CN112750151B - 基于数理统计的服装颜色匹配方法、装置和设备 - Google Patents
基于数理统计的服装颜色匹配方法、装置和设备 Download PDFInfo
- Publication number
- CN112750151B CN112750151B CN202011622316.6A CN202011622316A CN112750151B CN 112750151 B CN112750151 B CN 112750151B CN 202011622316 A CN202011622316 A CN 202011622316A CN 112750151 B CN112750151 B CN 112750151B
- Authority
- CN
- China
- Prior art keywords
- color
- feature vector
- clothing
- main
- matrix
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种基于数理统计的服装颜色匹配方法、装置和设备。所述方法包括:获取人体图像切片;其中,人体图像切片为对穿着待判断服装的人体的图像进行切分后得到的;对人体图像切片进行服装主要颜色的分割提取,生成该人员服装主要颜色的特征向量集的标准高斯分布模型和标准化矩阵;基于标准高斯分布模型、标准化矩阵和预设的目标颜色特征向量,判断该人员的服装颜色是否与目标颜色相匹配。如此设置,可以快速准确地得到匹配结果,相对于传统的匹配方法,设计简单、普适性高,具有很高的实用性。
Description
技术领域
本申请涉及计算机图像处理技术领域,尤其涉及一种基于数理统计的服装颜色匹配方法、装置和设备。
背景技术
在实际生活或工作中,人们有时需要通过智能设备判断某人穿着的服装是否是特定服装。智能设备在判断时,需要对待判断的服装进行特征提取(最常见的是提取颜色特征),相关技术中,传统方法是通过图像匹配,主成分分析等图像处理方法,对图像信息进行特征提取、过滤,最后使用特征匹配的方法进行特征识别,最后得到匹配结果,这种方式对图像信息的特征提取设计较为复杂,且普适性不高。
发明内容
本申请提供一种基于数理统计的服装颜色匹配方法、装置和设备,以解决现有的针对服装颜色的匹配方法普适性不高的问题。
本申请的上述目的是通过以下技术方案实现的:
第一方面,本申请实施例提供一种基于数理统计的服装颜色匹配方法,其包括:
获取人体图像切片;其中,所述人体图像切片为对穿着待判断服装的人体的图像进行切分后得到的;
对所述人体图像切片进行服装主要颜色的分割提取,生成该人员服装主要颜色的特征向量集的标准高斯分布模型和标准化矩阵;
基于所述标准高斯分布模型、所述标准化矩阵和预设的目标颜色特征向量,判断该人员的服装颜色是否与目标颜色相匹配。
可选的,所述对所述人体图像切片进行服装主要颜色的分割提取,生成该人员服装主要颜色的特征向量集的标准高斯分布模型和标准化矩阵,包括:
对所述人体图像切片进行服装主要颜色的分割提取,生成主要颜色类;
基于所述主要颜色类生成主要颜色的特征向量集,并计算所述主要颜色的特征向量集的协方差矩阵和分布中心;
基于所述主要颜色的特征向量集的协方差矩阵和分布中心,计算得到所述主要颜色的特征向量集的标准高斯分布模型和标准化矩阵。
可选的,所述对所述人体图像切片进行服装主要颜色的分割提取,生成主要颜色类,包括:
对所述人体图像切片进行预处理;
对所述预处理后得到的图像进行HLS颜色空间变换,并进行通道拆分,得到单一H、L、S的数据,对H、S数据按照像素坐标进行拼接为N×2的向量,将该向量作为聚类数据,其中,N=wb×hb,wb,hb分别为所述人体图像切片的宽和高;
基于预设聚类算法生成M个颜色类;
对生成的每一个颜色类的特征向量进行统计,得到每一类的大小;
如果聚类数量大于3类,也即M>3,则对各类的大小进行从大到小的排序,并结合所述人体图像切片的尺寸计算各类对应的占比,将占比大于等于预设阈值的类作为备选类;如果聚类数量小于等于3类,也即M≤3,则将全部类作为备选类;
使用欧式距离公式,以图像中心点为固定端点,图像点p=(i,j)为另一端点,连成线段,生成与所述人体图像切片相同尺寸的距离;其中,中心像素值为0,离中心越远,像素值越大;
用各所述备选类的各像素所在坐标,取对应距离的像素值做累加,将累加结果作为各所述备选类的误差;
取误差最小的备选类作为所述主要颜色类。
可选的,所述预处理包括高斯模糊和下采样。
可选的,所述基于所述主要颜色类生成主要颜色的特征向量集,并计算所述主要颜色的特征向量集的协方差矩阵和分布中心,包括:
获取所述主要颜色类以及进行所述通道拆分后得到的H、S数据;
对应所述主要颜色类存储的各像素坐标,提取对应的H、S数据,生成所述主要颜色的特征向量集;
计算所述主要颜色的特征向量集中的H、S通道中的分布中心;
对所述主要颜色的特征向量集进行协方差的计算,生成协方差矩阵。
可选的,所述基于所述主要颜色的特征向量集的协方差矩阵和分布中心,计算得到所述主要颜色的特征向量集的标准高斯分布模型和标准化矩阵,包括:
基于所述协方差矩阵得到所述主要颜色的特征向量集的标准高斯分布模型的3σ区间半径;
基于所述分布中心得到平移矩阵;
计算所述协方差矩阵中的特征值及特征向量;
取计算得到的对应特征值最大的一个特征向量,计算所述主要颜色的特征向量集的倾角;
对所述倾角进行修正;
利用修正后的倾角,计算旋转矩阵;
基于所述平移矩阵和所述旋转矩阵得到标准化矩阵。
可选的,所述基于所述标准高斯分布模型、所述标准化矩阵和预设的目标颜色特征向量,判断该人员的服装颜色是否与目标颜色相匹配,包括:
基于所述平移矩阵对所述预设的目标颜色特征向量进行修正,得到标准化的目标颜色特征向量;
基于所述标准化矩阵对所述标准化的目标颜色特征向量进行变换,得到判决颜色特征向量;
基于所述标准高斯分布模型的3σ区间半径构建标准椭圆方程;
将所述判决颜色特征向量代入所述标准椭圆方程,若结果小于或等于1,则该人员的服装颜色与目标颜色相匹配,否则不匹配。
可选的,所述预设的目标颜色特征向量的设置过程包括:
获取用户设定的目标颜色;通过将RGB图像转换为HLS图像的转换公式,对所述目标颜色进行变换,得到所述预设的目标颜色特征向量。
第二方面,本申请实施例还提供一种基于数理统计的服装颜色匹配装置,其包括:
获取模块,用于获取人体图像切片;其中,所述人体图像切片为对穿着待判断服装的人体的图像进行切分后得到的;
生成模块,用于对所述人体图像切片进行服装主要颜色的分割提取,生成该人员服装主要颜色的特征向量集的标准高斯分布模型和标准化矩阵;
判断模块,用于基于所述标准高斯分布模型、所述标准化矩阵和预设的目标颜色特征向量,判断该人员的服装颜色是否与目标颜色相匹配。
第三方面,本申请实施例还提供一种基于数理统计的服装颜色匹配设备,其特征在于,包括:
存储器和与所述存储器相连接的处理器;
所述存储器,用于存储程序,所述程序至少用于实现如第一方面任一项所述的基于数理统计的服装颜色匹配方法;
所述处理器,用于调用并执行所述存储器存储的所述程序。
本申请的实施例提供的技术方案可以包括以下有益效果:
本申请的实施例提供的技术方案中,首先获取人体图像切片然后对人体图像切片进行主要颜色的分割提取,得到主要颜色的特征向量集的标准高斯分布模型和标准化矩阵,再基于得到的标准高斯分布模型和标准化矩阵以及预先设定的目标颜色特征向量,判断该人体的服装颜色是否与目标颜色相匹配。如此设置,可以快速准确地得到匹配结果,相对于传统的匹配方法,设计简单、普适性高,具有很高的实用性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1为本申请实施例提供的一种基于数理统计的服装颜色匹配方法的流程示意图;
图2为本申请实施例提供的生成标准高斯分布模型和标准化矩阵的流程示意图;
图3为本申请实施例提供的一种基于数理统计的服装颜色匹配装置的结构示意图;
图4为本申请实施例提供的一种基于数理统计的服装颜色匹配设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
为了解决背景技术中提到的现有的针对服装颜色的匹配方法普适性不高的问题,本申请提供一种基于数理统计的服装颜色匹配方案,以下通过实施例进行详细说明。
实施例
参照图1,图1为本申请实施例提供的一种基于数理统计的服装颜色匹配方法的流程示意图。如图1所示,该方法至少包括以下步骤:
S101:获取人体图像切片;其中,所述人体图像切片为对穿着待判断服装的人体的图像进行切分后得到的;
具体的,关于对穿着待判断服装的人体的图像进行切分,以得到人体图像切片,是指将图片或视频图像内的人体图像部分进行切分(实质是对服装部分的切分),得到多个不同的子图像,该过程可以参照现有技术中的方法实现,不再进行详细说明。此外需要说明的是,本实施例中所提及的人体图像及其切片均指的是仅包含单一人体的图像及其切片。
此外,如果是第一次应用该方法,则需要预先设定后续步骤中的各算法参数并存储,比如:聚类算法的参数,例如当应用到DBSCAN(Density-Based Spatial Clustering ofApplications with Noise)聚类算法时则需要设定相应的聚类半径α,面积比例系数β;后续步骤S1021中用于确定备选类的预设阈值Thresh;对于服装颜色标准高斯分布模型的颜色特征向量的分布统计阈值参数ε;对于深度学习模型设置后处理参数,如NMS(Non-Maximum Suppression,非极大值抑制)参数ρ,置信度参数σ,Top数量参数τ;等等。
S102:对所述人体图像切片进行服装主要颜色的分割提取,生成该人员服装主要颜色的特征向量集的标准高斯分布模型和标准化矩阵;
其中,在具体实现时,如图2所示,该步骤S102主要包括:
S1021:获取人体图像切片,并对所述人体图像切片进行服装主要颜色的分割提取,生成主要颜色类;具体包括:
对所述人体图像切片进行预处理,具体包括高斯模糊和下采样;高斯模糊(Gaussian Blur),也叫高斯平滑,用于减少图像噪声以及降低细节层次;此外,对于一幅图像I,尺寸为M×N,对其进行s倍下采样,即得到尺寸的分辨率图像,即把原始图像s×s窗口内的图像变成一个像素,这个像素点的值就是窗口内所有像素的均值;通过预处理,对检测图像进一步优化,可以加快后续处理速度,同时进一步避免不必要的干扰;
对所述预处理后得到的图像进行HLS(Hue色相、Lightness亮度、Saturation饱和度)颜色空间变换,并进行通道拆分,得到单一H、L、S的数据,对H、S数据按照像素坐标进行拼接为N×2的向量,将该向量作为聚类数据ClusterData,其中,N=wb×hb,wb,hb分别为所述人体图像切片的宽和高;
基于预设聚类算法生成M个颜色类,也即class=(class0,class1,class2,…classm-1);比如,可以采用DBSCAN聚类算法实现,应用该算法前,需先设置面积比例参数β、聚类半径α等参数,则聚类时,首先计算DBSCAN参数min_P ts=N×β,然后根据聚类半径α和计算得到的min-P ts,对聚类数据ClusterData进行基于密度的聚类,即可得到M个颜色类;当然,也可以采用其他聚类算法,比如Kmeans等,不再一一列举;其中,优选为DBSCAN聚类算法,因为同Kmeans算法相比,不用预设聚类个数,效果更直观稳定,更加符合预期;
对生成的每一个颜色类的特征向量进行统计,得到每一类的大小;
如果聚类数量大于3类,也即M>3,则对各类的大小进行从大到小的排序,并结合所述人体图像切片的尺寸计算各类对应的占比,将占比大于等于预设阈值T res的类作为备选类;如果聚类数量小于等于3类,也即M≤3,则将全部类作为备选类;
使用欧式距离公式,以图像中心点为固定端点,图像点p=(i,j)为另一端点,连成线段,生成与所述人体图像切片相同尺寸的距离Mask;其中,中心像素值为0,离中心越远,像素值越大,表达式为:
用各所述备选类的各像素所在坐标,取对应距离Mask的像素值做累加,将累加结果作为各所述备选类的误差ern,表达式为:
取误差最小的备选类作为所述主要颜色类,表达式为:id=argmin(er0,er1,er2,…ern)id∈n≤M,其中n为所述备选类的个数,则所述主要颜色类为main_class=classid。
S1022:基于所述主要颜色类生成主要颜色的特征向量集,并计算所述主要颜色的特征向量集的协方差矩阵和分布中心;具体包括:
获取所述主要颜色类以及进行所述通道拆分后得到的H、S数据;
对应所述主要颜色类存储的各像素坐标,提取对应的H、S数据,生成所述主要颜色的特征向量集Data;
计算所述主要颜色的特征向量集Data中的H、S通道中的分布中心μ,表达式为:
μ=(center,centers);
对所述主要颜色的特征向量集Data进行协方差的计算,生成协方差矩阵Cov(H,S),表达式为:
式中,σ(H)和σ(S)分别为H通道和S通道的方差,σ(H,S)为H通道和S通道的协方差。
S1023:基于所述主要颜色的特征向量集的协方差矩阵和分布中心,计算得到所述主要颜色的特征向量集的标准高斯分布模型和标准化矩阵;具体包括:
基于所述协方差矩阵Cov(H,S)得到所述主要颜色的特征向量集Data的标准高斯分布模型的3σ区间半径(a,b),若令H分量代表长轴,S分量代表短轴,则表达式为:
其中,ε为预设的分布统计阈值;ε通常取值为/>
基于所述分布中心μ得到平移矩阵T为:
计算所述协方差矩阵Cov(H,S)中的特征值λ=(λ1,λ2)T(常规计算公式)及特征向量χ=(x1,χ2)T(常规计算公式);其中χi=(vi1,vi2);
取计算得到的对应特征值最大的一个特征向量,计算所述主要颜色的特征向量集Data的倾角θ;其中取最大的一个特征向量的下标的表达式为:idx=argmax(λ1,λ2);倾角计算表达式为:
由于反正切函数引起了角度偏移,所以对所述倾角θ进行如下修正:
利用修正后的倾角θ,计算旋转矩阵R,表达式为:
基于所述平移矩阵T和所述旋转矩阵R得到标准化矩阵U,表达式为:U=R×T。
通过上述步骤S1021-S1023即可得到标准高斯分布模型和标准化矩阵,用于在后续步骤中使用。
S103:基于所述标准高斯分布模型、所述标准化矩阵和预设的目标颜色特征向量,判断该人员的服装颜色是否与目标颜色相匹配。
具体的,在上述步骤中得到标准高斯分布模型和标准化矩阵后,即可用于判断该人员的服装颜色是否与目标颜色相匹配;具体过程包括:
基于所述平移矩阵T对所述预设的目标颜色特征向量进行修正,得到标准化的目标颜色特征向量;该修正为使用平移矩阵T中的centerh,对目标颜色特征向量Tar中的H分量Tar进行修正,其中,在HLS空间中,红色对应的色调Hred处于特殊区间,即Hred∈[0,20]∪[312,360],但是算法所需是最短距离,故需修正Tar。具体修正过程为:若Tar与centerh的差大于0.5,Tar自减1;若差小于-0.5,Tar自加1,表达式如下:
基于所述标准化矩阵对所述标准化的目标颜色特征向量进行变换,得到判决颜色特征向量V;表达式为:V=U×Tar=(Vh,Vs);
基于所述标准高斯分布模型的3σ区间半径(a,b)构建标准椭圆方程,即其中x代表H分量,y代表S分量;
将所述判决颜色特征向量V代入所述标准椭圆方程,得到结果ans.
若结果ans小于或等于1,则认为判决颜色特征向量V在主要颜色特征向量的标准高斯分布内,即为目标颜色特征向量在主要颜色特征向量的标准高斯分布3σ区间半径内,亦即该人员的服装颜色与目标颜色相匹配;否则不匹配。
当通过上述方法获得判断结果后,可以将判断结果输出,以便用户查看。
此外,在具体应用中,上述方案中的目标颜色特征向量Tar的设置过程可以包括:
获取用户设定的目标颜色(目标颜色可以包括多种颜色);通过将RGB图像转换为HLS图像的转换公式,对所述目标颜色进行变换,得到所述预设的目标颜色特征向量Tar;其中,Tar=(Tar Tars),具体为:
上述技术方案中,首先获取人体图像切片然后对人体图像切片进行主要颜色的分割提取,得到主要颜色的特征向量集的标准高斯分布模型和标准化矩阵,再基于得到的标准高斯分布模型和标准化矩阵以及预先设定的目标颜色特征向量,判断该人体的服装颜色是否与目标颜色相匹配。如此设置,可以快速准确地得到匹配结果,相对于传统的匹配方法,设计简单、普适性高,具有很高的实用性。
此外,对应于上述实施例的基于数理统计的服装颜色匹配方法,本申请实施例还提供一种基于数理统计的服装颜色匹配装置。该装置为相应设备中基于软件、硬件或其结合的功能集合体。
参照图3,图3为本申请实施例提供的一种基于数理统计的服装颜色匹配装置的结构示意图。如图3所示,该装置主要包括以下结构:
获取模块31,用于获取人体图像切片;其中,所述人体图像切片为对穿着待判断服装的人体的图像进行切分后得到的;
生成模块32,用于对所述人体图像切片进行服装主要颜色的分割提取,生成该人员服装主要颜色的特征向量集的标准高斯分布模型和标准化矩阵;
判断模块33,用于基于所述标准高斯分布模型、所述标准化矩阵和预设的目标颜色特征向量,判断该人员的服装颜色是否与目标颜色相匹配。
其中,上述功能模块的所执行的具体方法步骤的实现方法可以参照前述方法实施例中的相应内容,此处不再详述。
此外,对应于上述实施例的基于数理统计的服装颜色匹配方法,本申请实施例还提供一种基于数理统计的服装颜色匹配设备。
参照图4,图4为本申请实施例提供的一种基于数理统计的服装颜色匹配设备的结构示意图。如图4所示,该设备包括:
存储器41和与所述存储器41相连接的处理器42;
存储器41用于存储程序,所述程序至少用于实现上述的基于数理统计的服装颜色匹配方法;
处理器42用于调用并执行存储器41存储的所述程序。
其中,所述设备可以是PC、移动终端或类似设备。此外,所述程序所实现的方法的具体步骤可以参照前述方法实施例中的相应内容,此处不再详述。
通过上述方案,输入人体图像切片后可以快速得到目标服装的颜色匹配结果,且该所应用的方法相对于传统的匹配方法,设计简单、普适性高,具有很高的实用性。
可以理解的是,上述各实施例中相同或相似部分可以相互参考,在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是,在本申请的描述中,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本申请的描述中,除非另有说明,“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是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,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (6)
1.一种基于数理统计的服装颜色匹配方法,其特征在于,包括:
获取人体图像切片;其中,所述人体图像切片为对穿着待判断服装的人体的图像进行切分后得到的;
对所述人体图像切片进行服装主要颜色的分割提取,生成所述待判断服装主要颜色的特征向量集的标准高斯分布模型和标准化矩阵;
基于所述标准高斯分布模型、所述标准化矩阵和预设的目标颜色特征向量,判断所述待判断服装的服装颜色是否与目标颜色相匹配;
所述对所述人体图像切片进行服装主要颜色的分割提取,生成所述待判断服装主要颜色的特征向量集的标准高斯分布模型和标准化矩阵,包括:
对所述人体图像切片进行服装主要颜色的分割提取,生成主要颜色类;
基于所述主要颜色类生成主要颜色的特征向量集,并计算所述主要颜色的特征向量集的协方差矩阵和分布中心;
基于所述主要颜色的特征向量集的协方差矩阵和分布中心,计算得到所述主要颜色的特征向量集的标准高斯分布模型和标准化矩阵;
所述基于所述主要颜色类生成主要颜色的特征向量集,并计算所述主要颜色的特征向量集的协方差矩阵和分布中心,包括:
获取所述主要颜色类以及进行通道拆分后得到的H、S数据;
对应所述主要颜色类存储的各像素坐标,提取对应的H、S数据,生成所述主要颜色的特征向量集;
计算所述主要颜色的特征向量集中的H、S通道中的分布中心;
对所述主要颜色的特征向量集进行协方差的计算,生成协方差矩阵;
所述基于所述主要颜色的特征向量集的协方差矩阵和分布中心,计算得到所述主要颜色的特征向量集的标准高斯分布模型和标准化矩阵,包括:
基于所述协方差矩阵得到所述主要颜色的特征向量集的标准高斯分布模型的3σ区间半径;
基于所述分布中心得到平移矩阵;
计算所述协方差矩阵中的特征值及特征向量;
取计算得到的对应特征值最大的一个特征向量,计算所述主要颜色的特征向量集的倾角;
对所述倾角进行修正;
利用修正后的倾角,计算旋转矩阵;
基于所述平移矩阵和所述旋转矩阵得到标准化矩阵;
所述基于所述标准高斯分布模型、所述标准化矩阵和预设的目标颜色特征向量,判断所述待判断服装的服装颜色是否与目标颜色相匹配,包括:
基于所述平移矩阵对所述预设的目标颜色特征向量进行修正,得到标准化的目标颜色特征向量;
基于所述标准化矩阵对所述标准化的目标颜色特征向量进行变换,得到判决颜色特征向量;
基于所述标准高斯分布模型的3σ区间半径构建标准椭圆方程;
将所述判决颜色特征向量代入所述标准椭圆方程,若结果小于或等于1,则所述待判断服装的服装颜色与目标颜色相匹配,否则不匹配。
2.根据权利要求1所述的方法,其特征在于,所述对所述人体图像切片进行服装主要颜色的分割提取,生成主要颜色类,包括:
对所述人体图像切片进行预处理;
对所述预处理后得到的图像进行HLS颜色空间变换,并进行通道拆分,得到单一H、L、S的数据,对H、S数据按照像素坐标进行拼接为N×2的向量,将该向量作为聚类数据,其中,N=wb×hb,wb,hb分别为所述人体图像切片的宽和高;
基于预设聚类算法生成M个颜色类;
对生成的每一个颜色类的特征向量进行统计,得到每一类的大小;
如果聚类数量大于3类,也即M>3,则对各类的大小进行从大到小的排序,并结合所述人体图像切片的尺寸计算各类对应的占比,将占比大于等于预设阈值的类作为备选类;如果聚类数量小于等于3类,也即M≤3,则将全部类作为备选类;
使用欧式距离公式,以图像中心点为固定端点,图像点p=(i,j)为另一端点,连成线段,得到所述图像中心点到各个所述图像点的线段距离,依据所述线段距离生成与所述人体图像切片相同尺寸的图像;其中,中心像素值为0,离中心越远,像素值越大;
用各所述备选类的各像素所在坐标,取对应距离的像素值做累加,将累加结果作为各所述备选类的误差;
取误差最小的备选类作为所述主要颜色类。
3.根据权利要求2所述的方法,其特征在于,所述预处理包括高斯模糊和下采样。
4.根据权利要求1所述的方法,其特征在于,所述预设的目标颜色特征向量的设置过程包括:
获取用户设定的目标颜色;通过将RGB图像转换为HLS图像的转换公式,对所述目标颜色进行变换,得到所述预设的目标颜色特征向量。
5.一种基于数理统计的服装颜色匹配装置,其特征在于,包括:
获取模块,用于获取人体图像切片;其中,所述人体图像切片为对穿着待判断服装的人体的图像进行切分后得到的;
生成模块,用于对所述人体图像切片进行服装主要颜色的分割提取,生成所述待判断服装主要颜色的特征向量集的标准高斯分布模型和标准化矩阵;
所述对所述人体图像切片进行服装主要颜色的分割提取,生成所述待判断服装主要颜色的特征向量集的标准高斯分布模型和标准化矩阵,包括:对所述人体图像切片进行服装主要颜色的分割提取,生成主要颜色类;基于所述主要颜色类生成主要颜色的特征向量集,并计算所述主要颜色的特征向量集的协方差矩阵和分布中心;基于所述主要颜色的特征向量集的协方差矩阵和分布中心,计算得到所述主要颜色的特征向量集的标准高斯分布模型和标准化矩阵;
所述基于所述主要颜色类生成主要颜色的特征向量集,并计算所述主要颜色的特征向量集的协方差矩阵和分布中心,包括:获取所述主要颜色类以及进行通道拆分后得到的H、S数据;对应所述主要颜色类存储的各像素坐标,提取对应的H、S数据,生成所述主要颜色的特征向量集;计算所述主要颜色的特征向量集中的H、S通道中的分布中心;对所述主要颜色的特征向量集进行协方差的计算,生成协方差矩阵;
所述基于所述主要颜色的特征向量集的协方差矩阵和分布中心,计算得到所述主要颜色的特征向量集的标准高斯分布模型和标准化矩阵,包括:基于所述协方差矩阵得到所述主要颜色的特征向量集的标准高斯分布模型的3σ区间半径;基于所述分布中心得到平移矩阵;计算所述协方差矩阵中的特征值及特征向量;取计算得到的对应特征值最大的一个特征向量,计算所述主要颜色的特征向量集的倾角;对所述倾角进行修正;利用修正后的倾角,计算旋转矩阵;基于所述平移矩阵和所述旋转矩阵得到标准化矩阵;
判断模块,用于基于所述标准高斯分布模型、所述标准化矩阵和预设的目标颜色特征向量,判断所述待判断服装的服装颜色是否与目标颜色相匹配;
所述基于所述标准高斯分布模型、所述标准化矩阵和预设的目标颜色特征向量,判断所述待判断服装的服装颜色是否与目标颜色相匹配,包括:基于所述平移矩阵对所述预设的目标颜色特征向量进行修正,得到标准化的目标颜色特征向量;基于所述标准化矩阵对所述标准化的目标颜色特征向量进行变换,得到判决颜色特征向量;基于所述标准高斯分布模型的3σ区间半径构建标准椭圆方程;将所述判决颜色特征向量代入所述标准椭圆方程,若结果小于或等于1,则所述待判断服装的服装颜色与目标颜色相匹配,否则不匹配。
6.一种基于数理统计的服装颜色匹配设备,其特征在于,包括:
存储器和与所述存储器相连接的处理器;
所述存储器,用于存储程序,所述程序至少用于实现如权利要求1-4任一项所述的基于数理统计的服装颜色匹配方法;
所述处理器,用于调用并执行所述存储器存储的所述程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011622316.6A CN112750151B (zh) | 2020-12-30 | 2020-12-30 | 基于数理统计的服装颜色匹配方法、装置和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011622316.6A CN112750151B (zh) | 2020-12-30 | 2020-12-30 | 基于数理统计的服装颜色匹配方法、装置和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112750151A CN112750151A (zh) | 2021-05-04 |
CN112750151B true CN112750151B (zh) | 2023-09-26 |
Family
ID=75650364
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011622316.6A Active CN112750151B (zh) | 2020-12-30 | 2020-12-30 | 基于数理统计的服装颜色匹配方法、装置和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112750151B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008185526A (ja) * | 2007-01-31 | 2008-08-14 | Nec Corp | 色識別装置および色識別方法 |
CN101706965A (zh) * | 2009-11-03 | 2010-05-12 | 上海大学 | 基于高斯混合模型区域图像彩色化处理的方法 |
CN102509118A (zh) * | 2011-09-28 | 2012-06-20 | 安科智慧城市技术(中国)有限公司 | 一种监控视频检索方法 |
CN102610102A (zh) * | 2012-02-27 | 2012-07-25 | 安科智慧城市技术(中国)有限公司 | 一种嫌疑车辆查控方法及系统 |
WO2014074072A1 (en) * | 2012-11-12 | 2014-05-15 | Singapore University Of Technology And Design | Clothing matching system and method |
CN108986140A (zh) * | 2018-06-26 | 2018-12-11 | 南京信息工程大学 | 基于相关滤波和颜色检测的目标尺度自适应跟踪方法 |
CN110020627A (zh) * | 2019-04-10 | 2019-07-16 | 浙江工业大学 | 一种基于深度图与特征融合的行人检测方法 |
CN110033006A (zh) * | 2019-04-04 | 2019-07-19 | 中设设计集团股份有限公司 | 基于颜色特征非线性降维的车辆检测跟踪方法 |
CN110991389A (zh) * | 2019-12-16 | 2020-04-10 | 西安建筑科技大学 | 判断目标行人在非重叠相机视角中出现的匹配方法 |
CN111444806A (zh) * | 2020-03-19 | 2020-07-24 | 成都云盯科技有限公司 | 基于监控视频的商品触碰信息聚类方法、装置和设备 |
CN111598835A (zh) * | 2020-04-15 | 2020-08-28 | 深圳市图郅创新科技有限公司 | 一种服装图片颜色的匹配方法、系统和匹配装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8798362B2 (en) * | 2011-08-15 | 2014-08-05 | Hewlett-Packard Development Company, L.P. | Clothing search in images |
US9266287B2 (en) * | 2013-09-18 | 2016-02-23 | Disney Enterprises, Inc. | 3D printing with custom surface reflectance |
-
2020
- 2020-12-30 CN CN202011622316.6A patent/CN112750151B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008185526A (ja) * | 2007-01-31 | 2008-08-14 | Nec Corp | 色識別装置および色識別方法 |
CN101706965A (zh) * | 2009-11-03 | 2010-05-12 | 上海大学 | 基于高斯混合模型区域图像彩色化处理的方法 |
CN102509118A (zh) * | 2011-09-28 | 2012-06-20 | 安科智慧城市技术(中国)有限公司 | 一种监控视频检索方法 |
CN102610102A (zh) * | 2012-02-27 | 2012-07-25 | 安科智慧城市技术(中国)有限公司 | 一种嫌疑车辆查控方法及系统 |
WO2014074072A1 (en) * | 2012-11-12 | 2014-05-15 | Singapore University Of Technology And Design | Clothing matching system and method |
CN108986140A (zh) * | 2018-06-26 | 2018-12-11 | 南京信息工程大学 | 基于相关滤波和颜色检测的目标尺度自适应跟踪方法 |
CN110033006A (zh) * | 2019-04-04 | 2019-07-19 | 中设设计集团股份有限公司 | 基于颜色特征非线性降维的车辆检测跟踪方法 |
CN110020627A (zh) * | 2019-04-10 | 2019-07-16 | 浙江工业大学 | 一种基于深度图与特征融合的行人检测方法 |
CN110991389A (zh) * | 2019-12-16 | 2020-04-10 | 西安建筑科技大学 | 判断目标行人在非重叠相机视角中出现的匹配方法 |
CN111444806A (zh) * | 2020-03-19 | 2020-07-24 | 成都云盯科技有限公司 | 基于监控视频的商品触碰信息聚类方法、装置和设备 |
CN111598835A (zh) * | 2020-04-15 | 2020-08-28 | 深圳市图郅创新科技有限公司 | 一种服装图片颜色的匹配方法、系统和匹配装置 |
Non-Patent Citations (2)
Title |
---|
A study of Gaussian mixture models of color and texture features for image classification and segmentation;Haim Permuter et al;《Pattern Recognition》;第39卷(第4期);第695-706页 * |
智能家居中基于视觉的服装分析和推荐研究;桂琳;《中国博士学位论文全文数据库 (工程科技Ⅱ辑)》(第12期);第C038-10页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112750151A (zh) | 2021-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112749645B (zh) | 基于监控视频的服装颜色检测方法、装置和设备 | |
EP3327668B1 (en) | Image-processing device and method for foreground mask correction for object segmentation | |
US8594439B2 (en) | Image processing | |
US20200286239A1 (en) | Iterative method for salient foreground detection and multi-object segmentation | |
KR20210149848A (ko) | 피부질 검출 방법, 피부질 등급 분류 방법, 피부질 검출 장치, 전자 기기 및 저장 매체 | |
EP2879080B1 (en) | Image processing device and method, and computer readable medium | |
JP6192271B2 (ja) | 画像処理装置、画像処理方法及びプログラム | |
CN109359602A (zh) | 车道线检测方法和装置 | |
JP2007504719A (ja) | 組み込みアプリケーションに適した、画像における赤目の検出と補正を行うシステム及び方法 | |
JP2017005389A (ja) | 画像認識装置、画像認識方法及びプログラム | |
KR20190053602A (ko) | 얼굴 인증 방법 및 장치 | |
CN109859236B (zh) | 运动物体检测方法、系统、计算设备及存储介质 | |
KR100601453B1 (ko) | 지문 인식 방법 | |
CN112907460B (zh) | 一种遥感图像增强方法 | |
JP6779688B2 (ja) | 画像処理装置、画像処理方法、コンピュータプログラム | |
CN112784854B (zh) | 基于数理统计的服装颜色分割提取方法、装置和设备 | |
CN112883940A (zh) | 静默活体检测方法、装置、计算机设备及存储介质 | |
US9607397B2 (en) | Methods and systems for generating a user-hair-color model | |
Raval et al. | Color image segmentation using FCM clustering technique in RGB, L* a* b, HSV, YIQ color spaces | |
Laakom et al. | Probabilistic color constancy | |
CN112750151B (zh) | 基于数理统计的服装颜色匹配方法、装置和设备 | |
López-Rubio et al. | Selecting the color space for self-organizing map based foreground detection in video | |
AU2018202801A1 (en) | Method, apparatus and system for producing a foreground map | |
US8792716B2 (en) | Image processing apparatus for region segmentation of an obtained image | |
JP5786838B2 (ja) | 画像領域分割装置、方法、およびプログラム |
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 |