 | 识别衣服颜色的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010035696.7A CN111222481B (zh) | 2020-01-14 | 2020-01-14 | 识别衣服颜色的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111222481A true CN111222481A (zh) | 2020-06-02 |
CN111222481B CN111222481B (zh) | 2022-09-09 |
Family
ID=70831105
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010035696.7A Active CN111222481B (zh) | 2020-01-14 | 2020-01-14 | 识别衣服颜色的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111222481B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150054744A1 (en) * | 2004-04-02 | 2015-02-26 | K-Nfb Reading Technology, Inc. | Document Mode Processing For Portable Reading Machine Enabling Document Navigation |
US20160061746A1 (en) * | 2014-08-26 | 2016-03-03 | Northrop Grumman Systems Corporation | Color-based foreign object detection system |
CN107358242A (zh) * | 2017-07-11 | 2017-11-17 | 浙江宇视科技有限公司 | 目标区域颜色识别方法、装置及监控终端 |
US20190197667A1 (en) * | 2017-12-26 | 2019-06-27 | Facebook, Inc. | Computing high-resolution depth images using machine learning techniques |
CN110147854A (zh) * | 2018-07-19 | 2019-08-20 | 深圳码隆科技有限公司 | 服装识别方法、计算机设备和存储介质 |
CN110163246A (zh) * | 2019-04-08 | 2019-08-23 | 杭州电子科技大学 | 基于卷积神经网络的单目光场图像无监督深度估计方法 |
-
2020
- 2020-01-14 CN CN202010035696.7A patent/CN111222481B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150054744A1 (en) * | 2004-04-02 | 2015-02-26 | K-Nfb Reading Technology, Inc. | Document Mode Processing For Portable Reading Machine Enabling Document Navigation |
US20160061746A1 (en) * | 2014-08-26 | 2016-03-03 | Northrop Grumman Systems Corporation | Color-based foreign object detection system |
CN107358242A (zh) * | 2017-07-11 | 2017-11-17 | 浙江宇视科技有限公司 | 目标区域颜色识别方法、装置及监控终端 |
US20190197667A1 (en) * | 2017-12-26 | 2019-06-27 | Facebook, Inc. | Computing high-resolution depth images using machine learning techniques |
CN110147854A (zh) * | 2018-07-19 | 2019-08-20 | 深圳码隆科技有限公司 | 服装识别方法、计算机设备和存储介质 |
CN110163246A (zh) * | 2019-04-08 | 2019-08-23 | 杭州电子科技大学 | 基于卷积神经网络的单目光场图像无监督深度估计方法 |
Non-Patent Citations (3)
Title |
---|
XIAODONG YANG ET AL.: "Assistive Clothing Pattern Recognition for Visually Impaired People", 《IEEE TRANSACTIONS ON HUMAN-MACHINE SYSTEMS》 * |
厉鹏: "低分辨率视频图像的人体检测与姿态识别", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
浦世亮等: "低分辨率自然场景文本识别", 《中国安防》 * |
Also Published As
Publication number | Publication date |
---|---|
CN111222481B (zh) | 2022-09-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111488756B (zh) | 基于面部识别的活体检测的方法、电子设备和存储介质 | |
Cozzolino et al. | Noiseprint: A CNN-based camera model fingerprint | |
CN106204779B (zh) | 基于多人脸数据采集策略和深度学习的课堂考勤方法 | |
CN105608447B (zh) | 对人体面部微笑表情深度卷积神经网络的检测方法 | |
CN108717524B (zh) | 一种基于双摄手机和人工智能系统的手势识别系统 | |
CN108206917B (zh) | 图像处理的方法及装置、存储介质、电子装置 | |
CN106951870B (zh) | 主动视觉注意的监控视频显著事件智能检测预警方法 | |
CN110276767A (zh) | 图像处理方法和装置、电子设备、计算机可读存储介质 | |
CN110008783A (zh) | 基于神经网络模型的人脸活体检测方法、装置及电子设备 | |
CN106384117B (zh) | 一种车辆颜色识别方法及装置 | |
CN108388905B (zh) | 一种基于卷积神经网络和邻域上下文的光源估计方法 | |
CN109886153B (zh) | 一种基于深度卷积神经网络的实时人脸检测方法 | |
Kim et al. | Multiple level feature-based universal blind image quality assessment model | |
CN109871845A (zh) | 证件图像提取方法及终端设备 | |
CN108875619A (zh) | 视频处理方法和装置、电子设备、计算机可读存储介质 | |
CN109740572A (zh) | 一种基于局部彩色纹理特征的人脸活体检测方法 | |
CN107292307A (zh) | 一种倒置汉字验证码自动识别方法及系统 | |
CN109903270A (zh) | 牲畜群体数目监测方法及装置 | |
CN110298893A (zh) | 一种行人衣着颜色识别模型的生成方法及装置 | |
CN109063598A (zh) | 人脸毛孔检测方法、装置、计算机设备和存储介质 | |
CN106683074B (zh) | 一种基于雾霾特性的图像篡改检测方法 | |
CN109740527B (zh) | 一种视频帧中图像处理方法 | |
CN111080754B (zh) | 一种头部肢体特征点连线的人物动画制作方法及装置 | |
CN111222481B (zh) | 识别衣服颜色的方法和装置 | |
CN111832464A (zh) | 一种基于近红外摄像头的活体检测方法及装置 |
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 |