CN112308084A - 一种基于多尺度Gabor的服装廓形分类方法 - Google Patents

Abstract

本发明公开了一种基于多尺度Gabor的服装廓形分类方法，具体为：步骤1，输入图像预处理，然后对经预处理的图像采用最大类间方差法获取二值化图像，再结合形态学重构，消除内部噪声干扰，生成待提取图像；步骤2，提取待提取图像中的整体服装区域的轮廓特征，并通过双阈值法检测轮廓连接性，得到完整服装轮廓图像；步骤3，通过基于Gabor的图像角点检测提取角点群，并结合人体身高比例特征筛选特征点集合，构建服装廓形的特征向量；步骤4，廓形预测模型计算类别特征值，实现对服装廓形的匹配分类。本发明解决了现有技术中存在的获取服装图像的廓形时极易受到背景、着装人体等环境因素影响，导致廓形提取精度以及分类准确度较低的问题。

Description

一种基于多尺度Gabor的服装廓形分类方法

技术领域

本发明属于数字图像处理技术领域，涉及一种基于多尺度Gabor的服装廓形分类方法。

背景技术

随着电子商务的迅速发展，网站商品的信息容量不断激增使得信息超载问题日益严重，如何使用户从海量信息中准确、快速地获取自己感兴趣的服装已成为一大难题。针对这一问题，推出了基于内容的服装图像检索方法，其中，服装廓形是一种最直观且重要的款式描述，常作为检索类别列入服装搜索项，其识别准确度一定程度上影响着检索结果的准确性。

服装廓形，即外轮廓，是服装整体外部造型的剪影，直观体现了服装的结构、风格及款式等，轮廓是服装造型的重要因素之一。作为服装设计的第一步，服装廓形决定了服装的整体气质，一方面，廓形是最先映入观者视线的造型要素，不同廓形能够对着装身材起一定的美化作用，在基于图像内容的服装检索中，用户可通过选择适合的廓形快速获取到该类廓形下感兴趣的所有服饰信息；另一方面，对服装廓形的预测有利于把握流行趋势，设计师可以从不同时期针对于服装廓形的检索数据中分析出一定规律，进而预测和把握流行趋势、指导设计和引导消费。因此，轮廓的识别与分类在服装图像处理中起着至关重要的作用。

服装廓形分类作为服装图像检索的一个具体应用，目的是为了获取服装图像中整体服装区域的外轮廓，进而依据评判标准对服装进行廓形分类，目前已有一定的学术论文和优秀的研究成果。实际应用中的服装图像呈海量性、多样性，且由于轮廓的提取与分类本身所具有的精确性、全面性等特点，在获取服装图像的廓形时极易受到背景、着装人体等环境因素影响，导致廓形提取精度较低等，降低分类的准确度。在这种情况下，一种高精度的服装廓形提取方法结合分类标准的提出尤为重要。

发明内容

本发明的目的是提供一种基于多尺度Gabor的服装廓形分类方法，解决了现有技术中存在的获取服装图像的廓形时极易受到背景、着装人体等环境因素影响，导致廓形提取精度以及分类准确度较低的问题。

本发明所采用的技术方案是，一种基于多尺度Gabor的服装廓形分类方法，具体按照如下步骤实施：

步骤1，输入图像预处理，然后对经预处理的图像采用最大类间方差法获取二值化图像，再结合形态学重构，消除内部噪声干扰，生成待提取图像I(x,y)；

步骤2，采用多尺度Gabor滤波器组，提取待提取图像中的整体服装区域的轮廓特征，并通过双阈值法检测轮廓连接性，得到完整服装轮廓图像；

步骤3，通过基于Gabor的图像角点检测提取角点群，并结合人体身高比例特征筛选特征点集合，构建服装廓形的特征向量；

步骤4，廓形预测模型计算类别特征值，实现对服装廓形的匹配分类。

本发明的特征还在于，

步骤1中的输入图像预处理具体为：

首先，将待处理服装图像，即就是输入图像转化为灰度图像，经灰度线性变换，然后采用双边滤波器对输入图像预处理，得到双边滤波后的结果图像。

双边滤波器通过二维高斯函数生成距离模板，并结合一维高斯函数生成值域模板，距离模板d(i,j,k,l)的生成公式如式(1)：

其中，(k,l)为模板窗口的中心坐标，(i,j)为模板窗口的其他系数的坐标，σ_d为二维高斯函数的标准差；

值域模板r(i,j,k,l)的生成公式如式(2)：

其中，f(x,y)表示待处理服装图像，即输入图像，(k,l)为模板窗口的中心坐标，(i,j)为模板窗口的其他系数坐标，σ_r为一维高斯函数的标准差；

将距离模板和值域模板相乘得到双边滤波器的模板，如式(3)所示：

其中，w(i,j,k,l)为双边滤波后的结果图像。

步骤1的对经预处理的图像采用最大类间方差法获取二值化图像具体为：任取一值T₀为初始化分割阈值，将滤波后的结果图像w(i,j,k,l)中所有像素点分为前景C₀和背景C₁两类，其中，C₀>T₀，C₁≤T₀，则ω₀为前景所占像素数占整幅图的比例，μ₀为前景的灰度均值，ω₁为背景所占像素数占整幅图的比例，μ₁为背景的灰度均值，μ为图像的全局灰度均值，σ²为前景C₀与背景C₁的类间方差，如式(4)所给出，

设结果图像w(i,j,k,l)的大小为M×N，图像中前景像素C₀的个数记作N₀，背景像素C₁的个数记作N₁，则有：

联立式(4)简化类间方差公式，

σ²＝ω₀ω₁(μ₀-μ₁)² (6)

当σ²为最大时，对应分割阈值为最佳阈值T_G，则像素值大于T_G判别为前景C₀，反之判别为背景C₁，获得对应的二值化图像。

步骤2具体为：

步骤2.1，构建多尺度Gabor虚部滤波器组

Gabor滤波器虚部ψ(x_θ,y_θ；f,θ)的公式如下：

其中，f是滤波器的中心频率，γ和η是常数，θ是调制平面波和高斯主轴沿逆时针旋转的角度，x，y分别为像素点的横纵坐标；

设定方向θ于[0,π]区间内进行均匀采样，选取不同的中心频率f，得到一组离散化的多尺度Gabor虚部滤波器组，公式如式(8)所示：

其中，θ_k是第k个方向角度，

K表示方向数，f表示尺度的中心频率，s表示尺度，s＝0,1,2，…，S-1，S表示尺度数；

步骤2.2，采用多尺度Gabor虚部滤波器组提取服装的整体轮廓特征

在空间域对预处理后的图像进行滤波，从而提取S种不同尺度、K种不同方向的轮廓特征信息I_i(x,y；s,k)：

其中，I(x,y)为通过步骤1得到的待提取图像，i为不同尺度与方向的单个滤波器窗口的序号；

步骤2.3，对于同一尺度、不同方向的服装轮廓特征采用PCA降维融合：将同一尺度、不同方向的K个特征进行PCA变换，取每次变换所得的第一个主分量以二维形式展开，得到S幅不同尺度下的廓形特征融合图像，其中对S幅尺度不同的特征融合图像，按照如式(10)所示的二范数形式进行尺度融合：

式中，O为尺度融合后所得的图像轮廓，

是滤波器组在同一尺度、K个不同特征经过PCA降维处理后的轮廓特征融合图像；

步骤2.4，最终采用双阈值检测法，对图像轮廓O设定高阈值和低阈值，抛弃小于低阈值的特征点，即置零；标记大于高阈值的特征点，即赋1；采用8连通区域选中满足大于低阈值且小于高阈值的像素点，连接断裂点，保证轮廓提取结果的连续性，得到完整的服装轮廓图像。

步骤2.1中的参数设置为：

高阈值为0.17，低阈值为0.05。

步骤3具体为：

步骤3.1，采用Gabor小波滤波器对完整的服装轮廓图像沿K个方向进行变换，公式如下，

W_k(x,y)＝|G₂*g_k|＝|∫G₂(x,y)g_k(x-u,y-v)dudv| (11)

其中，G₂(x,y)是步骤2得到的完整的服装轮廓图像，g_k是指沿第k个方向的Gabor小波如式(a)所示，k＝1,2,…,K，K是[0,π)上的离散方向总数，W_k(x,y)表示(x,y)处第k个方向的水平与垂直的分解值；

其中，λ表示余弦因子的波长；θ_g表示垂直于Gabor小波条纹的方向；ψ表示相移，当ψ＝0时，Gabor函数是偶对称的，ψ＝π/2时，Gabor函数是奇对称的；γ表示Gabor函数中高斯部分在空间的各向异性因子，并指定了Gabor函数的椭圆支撑形状；σ是高斯函数的标准差，决定了Gabor函数的支撑域；

步骤3.2，将步骤3.1得到W_k(x,y)进行如公式(12)的处理：

构造像素点的相关矩阵，如公式(13)：

然后依据式(14)计算特征值：

根据计算的两个特征值，计算角点响应值m：

将所有的角点响应值m放入响应值集合，对响应值集合做非极大抑制，保留最大响应值，最终获得的保留响应值对应坐标点即为角点坐标；

步骤3.3，结合比例特征筛选符合比例特征的角点坐标列为特征点，构成服装的特征向量

人体6个区段的高度为：

头、肩胸和胸腰区段的高度均为1倍头高；

对于身高为a倍头高的人体，a＝7-8.5，腰臀H_wh、大腿H_t和小腿H_c区段的高度计算方法如式(18)所示：

在头、肩胸和胸腰区段，腰臀H_wh、大腿H_t和小腿H_c区段对应高度下筛选纵坐标值相同与对应区段高度一致的角点作为特征点，获取6个区段的特征点集合：肩部(P_sl,P_sr)，胸部(P_bl,P_br)，腰部(P_wl,P_wr)，臀部(P_tl,P_tr)，大腿部(P_mtl,P_mtr)，膝部(P_nl,P_nr)，其中，P_xl(x,y)为服装轮廓图像对应区段的最左端点，P_xr(x,y)为对应区段的最右端点，构建整体服装区域的廓形特征向量。

步骤4具体为：

计算6个区段的宽度，即就是肩宽W_s、胸宽W_b、腰宽W_w、臀宽W_t、大腿宽W_mt、膝宽W_n，然后依据式(19)对上述宽度做区域平均：

其中，肩胸区段宽度均值为W_u，胸腰区段宽度均值为W_d，腰臀区段宽度均值为W_q，臀部与大腿部区段宽度均值为W_p；

将式(19)获得的区段宽度信息代入5种廓形，即就是A、T、H、O、X型对应的几何特征模型中分别求取对应的特征值V_A、V_T、V_H、V_O、V_X，计算如式(20)～(24)所示：

然后对同一服装图像的5个特征值进行求和，结果记为C，

C＝V_A+V_T+V_H+V_X+V_O (25)

归一化处理5种廓形的特征值，获得目标服饰对应于不同廓形的类别隶属度，廓形预测模型C_i如式(26)所示，

通过比较目标服装在于不同廓形类别下的隶属度，判定最大特征值对应的类别为图像中所描述的服装的廓形类别。

本发明的有益效果是：

本发明在服装图像的廓形提取、识别与分类处理方面，运行速度快、所得结果准确，且具有噪声稳健性，能够在保证图像轮廓准确性的前提下，获取按照人体身高比例设定的服装特征点，代入廓形预测模型计算类别隶属度，实现对输入图像中整体服装廓形的分类，计算简单。在服装图像处理中，服装廓形的自动识别分类方面具有较高可靠性。

附图说明

图1是本发明一种基于多尺度Gabor的服装廓形分类方法的流程图；

图2是本发明实施例中A廓形服装图像经双边滤波后的结果图；

图3是本发明实施例中H廓形服装图像经双边滤波后的结果图；

图4是本发明实施例中O廓形服装图像经双边滤波后的结果图；

图5是本发明实施例中T廓形服装图像经双边滤波后的结果图；

图6是本发明实施例中X廓形服装图像经双边滤波后的结果图；

图7是本发明实施例中去除空洞点后的效果对比图；

图8是本发明采用基于多尺度Gabor滤波器组提取的整体服装轮廓结果图；

图9是基于Gabor小波与人体身高比例特征筛选的廓形特征点效果图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明一种基于多尺度Gabor的服装廓形分类方法，其流程如图1所示，具体按照如下步骤实施：

步骤1，输入图像预处理，然后对经预处理的图像采用最大类间方差法获取二值化图像，再结合形态学重构，消除内部噪声干扰，生成待提取图像I(x,y)；其中，输入图像预处理具体为：

首先，将待处理服装图像，即就是输入图像转化为灰度图像，经灰度线性变换，然后采用双边滤波器对输入图像预处理，得到双边滤波后的结果图像，如图2-5所示，为A、T、X、O、H五种服装廓形图像经双边滤波后的结果图，其中，双边滤波器通过二维高斯函数生成距离模板，并结合一维高斯函数生成值域模板，距离模板d(i,j,k,l)的生成公式如式(1)：

其中，(k,l)为模板窗口的中心坐标，(i,j)为模板窗口的其他系数的坐标，σ_d为二维高斯函数的标准差；

值域模板r(i,j,k,l)的生成公式如式(2)：

其中，f(x,y)表示待处理服装图像，即输入图像，(k,l)为模板窗口的中心坐标，(i,j)为模板窗口的其他系数坐标，σ_r为一维高斯函数的标准差；

将距离模板和值域模板相乘得到双边滤波器的模板，如式(3)所示：

其中，w(i,j,k,l)为双边滤波后的结果图像。

步骤1的对经预处理的图像采用最大类间方差法获取二值化图像具体为：任取一值T₀为初始化分割阈值，将滤波后的结果图像w(i,j,k,l)中所有像素点分为前景C₀和背景C₁两类，其中，C₀>T₀，C₁≤T₀，则ω₀为前景所占像素数占整幅图的比例，μ₀为前景的灰度均值，ω₁为背景所占像素数占整幅图的比例，μ₁为背景的灰度均值，μ为图像的全局灰度均值，σ²为前景C₀与背景C₁的类间方差，如式(4)所给出，

设结果图像w(i,j,k,l)的大小为M×N，图像中前景像素C₀的个数记作N₀，背景像素C₁的个数记作N₁，则有：

联立式(4)简化类间方差公式，

σ²＝ω₀ω₁(μ₀-μ₁)² (6)

当σ²为最大时，对应分割阈值为最佳阈值T_G，则像素值大于T_G判别为前景C₀，反之判别为背景C₁，获得对应的二值化图像；

然后结合形态学重构处理，填充目标服装区域内部空洞，消除服装内部花纹、皱褶、光照不均、装饰等对廓形提取造成的干扰，生成待提取图像区域，提取结果如图7所示。

步骤2，采用多尺度Gabor滤波器组，提取待提取图像中的整体服装区域的轮廓特征，并通过双阈值法检测轮廓连接性，得到完整服装轮廓图像；具体为：

步骤2.1，构建多尺度Gabor虚部滤波器组

Gabor滤波器虚部ψ(x_θ,y_θ；f,θ)的公式如下：

其中，f是滤波器的中心频率，f≤0.5，γ和η是常数，θ是调制平面波和高斯主轴沿逆时针旋转的角度，x，y分别为像素点的横纵坐标；

设定方向θ于[0,π]区间内进行均匀采样，选取不同的中心频率f，得到一组离散化的多尺度Gabor虚部滤波器组，公式如式(8)所示：

其中，θ_k是第k个方向角度，

K表示方向数，f表示尺度的中心频率，s表示尺度，s＝0,1,2，…，S-1，S表示尺度数；

参数设置为：

步骤2.2，采用多尺度Gabor虚部滤波器组提取服装的整体轮廓特征

在空间域对预处理后的图像进行滤波，从而提取S种不同尺度、K种不同方向的轮廓特征信息I_i(x,y；s,k)：

其中，I(x,y)为通过步骤1得到的待提取图像，i为不同尺度与方向的单个滤波器窗口的序号；

步骤2.3，对于同一尺度、不同方向的服装轮廓特征采用PCA降维融合：将同一尺度、不同方向的K个特征进行PCA变换，取每次变换所得的第一个主分量以二维形式展开，得到S幅不同尺度下的廓形特征融合图像，其中对S幅尺度不同的特征融合图像，按照如式(10)所示的二范数形式进行尺度融合：

式中，O为尺度融合后所得的图像轮廓，

是滤波器组在同一尺度、K个不同特征经过PCA降维处理后的轮廓特征融合图像；

步骤2.4，最终采用双阈值检测法，对图像轮廓O设定高阈值和低阈值，抛弃小于低阈值的特征点，即置零；标记大于高阈值的特征点，即赋1；采用8连通区域选中满足大于低阈值且小于高阈值的像素点，连接断裂点，保证轮廓提取结果的连续性，得到完整的服装轮廓图像，其中，高阈值为0.17，低阈值为0.05，该步骤执行完后效果如图8所示；

步骤3，通过基于Gabor的图像角点检测提取角点群，并结合人体身高比例特征筛选特征点集合，构建服装廓形的特征向量；具体为：

步骤3.1，采用Gabor小波滤波器对完整的服装轮廓图像沿K个方向进行变换，公式如下，

W_k(x,y)＝|G₂*g_k|＝|∫G₂(x,y)g_k(x-u,y-v)dudv| (11)

其中，G₂(x,y)是步骤2得到的完整的服装轮廓图像，g_k是指沿第k个方向的Gabor小波如式(a)所示，k＝1,2,…,K，K是[0,π)上的离散方向总数，W_k(x,y)表示(x,y)处第k个方向的水平与垂直的分解值，u和v分别是在x变量与y变量上的积分变量，是二维积分的基本公式，只为表示卷积处理；

其中，λ表示余弦因子的波长；θ_g表示垂直于Gabor小波条纹的方向；ψ表示相移，当ψ＝0时，Gabor函数是偶对称的，ψ＝π/2时，Gabor函数是奇对称的；γ表示Gabor函数中高斯部分在空间的各向异性因子，并指定了Gabor函数的椭圆支撑形状；σ是高斯函数的标准差，决定了Gabor函数的支撑域；

在尺度的选择方面，多尺度Gabor小波能够提取目标服饰轮廓在不同尺度处理下的角点信息，但对于一幅无人工噪声的图像而言，其目标轮廓的可分辨尺度范围变化不大，由此，本发明选用单尺度Gabor小波，并设定参数σ＝2。

在服装轮廓附近，梯度方向的局部像素灰度值变化剧烈，而在交点处，梯度方向和垂直于梯度方向的灰度变化均相对较大，受γ值影响，γ值过大将产生“伪映射”现象，导致大量虚假角点出现，由此，本发明设定γ＝3。

同时，波长λ直接影响不同目标区域轮廓的过渡宽度，本发明取λ＝4。

步骤3.2，将步骤3.1得到W_k(x,y)进行如公式(12)的处理：

构造像素点的相关矩阵，如公式(13)：

然后依据式(14)计算特征值：

根据计算的两个特征值，计算角点响应值m：

将所有的角点响应值m放入响应值集合，对响应值集合做非极大抑制，保留最大响应值，最终获得的保留响应值对应坐标点即为角点坐标；

步骤3.3，结合比例特征筛选符合比例特征的角点坐标列为特征点，构成服装的特征向量

人体6个区段的高度为：

头、肩胸和胸腰区段的高度均为1倍头高；

对于身高为a倍头高的人体，a＝7-8.5，腰臀H_wh、大腿H_t和小腿H_c区段的高度计算方法如式(18)所示：

在头、肩胸和胸腰区段，腰臀H_wh、大腿H_t和小腿H_c区段对应高度下筛选纵坐标值相同与对应区段高度一致的角点作为特征点，获取6个区段的特征点集合：肩部(P_sl,P_sr)，胸部(P_bl,P_br)，腰部(P_wl,P_wr)，臀部(P_tl,P_tr)，大腿部(P_mtl,P_mtr)，膝部(P_nl,P_nr)，其中，P_xl(x,y)为服装轮廓图像对应区段的最左端点，P_xr(x,y)为对应区段的最右端点，构建整体服装区域的廓形特征向量，该步骤执行完后效果如图9所示。

步骤4，廓形预测模型计算类别特征值，实现对服装廓形的匹配分类，具体为：

计算6个区段的宽度，即就是肩宽W_s、胸宽W_b、腰宽W_w、臀宽W_t、大腿宽W_mt、膝宽W_n，然后依据式(19)对上述宽度做区域平均：

其中，肩胸区段宽度均值为W_u，胸腰区段宽度均值为W_d，腰臀区段宽度均值为W_q，臀部与大腿部区段宽度均值为W_p；

将式(19)获得的区段宽度信息代入5种廓形，即就是A、T、H、O、X型对应的几何特征模型中分别求取对应的特征值V_A、V_T、V_H、V_O、V_X，计算如式(20)～(24)所示：

然后对同一服装图像的5个特征值进行求和，结果记为C，

C＝V_A+V_T+V_H+V_X+V_O (25)

归一化处理5种廓形的特征值，获得目标服饰对应于不同廓形的类别隶属度，廓形预测模型C_i如式(26)所示，

通过比较目标服装在于不同廓形类别下的隶属度，判定最大特征值对应的类别为图像中所描述的服装的廓形类别。

对本发明一种基于多尺度Gabor的服装廓形分类方法性能进行评估，验证其有效性。

在DeepFashion图像数据集中随机选取15幅服装图像，每种廓形3幅，共5种廓形，验证本发明中廓形几何特征模型与廓形预测模型数据分析性能，评定服装廓形分类的准确性，统计结果如表1所示。

表1本发明方法在不同图像下的相关参数与分类结果(n＝15幅图像)

上述结果表明，本发明方法所涉及的廓形几何特征模型能够较好地拟合不同廓形的形态特征，所得的类别形态值集合能够突出目标服装图像的廓形特点，并结合廓形预测模型归一化处理形态值数据，根据最终服装的类别隶属度即可判定廓形类别。本发明方法在用于服装廓形分类的结论与人眼观察判断的结论一致，具有很好的辨识度。

为进一步验证本发明方法所得结果的可靠性，在DeepFashion图像数据集中随机选取1000幅服装图片作为测试样本，以相关文献中提出的《服装廓形的识别与量化》方法及人工识别的为对比方法，与本发明方法处理相同测试样本进行验证，结果统计如表2所示。

表2廓形识别准确率统计结果(样本数S＝1000)

观察表2，以人工对该1000幅样本服装图像的划分结果为标准廓形分类数据，本发明方法对不同类别廓形的分类个数与标准数据接近，较对比方法的分类效果有明显提高，针对服装图像在所涉及的5种廓形分类方面准确率较高。

本发明一种基于多尺度Gabor的服装廓形分类方法，与现有技术相比具有以下优点及效果：

本发明一种基于多尺度Gabor的服装廓形分类方法，首先对输入服装图像进行灰度变换与双边滤波预处理，增强对比度，减少非目标区域对提取效果的干扰，采用最大类间方差法获得一个初步前景图，通过形态学重构处理消除服装区域内部空洞点，获取最终前景图；接着提取最终前景图中的目标服装轮廓，获取到轮廓图像；然后检测轮廓图像的角点信息，获取服装廓形的全角点图，并依据构建好的人体身高比例筛选特征点集合；最后通过将特征点集合的坐标值代入5种廓形对应的几何特征模型中，计算特征值，经轮廓预测模型处理，实现对服装廓形的识别分类。本发明方法通过对服装图像前景的提取操作，有效去除了图像内部伪角点与背景小区域噪声的干扰，优先提取目标区域轮廓，从而大大提高角点检测的准确性，获取到更为优良的服装廓形特征。

本发明一种基于多尺度Gabor的服装廓形分类方法中，主要利用多尺度Gabor滤波器提取图像的轮廓特征信息。多尺度Gabor滤波器最大的特点是结合多尺度、多方向检测的思想，采用Gabor滤波器的虚部进行检测，构建Gabor虚部滤波器组，实现从不同尺度、方向提取图像的轮廓特征，其中，低中心频率对应小尺度Gabor滤波器，能够提取图像的大轮廓，具有较好的噪声抑制能力；高中心频率对应大尺度Gabor滤波器，具有较准确的边缘定位性，能够获取较多的边缘细节信息，并通过双阈值检测算法，提高轮廓的连续性。

本发明采用基于Gabor小波角点的检测算法提取服装整体轮廓的角点坐标。为更加突出方向选择特性，本发明采用各项异性的Gabor小波提取目标轮廓像素沿K个方向的分解值，将各向分解值投影到水平和垂直方向构造互相关矩阵计算矩阵特征值，选取较小的特征值作为该点的响应m，并通过非极大抑制处理每个像素，保留最大值的同时将其他值置零，然后通过设定门限阈值过滤较小值，将最终的保留点作为角点提取结果，在图像作仿射变换时能保持较好的一致性，同时在噪声较大的情况下更能体现出较大的优势。

本发明依据不同廓形的几何特征构建与之对应的数学模型计算服装廓形在A、T、X、O、H五种不同廓形属性下的特征值，并将同一目标服装在不同廓形下的隶属度作为判断依据，其中，将最高隶属度对应的廓形类别判别为目标服装的廓形，实现对服装廓形的分类。本发明依据廓形几何特征构建概率模型实现对服装图像的廓形分类，不需提前输入样本训练，对硬件设备要求不高，计算量小，耗时少，在服装图像处理中的服装廓形分类方面具有较高准确率。

该方法在服装图像处理中的服装廓形提取与分类方面高效、准确，且具有噪声稳健性，能够在保证提取服装轮廓准确性的前提下，依据人体比例搜集服装特征点，根据廓形的几何概率模型计算特征值，结合廓形预测模型获取不同廓形的类别隶属度作为判别依据，从而实现对服装图像的廓形的提取与分类，实际运行速度快，且计算简单，在服装廓形的自动识别分类方面具有较高可靠性。

Claims (9)

1.一种基于多尺度Gabor的服装廓形分类方法，其特征在于，具体按照如下步骤实施：

步骤1，输入图像预处理，然后对经预处理的图像采用最大类间方差法获取二值化图像，再结合形态学重构，消除内部噪声干扰，生成待提取图像I(x,y)；

步骤2，采用多尺度Gabor滤波器组，提取待提取图像中的整体服装区域的轮廓特征，并通过双阈值法检测轮廓连接性，得到完整服装轮廓图像；

步骤3，通过基于Gabor的图像角点检测提取角点群，并结合人体身高比例特征筛选特征点集合，构建服装廓形的特征向量；

步骤4，廓形预测模型计算类别特征值，实现对服装廓形的匹配分类。

2.根据权利要求1所述的一种基于多尺度Gabor的服装廓形分类方法，其特征在于，所述步骤1中的输入图像预处理具体为：

首先，将待处理服装图像，即就是输入图像转化为灰度图像，经灰度线性变换，然后采用双边滤波器对输入图像预处理，得到双边滤波后的结果图像。

3.根据权利要求2所述的一种基于多尺度Gabor的服装廓形分类方法，其特征在于，所述双边滤波器通过二维高斯函数生成距离模板，并结合一维高斯函数生成值域模板，所述距离模板d(i,j,k,l)的生成公式如式(1)：

其中，(k,l)为模板窗口的中心坐标，(i,j)为模板窗口的其他系数的坐标，σ_d为二维高斯函数的标准差；

值域模板r(i,j,k,l)的生成公式如式(2)：

其中，f(x,y)表示待处理服装图像，即输入图像，(k,l)为模板窗口的中心坐标，(i,j)为模板窗口的其他系数坐标，σ_r为一维高斯函数的标准差；

将距离模板和值域模板相乘得到双边滤波器的模板，如式(3)所示：

其中，w(i,j,k,l)为双边滤波后的结果图像。

4.根据权利要求3所述的一种基于多尺度Gabor的服装廓形分类方法，其特征在于，步骤1所述的对经预处理的图像采用最大类间方差法获取二值化图像具体为：任取一值T₀为初始化分割阈值，将滤波后的结果图像w(i,j,k,l)中所有像素点分为前景C₀和背景C₁两类，其中，C₀>T₀，C₁≤T₀，则ω₀为前景所占像素数占整幅图的比例，μ₀为前景的灰度均值，ω₁为背景所占像素数占整幅图的比例，μ₁为背景的灰度均值，μ为图像的全局灰度均值，σ²为前景C₀与背景C₁的类间方差，如式(4)所给出，

设结果图像w(i,j,k,l)的大小为M×N，图像中前景像素C₀的个数记作N₀，背景像素C₁的个数记作N₁，则有：

联立式(4)简化类间方差公式，

σ²＝ω₀ω₁(μ₀-μ₁)² (6)

当σ²为最大时，对应分割阈值为最佳阈值T_G，则像素值大于T_G判别为前景C₀，反之判别为背景C₁，获得对应的二值化图像。

5.根据权利要求4所述的一种基于多尺度Gabor的服装廓形分类方法，其特征在于，所述步骤2具体为：

步骤2.1，构建多尺度Gabor虚部滤波器组

Gabor滤波器虚部ψ(x_θ,y_θ；f,θ)的公式如下：

其中，f是滤波器的中心频率，γ和η是常数，θ是调制平面波和高斯主轴沿逆时针旋转的角度，x，y分别为像素点的横纵坐标；

设定方向θ于[0,π]区间内进行均匀采样，选取不同的中心频率f，得到一组离散化的多尺度Gabor虚部滤波器组，公式如式(8)所示：

其中，θ_k是第k个方向角度，

K表示方向数，f表示尺度的中心频率，s表示尺度，s＝0,1,2，…，S-1，S表示尺度数；

步骤2.2，采用多尺度Gabor虚部滤波器组提取服装的整体轮廓特征

在空间域对预处理后的图像进行滤波，从而提取S种不同尺度、K种不同方向的轮廓特征信息I_i(x,y；s,k)：

其中，I(x,y)为通过步骤1得到的待提取图像，i为不同尺度与方向的单个滤波器窗口的序号；

步骤2.3，对于同一尺度、不同方向的服装轮廓特征采用PCA降维融合：将同一尺度、不同方向的K个特征进行PCA变换，取每次变换所得的第一个主分量以二维形式展开，得到S幅不同尺度下的廓形特征融合图像，其中对S幅尺度不同的特征融合图像，按照如式(10)所示的二范数形式进行尺度融合：

式中，O为尺度融合后所得的图像轮廓，

是滤波器组在同一尺度、K个不同特征经过PCA降维处理后的轮廓特征融合图像；

步骤2.4，最终采用双阈值检测法，对图像轮廓O设定高阈值和低阈值，抛弃小于低阈值的特征点，即置零；标记大于高阈值的特征点，即赋1；采用8连通区域选中满足大于低阈值且小于高阈值的像素点，连接断裂点，保证轮廓提取结果的连续性，得到完整的服装轮廓图像。

6.根据权利要求5所述的一种基于多尺度Gabor的服装廓形分类方法，其特征在于，所述步骤2.1中的参数设置为：

7.根据权利要求6所述的一种基于多尺度Gabor的服装廓形分类方法，其特征在于，所述高阈值为0.17，低阈值为0.05。

8.根据权利要求7所述的一种基于多尺度Gabor的服装廓形分类方法，其特征在于，所述步骤3具体为：

步骤3.1，采用Gabor小波滤波器对完整的服装轮廓图像沿K个方向进行变换，公式如下，

W_k(x,y)＝|G₂*g_k|＝|∫G₂(x,y)g_k(x-u,y-v)dudv| (11)

其中，G₂(x,y)是步骤2得到的完整的服装轮廓图像，g_k是指沿第k个方向的Gabor小波如式(a)所示，k＝1,2,…,K，K是[0,π)上的离散方向总数，W_k(x,y)表示(x,y)处第k个方向的水平与垂直的分解值；

其中，λ表示余弦因子的波长；θ_g表示垂直于Gabor小波条纹的方向；ψ表示相移，当ψ＝0时，Gabor函数是偶对称的，ψ＝π/2时，Gabor函数是奇对称的；γ表示Gabor函数中高斯部分在空间的各向异性因子，并指定了Gabor函数的椭圆支撑形状；σ是高斯函数的标准差，决定了Gabor函数的支撑域；

步骤3.2，将步骤3.1得到W_k(x,y)进行如公式(12)的处理：

构造像素点的相关矩阵，如公式(13)：

然后依据式(14)计算特征值：

根据计算的两个特征值，计算角点响应值m：

将所有的角点响应值m放入响应值集合，对响应值集合做非极大抑制，保留最大响应值，最终获得的保留响应值对应坐标点即为角点坐标；

步骤3.3，结合比例特征筛选符合比例特征的角点坐标列为特征点，构成服装的特征向量

人体6个区段的高度为：

头、肩胸和胸腰区段的高度均为1倍头高；

对于身高为a倍头高的人体，a＝7-8.5，腰臀H_wh、大腿H_t和小腿H_c区段的高度计算方法如式(18)所示：

在头、肩胸和胸腰区段，腰臀H_wh、大腿H_t和小腿H_c区段对应高度下筛选纵坐标值相同与对应区段高度一致的角点作为特征点，获取6个区段的特征点集合：肩部(P_sl,P_sr)，胸部(P_bl,P_br)，腰部(P_wl,P_wr)，臀部(P_tl,P_tr)，大腿部(P_mtl,P_mtr)，膝部(P_nl,P_nr)，其中，P_xl(x,y)为服装轮廓图像对应区段的最左端点，P_xr(x,y)为对应区段的最右端点，构建整体服装区域的廓形特征向量。

9.根据权利要求8所述的一种基于多尺度Gabor的服装廓形分类方法，其特征在于，所述步骤4具体为：

计算6个区段的宽度，即就是肩宽W_s、胸宽W_b、腰宽W_w、臀宽W_t、大腿宽W_mt、膝宽W_n，然后依据式(19)对上述宽度做区域平均：

其中，肩胸区段宽度均值为W_u，胸腰区段宽度均值为W_d，腰臀区段宽度均值为W_q，臀部与大腿部区段宽度均值为W_p；

将式(19)获得的区段宽度信息代入5种廓形，即就是A、T、H、O、X型对应的几何特征模型中分别求取对应的特征值V_A、V_T、V_H、V_O、V_X，计算如式(20)～(24)所示：

然后对同一服装图像的5个特征值进行求和，结果记为C，

C＝V_A+V_T+V_H+V_X+V_O (25)

归一化处理5种廓形的特征值，获得目标服饰对应于不同廓形的类别隶属度，廓形预测模型C_i如式(26)所示，

通过比较目标服装在于不同廓形类别下的隶属度，判定最大特征值对应的类别为图像中所描述的服装的廓形类别。

Images