基于數(shù)字圖像處理的服裝款式識別方法研究.pdf

1、利用數(shù)字圖像處理技術(shù)從服裝圖像中識別出服裝款式，在服裝的消費分析、輔助服裝設(shè)計以及身份識別等領(lǐng)域有著廣泛的應(yīng)用前景。服裝款式特征主要是由服裝的輪廓特征體現(xiàn)。當(dāng)前服裝款式識別領(lǐng)域針對服裝輪廓進行特征提取及分類的研究中，主要的方法有基于小波傅里葉描述子的極端學(xué)習(xí)機分類法，以及基于融合特征的歐式距離分類法。但是這些方法也存在著一些不足，例如小波傅里葉描述子相似度判別較復(fù)雜、極端學(xué)習(xí)機分類適應(yīng)性差和歐式距離判別效率低等問題。目前仍沒有有效的方法

2、對服裝輪廓進行特征提取以及分類。
　　針對以上問題，本文探索一種利用數(shù)字圖像處理技術(shù)對服裝實物圖像進行款式識別的新型而行之有效的方法。根據(jù)輪廓特征提取及其分類方法的主要技術(shù)特點，本文提出了兩種不同的技術(shù)方案——基于輪廓曲率特征點的模板匹配法和基于輪廓傅里葉描述子的 SVM分類法；經(jīng)過具體的設(shè)計、實現(xiàn)以及可行性驗證，最終通過對款式識別結(jié)果的對比分析得出優(yōu)選方法。主要的研究工作概括如下：
　　首先，本文對課題研究背景及現(xiàn)狀進行分

3、析，通過分析當(dāng)前研究工作的不足，提出本課題。
　　其次，由于國際上目前沒有一個公認的服裝圖像樣本庫，本文創(chuàng)建了一個新的樣本庫。針對傳統(tǒng)基于邊緣檢測的服裝圖像預(yù)處理算法對服裝輪廓提取效果差的狀況，本文設(shè)計了一種基于灰度線性變換的預(yù)處理方案。通過線性變換拉伸灰度區(qū)間，增強了服裝圖像與背景的對比度，經(jīng)過二值化和一系列形態(tài)學(xué)處理后，服裝圖像邊界清晰， Canny算子邊緣檢測后進行頻域的傅里葉濾波，最終得到服裝輪廓。最終的方案實現(xiàn)結(jié)果表明，

4、采用此方案獲得的服裝輪廓平滑，能有效降低紋理噪聲，且不失原本結(jié)構(gòu)。
　　然后，根據(jù)當(dāng)前輪廓特征的提取技術(shù)較復(fù)雜，其分類方法的效率低、適應(yīng)性差等現(xiàn)狀，本文提出了兩種解決方案：方案一，基于輪廓曲率特征點特征的Hausdorff模板匹配法；方案二，基于輪廓傅里葉描述子特征的SVM分類法。方案一中輪廓曲率特征點能夠描述服裝輪廓曲線的彎曲特征，其計算簡單且直觀性強；改進的均值Hausdorff距離相似性判斷效果更好。方案二中傅里葉描述子表達

5、了輪廓全局的形狀特征，且每個分量都具有一定的物理意義，相似性判別簡單；SVM的分類能力和泛化能力也比較突出。通過詳細的設(shè)計和Matlab編程，實現(xiàn)了上述方案并進行了可行性的驗證。
　　最后，通過方案一、二的實驗結(jié)果對比后發(fā)現(xiàn)，方案二對樣本庫650張服裝圖像的款式識別準(zhǔn)確率約為95.9％，比方案一高約17%；方案二識別每張圖像耗時約3.6毫秒，比方案一快約20倍；但方案一針對輪廓特征明顯的款式識別效果更好，特征描述的直觀性更強。綜合

6、對各款式和整體的識別效果，方案二的優(yōu)勢突出，確定為較優(yōu)方案。并且通過將方案二與其他輪廓特征提取方法（Hu不變矩、融合特征）和分類方法（極端學(xué)習(xí)機、BP神經(jīng)網(wǎng)絡(luò)）進行了對比，進一步確認了方案二的優(yōu)勢。
　　本文提出并實現(xiàn)的服裝款式的計算機圖像識別方案，能夠?qū)Ψb圖像中的服裝款式自動識別，預(yù)處理方案能夠有效消除紋理噪聲的干擾，輪廓特征提取及其分類方案的特征描述能力強、計算簡單，款式識別準(zhǔn)確性、實時性和適應(yīng)性都較好。該方案的提出對服裝款