[发明专利]一种基于部件检测和视觉特征的时尚女装图像细粒度分类方法

说明书

本发明涉及一种基于部件检测和视觉特征的时尚女装图像细粒度分类方法，属于计算机视觉及图像应用领域。本发明首先对输入的时尚女装待分类图像和训练集中图像进行身体部位的部件检测；其次，分别提取检测后的时尚女装图像，并训练时尚女装图像的HOG、LBP、颜色直方图和边缘算子4种底层特征，得到特征提取后的图像；然后，将定义的视觉特征描述符与提取到的4种底层特征进行匹配，采用多类SVM监督学习训练细粒度分类器模型；最后，通过训练后的细粒度分类器，对特征提取的时尚女装图像实现细粒度分类，输出时尚女装图像的分类结果。本发明采用的检测和分类方法具有较高的准确率。

技术领域

本发明涉及一种基于部件检测和视觉特征的时尚女装图像细粒度分类方法，属于计算机视觉及图像应用领域。

背景技术

网络购物受到了人们的极大欢迎，呈现出普及化、全球化、移动化的发展趋势，使得时尚服装分类成为越来越热门的话题，时尚服装分类在电子商务等领域得到广泛应用。因此，时尚服装分类也出现了很多改进的方法，其中包括最为经典的词包模型，基于深度学习的时尚服装分类方法以及基于随机森林、SVM(Support Vector Machine，支持向量机，简称SVM)、CNN(Convolutional Neural Network，卷积神经网络，简称CNN)等方法。公知方法大多都是针对时尚服装图像的粗粒度分类，缺少相似款式类别之间的分析，无法实现更精细的划分和多层次分类。由于时尚女装款式多样，不同于粗粒度的分类任务,时尚女装细粒度图像的类别精度更细致,款式类别间差异更细微,往往只能借助于微小的局部差异才能区分出不同的款式。此外，细粒度图像的信噪比很小,含有足够区分度的信息存在于很细小的局部区域中。因此，如何找到并有效利用有用的局部区域信息，更精细、准确、高效地实现时尚女装图像细粒度分类，具有重要的理论意义和实用价值。已有的公知方法中，如Berg(POOF:Part-Based One-vs.-One Features for Fine-Grained Categorization,FaceVerification,and Attribute Estimation，2013:955-962.)提出的基于部位的一对一特征的POOFs方法可以自动地从一组特定领域并带有特定位置和类别标注的图像集中学习大量不同的具有高区分性的中级特征。每一个特征都能够根据对象特定位置的表观特征来区分两个不同的类。Bossard(Apparel classification with style,2012,321-335.)针对在自然场景中如何识别和分类时尚服装提出了一个完整的方法，其关键是采用多个基于随机森林学习，并用有强大识别能力的学习者作为决策节点，同时也将随机森林扩展成拥有能够对不同领域转换的迁移森林。Cui(Fine-Grained Categorization and DatasetBootstrapping Using Deep Metric Learning with Humans in the Loop,2015:1153-1162)提出基于深度度量学习的通用迭代框架用于细粒度分类的，以学习嵌入到每个类别上锚点的低维特征。Zhang(Weakly Supervised Fine-Grained Categorization WithPart-Based Image Representation,2016,25(4):1713-1725.)提出了一个易于部署的细粒度图像分类系统，其在训练或在测试阶段不使用任何对象或部分注释，而只使用训练图像的类标签。

综上所述，虽然时尚服装图像的分类方法的实现途径有很多，但由于服装款式多样、纹理和配饰多变、且服装柔性易变形，使得服装本身的样式发生变化，这些因素给分类识别带来了很大困难。公知方法中仍然存在一定的缺陷与局限性，而且由于拍摄场景及人体姿态众多，使得如何检测人体不同区域显得尤为重要。在特征提取及分类方面，公知方法大多基于颜色、纹理等底层特征来实现特征提取，不能很好利用局部信息，对于时尚服装之间细微的款式类间和类内差异的特征提取存在一定的局限性，只能实现时尚服装的粗粒度分类。

发明内容

本发明涉及一种基于部件检测和视觉特征的时尚女装图像细粒度分类方法，以适应不同姿势和视角变换的身体部位检测，满足电子商务用途中时尚女装图像的细粒度分类。