人体周边最重要的物品就是服装，随着网络购物的兴起,海量的服装类图像数据涌现。如何根据服装类图像的内容来对服装图像进行分类,成为了一个重要的研究内容。研究目的主要有：(1)研究现有的图像分割技术，分析各种算法的原理、应用范围及各自优缺点，结合人体图像的特殊性提出一种适合衣服类图像的分割算法。（2）研究现存的各种特征提取方案，结合人体图像中服装对象间的主要区别，找到最能描述不同类型服装的特征。（3）研究针对不同特征的分类算法，对不同对象的相关特征集进行训练，得到一组能够对特征进行准确分类的分类模型。针对上述研究目的，采用了一种基于人脸检测的GrabCut算法来进行图像的分割。该算法首先根据人脸检测的结果确定衣服的可能区域，然后通过构建肤色的GMM模型对肤色像素点进行去除，接着采用改进的GrabCut算法对衣服对象进行分割，最后对分割后的结果进行轮廓孤立点的删除，完成了衣服对象的分割。对于分割出来的衣服对象，提取了衣服的颜色、形状、纹理和位置信息，并针对衣服的颜色、纹理和形状进行分类。对于颜色信息，采用HSV颜色空间来描述衣服的总体颜色；对于纹理信息，提取了纹理特征来描述衣服对象的纹理，并采用SVM对其进行分类；对于形状特征，针对上下衣采用了不同的判断流程，将其分为了七种不同的类型；对于位置信息，采用Freeman算法来描述衣服对象的轮廓。采用上述算法，结合衣物类图像特有的性质，提出了一种人体周边物品检测分类系统HIDCS。最后，对HIDCS系统进行了测试，测试集为600张不同颜色、纹理、类型的带人脸衣服图像,测试结果为：人脸检测的准确率达到88.9%，纹理分类的准确率为90.58%，图像的平均处理时长为2158ms，其中人脸检测的耗时平均为636ms，图像分割的平均耗时为845ms，特征分类的平均耗时为654ms。通过测试表明，所提出的算法能够对带人脸的图像中的衣服对象进行正确的检测、识别，达到了预设的验收标准。人体周边物体特征提取项目目前已验收成功，整体项目已结项，与之相关的发明专利1项已公开。