基于多特征值的服裝檢測(cè)與識(shí)別算法

魏 芬， 劉建平， 徐松松， 曹 飛

(1. 南京航空航天大學(xué) 金城學(xué)院，江蘇 南京 211156；2. 南京東大智能化系統(tǒng)有限公司，江蘇 南京 210023；3. 南京郵電大學(xué)，江蘇 南京 210006)

?

基于多特征值的服裝檢測(cè)與識(shí)別算法

魏 芬1， 劉建平2， 徐松松3， 曹 飛3

(1. 南京航空航天大學(xué) 金城學(xué)院，江蘇 南京 211156；2. 南京東大智能化系統(tǒng)有限公司，江蘇 南京 210023；3. 南京郵電大學(xué)，江蘇 南京 210006)

提出一種基于多特征值的服裝檢測(cè)與識(shí)別算法。通過人臉檢測(cè)輔以Canny算子邊緣檢測(cè)實(shí)現(xiàn)對(duì)服裝的精確定位，采用顏色直方圖加以最小歐氏距離的組合方式提取特征值，設(shè)計(jì)貝葉斯分類器，將特征值進(jìn)行正、負(fù)樣本分類，最終實(shí)現(xiàn)對(duì)服裝的識(shí)別。實(shí)驗(yàn)表明，該算法能夠有效檢測(cè)與識(shí)別服裝，達(dá)到預(yù)期效果。

服裝識(shí)別； Canny算子； 顏色直方圖； 最小歐氏距離； 貝葉斯分類器

0 引 言

移動(dòng)互聯(lián)網(wǎng)以及智能終端的發(fā)展，掃碼技術(shù)在移動(dòng)終端設(shè)備中的應(yīng)用已日趨成熟，然而通過移動(dòng)終端實(shí)現(xiàn)對(duì)服裝的檢測(cè)與識(shí)別技術(shù)還不成熟。本文借用移動(dòng)終端掃碼進(jìn)行信息識(shí)別的思想，研究基于多特征值的服裝檢測(cè)與識(shí)別算法，應(yīng)用于移動(dòng)終端設(shè)備。本文從服裝檢測(cè)和服裝識(shí)別兩部分對(duì)算法進(jìn)行分析研究。服裝檢測(cè)方面，首先通過AdaBoost[1-2]算法檢測(cè)人臉區(qū)域，然后通過Canny算子[3]進(jìn)行邊緣檢測(cè)，最后通過服裝迭代定位算法實(shí)現(xiàn)對(duì)服裝的精確定位；服裝識(shí)別方面，基于服裝檢測(cè)，首先通過顏色直方圖加以圖像最小歐氏距離(MED)[4-5]提取特征值，然后設(shè)計(jì)并訓(xùn)練貝葉斯分類器[6-9]，最后通過訓(xùn)練好的分類器實(shí)現(xiàn)對(duì)服裝的高效識(shí)別。通過移動(dòng)終端實(shí)現(xiàn)對(duì)服裝的檢測(cè)與識(shí)別必然需要對(duì)服裝圖片進(jìn)行分析、檢測(cè)、特征提取和識(shí)別的過程，本文是在VS2015開發(fā)環(huán)境下結(jié)合OpenCV視覺庫(kù)模擬移動(dòng)終端掃碼實(shí)現(xiàn)對(duì)服裝的檢測(cè)與識(shí)別過程。實(shí)驗(yàn)結(jié)果表明，本文提出的算法能夠有效檢測(cè)與識(shí)別服裝，達(dá)到預(yù)期結(jié)果。

1 服裝檢測(cè)

1.1 人臉檢測(cè)

本文通過人臉檢測(cè)對(duì)服裝進(jìn)行粗定位，然后結(jié)合下文中的迭代算法實(shí)現(xiàn)服裝的精確定位。人臉檢測(cè)技術(shù)已日趨成熟，有很多的人臉檢測(cè)算法得到了很好的應(yīng)用。采用AdaBoost 算法，在VS2015開發(fā)環(huán)境下應(yīng)用OpenCV提供的函數(shù)和分類器對(duì)人臉進(jìn)行精確檢測(cè)。AdaBoost采用迭代的算法思想，通過不斷的訓(xùn)練同一個(gè)訓(xùn)練集得到多個(gè)不同的弱分類器，然后再將這些弱分類器以加權(quán)投票的方式得到一個(gè)最終的強(qiáng)分類器。通過AdaBoost 算法實(shí)現(xiàn)分類器訓(xùn)練流程如圖1所示。

圖1 分類器訓(xùn)練流程圖

VS2015開發(fā)環(huán)境中人臉檢測(cè)程序由三個(gè)部分組成：加載分類器、加載待檢測(cè)圖像和檢測(cè)與標(biāo)識(shí)。在程序設(shè)計(jì)實(shí)現(xiàn)中，采用OpenCV庫(kù)提供的haarcascade_frontalface_alt.xml文件存儲(chǔ)的目標(biāo)檢測(cè)分類，圖像載入使用函數(shù)cvLoad來完成，cvLoad函數(shù)載入圖像后對(duì)圖像進(jìn)行強(qiáng)制類型轉(zhuǎn)換，函數(shù)cvHaarDetectObjects檢測(cè)圖像中人臉目標(biāo)，并標(biāo)出人臉矩形框。

1.2 服裝迭代定位算法

基于上文AdaBoost 算法得到人臉矩形框，通過多次試驗(yàn)和人體測(cè)量學(xué)理論確定人的上身與臉部的比例，將矩形框進(jìn)行一定比例的移動(dòng)、放大，矩形框的最優(yōu)邊的選定是包含Canny算子邊緣檢測(cè)的邊緣點(diǎn)最多的邊，實(shí)驗(yàn)發(fā)現(xiàn)這樣的粗定位方式具有不穩(wěn)定性。所以，本文進(jìn)一步采用服裝矩形框的上邊與人臉矩形框的下邊同高度的矩形框通過迭代算法實(shí)現(xiàn)服裝的精確定位。

Canny邊緣檢測(cè)算法是邊緣檢測(cè)領(lǐng)域的經(jīng)典算法，得到了很好的優(yōu)化和應(yīng)用，其高定位精度、抑制虛假邊緣和低誤碼率等優(yōu)點(diǎn)符合本文對(duì)算法設(shè)計(jì)與研究的要求，所以本文采用Canny算子作為服裝邊緣檢測(cè)技術(shù)，并與服裝迭代定位算法結(jié)合，實(shí)現(xiàn)服裝的精確定位。

服裝迭代定位的具體算法如下：

(1)設(shè)定人臉檢測(cè)矩形框的參數(shù)。寬度為Wf，高度為Hf，垂直中心對(duì)稱軸為L(zhǎng)，水平對(duì)稱軸為R，定義服裝矩形框的上邊框高度為人臉矩形框下邊高度。

(2)設(shè)定服裝矩形框選取的終止條件。服裝矩形框的寬度最大不得超過人臉矩形框?qū)挾鹊?倍，假設(shè)服裝矩形框以垂直中心軸L為對(duì)稱軸，所以，服裝矩形框的左邊框最大寬度Wl=1.5Wf，服裝矩形框右邊框最大寬度Wr=1.5Wf，下邊框到上邊框的最大距離不超過Hd=3.5Hf。設(shè)置放大次數(shù)n=6，根據(jù)終止條件和放大次數(shù)計(jì)算出每次放大每條邊的步長(zhǎng)因子nL=Wl/6，nR=Wr/6，nD=Hd/6。

(3)對(duì)稱軸L。依據(jù)步驟(2)中的步長(zhǎng)向左移動(dòng)，兩兩比較對(duì)稱軸包含邊緣點(diǎn)的多少，保留較多的對(duì)稱軸繼續(xù)與下一個(gè)對(duì)稱軸比較，當(dāng)對(duì)稱軸移動(dòng)過程中滿足步驟(2)中的終止條件時(shí)，比較對(duì)稱軸包含邊緣點(diǎn)情況，選取包含邊緣點(diǎn)最多的對(duì)稱軸作為服裝矩形框的左邊框。

(4)服裝矩形框的右邊的選取。方式與步驟(3)同理，對(duì)稱軸L依次向右移動(dòng)，滿足終止條件時(shí)，最終選取包含邊緣點(diǎn)最多的對(duì)稱軸作為服裝矩形框的右邊框。

(5)服裝矩形框的下邊框的選取。方式與步驟(3)同理，對(duì)稱軸R依次向下移動(dòng)，滿足終止條件時(shí)，最終選取包含邊緣點(diǎn)最多的對(duì)稱軸作為服裝矩形框的下邊框。

(6)矩形框。根據(jù)以上的迭代算法選擇出最優(yōu)的左右邊框以及下邊框，并根據(jù)最終選取的邊框確定服裝的精確位置，并在原圖像中畫出服裝矩形框。

通過以上算法實(shí)現(xiàn)對(duì)服裝的精確定位，完成對(duì)服裝的檢測(cè)部分。

2 服裝識(shí)別

2.1 顏色直方圖

顏色是圖像中重要的特征元素，由于顏色對(duì)圖像的尺寸、視角和方向的依賴性較小，因此具有較高的魯棒性，在圖像相似度計(jì)算中得到大量應(yīng)用。顏色表征圖像的特征通過顏色直方圖[10]來反映，并得到很好用的研究與應(yīng)用，通過顏色直方圖來描述圖像顏色特征在顏色空間中的概率分布，即反映不同色彩在整幅圖像中所占的比例。對(duì)每種顏色在圖像中的像素?cái)?shù)進(jìn)行統(tǒng)計(jì)并構(gòu)造的歸一化顏色直方圖，具有尺度不變性和旋轉(zhuǎn)不變性的特性。

一般的圖像都是采用RGB空間進(jìn)行表示的，但RGB顏色空間與人眼的視覺感受不同，通常需要將RGB空間轉(zhuǎn)換為其他空間。HSV空間是一種基于感知的顏色模型，能夠更準(zhǔn)確地感知顏色間的信息，由H、S和V三個(gè)分量組成，其中H表示色度、S表示飽和度、V表示亮度[11]。所以，通過顏色直方圖進(jìn)行圖像識(shí)別時(shí)就需要先進(jìn)行顏色空間的轉(zhuǎn)換。由上所述，通過顏色直方圖對(duì)圖像相似度進(jìn)行匹配需要以下幾步：首先將RGB空間轉(zhuǎn)換為HSV空間[12]；其次適當(dāng)量化轉(zhuǎn)換后的HSV空間圖像并構(gòu)造出歸一化顏色直方圖；最后通過構(gòu)造的歸一化[13]顏色直方圖的匹配計(jì)算，得到圖像的相似度。

通過對(duì)顏色空間的分析，把三個(gè)分量進(jìn)行量化，分別將色調(diào)H空間分為6份，飽和度S空間分為4份，亮度V空間分為3份。量化后的結(jié)果如下所示：

通過以上的量化結(jié)果將HSV空間分成LH×LS×LV個(gè)代表色空間，其中，LH、LS和LV分別表示H、S和V的量化級(jí)數(shù)(LH=6，LS=4，LV=3)，也就是將顏色空間分成72個(gè)代表色空間。按照以上量化級(jí)數(shù)，把3個(gè)顏色分量合成為一維特征矢量I=H×LH+S×LS+V×LV，即G=6H+4S+3V。G的取值范圍為G∈[0，1，2，…，71]，計(jì)算G就得到一維直方圖。

假設(shè)原始圖像I，其直方圖特征向量Hi=(i0,i1,…,iL)，圖像庫(kù)中待檢圖像Q，其直方圖特征向量HQ=(q0,q1,…,qL)，利用下面的公式計(jì)算相似度：

(1)

2.2 最小歐氏距離

將M×N維的圖像進(jìn)行灰度值處理，轉(zhuǎn)換到MN維歐氏空間，這樣的歐氏空間稱為圖像空間RMN。在圖像空間坐標(biāo)系中，基坐標(biāo)用e1,e2,…,eM×N表示，其中，坐標(biāo)ekN+l與原圖像坐標(biāo)系中的坐標(biāo)(k,l)相對(duì)應(yīng)，即ekN+l表示原圖像坐標(biāo)系中坐標(biāo)(k,l)的灰度值，設(shè)一幅圖像量化后用X=(x1,x2,…,xMN)來表示，那么，兩幅向量化后的圖像X和Y的歐氏距離為：

(2)

根據(jù)式(2)對(duì)數(shù)據(jù)庫(kù)中的三幅圖像計(jì)算兩兩間的歐氏距離，計(jì)算結(jié)果表明相似的兩幅圖像的歐氏距離反而大于不相似的兩幅圖像，經(jīng)分析發(fā)現(xiàn)導(dǎo)致這種錯(cuò)誤的原因在于只用各坐標(biāo)的灰度值對(duì)圖像進(jìn)行描述，而忽略了個(gè)坐標(biāo)點(diǎn)間的空間關(guān)系。

基于以上的分析，本文給出了最小歐氏距離(MED)的計(jì)算推導(dǎo)。定義坐標(biāo)度量系數(shù)gij(其中，i,j=1,2,…,MN)，表示坐標(biāo)xi對(duì)坐標(biāo)yj的作用，將gij引入到歐氏距離計(jì)算公式，如式(3)所示：

(3)

其中，對(duì)稱矩陣G=(gijMN×MN)稱為度量矩陣。由式(3)可知，公式中的主要約束條件就是度量系數(shù)gij，它依賴于xi和yj之間的坐標(biāo)距離，如下式所示：

(4)

根據(jù)最小歐氏距離原理，式(4)滿足當(dāng)|xi-yj|遞增時(shí)，gij單調(diào)遞減，為了保證G正定，函數(shù)f必須是連續(xù)正定函數(shù)，分析式(3)發(fā)現(xiàn)，由于需要存儲(chǔ)MN×MN維的矩陣G，所以其計(jì)算并不是很高效的。因此，把式(3)中的矩陣G分解為ATA，如下式所示：

(5)

其中，U=AX，V=AY，可見，只要求得A，式(5)則可以轉(zhuǎn)化為式(2)。

可以將矩陣G進(jìn)行如下分解：

(6)

用克羅內(nèi)克爾積和高斯函數(shù)求解矩陣G，如下式所示：

(7)

假設(shè)圖中兩點(diǎn)(mi,ni)、(mj,nj)的坐標(biāo)分別用xi和yj表示，則圖中兩坐標(biāo)點(diǎn)的相應(yīng)平方距離的計(jì)算公式如下式所示：

(8)

把式(8)帶入式(7)，并且進(jìn)行化簡(jiǎn)，可以得到：

(9)

如前所述，m∈[1,M]，n∈[1,N]，這樣就分別重新生成了一個(gè)M×M的矩陣ΨM和一個(gè)N×N的矩陣ΨN，具體可表示為：

(10)

(11)

則G可以寫成ΨM和ΨN的克羅內(nèi)克爾積：

(12)

再將Ψ分解成相應(yīng)的特征向量和特征值的表示形式，即

(13)

則G可以表示為：

G=(ΩΘΩT)?(ΩΘΩT)=

(Ω?Ω)(Θ?Θ)(Ω?Ω)T=ΓΛΓ

(14)

通過以上的分析推導(dǎo)，給出的最小歐氏距離考慮了灰度值以及坐標(biāo)點(diǎn)間的空間關(guān)系，可以更好地表征圖像。通過最小歐氏距離保證了相似圖像歐氏距離值小，通過比較歐氏距離值實(shí)現(xiàn)對(duì)圖像的識(shí)別，為下文中的貝葉斯分類器提供更加精確的特征值。

2.3 貝葉斯分類器

貝葉斯分類器以貝葉斯公式作為其堅(jiān)實(shí)的數(shù)學(xué)理論，并能夠綜合先驗(yàn)信息和數(shù)據(jù)樣本，對(duì)未知圖像類型進(jìn)行預(yù)測(cè)[14]。目前研究較多的貝葉斯分類器主要有四種：Naive Bayes、TAN、BAN、GBN，本文對(duì)Naive Bayes進(jìn)行研究和應(yīng)用，實(shí)現(xiàn)圖像特征值的分類以及服裝的識(shí)別。

Naive Bayes分類器是基于獨(dú)立假設(shè)的，即假設(shè)樣本的每個(gè)特征值與其他特征值都不相關(guān)。設(shè)變量集U={A1,A2,…,An,C}，其中，A1,A2,…,An表示對(duì)象的各個(gè)屬性變量，C表示取m個(gè)值的類變量，這樣就得到Naive Bayes分類器(假設(shè)屬性Ai都條件獨(dú)立于C)，Naive Bayes分類器工作過程如下：

設(shè)n維特征向量X={x1,x2,…,xn}表示未分類數(shù)據(jù)樣本即未知樣本，對(duì)應(yīng)A1,A2,…,An屬性值，設(shè)有m個(gè)類用C={C1,C2,…,Cm}表示，Naive Bayes分類器將未知樣本X分配給類C，當(dāng)且僅當(dāng)P(Ci|X)>P(Cj|X)，1≤i,j≤m,j≠i，最大化P(Ci|X)，其中，P(Ci|X)最大的類Ci為最大后驗(yàn)假設(shè)[15]，根據(jù)貝葉斯定理：

(15)

其中，P(X)對(duì)于所有類為常數(shù)，由于類的先驗(yàn)概率未知，所以設(shè)定P(C1)，P(C2)，…，P(Cn)為等概率的，為化簡(jiǎn)計(jì)算可以做類條件獨(dú)立的假定，即各屬性間不存在依賴關(guān)系，則

(16)

概率P(x1|Ci),P(x2|Ci),…,P(xn|Ci)可以從訓(xùn)練樣本估計(jì)值得到。

(17)

其中，Sik是在屬性Ak上具有值xk的類Ci的訓(xùn)練樣本數(shù)；Si是Ci中的樣本數(shù)。

3 實(shí)驗(yàn)及結(jié)論

基于以上各研究點(diǎn)的研究及相關(guān)算法的改進(jìn)，設(shè)計(jì)服裝檢測(cè)與識(shí)別系統(tǒng)，算法流程圖如圖2所示。

圖2 服裝檢測(cè)與識(shí)別算法流程圖

本實(shí)驗(yàn)中選取服裝樣本數(shù)為498，共有23種品牌，通過本文給出的算法，首先由AdaBoost算法對(duì)圖像進(jìn)行人臉檢測(cè)并畫出人臉矩形框；然后通過Canny算子對(duì)圖像進(jìn)行邊緣檢測(cè)，結(jié)合服裝定位算法，實(shí)現(xiàn)對(duì)服裝的精確定位并畫出服裝矩形框；其次，對(duì)服裝矩形框部分進(jìn)行直方圖轉(zhuǎn)換，通過MED計(jì)算特征值；最后根據(jù)提取的特征值訓(xùn)練貝葉斯分類器，實(shí)現(xiàn)對(duì)服裝的識(shí)別。

圖3所示為一組通過本文算法處理后得到的服裝精確定位結(jié)果圖。由圖3可知，本文給出的服裝檢測(cè)算法能夠?qū)崿F(xiàn)對(duì)服裝的精確定位。

圖3 服裝精確定位圖

服裝精確定位后，通過顏色直方圖和MED計(jì)算特征值，對(duì)每一幅服裝圖像提取48個(gè)特征值，構(gòu)建測(cè)試樣本：Mat testSample(1, 48, CV_32FC1)，構(gòu)建訓(xùn)練樣本：Mat trainData(498, 48, CV_32FC1)，對(duì)測(cè)試樣本進(jìn)行測(cè)試：testNbc.predict(testSample)。實(shí)驗(yàn)中隨機(jī)選取一張圖像進(jìn)行測(cè)試，能夠正確輸出服裝品牌，測(cè)試結(jié)果正確。

4 結(jié) 語(yǔ)

以上的實(shí)驗(yàn)對(duì)本文提出的服裝檢測(cè)與識(shí)別算法的可行性進(jìn)行了驗(yàn)證，達(dá)到預(yù)期效果。本文研究的出發(fā)點(diǎn)是實(shí)現(xiàn)移動(dòng)終端設(shè)備對(duì)服裝的檢測(cè)與識(shí)別，因此下一步工作重點(diǎn)是將算法移植到移動(dòng)終端設(shè)備，通過終端設(shè)備實(shí)現(xiàn)對(duì)服裝的檢測(cè)與識(shí)別。

[1] An T，Kim M．A new diverse AdaBoost classifier[J]．//International Conference on Artificial Intelligence & Computational Intelligence，2010(1)：359-363．

[2] Wu S，Nagahashi H．Parameterized AdaBoost: introducing a parameter to speed up the training of real AdaBoost[J]．IEEE Signal Processing Letters，2014，21(6)：687-691．

[3] 趙 巖，周百靈，陳賀新．一種改進(jìn)的基于Canny算子邊緣檢測(cè)算法.吉林大學(xué)學(xué)報(bào)(理學(xué)版)[J]，2012，50(4)：740-744．

[4] Schouten T E，van den Broek E L．Fast exact euclidean eistance (FEED): anew class of adaptable distance transforms[J]．IEEE Trans Pattern Anal Mach Intell，2014，36(11)：2159-2172．

[5] 戴 歡，吳小?。趫D像歐氏距離的人臉描述和識(shí)別方法[J]．江南大學(xué)學(xué)報(bào)(自然科學(xué)版)，2009，8(1)：20-23．

[6] 代 磊，馬衛(wèi)東，王凌楠，等．基于權(quán)重的樸素貝葉斯分類器設(shè)計(jì)與實(shí)現(xiàn)[J]．情報(bào)理論與實(shí)踐，2008；31(3)：440-442．

[7] 蔣良孝．樸素貝葉斯分類器及其改進(jìn)算法研究[D]．武漢：中國(guó)地質(zhì)大學(xué)，2009：5-8．

[8] Lv H S X．The naive bayesian classifier learning algorithm based on adaboost and parameter expectations[J]．Computational Science & Optimization Ird International Joint Conference on，2010：377-381．

[9] Yang Y， Shi Y．An algorithm for incremental tree-augmented naive bayesian classifier learning[C]//International Conference on Artificial Intelligence & Computational Intelligence．IEEE，2010：524-527．

[10] 陳 晨．基于顏色直方圖的圖像檢索[J]．哈爾濱師范大學(xué)自然科學(xué)學(xué)報(bào)，2014，30(2)：31-35．

[11] 侯阿臨，趙柳青，桃 敏，等．基于多特征的服裝圖像檢索[J]．現(xiàn)代電子技術(shù)，2010，33(6)：171-175．

[12] 盧興敬．基于內(nèi)容的服裝圖像檢索技術(shù)研究及實(shí)現(xiàn)[D]．哈爾濱：哈爾濱工業(yè)大學(xué)，2008．

[13] 李貴俊，劉正熙，游志勝，等．一種基于色差和彩色歸一化的車身顏色識(shí)別算法[J]．計(jì)算機(jī)應(yīng)用，2004，24(9)：47-49．

[14] 付 麗，孫紅帆，楊 勇，等．基于貝葉斯分類器的圖像分類技術(shù)[J]．長(zhǎng)春理工大學(xué)學(xué)報(bào)(自然科學(xué)版)，2009，32(1)：132-134．

[15] 邸 鵬，段利國(guó)．一種新型樸素貝葉斯文本分類算法[J]．?dāng)?shù)據(jù)采集與處理，2014，29(1)：71-75．

Research on Clothing Detection and Recognition Algorithm Based on Characteristic Values

WEIFen1，LIUJian-ping2，XUSong-song3，CaoFei3

(1. College of Jincheng，Nanjing University of Aeronautics and Astronautics，Nanjing 211156， China; 2. Nanjing SEU Intelligent System Co. Ltd，Nanjing 210023，China; 3. Nanjing University of Posts and Telecommunications，Nanjing 210006， China)

Clothing recognition is a research focus in the field of image recognition. This paper studies the clothing detection and recognition technology on the basis of previous studies, and proposes a multi-feature detection and recognition algorithm. Through the face detection combined with Canny edge detection, it achieves precise positioning of clothing, then the characteristic value is extracted by color histogram and minimum Euclidean distance. At the end, design the Bayesian classifier is used to classify the characteristic values into positive and negative samples to identify the clothing. Experiments show that the algorithm can effectively identify the clothing and achieve the desired results.

clothing recognition； Canny operator； color histogram； MED； Bayesian classifier

2015-10-13

國(guó)家自然科學(xué)基金項(xiàng)目(61203246)

魏 芬(1978-)，女，江蘇南京人，碩士，講師，主要研究方向?yàn)殡娮有畔⑼ㄐ拧⑶度胧较到y(tǒng)設(shè)計(jì)。

Tel.：13390753998，025-87190127；E-mail:wfen1229@126.com

TP 391.4

A

1006-7167(2016)05-0118-05