一種基于傅里葉描述子和支持向量機的服裝款式識別方法
【專利摘要】本發明涉及一種基于傅里葉描述子和支持向量機的服裝款式識別方法，通過對服裝圖像的預處理，獲取服裝的外部輪廓，然后進行服裝外部輪廓的傅里葉描述，再予以基于支持向量機(SVM)的服裝款式識別。所述對服裝圖像的預處理是指對服裝圖像分割處理，找到最大面積的8連通區域即為服裝區域，并對服裝區域填充內部空洞；所述獲取服裝的外部輪廓是指對服裝圖像的預處理后進行外部的邊緣檢測，得到服裝的輪廓圖像。所述對服裝的外部輪廓的傅里葉描述是指提取服裝輪廓形狀特征的標準化傅里葉描述子特征向量。所述基于SVM的服裝款式識別采用SVM多分類器進行服裝款式的多分類識別。本發明能夠達到95％的識別準確率，具有快速和準確的特點，可適用于服裝圖像中服裝款式的識別。
【專利說明】
一種基于傅里葉描述子和支持向量機的服裝款式識別方法
技術領域
[0001] 本發明屬服裝款式識別技術領域，涉及一種基于傅里葉描述子和支持向量機的服 裝款式識別方法，特別是涉及一種經圖像分割處理后進行邊緣檢測得到服裝輪廓圖像且基 于傅里葉描述子和SVM的服裝款式識別的方法。
【背景技術】
[0002] 隨著大數據時代的來臨，商家通過機器視覺技術分析消費者著裝風格，將有助于 商家捕捉各客戶群體的消費趨勢，制定出有針對性的產品組合、營銷計劃和商業決策。同時 隨著人臉計算機識別技術的普及，提取人臉特征并結合服裝款式特征，將會提高身份認證 的精確度。服裝款式是由服裝的外部輪廓和內部細節變化構成的，反映了服裝結構的形態 特征，不包含顏色和紋理特征。因此尋找一種有效的方法描述服裝的形態特征和快速精確 的分類是服裝款式識別領域的研究重點。由于特征提取技術和模式識別技術的復雜性，目 前的服裝款式特征描述以及分類方法的適應性和實時性有待進一步提高。
[0003] Hou等（HOU A L，ZHA0 L Q，SHI D C.Garment image retrieval based on multi-features[C],201OInternational Conference on Computer,Mechatronics, Control and Electronic Engineering(CMCE 2010) ,2010:194-197.)在服裝照片檢索的 研究中提出了使用融合特征(HU不變矩和傅里葉描述子)來描述服裝的形狀特征，通過計算 歐式距離來判斷形狀的相似性。歐式距離雖然是一種簡單有效的相似性判斷方法，但是在 處理復雜特征的分類問題上與機器學習分類器相比效果較差。
[0004] An等（AN L X,LI ff.An integrated approach to fashion flat sketches classification[J], International Journal of Clothing Science and Technology, 2014,26(5):346-366.)提出了一個服裝設計平面圖的分類方法，使用小波傅里葉描述子 (Wavelet Fourier Descriptor，WFD)描述輪廓特征，對WFD降維后訓練了極端學習機分類 器(Extreme Learning Machine，ELM)，進行服裝設計平面圖的分類。An提出的WFD是離散小 波和傅里葉描述子(Fourier Descriptor，FD)的結合。由于WFD特征向量之間的相似度對比 方法較復雜，且依賴于目標物體輪廓的復雜度，因此WH)并不太適合形狀的實時分類。ELM雖 然能夠極大的提高網絡學習的速度和泛化能力，但卻不可避免的造成過擬合的隱患，使分 類效果降低。同時An識別的是服裝設計平面圖，沒有顏色和紋理的干擾，因此獲取服裝輪廓 更平滑，識別難度略低;其識別方法不適用于有顏色和紋理的服裝。
【發明內容】
[0005] 本發明所要解決的技術問題是提供一種基于傅里葉描述子和支持向量機的服裝 款式識別方法，特別是涉及一種經圖像分割處理后進行邊緣檢測得到服裝輪廓圖像且基于 傅里葉描述子和SVM的服裝款式識別的方法。
[0006] 本發明經過預處理后獲得服裝輪廓，用于后續提取輪廓的形狀特征；采用的傅里 葉描述子作為一種被廣泛使用的形狀特征描述方法，能夠有效的表達輪廓的整體形狀特 點，具有計算簡單、抗噪性強等特點，更適合進行快速獲取服裝款式的形態特征。SVM由于其 非線性映射的理論基礎避免了 "維數災難"，學習少量的多維數據也能達到很好的分類效 果，具有較好的魯棒性，因此更適合進行服裝的款式分類。
[0007] 本發明的服裝款式的識別方法，通過對服裝圖像的預處理，獲取服裝的外部輪廓， 然后進行服裝的外部輪廓的傅里葉描述，再予以基于SVM的服裝款式識別;使用傅里葉描述 子提取服裝輪廓特征，以傅里葉描述子特征向量訓練支持向量機，進行服裝款式識別；
[0008] 所述對服裝圖像的預處理是指對服裝圖像分割處理，找到最大面積的8連通區域 即為服裝區域，并對服裝區域填充內部空洞；
[0009] 所述獲取服裝的外部輪廓是指對服裝圖像的預處理后進行外部的邊緣檢測，得到 服裝的輪廓圖像。
[0010]作為優選的技術方案：
[0011] 如上所述的一種基于傅里葉描述子和支持向量機的服裝款式識別方法，所述服裝 圖像為白色背景的服裝灰度圖像，原圖為RGB空間的彩色服裝圖像，將彩色圖像三維RGB空 間中每個像素的顏色向直線R=G = B做射影，轉化為一維空間的灰度圖像。
[0012] 如上所述的一種基于傅里葉描述子和支持向量機的服裝款式識別方法，所述服裝 圖像分割的步驟為：
[0013] (1)將灰度圖像的灰度值在1〇w-255之間的值映射到0-255之間，低于low的值映射 為〇,增強灰度圖像中服裝圖案與背景的對比度；
[0014] (2)使用最大類間方差法對灰度圖像進行二值化，并對二值圖像進行取反運算，便 于后續形態學處理；
[0015] (3)對二值圖像進行形態學閉運算處理，平滑服裝圖案的邊界，連接邊界狹窄的缺 口，其中閉運算的結構元素為半徑2-4個像素的圓盤；
[0016] (4)在上步驟獲得的二值圖像中標記8連通的區域，找到最大面積的8連通區域即 為服裝區域，并對服裝區域填充內部空洞。
[0017] 如上所述的一種基于傅里葉描述子和支持向量機的服裝款式識別方法，所述low 取值范圍為90-100。
[0018] 如上所述的一種基于傅里葉描述子和支持向量機的服裝款式識別方法，所述邊緣 檢測使用canny算子。
[0019] 如上所述的一種基于傅里葉描述子和支持向量機的服裝款式識別方法，所述服裝 的外部輪廓的傅里葉描述具體為：
[0020] 前處理得到了服裝輪廓的數字圖像，由于數字圖像是用像素矩陣表示的，可以看 作是像素為單位的平面坐標系;服裝的外部輪廓中的輪廓像素點采用坐標b(k) = (Xk，yk)表 示，式中a和yk分別為其橫坐標值與縱坐標值;k = 0，l，2，...N-l;N為輪廓像素點總數;每個 坐標寫成復數形式:b(k)=Xk+jyk，j為虛數單位;將復數坐標序列b(k)進行離散傅里葉變換 得到服裝輪廓b(k)的傅里葉描述序列a(u):
[0021]
[0022] 式中u取值為0，1，2，. . .，N-I; e為自然常數；
[0023] 為了得到對圖像平移、旋轉和縮放不敏感的傅里葉描述子，進一步對a(u)進行標 準化得到標準化傅里葉描述子S(U):
[0024]
[0025] 式中u 取值為1，2,3，...，N_1;
[0026] [s(l)，s(2)，s(3)，...，s(N-l)]即為表示服裝輪廓形狀特征的標準化傅里葉描述 子特征向量。
[0027] 如上所述的一種基于傅里葉描述子和支持向量機的服裝款式識別方法，所述基于 SVM的服裝款式識別采用SVM多分類器進行服裝款式的多分類識別;具體步驟為：
[0028] 首先將訓練集描述服裝輪廓特征的標準化傅里葉描述子特征矩陣以及服裝款式 類別標簽作為輸入，使用網格搜索法進行SVM多分類器中懲罰參數和核參數的尋優，其中懲 罰參數的取值區間為[_8,8]，核參數的取值區間為[_8,8]，步進值均為1;然后使用最優的 參數、訓練集傅里葉描述子特征矩陣及類別標簽訓練得到SVM多分類器;最后將測試集傅里 葉描述子特征矩陣輸入到SVM多分類器中得到預測的測試集服裝款式類別，與測試集實際 款式比較即可得到款式識別的準確率。
[0029]有益效果
[0030] 由于采用以上技術方案，本發明的有益效果是，服裝圖像預處理能夠有效獲取服 裝輪廓，使用傅里葉描述子比HU不變矩和融合特征更能表達服裝的款式特征，SVM比ELM更 適合服裝款式識別。本發明提出的服裝款式的識別方法能夠使服裝款式識別達到95%以上 的準確率，具有快速準確的特點。
【附圖說明】
[0031] 圖1為服裝款式識別方法流程圖
[0032] 圖2為服裝圖像的預處理過程
[0033 ]圖3為傅里葉描述子(FD)長度與識別準確率的關系圖 [0034]圖4為SVM識別系統流程圖
[0035] 圖5為不同特征提取技術識別效果對比圖
[0036] 圖6為ELM與SVM識別準確率對比圖
[0037] 圖7為ELM與SVM測試耗時對比圖
【具體實施方式】
[0038] 下面結合【具體實施方式】，進一步闡述本發明。應理解，這些實施例僅用于說明本發 明而不用于限制本發明的范圍。此外應理解，在閱讀了本發明講授的內容之后，本領域技術 人員可以對本發明作各種改動或修改，這些等價形式同樣落于本申請所附權利要求書所限 定的范圍。
[0039] 本發明的服裝款式的識別方法，如圖1所示，通過對服裝圖像的預處理，獲取服裝 的外部輪廓，然后進行服裝的外部輪廓的傅里葉描述，再予以基于SVM的服裝款式識別;使 用傅里葉描述子提取服裝輪廓特征，以傅里葉描述子特征向量訓練支持向量機，進行服裝 款式識別；
[0040] 所述對服裝圖像的預處理是指對服裝圖像分割處理，找到最大面積區域即為服裝 區域，并對服裝區域填充內部空洞；圖2為服裝圖像的預處理過程，全流程為彩色圖像-灰度 圖像-灰度增強圖像-二值圖像-閉運算后的圖像-填充空洞后最大面積的圖像-輪廓圖像；
[0041] 所述獲取服裝的外部輪廓是指對服裝圖像的預處理后進行外部的邊緣檢測，得到 服裝的輪廓圖像。
[0042] 如上所述的一種基于傅里葉描述子和支持向量機的服裝款式識別方法，所述服裝 圖像為白色背景的服裝灰度圖像，原圖為RGB空間的彩色服裝圖像，將彩色圖像三維RGB空 間中每個像素的顏色向直線R=G = B做射影，即可轉化為一維空間的灰度圖像。
[0043] 如上所述的一種基于傅里葉描述子和支持向量機的服裝款式識別方法，所述服裝 圖像分割的步驟為：
[0044] (1)將灰度圖像的灰度值在low-255之間的值映射到0-255之間，低于low的值映射 為〇,增強灰度圖像中服裝圖案與背景的對比度；
[0045] (2)使用最大類間方差法對灰度圖像進行二值化，并對二值圖像進行取反運算，便 于后續形態學處理；
[0046] (3)對二值圖像進行形態學閉運算處理，平滑服裝圖案的邊界，連接邊界狹窄的缺 口，其中閉運算的結構元素為半徑2-4個像素的圓盤；
[0047] (4)在上步驟獲得的二值圖像中標記8連通的區域，找到最大面積的8連通區域即 為服裝區域，并對服裝區域填充內部空洞。
[0048] 如上所述的一種基于傅里葉描述子和支持向量機的服裝款式識別方法，所述low 取值范圍為90-100。
[0049] 如上所述的一種基于傅里葉描述子和支持向量機的服裝款式識別方法，所述邊緣 檢測使用canny算子。
[0050] 如上所述的一種基于傅里葉描述子和支持向量機的服裝款式識別方法，所述服裝 的外部輪廓的傅里葉描述具體為：
[0051] 前處理得到了服裝輪廓的數字圖像，由于數字圖像是用像素矩陣表示的，可以看 作是像素為單位的平面坐標系;服裝的外部輪廓中的輪廓像素點采用坐標b(k) = (xk，yk)表 示，式中a和yk分別為其橫坐標值與縱坐標值;k = 0，l，2，...N-l;N為輪廓像素點總數;每個 坐標寫成復數形式:b(k)=Xk+jyk，j為虛數單位;將復數坐標序列b(k)進行離散傅里葉變換 得到服裝輪廓b(k)的傅里葉描述序列a(u):
[0052]
[0053] 式中u取值為0，1，2, . . .，N_l;e為自然常數；
[0054] 為了得到對圖像平移、旋轉和縮放不敏感的傅里葉描述子，進一步對a(u)進行標 準化得到標準化傅里葉描述子S(U):
[0055]
[0056] 式中u 取值為1，2,3，···，Ν-1;
[0057] [s(l)，s(2)，s(3)，...，s(N-l)]即為表示服裝輪廓形狀特征的標準化傅里葉描述 子特征向量。
[0058] 在傅里葉描述子提取服裝輪廓特征后進行服裝款式識別，本發明選用SVM作為服 裝款式特征的分類器。SVM是一種有監督的學習模型，可以學習不同類別的已知樣本特點， 進而對未知樣本進行預測。SVM的基本思想是建立一個分類超平面，使得樣本空間中正例和 反例之間的距離最大化，其本質上是一個二分類的算法，但也可以擴展成多分類的分類器， 所述基于SVM的服裝款式識別采用IibSVM工具箱(www. csie .ntu. edu. tw/~c jlin/libsvm) 進行服裝款式的SVM多分類識別;具體步驟為：
[0059] 服裝款式SVM識別系統流程如圖4所示，首先將訓練集描述服裝輪廓特征的標準化 傅里葉描述子特征矩陣以及服裝款式類別標簽作為輸入，使用網格搜索法進行SVM多分類 器中懲罰參數和核參數的尋優，其中懲罰參數的取值區間為[_8,8]，核參數的取值區間為 [_8,8]，步進值均為1;然后使用最優的參數、訓練集傅里葉描述子特征矩陣及類別標簽訓 練得到SVM多分類器;最后將測試集傅里葉描述子特征矩陣輸入到SVM多分類器中得到預測 的測試集服裝款式類別，與測試集實際款式比較即可得到款式識別的準確率。
[0060] 傅里葉描述子的低頻分量表示總體形狀特征，高頻分量表示形狀細節特征，由于 服裝款式識別主要基于服裝的總體形狀，只需選取標準化傅里葉描述子的部分低頻分量描 述服裝的形態特征，因此進行預實驗獲取最優的標準化傅里葉描述子特征向量長度。預實 驗服裝照片樣本集進行預處理和傅里葉描述，得到標準化傅里葉描述子特征向量，分別選 取不同的特征向量長度（1，2,3, ...，50)，進行SVM多分類器訓練和分類測試。預實驗樣本集 平均分類準確率如圖3所示。由圖3可知長度為20的標準化傅里葉描述子特征向量的分類準 確率最高，因此本實施例中描述服裝款式特征的標準化傅里葉描述子特征向量長度皆選取 20,特征向量即為[s(l)，s(2)， s(3)，...，s(20)]。
[0061 ] 實施例1
[0062] 本實施例利用Matlab R2014a編程實現，創建了一個新的樣本庫，樣本庫共有650 個服裝照片樣本，收集自天貓網(WWW. tmalI. com)，分為8個款式類別，樣本類別詳情如表1 所示。隨機抽取樣本庫中60 %的樣本作為訓練集，剩余的40 %作為測試集，組成一個樣本集 [訓練集;測試集]，隨機抽取10組樣本集進行分類實驗。
[0063]表1服裝照片樣本庫
[0066]服裝款式識別結果比較：
[0067]總體識別準確率在95%以上，各款式識別準確率如表2所示。長褲、短褲和短袖T恤 等款式的識別準確率較高(96%以上），主要是因為其形狀特征與其他款式差別較明顯。而 西裝上衣、外套和長袖襯衣相比其他幾類準確率低，因為三者的差別主要在領子和門襟等 形狀細節上，而沒有體現在外觀輪廓上。
[0068]表2測試集款式識別結果分析表
[0070]不同特征提取技術識別效果比較：
[0071]為了驗證傅里葉描述子描述形狀特征的優越性，對比分析了 HU不變矩和融合特征 法描述服裝款式特征的識別效果。HU不變矩是以圖像歸一化中心不變矩的形式來表示圖像 形狀特征，對圖像具有旋轉、縮放和平移不變性的7個HU不變矩特征向量為：Φ =[ Φ I φ2， Φ3，Φ4，Φ5，Φ6，Φ7]。
[0072]融合特征法是將HU不變矩和傅里葉描述子兩個特征向量采用串行特征融合的方 式融合，得到融合特征向量f =[ Φ，s (u)]。由于不同特征表達的物理意義和取值范圍的不 同，所以采用融合特征分類時需要對特征向量進行內部的歸一化。特征向量的歸一化采用 高斯歸一化，即對特征矩陣f計算其每個分量的均值μ和標準差〇,將其每個分量歸一化至[_ I，1 ]區間。歸一化后的融合特征即：r = (f-μ) /〇。
[0073]結果見圖5,證明了傅里葉描述子比HU不變矩和融合特征更能描述服裝的款式特 征。
[0074]對樣本集提取傅里葉描述子特征、HU不變矩特征和融合特征，進行SVM分類訓練與 測試，識別準確率如圖5所示。結果顯示傅里葉描述子的識別效果明顯高于HU不變矩。同時， 融合特征法識別準確率與傅里葉描述子相比略低1 %左右，說明HU不變矩和傅里葉描述子 的融合并不能提高識別效果。因此，單一采用傅里葉描述子表征服裝的款式即可。
[0075]支持向量機與極端學習機識別效果比較：
[0076] Huang(HUANG G B,ZHU G Y,SIEff C K.Extreme learning machine：Theory and applicatioons[J] · Neurocomput ing，2006,70(1-3) :489-501 ·)提出的極端學習機 (Extreme Learning Machine,ELM)是通過對單隱層神經網絡的輸入權值和隱層節點偏移 量隨機的賦值，經過一步計算即可求解出神經網絡的輸出權值。ELM能夠極大的提高網絡學 習的速度和泛化能力，具有很高的運算速度優勢，但卻不可避免的造成過擬合的隱患，使分 類效果降低。
[0077]為了驗證ELM對服裝款式傅里葉描述子的識別效果，使用了 Huang開發的elm_ kernel工具箱進行ELM識別實驗。每組樣本集分別使用傅里葉描述子特征向量進行ELM與 SVM識別實驗，識別準確率和識別測試耗時結果對比如圖6、圖7所示。可以看出本發明SVM算 法在速度上達到了ELM的速度，而識別準確率相比則大大提高。本發明提出的使用SVM對服 裝款式的傅里葉描述子特征進行識別的方法具有快速和有效的特點。
【主權項】
1. 一種基于傅里葉描述子和支持向量機的服裝款式識別方法，其特征是:通過對服裝 圖像的預處理，獲取服裝的外部輪廓，然后進行服裝的外部輪廓的傅里葉描述，再予以基于 支持向量機的服裝款式識別； 所述對服裝圖像的預處理是指對服裝圖像分割處理，找到最大面積的8連通區域即為 服裝區域，并對服裝區域填充內部空洞； 所述獲取服裝的外部輪廓是指對服裝圖像的預處理后進行外部的邊緣檢測，得到服裝 的輪廓圖像。2. 根據權利要求1所述的一種基于傅里葉描述子和支持向量機的服裝款式識別方法， 其特征在于，所述服裝圖像為白色背景的服裝灰度圖像;原圖為RGB空間的彩色服裝圖像， 將彩色圖像三維RGB空間中每個像素的顏色向直線R=G=B做射影，轉化為一維空間的灰度 圖像。3. 根據權利要求1所述的一種基于傅里葉描述子和支持向量機的服裝款式識別方法， 其特征在于，所述服裝圖像分割的步驟為： (1) 將灰度圖像的灰度值在l〇w-255之間的值映射到0-255之間，低于low的值映射為0， 增強灰度圖像中服裝圖案與背景的對比度； (2) 使用最大類間方差法對灰度圖像進行二值化，并對二值圖像進行取反運算，便于后 續形態學處理； (3) 對二值圖像進行形態學閉運算處理，平滑服裝圖案的邊界，連接邊界狹窄的缺口， 其中閉運算的結構元素為半徑2-4個像素的圓盤； (4) 在上步驟獲得的二值圖像中標記8連通的區域，找到最大面積的8連通區域即為服 裝區域，并對服裝區域填充內部空洞。4. 根據權利要求3所述的一種基于傅里葉描述子和支持向量機的服裝款式識別方法， 其特征在于，所述low取值范圍為90-100。5. 根據權利要求1所述的一種基于傅里葉描述子和支持向量機的服裝款式識別方法， 其特征在于，所述邊緣檢測使用canny算子。6. 根據權利要求1所述的一種基于傅里葉描述子和支持向量機的服裝款式識別方法， 其特征在于，所述服裝的外部輪廓的傅里葉描述具體為： 服裝的外部輪廓中的輪廓像素點采用坐標b(k) = (Xk，yk)表示，式中XdPyk分別為其橫 坐標值與縱坐標值;k = 0，1，2，. . .N-1;N為輪廓像素點總數;每個坐標寫成復數形式： b(k)=xk+jyk，j為虛數單位;將復數坐標序列b(k)進行離散傅里葉變換得到服裝輪廓b (k)的傅里葉描述序列a(u):式中u取值為0，1，2，. . .，N-1; e為自然常數； 為了得到對圖像平移、旋轉和縮放不敏感的傅里葉描述子，進一步對a(u)進行標準化 得到標準化傅里葉描述子s(u):式中u取值為1，2,3，...，N-1; [S(1)，S(2)，S(3)，...，S(N-1)]即為表示服裝輪廓形狀特征的標準化傅里葉描述子特 征向量。7.根據權利要求1所述的一種基于傅里葉描述子和支持向量機的服裝款式識別方法， 其特征在于，所述基于支持向量機的服裝款式識別采用支持向量機多分類器進行服裝款式 的多分類識別;具體步驟為： 首先將訓練集描述服裝輪廓特征的標準化傅里葉描述子特征矩陣以及服裝款式類別 標簽作為輸入，使用網格搜索法進行支持向量機多分類器中懲罰參數和核參數的尋優，其 中懲罰參數的取值區間為[_8,8]，核參數的取值區間為[_8,8]，步進值均為1;然后使用最 優的參數、訓練集傅里葉描述子特征矩陣及類別標簽訓練得到支持向量機多分類器;最后 將測試集傅里葉描述子特征矩陣輸入到支持向量機多分類器中得到預測的測試集服裝款 式類別，與測試集實際款式比較即可得到款式識別的準確率。
【文檔編號】G06K9/46GK106056132SQ201610334158
【公開日】2016年10月26日
【申請日】2016年5月19日
【發明人】萬賢福, 李 東, 汪軍
【申請人】東華大學