CN115482439A - 一种基于关键点的衣服长度属性识别方法 - Google Patents

Abstract

本发明公开了一种基于关键点的衣服长度属性识别方法，包括以下步骤：S1、收集准备不同类别衣服的关键点训练数据；S2、对所述训练数据进行预处理和数据增强；S3、衣服关键点模型训练与优化；S4、衣服关键点模型部署与基于关键点的衣服长度属性估算；S5、输出衣服长度属性识别结果。本发明基于衣服关键点的位置，利用关键点来计算出衣服自身不同部位的相对长度作为判断标准，从而识别出衣服的长度属性，避免了因为没有人体参考而导致衣服长度款式智能识别不准确的问题，方便为用户提供精准的个性化智能穿搭服务，提高用户穿搭出行的效率。

Description

一种基于关键点的衣服长度属性识别方法

技术领域

本发明涉及一种基于关键点的衣服长度属性识别方法。

背景技术

衣服是人们最基本的物质生活需要之一,它既能满足保暖的需要又能满足审美需求，而衣服审美的核心是穿搭。在穿衣搭配过程中，衣服的款式是十分重要的，尤其是衣服的长款搭配，对于不同长度款式，搭配所呈现出来的风格是有很大差异的，其搭配的特点也各不相同。随着计算机视觉的发展，基于人工智能算法的智能穿搭推荐方法逐渐流行起来，即通过深度学习图像技术识别出衣服的款式和穿搭的美丑，来为用户提供智能穿搭指导。

而衣服智能搭配的核心问题之一是衣服的长度属性识别，目前的衣服长度属性识别算法一般是通过深度学习的卷积神经分类网络对穿在人身上的衣服进行识别；但对于没有穿在人体身上、而是平铺在床上或晾挂着的衣服，由于没有人体作为参考标准，人工智能算法很难判断衣服长短，导致衣服长度属性识别不准确，无法准确判别衣服款式，进而影响智能穿搭推荐效果。因此，本发明提供一种基于关键点的衣服长度属性识别方法。

发明内容

本发明的目的在于提供一种基于关键点的衣服长度属性识别方法，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：

一种基于关键点的衣服长度属性识别方法，包括以下步骤：

S1、收集准备不同类别衣服的关键点训练数据；

S2、对所述训练数据进行预处理和数据增强；

S3、衣服关键点模型训练与优化；

S4、衣服关键点模型部署与基于关键点的衣服长度属性估算；

S5、输出衣服长度属性识别结果。

进一步地，所述不同类别衣服包括上身装，所述上身装的关键点包括左衣领、右衣领、左肩、右肩、左腋、右腋、左袖外侧、左袖内侧、右袖外侧、右袖内侧、左腰、右腰、左下摆外侧和右下摆外侧。

进一步地，所述不同类别衣服还包括下身装，所述下身装的关键点包括左腰、右腰、左下摆外侧、右下摆外侧、左下摆内侧、裤档、右下摆内侧、左髋和右髋。

进一步地，所述步骤S2中数据增强的方法包括将图片随机抖动缩放、提高图片亮度、改变HSV、随机水平翻转和旋转。

进一步地，所述步骤S3的衣服关键点模型训练与优化方法包括以下步骤：

S31、衣服关键点模型训练；

S32、衣服关键点模型输出；

S33、对所述衣服关键点模型进行测试；

S34、判断测试结果是否满足预设条件：若是，则输出最终的衣服关键点模型；若否，则进行算法优化，然后执行所述步骤S31。

进一步地，所述步骤S4中基于关键点的衣服长度属性估算具体包括以下步骤：

S41、通过所述衣服关键点模型预测衣服关键点位置；

S42、根据所述衣服关键点位置计算出衣服长度属性值。

进一步地，所述步骤S5的输出衣服长度属性识别结果方法包括通过手机APP展示。

进一步地，所述衣服关键点模型包括高分辨率主网络和若干分辨率从高到低递减的子网络，所述主网络和子网络并行连接构成所述衣服关键点模型的骨架网络结构。

本发明的有益效果在于：本发明基于衣服关键点的位置，利用关键点来计算出衣服自身不同部位的相对长度作为判断标准，从而识别出衣服的长度属性，避免了因为没有人体参考而导致衣服长度款式智能识别不准确的问题，方便为用户提供精准的个性化智能穿搭服务，提高用户穿搭出行的效率。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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发明的一些实施例，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为本发明的流程框图。

图2为本发明中步骤S3的衣服关键点模型训练与优化的流程框图。

图3为本发明中衣服关键点模型的骨架网络结构示意图。

需要说明的是，附图并不一定按比例来绘制，而是仅以不影响读者理解的示意性方式示出。

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。

在本发明中，术语“上”、“下”、“左”、“右”、“前”、“后”、“顶”、“底”、“内”、“外”、“中”、“竖直”、“水平”、“横向”、“纵向”等指示的方位或位置关系为基于附图所示的方位或位置关系。这些术语主要是为了更好地描述本发明及其实施例，并非用于限定所指示的装置、元件或组成部分必须具有特定方位，或以特定方位进行构造和操作。

并且，上述部分术语除了可以用于表示方位或位置关系以外，还可能用于表示其他含义，例如术语“上”在某些情况下也可能用于表示某种依附关系或连接关系。对于本领域普通技术人员而言，可以根据具体情况理解这些术语在本发明中的具体含义。

此外，术语“安装”、“设置”、“设有”、“连接”、“相连”应做广义理解。例如，可以是固定连接，可拆卸连接，或整体式构造；可以是机械连接，或电连接；可以是直接相连，或者是通过中间媒介间接相连，又或者是两个装置、元件或组成部分之间内部的连通。对于本领域普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

此外，术语“第一”、“第二”等主要是用于区分不同的装置、元件或组成部分(具体的种类和构造可能相同也可能不同)，并非用于表明或暗示所指示装置、元件或组成部分的相对重要性和数量。除非另有说明，“多个”的含义为两个或两个以上。

还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如图1和图2所示，一种基于关键点的衣服长度属性识别方法，包括以下步骤：

S1、收集准备不同类别衣服的关键点训练数据；

S2、对训练数据进行预处理和数据增强；

S3、衣服关键点模型训练与优化；

S4、衣服关键点模型部署与基于关键点的衣服长度属性估算；

S5、输出衣服长度属性识别结果。

具体的，本申请实施例通过收集19万张不同类别衣服的图片，对每张图片中衣服的关键点位置进行标注，作为关键点训练数据；并对训练数据进行预处理和数据增强，以提升模型的准确度和泛化能力；然后通过重复的衣服关键点模型训练学习和优化，以提高模型对衣服关键点位置的预测准确度，使模型的识别结果更加趋近于正确的特征表示，获得最终的衣服关键点模型，并将模型部署应用；进行衣服长度属性识别操作时，拍照或上传衣服图片，衣服关键点模型通过对衣服的关键点进行位置预测，然后根据关键点的位置计算出衣服在图片中的相对衣长、相对衣宽以及相对袖长等信息，从而获取衣服长度属性值，识别出衣服的款式；最后输出衣服属性识别结果。本发明基于衣服关键点的位置，利用关键点来计算出衣服自身不同部位的相对长度作为判断标准，从而识别出衣服的长度属性，避免了因为没有人体参考而导致衣服长度款式智能识别不准确的问题，方便为用户提供精准的个性化智能穿搭服务，提高用户穿搭出行的效率。

进一步地，不同类别衣服包括上身装，上身装的关键点包括左衣领、右衣领、左肩、右肩、左腋、右腋、左袖外侧、左袖内侧、右袖外侧、右袖内侧、左腰、右腰、左下摆外侧和右下摆外侧。

具体的，对于上身装，本申请实施例取衣服左腋和右腋两个关键点的距离作为衣服的宽w_clothes，取肩膀关键点到衣服袖口外侧关键点的距离作为袖长h_sleeve，则袖长与衣服宽的比率ratio_sleeve为h_sleeve/w_clothes，经对大量长短袖衣服的ratio_sleeve进行统计，发现ratio_sleeve大于1.0的衣服为长袖，反之，ratio_sleeve小于等于1.0的衣服则为短袖，经验证准确度可达到93％以上。

进一步地，不同类别衣服还包括下身装，下身装的关键点包括左腰、右腰、左下摆外侧、右下摆外侧、左下摆内侧、裤档、右下摆内侧、左髋和右髋。

具体的，对于下身装，因为要将下身装分为热裤、五分裤、七分裤、和长裤，因此本申请实施例首先通过裤长与裤腰宽的比率来判断是短裤还是长裤，然后通过裤脚到裤档距离与裤档到裤腰距离的比率来分别区分热裤与五分裤，以及七分裤与长裤。具体操作如下：取左腰与右腰两个关键点的距离作为裤腰宽w，取腰上关键点与裤下摆外侧关键点的距离为裤长h，所述的裤长与裤腰宽的比率ratio_hw为h/w；同理，取裤档到两腰间关键点中心的距离作为裤档到裤腰的距离h_0，取裤档到裤脚内侧关键点的距离作为裤脚到裤档的距离h_1，则所述的裤脚到裤档距离与裤档到裤腰距离的比率ratio为h_1/h_0。当ratio_hw大于1.5时，则被分为长款的裤子(包括七分裤和长裤)，再通过ratio的阈值来判断是七分裤还是长裤，ratio大于2.8则是长裤，反之，则为七分裤；同理，ratio_hw小于等于1.5被分到热裤与五分裤的集合，当ratio同时满足小于0.5时衣服为热裤，反之，则为五分裤。

进一步地，步骤S2中数据增强的方法包括将图片随机抖动缩放、提高图片亮度、改变HSV、随机水平翻转和旋转。以提升模型的准确度和泛化能力。

进一步地，步骤S3的衣服关键点模型训练与优化方法包括以下步骤：

S31、衣服关键点模型训练；

S32、衣服关键点模型输出；

S33、对衣服关键点模型进行测试；

S34、判断测试结果是否满足预设条件：若是，则输出最终的衣服关键点模型；若否，则进行算法优化，然后执行步骤S31。

进一步地，步骤S4中基于关键点的衣服长度属性估算具体包括以下步骤：

S41、通过衣服关键点模型预测衣服关键点位置；

S42、根据衣服关键点位置计算出衣服长度属性值。

进一步地，步骤S5的输出衣服长度属性识别结果方法包括通过手机APP展示。

进一步地，衣服关键点模型包括高分辨率主网络和若干分辨率从高到低递减的子网络，主网络和子网络并行连接构成衣服关键点模型的骨架网络结构。

具体的，通过高分辨率主网络作为第一阶段，逐个添加从分辨率高到低递减的子网络以形成更多阶段，并且并行连接多分辨率子网络。不同行代表不同的分辨率，不同行之间通过上采样和下采样对不同分辨率的特征表示进行反复的融合，加之网络的学习能力，使得多次融合后的结果更加趋近于正确的特征表示。其优点是：一方面通过并行连接高低分辨率的子网络，使得特征提取能够保持高分辨率，而不是通过从低到高的过程恢复分辨率，因此预测的关键点坐标位置在空间上更精确；另一方面通过重复的多尺度融合，将不同深度分辨率的特征表示进行融合，以提升高分辨率的特征表示，进而提高衣服关键点位置预测的准确度；从而使衣服关键点模型的骨架该网络结构在整个特征提取过程中始终能保持高分辨率。

对于本发明的实施例，还需要说明的是，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合以得到新的实施例。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，本发明的保护范围应以权利要求的保护范围为准。虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (8)

1.一种基于关键点的衣服长度属性识别方法，其特征在于，包括以下步骤：

S1、收集准备不同类别衣服的关键点训练数据；

S2、对所述训练数据进行预处理和数据增强；

S3、衣服关键点模型训练与优化；

S4、衣服关键点模型部署与基于关键点的衣服长度属性估算；

S5、输出衣服长度属性识别结果。

2.根据权利要求1所述的基于关键点的衣服长度属性识别方法，其特征在于：所述不同类别衣服包括上身装，所述上身装的关键点包括左衣领、右衣领、左肩、右肩、左腋、右腋、左袖外侧、左袖内侧、右袖外侧、右袖内侧、左腰、右腰、左下摆外侧和右下摆外侧。

3.根据权利要求2所述的基于关键点的衣服长度属性识别方法，其特征在于：所述不同类别衣服还包括下身装，所述下身装的关键点包括左腰、右腰、左下摆外侧、右下摆外侧、左下摆内侧、裤档、右下摆内侧、左髋和右髋。

4.根据权利要求1所述的基于关键点的衣服长度属性识别方法，其特征在于：所述步骤S2中数据增强的方法包括将图片随机抖动缩放、提高图片亮度、改变HSV、随机水平翻转和旋转。

5.根据权利要求1所述的基于关键点的衣服长度属性识别方法，其特征在于，所述步骤S3的衣服关键点模型训练与优化方法包括以下步骤：

S31、衣服关键点模型训练；

S32、衣服关键点模型输出；

S33、对所述衣服关键点模型进行测试；

S34、判断测试结果是否满足预设条件：若是，则输出最终的衣服关键点模型；若否，则进行算法优化，然后执行所述步骤S31。

6.根据权利要求1所述的基于关键点的衣服长度属性识别方法，其特征在于，所述步骤S4中基于关键点的衣服长度属性估算具体包括以下步骤：

S41、通过所述衣服关键点模型预测衣服关键点位置；

S42、根据所述衣服关键点位置计算出衣服长度属性值。

7.根据权利要求1所述的基于关键点的衣服长度属性识别方法，其特征在于：所述步骤S5的输出衣服长度属性识别结果方法包括通过手机APP展示。

8.根据权利要求1至7中任一项所述的基于关键点的衣服长度属性识别方法，其特征在于：所述衣服关键点模型包括高分辨率主网络和若干分辨率从高到低递减的子网络，所述主网络和子网络并行连接构成所述衣服关键点模型的骨架网络结构。

Images