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

摘要

本发明涉及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，通过对服装图像的预处理，获取服装的外部轮廓，然后进行服装外部轮廓的傅里叶描述，再予以基于支持向量机(SVM)的服装款式识别。所述对服装图像的预处理是指对服装图像分割处理，找到最大面积的8连通区域即为服装区域，并对服装区域填充内部空洞；所述获取服装的外部轮廓是指对服装图像的预处理后进行外部的边缘检测，得到服装的轮廓图像。所述对服装的外部轮廓的傅里叶描述是指提取服装轮廓形状特征的标准化傅里叶描述子特征向量。所述基于SVM的服装款式识别采用SVM多分类器进行服装款式的多分类识别。本发明能够达到95％的识别准确率，具有快速和准确的特点，可适用于服装图像中服装款式的识别。

说明书

技术领域

本发明属服装款式识别技术领域，涉及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，特别是涉及一种经图像分割处理后进行边缘检测得到服装轮廓图像且基于傅里叶描述子和SVM的服装款式识别的方法。

背景技术

随着大数据时代的来临，商家通过机器视觉技术分析消费者着装风格，将有助于商家捕捉各客户群体的消费趋势，制定出有针对性的产品组合、营销计划和商业决策。同时随着人脸计算机识别技术的普及，提取人脸特征并结合服装款式特征，将会提高身份认证的精确度。服装款式是由服装的外部轮廓和内部细节变化构成的，反映了服装结构的形态特征，不包含颜色和纹理特征。因此寻找一种有效的方法描述服装的形态特征和快速精确的分类是服装款式识别领域的研究重点。由于特征提取技术和模式识别技术的复杂性，目前的服装款式特征描述以及分类方法的适应性和实时性有待进一步提高。

Hou等(HOU A L，ZHAO L Q，SHI D C.Garment image retrieval based onmulti-features[C],2010International Conference on Computer，Mechatronics，Control and Electronic Engineering(CMCE 2010),2010：194-197.)在服装照片检索的研究中提出了使用融合特征(HU不变矩和傅里叶描述子)来描述服装的形状特征，通过计算欧式距离来判断形状的相似性。欧式距离虽然是一种简单有效的相似性判断方法，但是在处理复杂特征的分类问题上与机器学习分类器相比效果较差。

An等(AN L X，LI W.An integrated approach to fashion flat sketchesclassification[J],International Journal of Clothing Science and Technology，2014，26(5)：346-366.)提出了一个服装设计平面图的分类方法，使用小波傅里叶描述子(Wavelet Fourier Descriptor，WFD)描述轮廓特征，对WFD降维后训练了极端学习机分类器(Extreme Learning Machine，ELM)，进行服装设计平面图的分类。An提出的WFD是离散小波和傅里叶描述子(Fourier Descriptor，FD)的结合。由于WFD特征向量之间的相似度对比方法较复杂，且依赖于目标物体轮廓的复杂度，因此WFD并不太适合形状的实时分类。ELM虽然能够极大的提高网络学习的速度和泛化能力，但却不可避免的造成过拟合的隐患，使分类效果降低。同时An识别的是服装设计平面图，没有颜色和纹理的干扰，因此获取服装轮廓更平滑，识别难度略低；其识别方法不适用于有颜色和纹理的服装。

发明内容

本发明所要解决的技术问题是提供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，特别是涉及一种经图像分割处理后进行边缘检测得到服装轮廓图像且基于傅里叶描述子和SVM的服装款式识别的方法。

本发明经过预处理后获得服装轮廓，用于后续提取轮廓的形状特征；采用的傅里叶描述子作为一种被广泛使用的形状特征描述方法，能够有效的表达轮廓的整体形状特点，具有计算简单、抗噪性强等特点，更适合进行快速获取服装款式的形态特征。SVM由于其非线性映射的理论基础避免了“维数灾难”，学习少量的多维数据也能达到很好的分类效果，具有较好的鲁棒性，因此更适合进行服装的款式分类。

本发明的服装款式的识别方法，通过对服装图像的预处理，获取服装的外部轮廓，然后进行服装的外部轮廓的傅里叶描述，再予以基于SVM的服装款式识别；使用傅里叶描述子提取服装轮廓特征，以傅里叶描述子特征向量训练支持向量机，进行服装款式识别；

所述对服装图像的预处理是指对服装图像分割处理，找到最大面积的8连通区域即为服装区域，并对服装区域填充内部空洞；

所述获取服装的外部轮廓是指对服装图像的预处理后进行外部的边缘检测，得到服装的轮廓图像。

作为优选的技术方案：

如上所述的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，所述服装图像为白色背景的服装灰度图像，原图为RGB空间的彩色服装图像，将彩色图像三维RGB空间中每个像素的颜色向直线R＝G＝B做射影，转化为一维空间的灰度图像。

如上所述的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，所述服装图像分割的步骤为：

(1)将灰度图像的灰度值在low-255之间的值映射到0-255之间，低于low的值映射为0，增强灰度图像中服装图案与背景的对比度；

(2)使用最大类间方差法对灰度图像进行二值化，并对二值图像进行取反运算，便于后续形态学处理；

(3)对二值图像进行形态学闭运算处理，平滑服装图案的边界，连接边界狭窄的缺口，其中闭运算的结构元素为半径2-4个像素的圆盘；

(4)在上步骤获得的二值图像中标记8连通的区域，找到最大面积的8连通区域即为服装区域，并对服装区域填充内部空洞。

如上所述的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，所述low取值范围为90-100。

如上所述的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，所述边缘检测使用canny算子。

如上所述的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，所述服装的外部轮廓的傅里叶描述具体为：

前处理得到了服装轮廓的数字图像，由于数字图像是用像素矩阵表示的，可以看作是像素为单位的平面坐标系；服装的外部轮廓中的轮廓像素点采用坐标b(k)＝(x_k,y_k)表示，式中x_k和y_k分别为其横坐标值与纵坐标值；k＝0,1,2,...N-1；N为轮廓像素点总数；每个坐标写成复数形式：b(k)＝x_k+jy_k，j为虚数单位；将复数坐标序列b(k)进行离散傅里叶变换得到服装轮廓b(k)的傅里叶描述序列a(u)：

$>a\left(u\right)=\underset{k=0}{\overset{N-1}{\Sigma }}b\left(k\right)e^{-j2\pi uk/N};$>

式中u取值为0,1,2,...,N-1；e为自然常数；

为了得到对图像平移、旋转和缩放不敏感的傅里叶描述子，进一步对a(u)进行标准化得到标准化傅里叶描述子s(u)：

$>s\left(u\right)=\frac{\left|a\left(u\right)\right|}{\left|a\left(1\right)\right|};$>

式中u取值为1,2,3,...,N-1；

[s(1),s(2),s(3),...,s(N-1)]即为表示服装轮廓形状特征的标准化傅里叶描述子特征向量。

如上所述的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，所述基于SVM的服装款式识别采用SVM多分类器进行服装款式的多分类识别；具体步骤为：

首先将训练集描述服装轮廓特征的标准化傅里叶描述子特征矩阵以及服装款式类别标签作为输入，使用网格搜索法进行SVM多分类器中惩罚参数和核参数的寻优，其中惩罚参数的取值区间为[-8,8]，核参数的取值区间为[-8,8]，步进值均为1；然后使用最优的参数、训练集傅里叶描述子特征矩阵及类别标签训练得到SVM多分类器；最后将测试集傅里叶描述子特征矩阵输入到SVM多分类器中得到预测的测试集服装款式类别，与测试集实际款式比较即可得到款式识别的准确率。

有益效果

由于采用以上技术方案，本发明的有益效果是，服装图像预处理能够有效获取服装轮廓，使用傅里叶描述子比HU不变矩和融合特征更能表达服装的款式特征，SVM比ELM更适合服装款式识别。本发明提出的服装款式的识别方法能够使服装款式识别达到95％以上的准确率，具有快速准确的特点。

附图说明

图1为服装款式识别方法流程图

图2为服装图像的预处理过程

图3为傅里叶描述子(FD)长度与识别准确率的关系图

图4为SVM识别系统流程图

图5为不同特征提取技术识别效果对比图

图6为ELM与SVM识别准确率对比图

图7为ELM与SVM测试耗时对比图

具体实施方式

下面结合具体实施方式，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

本发明的服装款式的识别方法，如图1所示，通过对服装图像的预处理，获取服装的外部轮廓，然后进行服装的外部轮廓的傅里叶描述，再予以基于SVM的服装款式识别；使用傅里叶描述子提取服装轮廓特征，以傅里叶描述子特征向量训练支持向量机，进行服装款式识别；

所述对服装图像的预处理是指对服装图像分割处理，找到最大面积区域即为服装区域，并对服装区域填充内部空洞；图2为服装图像的预处理过程，全流程为彩色图像-灰度图像-灰度增强图像-二值图像-闭运算后的图像-填充空洞后最大面积的图像-轮廓图像；

所述获取服装的外部轮廓是指对服装图像的预处理后进行外部的边缘检测，得到服装的轮廓图像。

如上所述的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，所述服装图像为白色背景的服装灰度图像，原图为RGB空间的彩色服装图像，将彩色图像三维RGB空间中每个像素的颜色向直线R＝G＝B做射影，即可转化为一维空间的灰度图像。

如上所述的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，所述服装图像分割的步骤为：

(1)将灰度图像的灰度值在low-255之间的值映射到0-255之间，低于low的值映射为0，增强灰度图像中服装图案与背景的对比度；

(2)使用最大类间方差法对灰度图像进行二值化，并对二值图像进行取反运算，便于后续形态学处理；

(3)对二值图像进行形态学闭运算处理，平滑服装图案的边界，连接边界狭窄的缺口，其中闭运算的结构元素为半径2-4个像素的圆盘；

(4)在上步骤获得的二值图像中标记8连通的区域，找到最大面积的8连通区域即为服装区域，并对服装区域填充内部空洞。

如上所述的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，所述low取值范围为90-100。

如上所述的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，所述边缘检测使用canny算子。

如上所述的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，所述服装的外部轮廓的傅里叶描述具体为：

前处理得到了服装轮廓的数字图像，由于数字图像是用像素矩阵表示的，可以看作是像素为单位的平面坐标系；服装的外部轮廓中的轮廓像素点采用坐标b(k)＝(x_k,y_k)表示，式中x_k和y_k分别为其横坐标值与纵坐标值；k＝0,1,2,...N-1；N为轮廓像素点总数；每个坐标写成复数形式：b(k)＝x_k+jy_k，j为虚数单位；将复数坐标序列b(k)进行离散傅里叶变换得到服装轮廓b(k)的傅里叶描述序列a(u)：

$>a\left(u\right)=\underset{k=0}{\overset{N-1}{\Sigma }}b\left(k\right)e^{-j2\pi uk/N};$>

式中u取值为0,1,2,...,N-1；e为自然常数；

为了得到对图像平移、旋转和缩放不敏感的傅里叶描述子，进一步对a(u)进行标准化得到标准化傅里叶描述子s(u)：

$>s\left(u\right)=\frac{\left|a\left(u\right)\right|}{\left|a\left(1\right)\right|};$>

式中u取值为1,2,3,...,N-1；

[s(1),s(2),s(3),...,s(N-1)]即为表示服装轮廓形状特征的标准化傅里叶描述子特征向量。

在傅里叶描述子提取服装轮廓特征后进行服装款式识别，本发明选用SVM作为服装款式特征的分类器。SVM是一种有监督的学习模型，可以学习不同类别的已知样本特点，进而对未知样本进行预测。SVM的基本思想是建立一个分类超平面，使得样本空间中正例和反例之间的距离最大化，其本质上是一个二分类的算法，但也可以扩展成多分类的分类器，所述基于SVM的服装款式识别采用libSVM工具箱(www.csie.ntu.edu.tw/～cjlin/libsvm)进行服装款式的SVM多分类识别；具体步骤为：

服装款式SVM识别系统流程如图4所示，首先将训练集描述服装轮廓特征的标准化傅里叶描述子特征矩阵以及服装款式类别标签作为输入，使用网格搜索法进行SVM多分类器中惩罚参数和核参数的寻优，其中惩罚参数的取值区间为[-8,8]，核参数的取值区间为[-8,8]，步进值均为1；然后使用最优的参数、训练集傅里叶描述子特征矩阵及类别标签训练得到SVM多分类器；最后将测试集傅里叶描述子特征矩阵输入到SVM多分类器中得到预测的测试集服装款式类别，与测试集实际款式比较即可得到款式识别的准确率。

傅里叶描述子的低频分量表示总体形状特征，高频分量表示形状细节特征，由于服装款式识别主要基于服装的总体形状，只需选取标准化傅里叶描述子的部分低频分量描述服装的形态特征，因此进行预实验获取最优的标准化傅里叶描述子特征向量长度。预实验服装照片样本集进行预处理和傅里叶描述，得到标准化傅里叶描述子特征向量，分别选取不同的特征向量长度(1,2,3,...,50)，进行SVM多分类器训练和分类测试。预实验样本集平均分类准确率如图3所示。由图3可知长度为20的标准化傅里叶描述子特征向量的分类准确率最高，因此本实施例中描述服装款式特征的标准化傅里叶描述子特征向量长度皆选取20，特征向量即为[s(1),s(2),s(3),...,s(20)]。

实施例1

本实施例利用Matlab R2014a编程实现，创建了一个新的样本库，样本库共有650个服装照片样本，收集自天猫网(www.tmall.com)，分为8个款式类别，样本类别详情如表1所示。随机抽取样本库中60％的样本作为训练集，剩余的40％作为测试集，组成一个样本集[训练集；测试集]，随机抽取10组样本集进行分类实验。

表1服装照片样本库

服装款式识别结果比较：

总体识别准确率在95％以上，各款式识别准确率如表2所示。长裤、短裤和短袖T恤等款式的识别准确率较高(96％以上)，主要是因为其形状特征与其他款式差别较明显。而西装上衣、外套和长袖衬衣相比其他几类准确率低，因为三者的差别主要在领子和门襟等形状细节上，而没有体现在外观轮廓上。

表2测试集款式识别结果分析表

不同特征提取技术识别效果比较：

为了验证傅里叶描述子描述形状特征的优越性，对比分析了HU不变矩和融合特征法描述服装款式特征的识别效果。HU不变矩是以图像归一化中心不变矩的形式来表示图像形状特征，对图像具有旋转、缩放和平移不变性的7个HU不变矩特征向量为：φ＝[φ₁,φ₂,φ₃,φ₄,φ₅,φ₆,φ₇]。

融合特征法是将HU不变矩和傅里叶描述子两个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)]。由于不同特征表达的物理意义和取值范围的不同，所以采用融合特征分类时需要对特征向量进行内部的归一化。特征向量的归一化采用高斯归一化，即对特征矩阵f计算其每个分量的均值μ和标准差σ，将其每个分量归一化至[-1,1]区间。归一化后的融合特征即：r＝(f-μ)/σ。

结果见图5，证明了傅里叶描述子比HU不变矩和融合特征更能描述服装的款式特征。

对样本集提取傅里叶描述子特征、HU不变矩特征和融合特征，进行SVM分类训练与测试，识别准确率如图5所示。结果显示傅里叶描述子的识别效果明显高于HU不变矩。同时，融合特征法识别准确率与傅里叶描述子相比略低1％左右，说明HU不变矩和傅里叶描述子的融合并不能提高识别效果。因此，单一采用傅里叶描述子表征服装的款式即可。

支持向量机与极端学习机识别效果比较：

Huang(HUANG G B，ZHU G Y，SIEW C K.Extreme learning machine：Theory andapplicatioons[J].Neurocomputing，2006，70(1-3)：489-501.)提出的极端学习机(Extreme Learning Machine,ELM)是通过对单隐层神经网络的输入权值和隐层节点偏移量随机的赋值，经过一步计算即可求解出神经网络的输出权值。ELM能够极大的提高网络学习的速度和泛化能力，具有很高的运算速度优势，但却不可避免的造成过拟合的隐患，使分类效果降低。

为了验证ELM对服装款式傅里叶描述子的识别效果，使用了Huang开发的elm_kernel工具箱进行ELM识别实验。每组样本集分别使用傅里叶描述子特征向量进行ELM与SVM识别实验，识别准确率和识别测试耗时结果对比如图6、图7所示。可以看出本发明SVM算法在速度上达到了ELM的速度，而识别准确率相比则大大提高。本发明提出的使用SVM对服装款式的傅里叶描述子特征进行识别的方法具有快速和有效的特点。