CN112308084B - 一种基于多尺度Gabor的服装廓形分类方法 - Google Patents
一种基于多尺度Gabor的服装廓形分类方法 Download PDFInfo
- Publication number
- CN112308084B CN112308084B CN202011242095.XA CN202011242095A CN112308084B CN 112308084 B CN112308084 B CN 112308084B CN 202011242095 A CN202011242095 A CN 202011242095A CN 112308084 B CN112308084 B CN 112308084B
- Authority
- CN
- China
- Prior art keywords
- image
- clothing
- gabor
- profile
- formula
- 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
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000000605 extraction Methods 0.000 claims abstract description 16
- 238000001514 detection method Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000012216 screening Methods 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims abstract description 10
- 230000000877 morphologic effect Effects 0.000 claims abstract description 9
- 230000002146 bilateral effect Effects 0.000 claims description 20
- 230000004044 response Effects 0.000 claims description 19
- 230000004927 fusion Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 16
- 210000000689 upper leg Anatomy 0.000 claims description 15
- 210000001217 buttock Anatomy 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 229910052739 hydrogen Inorganic materials 0.000 claims description 5
- 210000003127 knee Anatomy 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 230000005764 inhibitory process Effects 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 244000309466 calf Species 0.000 claims description 3
- 230000010363 phase shift Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
- 230000037303 wrinkles Effects 0.000 description 1
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
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- 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
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
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
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;
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,距离模板的生成公式如式(1):
(1)
其中,为模板窗口的中心坐标,/>为模板窗口的其他系数的坐标,/>为二维高斯函数的标准差;
值域模板的生成公式如式(2):
(2)
其中,表示待处理服装图像,即输入图像,/>为模板窗口的中心坐标,为模板窗口的其他系数坐标,/>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:
(3)
其中,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:任取一值为初始化分割阈值,将滤波后的结果图像/>中所有像素点分为前景/>和背景两类,其中,/>>/>,/>,则/>为前景所占像素数占整幅图的比例,/>为前景的灰度均值,/>为背景所占像素数占整幅图的比例,/>为背景的灰度均值,/>为图像的全局灰度均值,/>为前景/>与背景/>的类间方差,如式(4)所给出,
(4)
设结果图像的大小为/>,图像中前景像素/>的个数记作/>,背景像素/>的个数记作/>,则有:
(5)
联立式(4)简化类间方差公式,
(6)
当为最大时,对应分割阈值为最佳阈值/>,则像素值大于/>判别为前景/>,反之判别为背景/>,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滤波器虚部的公式如下:
(7)
其中,是滤波器的中心频率,/>和/>是常数,/>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;
设定方向于[0,/>]区间内进行均匀采样,选取不同的中心频率/>,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:
(8)
其中,是第k个方向角度,/>,/>是/>上的离散方向总数,/>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:
(9)
其中,为通过步骤1得到的待提取图像,/>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:
(10)
式中,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:
(b)。
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个方向进行变换,公式如下,
(11)
其中,是步骤2得到的完整的服装轮廓图像,/>是指沿第/>个方向的Gabor小波如式(a)所示,/>,/>是/>上的离散方向总数,/>表示/>处第/>个方向的水平与垂直的分解值;
(a)
其中,表示余弦因子的波长;/>表示垂直于Gabor小波条纹的方向;/>表示相移,当/>时,Gabor函数是偶对称的,/>时,Gabor函数是奇对称的;/>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;/>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得到进行如公式(12)的处理:
(12)
构造像素点的相关矩阵,如公式(13):
(13)
然后依据式(14)计算特征值:
(14)
根据计算的两个特征值,计算角点响应值:
(16)
将所有的角点响应值放入响应值集合,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b倍头高的人体,b=7-8.5,腰臀、大腿/>和小腿/>区段的高度计算方法如式(18)所示:
(18)
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,胸部/>,腰部/>,臀部/>,大腿部/>,膝部/>,其中,/>为服装轮廓图像对应区段的最左端点,/>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、胸宽/>、腰宽/>、臀宽/>、大腿宽/>、膝宽/>,然后依据式(19)对上述宽度做区域平均:
(19)
其中,肩胸区段宽度均值为,胸腰区段宽度均值为/>,腰臀区段宽度均值为,臀部与大腿部区段宽度均值为/>;
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,计算如式(20)~(24)所示:
(20)
(21)
(22)
(23)
(24)
然后对同一服装图像的5个特征值进行求和,结果记为,
(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,廓形预测模型如式(26)所示,
(26)
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;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,距离模板的生成公式如式(1):
(1)
其中,为模板窗口的中心坐标,/>为模板窗口的其他系数的坐标,/>为二维高斯函数的标准差;
值域模板的生成公式如式(2):
(2)
其中,表示待处理服装图像,即输入图像,/>为模板窗口的中心坐标,为模板窗口的其他系数坐标,/>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:
(3)
其中,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:任取一值为初始化分割阈值,将滤波后的结果图像/>中所有像素点分为前景/>和背景两类,其中,/>>/>,/>,则/>为前景所占像素数占整幅图的比例,/>为前景的灰度均值,/>为背景所占像素数占整幅图的比例,/>为背景的灰度均值,/>为图像的全局灰度均值,/>为前景/>与背景/>的类间方差,如式(4)所给出,
(4)
设结果图像的大小为/>,图像中前景像素/>的个数记作/>,背景像素/>的个数记作/>,则有:
(5)
联立式(4)简化类间方差公式,
(6)
当为最大时,对应分割阈值为最佳阈值/>,则像素值大于/>判别为前景/>,反之判别为背景/>,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滤波器虚部的公式如下:
(7)
其中,是滤波器的中心频率,/>和/>是常数,/>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;
设定方向于[0,/>]区间内进行均匀采样,选取不同的中心频率/>,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:
(8)
其中,是第k个方向角度,/>,/>是/>上的离散方向总数,/>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:
(b);
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:
(9)
其中,为通过步骤1得到的待提取图像,/>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:
(10)
式中,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个方向进行变换,公式如下,
(11)
其中,是步骤2得到的完整的服装轮廓图像,/>是指沿第/>个方向的Gabor小波如式(a)所示,/>,/>是/>上的离散方向总数,/>表示/>处第/>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;
(a)
其中,表示余弦因子的波长;/>表示垂直于Gabor小波条纹的方向;/>表示相移,当/>时,Gabor函数是偶对称的,/>时,Gabor函数是奇对称的;/>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;/>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。
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,受值影响,/>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/>。
同时,波长直接影响不同目标区域轮廓的过渡宽度,本发明取/>。
步骤3.2,将步骤3.1得到进行如公式(12)的处理:
(12)
构造像素点的相关矩阵,如公式(13):
(13)
然后依据式(14)计算特征值:
(14)
根据计算的两个特征值,计算角点响应值:
(16)
将所有的角点响应值放入响应值集合,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b倍头高的人体,b=7-8.5,腰臀、大腿/>和小腿/>区段的高度计算方法如式(18)所示:
(18)
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,胸部/>,腰部/>,臀部/>,大腿部/>,膝部/>,其中,/>为服装轮廓图像对应区段的最左端点,/>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、胸宽/>、腰宽/>、臀宽/>、大腿宽/>、膝宽/>,然后依据式(19)对上述宽度做区域平均:
(19)
其中,肩胸区段宽度均值为,胸腰区段宽度均值为/>,腰臀区段宽度均值为,臀部与大腿部区段宽度均值为/>;
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,计算如式(20)~(24)所示:/>
(20)
(21)
(22)
(23)
(24)
然后对同一服装图像的5个特征值进行求和,结果记为,
(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,廓形预测模型如式(26)所示,
(26)
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。
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。
表2廓形识别准确率统计结果(样本数S=1000)
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/>,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 (6)
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;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;
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;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个方向进行变换,公式如下,
(11)
其中,是步骤2得到的完整的服装轮廓图像,/>是指沿第/>个方向的Gabor小波如式(a)所示,/>,/>是/>上的离散方向总数,u和v分别是在x变量与y变量上的积分变量,/>表示/>处第/>个方向的水平与垂直的分解值;
(a)
其中,表示余弦因子的波长;/>表示垂直于Gabor小波条纹的方向;/>表示相移,当时,Gabor函数是偶对称的,/>时,Gabor函数是奇对称的;/>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;/>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得到进行如公式(12)的处理:
(12)
其中,是第k个方向角度;
构造像素点的相关矩阵,如公式(13):
(13)
然后依据式(14)计算特征值:
(14)
根据计算的两个特征值,计算角点响应值:
(16)
将所有的角点响应值放入响应值集合,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b倍头高的人体,b=7-8.5,腰臀、大腿/>和小腿/>区段的高度计算方法如式(18)所示:
(18)
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,胸部,腰部/>,臀部/>,大腿部/>,膝部/>,其中,/>为服装轮廓图像对应区段的最左端点,/>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,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、胸宽/>、腰宽/>、臀宽/>、大腿宽/>、膝宽,然后依据式(19)对上述宽度做区域平均:
(19)
其中,肩胸区段宽度均值为,胸腰区段宽度均值为/>,腰臀区段宽度均值为/>,臀部与大腿部区段宽度均值为/>;
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,计算如式(20)~(24)所示:
(20)
(21)
(22)
(23)
(24)
然后对同一服装图像的5个特征值进行求和,结果记为,
(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,廓形预测模型如式(26)所示,
(26)
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。
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,所述距离模板的生成公式如式(1):
(1)
其中,为模板窗口的中心坐标,/>为模板窗口的其他系数的坐标,/>为二维高斯函数的标准差;
值域模板的生成公式如式(2):
(2)
其中,表示待处理服装图像,即输入图像,/>为模板窗口的中心坐标,/>为模板窗口的其他系数坐标,/>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:
(3)
其中,为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,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:任取一值为初始化分割阈值,将滤波后的结果图像/>中所有像素点分为前景/>和背景/>两类,其中,/>>/>,/>,则/>为前景所占像素数占整幅图的比例,/>为前景的灰度均值,/>为背景所占像素数占整幅图的比例,/>为背景的灰度均值,/>为图像的全局灰度均值,/>为前景/>与背景/>的类间方差,如式(4)所给出,
(4)
设结果图像的大小为/>,图像中前景像素/>的个数记作/>,背景像素的个数记作/>,则有:
(5)
联立式(4)简化类间方差公式,
(6)
当为最大时,对应分割阈值为最佳阈值/>,则像素值大于/>判别为前景/>,反之判别为背景/>,获得对应的二值化图像。
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,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滤波器虚部的公式如下:
(7)
其中,是滤波器的中心频率,/>和/>是常数,/>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;
设定方向于[0,/>]区间内进行均匀采样,选取不同的中心频率/>,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:
(8)
其中,是第k个方向角度,/>,/>表示/>上的离散方向总数,/>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:
(9)
其中,为通过步骤1得到的待提取图像,/>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:
(10)
式中,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。
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2.1中的参数设置为:
(b)。
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,所述高阈值为0.17,低阈值为0.05。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011242095.XA CN112308084B (zh) | 2020-11-09 | 2020-11-09 | 一种基于多尺度Gabor的服装廓形分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011242095.XA CN112308084B (zh) | 2020-11-09 | 2020-11-09 | 一种基于多尺度Gabor的服装廓形分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112308084A CN112308084A (zh) | 2021-02-02 |
CN112308084B true CN112308084B (zh) | 2024-04-23 |
Family
ID=74325465
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011242095.XA Active CN112308084B (zh) | 2020-11-09 | 2020-11-09 | 一种基于多尺度Gabor的服装廓形分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112308084B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004219277A (ja) * | 2003-01-15 | 2004-08-05 | Sanyo Electric Co Ltd | 人体検知方法およびシステム、プログラム、記録媒体 |
CN101714214A (zh) * | 2008-10-03 | 2010-05-26 | 索尼株式会社 | 学习装置和方法、识别装置和方法、程序及记录介质 |
KR101174103B1 (ko) * | 2011-12-28 | 2012-08-14 | (주)로복전자 | 근골격 구조에 기초한 수학적 패턴 분석의 얼굴인식 방법 |
US8422782B1 (en) * | 2010-09-30 | 2013-04-16 | A9.Com, Inc. | Contour detection and image classification |
CN105868716A (zh) * | 2016-03-29 | 2016-08-17 | 中国科学院上海高等研究院 | 一种基于面部几何特征的人脸识别方法 |
CN106022343A (zh) * | 2016-05-19 | 2016-10-12 | 东华大学 | 一种基于傅里叶描述子和bp神经网络的服装款式识别方法 |
CN106056132A (zh) * | 2016-05-19 | 2016-10-26 | 东华大学 | 一种基于傅里叶描述子和支持向量机的服装款式识别方法 |
CN108960003A (zh) * | 2017-05-18 | 2018-12-07 | 济南大学 | 基于Gabor和混沌映射的掌纹特征生成及认证方法 |
CN109871781A (zh) * | 2019-01-28 | 2019-06-11 | 山东大学 | 基于多模态3d卷积神经网络的动态手势识别方法及系统 |
CN109919960A (zh) * | 2019-02-22 | 2019-06-21 | 西安工程大学 | 一种基于多尺度Gabor滤波器的图像连续边缘检测方法 |
CN111145242A (zh) * | 2019-12-26 | 2020-05-12 | 赛维时代科技股份有限公司 | 预测流行趋势的方法、智能设备和计算机可读存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103782322B (zh) * | 2011-12-16 | 2015-04-15 | 独立行政法人科学技术振兴机构 | 特征量提取方法、被摄体分类方法、被摄体判别方法、特征量提取装置、被摄体分类装置、被摄体判别装置 |
-
2020
- 2020-11-09 CN CN202011242095.XA patent/CN112308084B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004219277A (ja) * | 2003-01-15 | 2004-08-05 | Sanyo Electric Co Ltd | 人体検知方法およびシステム、プログラム、記録媒体 |
CN101714214A (zh) * | 2008-10-03 | 2010-05-26 | 索尼株式会社 | 学习装置和方法、识别装置和方法、程序及记录介质 |
US8422782B1 (en) * | 2010-09-30 | 2013-04-16 | A9.Com, Inc. | Contour detection and image classification |
KR101174103B1 (ko) * | 2011-12-28 | 2012-08-14 | (주)로복전자 | 근골격 구조에 기초한 수학적 패턴 분석의 얼굴인식 방법 |
CN105868716A (zh) * | 2016-03-29 | 2016-08-17 | 中国科学院上海高等研究院 | 一种基于面部几何特征的人脸识别方法 |
CN106022343A (zh) * | 2016-05-19 | 2016-10-12 | 东华大学 | 一种基于傅里叶描述子和bp神经网络的服装款式识别方法 |
CN106056132A (zh) * | 2016-05-19 | 2016-10-26 | 东华大学 | 一种基于傅里叶描述子和支持向量机的服装款式识别方法 |
CN108960003A (zh) * | 2017-05-18 | 2018-12-07 | 济南大学 | 基于Gabor和混沌映射的掌纹特征生成及认证方法 |
CN109871781A (zh) * | 2019-01-28 | 2019-06-11 | 山东大学 | 基于多模态3d卷积神经网络的动态手势识别方法及系统 |
CN109919960A (zh) * | 2019-02-22 | 2019-06-21 | 西安工程大学 | 一种基于多尺度Gabor滤波器的图像连续边缘检测方法 |
CN111145242A (zh) * | 2019-12-26 | 2020-05-12 | 赛维时代科技股份有限公司 | 预测流行趋势的方法、智能设备和计算机可读存储介质 |
Non-Patent Citations (4)
Title |
---|
Kimitoshi YAMAZAKI,等.Instance Recognition of Clumped Clothing Using Image Features Focusing on Clothing Fabrics and Wrinkles.《IEEE Xplore》.2016,第1102-1108页. * |
Xinting Gao,等.Corner detection of gray level images using Gabor wavelets.《IEEE Xplore》.2005,第2669-2672页. * |
基于Gabor优化选择的彩色图像边缘检测算法;王苗苗,等;《纺织高校基础科学学报》;20191231;第32卷(第4期);第461-467页 * |
基于改进Canny算法的服装图像边缘检测;罗敏,等;《湖南工程学院学报(自然科学版)》;20180930;第28卷(第3期);第39-44页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112308084A (zh) | 2021-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Fabric defect detection using salience metric for color dissimilarity and positional aggregation | |
CN110837768B (zh) | 一种面向珍稀动物保护的在线检测与识别方法 | |
CN103632132B (zh) | 一种基于肤色分割和模板匹配的人脸检测与识别方法 | |
Zheng et al. | Unsupervised saliency-guided SAR image change detection | |
CN104636721B (zh) | 一种基于轮廓与边缘纹理特征融合的掌纹识别方法 | |
CN110648342B (zh) | 基于nsst显著性检测及图割的泡沫红外图像分割方法 | |
Zhang et al. | Multi-focus image fusion algorithm based on focused region extraction | |
Valliammal et al. | Plant leaf segmentation using non linear K means clustering | |
CN111242864B (zh) | 一种基于Gabor纹理约束的手指静脉图像修复方法 | |
CN107358267A (zh) | 一种基于互相关特征的乳腺超声图像多元分类系统及方法 | |
CN110378924A (zh) | 基于局部熵的水平集图像分割方法 | |
CN110414571A (zh) | 一种基于特征融合的网站报错截图分类方法 | |
CN105631860B (zh) | 基于局部排序方向直方图描述子的图像同名点提取方法 | |
CN106778491A (zh) | 人脸3d特征信息的获取方法及设备 | |
Qiao | Application of Gabor image recognition technology in intelligent clothing design | |
CN112308084B (zh) | 一种基于多尺度Gabor的服装廓形分类方法 | |
CN108257148A (zh) | 特定对象的目标建议窗口生成方法及其在目标跟踪的应用 | |
Honi et al. | Towards fast edge detection approach for industrial products | |
CN110136112B (zh) | 一种基于乳腺x线摄影钙化计算机辅助检测算法 | |
Bonde et al. | Multi scale shape index for 3d object recognition | |
Ahn et al. | Segmenting a noisy low-depth-of-field image using adaptive second-order statistics | |
CN105844618A (zh) | 评价服装穿着起皱程度的图像处理及特征提取方法 | |
Cui et al. | Progress and survey of mobile image feature recognition | |
CN115457296A (zh) | 一种面向非平稳纹理结构属性的结构提取方法 | |
Ding et al. | Segmentation algorithm of medical exercise rehabilitation image based on HFCNN and IoT |
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 |