[发明专利]一种基于卷积神经网络的服装属性识别方法

权利要求书

1.一种基于卷积神经网络的服装属性识别方法，其特征在于，步骤如下：

步骤1：候选区的选取，以选择性搜索算法提取候选区域，通过各个提取区域间的颜色、纹理、尺寸和吻合度之间的相似性对区域进行合并；

1)使用基于图的图像分割算法分割得到原始分割区域集合，用R＝{r₁,r₂,...r_n}表示；

2)计算相邻区域之间的相似度包括颜色相似度、纹理相似度、尺寸相似度以及吻合度，并存储在集合S中；

3)合并集合R中相似度最高的两个相邻区域r_p和r_q形成新的区域r_t，并在集合S中删除r_p和r_q相邻区域之间的相似度；

4)计算r_t和相邻区域之间的相似度，并将相似度的值存入集合S中，将r_t储存在集合R中；

5)迭代重复步骤3、4，直到集合S为空；

6)按照尺寸大小筛选出可能的候选框；

步骤2：对提取的矩形区域进行预处理；

具体处理为：模型图像的输入尺寸为224*224*3，用双线性插值方法对矩形框进行防缩，放缩系数τ由矩形框中比较长的一边决定；在经过放缩系数为τ的等比放缩后，在短边方向上两边会留有长度为a的空白；本发明中用全0填充短边方向上的空白；

步骤3：候选区的特征提取和分类；

本发明将尺寸归一化的经选择性搜索算法提取候选框在稀疏神经网络CNN中进行传播，将最后池化层的2048维特征向量提取出来，然后用训练好的L-Softmax预测其属于每个分类可能性及分数，对于每个类别，图片中的预选区域都会对其有一个分数；

步骤4：采用非极大值抑制来对提取的区域进行筛选评价；

步骤5：采用边界回归的方法校正识别区域，提取通过稀疏神经网络的池化层特征值，进行平移变换和尺度防缩；最终模型的输出是对目标边框的预测值。

2.如权利要求1所述的一种基于卷积神经网络的服装属性识别方法，其特征在于，所述的步骤1中，使用的颜色分量包括：(1)RGB空间的R、G、B；(2)加权灰度值I；(3)Lab颜色空间L、a、b；(4)HSV颜色空间H、S和V。

3.如权利要求1或2所述的一种基于卷积神经网络的服装属性识别方法，其特征在于，所述的选择性搜索算法中阈值设置为50，聚类尺度参数为18。

4.如权利要求1或2所述的一种基于卷积神经网络的服装属性识别方法，其特征在于，所述的步骤5中，边界回归包含两个变换、平移变换和尺度放缩。

5.如权利要求1或2所述的一种基于卷积神经网络的服装属性识别方法，其特征在于，所述的所述非极大值抑制，步骤如下：

首先设6个预选框，根据经过分类器后的分类概率排序，从小到大分别属于某一类的概率排序为A、B、C、D、E、F；

1)从最大概率的选区F开始，分别判断A～E与F的重叠度IOU是否大于某一个预先设定的阈值；

2)假设B、D和F的IOU大于设定的阈值，那么排除B和D，标记概率最大的矩形框F并保留下来；

3)从余下来的选区A、C、E中，选择概率最大的区域E，然后计算E与A、C的IOU,如果重叠度大于设定的阈值就排除,并且标记E是保留下来的第二个区域；

4)重复上述过程，直到筛选出所有保留下来的候选区。

6.如权利要求3所述的一种基于卷积神经网络的服装属性识别方法，其特征在于，所述的所述非极大值抑制，步骤如下：

首先设6个预选框，根据经过分类器后的分类概率排序，从小到大分别属于某一类的概率排序为A、B、C、D、E、F；

1)从最大概率的选区F开始，分别判断A～E与F的重叠度IOU是否大于某一个预先设定的阈值；

2)假设B、D和F的IOU大于设定的阈值，那么排除B和D，标记概率最大的矩形框F并保留下来；

3)从余下来的选区A、C、E中，选择概率最大的区域E，然后计算E与A、C的IOU,如果重叠度大于设定的阈值就排除,并且标记E是保留下来的第二个区域；

4)重复上述过程，直到筛选出所有保留下来的候选区。