随着人们生活水平的不断提高,衣着品味也逐渐提高。服装的着装效果往往受人们肢体运动的影响,面料作为服装的原材料由于其属性不同,运动过程中会表现出不同的姿态,根据面料的外在表达形式选择合适的面料有助于提高服装造型呈现的美感。本文通过计算机视觉技术测量与分析不同面料的运动和形变属性,利用LSTM神经网络对面料动态风格进行分类,定量表达面料的外在呈现效果。主要研究工作如下:(1)在获取面料图像特征信息时,针对SIFT算法在面料图像光照不均条件下表现效果不佳的问题,提出了GT-SIFT特征点提取算法。该方法对输入图像进行高斯高通滤波处理与一次Top-hat变换,然后对新图像进行高斯卷积,构建基于光照滤除与参数弱化的高斯差分(GT-Do G)金字塔来取代SIFT算法的原高斯差分(Do G)金字塔,并采用SIFT的特征提取方法进行特征点提取,达到抑制图像光照不均匀影响的目的。在Mikolajczyk标准数据集中对Leuven,Wall,Boat,Bikes图像进行匹配实验,查全率分别为:0.98,0.87,0.80,0.93,验证算法的有效性,为下文基于GT-SIFT特征点匹配的面料运动和形变研究提供技术支持。(2)提出基于GT-SIFT流测量面料序列图像运动和形变的方法,通过对相邻帧图像提取GT-SIFT特征点,在两帧的时间变化中对应特征之间的相对位置变化构成流场,以流场的角度分析相邻帧图像的特征。稳健的GT-SIFT特征点代替原始像素避免传统光流法中对亮度恒定的假设,克服噪声点对流场计算的干扰。利用流矢量场求得的统计量(水平速度、垂直速度、幅值、方向)作为测量值,建立面料的运动描述特征和形变描述特征,定量分析面料表面的复杂运动变化。把面料运动和形变的特征量按时间顺序构造为特征序列,作为对面料动态风格产生影响的5项测量指标:水平运动指数、垂直运动指数、形变指数、运动能量和加权方向熵。(3)探索面料运动和形变属性与面料动态风格之间的关系,建立面料运动和形变属性与面料动态风格之间的分类模型,该模型由多个结构相同的LSTM单元组成LSTM层,每项测量指标分别作为每个单元的输入,这样在模型训练中每个LSTM单元都可以从一种测量指标中学习动态信息,有效利用面料运动和形变属性的动态序列信息,提高分类的准确度。通过自建面料数据集,探究模型的分类能力,实验表明该模型的分类准确率优于已有方法,最终分类准确率为0.927,达到根据面料运动和形变属性判定动态风格的目的,为面料物理特征值向动态风格表达的转化过程和方法的模拟提供科学、可靠的依据,对服装设计中面料的选择具有重要指导意义。