[发明专利]一种基于IA-FAIF的服装特征提取与匹配方法

说明书

本发明公开了一种基于IA‑FAIF的服装特征提取与匹配方法，具体按照如下步骤进行；步骤1：输入图像后，通过仿射变换来模拟服装不同视角的图像，得到对应于输入图像视角变化的模拟图像；步骤2：在模拟图像中进行AKAZE算法下的特征检测；步骤3：将FREAK算法进行：构建采样模式；确定特征点的主方向；构建FREAK描述子；最后得到FREAK描述子；步骤4：将FREAK描述子进行特征描述，然后将描述后的描述子进行匹配，实现服装的特征提取与匹配。本发明一种基于IA‑FAIF的服装特征提取与匹配方法，对大视角变化下的服装纹样提取具有准确率高和快速性好的优点。

技术领域

本发明属于图像处理技术领域，具体涉及一种基于IA-FAIF的服装特征 提取与匹配方法。

背景技术

图像处理技术被广泛应用于纹样识别过程中，纹样识别的关键是寻找图 像中的有效特征，特征提取与匹配的准确率与快速性直接影响识别的效果。 近些年，国内外学者提出了诸多特征提取与匹配的方法，例如：2015年，丁 笑君等采用SIFT(Scale InvariantFeature Transformation)算法获取畲族服装 纹样关键点，得到不同类别服装的关键点设计区域与排列顺序(丁笑君，邹 楚杭，陈敬玉等。畲族服装特征提取及其分布，纺织学报。2015，36(7)： 110-115.)；2017年，曹霞等通过SURF(Speed Up Robust Features)算法对服饰花边纹理进行匹配(曹霞，李岳阳，罗海驰等。基于层次匹配下多种特 征融合的蕾丝花边检索方法，计算机工程与科学，2017，39(9):1691-1669.)； 2018年，路凯等将提取的SIFT关键点特征转换为视觉单词，实现不同类别 纤维的鉴别(LU K,ZHONG Y,LI D,etal.Cashmere/wool identification based on bag of words and spatial pyramidmatch[J].Textile Research Journal. 2018,88(21):2435-2444.)；但是，SIFT算法和SURF算法在复杂纹样的特征 提取与匹配过程中耗时较大。2019年，韩敏等采用AKAZE(Accelerated-KAZE)算法提取特征点，通过二进制描述子FREAK(Fast retina keypoint)进行特征描述，实现了图像在光照、尺度及旋转变化下精确 匹配，并且特征描述过程的耗时较SIFT算法和SURF算法有明显缩短(韩 敏，闫阔，秦国帅。基于改进KAZE的无人航拍图像拼接算法，自动化学报. 2019，45(2)：305-314)。

服装的元素形态多样并且伴随着大量的重复和叠加；加之拍摄角度和距 离不同，导致图像纹样存较大的视角差异。上述特征提取与匹配算法虽然对 尺度、旋转和光照变化有一定的鲁棒性，但是难以解决大视角变化下的复杂 纹样提取与匹配。针对这一问题，国内外学者们也进行了相关研究，典型成 果有：2015年，Zhao等采用仿射不变多尺度自卷积变换提取仿射不变特征， 并利用主成分分析法对特征描述子进行降维(Zhao Y,Li L,LiuZ G.A novel algorithm using affine-invariant features for pose-variant facerecognition[J]. ComputersElectrical Engineering，2015，46(1):217-230.)。2020年，Moyou 等将特征点投影到格拉斯曼流行中以实现特征点不同子空间划分，通过拉普 拉斯-贝尔特拉米算子计算特征点的仿射不变坐标，从而实现大视角变化下 的特征提取与匹配(Moyou M,Rangarajan A,Corring J,Peter A M.A grassmannian graph approach toaffine invariant feature matching[J].IEEE Transactions on Image Processing,2020,29(1):3374-3387.)。上述方法提取的 仿射不变特征对视角变化具有很好的鲁棒性，但算法复杂度较高、实时性较 差。因此，现有技术中，现有技术中存在，大视角变化下，复杂纹样的服装 特征提取与匹配准确性和快速性难以兼顾的问题。

发明内容