论文部分内容阅读
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。