一种基于深度卷积神经网络的服装定位检测方法
【技术领域】
[0001] 本发明属于图像处理、计算机视觉分析技术领域，涉及一种基于深度卷积神经网 络的服装定位检测方法。
【背景技术】
[0002] 服装检测系统已成为图像处理、计算机视觉分析领域的新兴应用方向，对服装检 测的研宄，是智能形象设计的一项关键技术，此技术通过对待检测图像中服装的检测并给 出精确定位提示，可实现智能试、换服装，有着巨大的市场应用价值和社会意义。
[0003] 现阶段国内外诸多国家围绕深度学习神经网络展开了研宄，但将此技术应用到服 装检测领域的例子还甚少。深度神经网络普遍存在由于待检测ROI区域数量过多而导致的 时效性较差问题，以及对于提取特征的方法选取不当，从而极大的束缚了精确度的问题，也 都有待于提出更好的解决方案。
【发明内容】
[0004] 有鉴于此，本发明的目的在于提供一种基于深度卷积神经网络的服装定位检测方 法，能够对待检测图像中服装的进行检测并给出精确定位提示，可实现智能试、换服装。
[0005] 为达到上述目的，本发明提供如下技术方案：
[0006] 一种基于深度卷积神经网络的服装定位检测方法，该方法包括以下步骤：
[0007] 步骤1 :在输入图像中，选取待检测区域ROI ;
[0008] 步骤2 :利用深度卷积神经网络对待检测区域进行特征提取，得到每一个分割区 域rect的特征向量；
[0009] 步骤3 :采用LibSVM分类器对所有特征向量进行判断，选出最后检测结果。
[0010] 进一步，所述步骤1选取待检测区域ROI，具体包括以下步骤：
[0011] 定义区域内间距为，
[0012] /n(R) = max ω(?'), e&E
[0013] 其中，ω (e)表示相邻两点之间权值，E表示区域内所有的边；
[0014] 定义区域间间距为，
[0015]⑶叫為
[0016] 其中，R表示区域，p表示像素点，E为边的集合；然后执行以下步骤：
[0017] 步骤I. 1 :初始化区域；初始化过程的输入为一个有η个像素和m条边的图Img，输 出为分割区域rect的集合；
[0018] 步骤1. 2 :相似性计算；找出相似性最大的区域max (S) = Iri, rj};
[0019] 步骤I. 3:区域合并。
[0020] 进一步，所述步骤1. 1初始化区域具体包括以下步骤：
[0021] 步骤1. 1. 1 :将边按照权重值以降序排列，边的权重值为对应两个像素点像素值 差值的绝对值；
[0022] ω (Pi, Pj) = I I (Pi) -I (Pj) I，
[0023] 其中，I (Pi)和I (Pi)分别表示点pJP p」的像素值；
[0024] 步骤I. 1. 2 :设分割记为Seg(O)，即每个像素自成一个区域；
[0025] 步骤I. 1. 3 :令k = 1 ;按照以下的方式由Seg(k-l)构造Seg(k);
[0026] 第k条边连接的两个节点为pJP p j，如果在Seg(k-l)中pJP p j是分别属于两个 区域并且第k条边的权重小于两个区域的区域内间距，则合并这两个区域；否则令Seg(k) =Seg(k-l);
[0027]
【主权项】
1. 一种基于深度卷积神经网络的服装定位检测方法，其特征在于：该方法包括以下步 骤： 步骤1 :在输入图像中，选取待检测区域ROI; 步骤2:利用深度卷积神经网络对待检测区域进行特征提取，得到每一个分割区域rect的特征向量； 步骤3:采用LibSVM分类器对所有特征向量进行判断，选出最后检测结果。
2. 根据权利要求1所述的一种基于深度卷积神经网络的服装定位检测方法，其特征在 于： 所述步骤1选取待检测区域ROI，具体包括以下步骤： 定义区域内间距为，
其中，《 (e)表示相邻两点之间权值，E表示区域内所有的边； 定义区域间间距为，
其中，R表示区域，P表示像素点，E为边的集合；然后执行以下步骤： 步骤1. 1 :初始化区域；初始化过程的输入为一个有n个像素和m条边的图Img，输出为 分割区域rect的集合； 步骤1. 2 :相似性计算；找出相似性最大的区域max(S) = {i^rj}; 步骤1.3:区域合并。
3. 根据权利要求2所述的一种基于深度卷积神经网络的服装定位检测方法，其特征在 于：所述步骤1. 1初始化区域具体包括以下步骤： 步骤1. 1. 1 :将边按照权重值以降序排列，边的权重值为对应两个像素点像素值差值 的绝对值； w (Pi,Pj) = 11 (Pi)-I(Pj)I^ 其中，I(Pi)和I(Pi)分别表示点pJPP」的像素值； 步骤1. 1. 2 :设分割记为Seg(O)，即每个像素自成一个区域； 步骤1. 1. 3 :令k= 1 ;按照以下的方式由Seg(k-l)构造Seg(k); 第k条边连接的两个节点为pJPpj，如果在Seg(k-l)中pJPpj是分别属于两个区 域并且第k条边的权重小于两个区域的区域内间距，则合并这两个区域；否则令Seg(k)= Seg(k-l)；
Min況，R2) = min (In況)+t況)，In (R2) +t(R2))，t(R)=k/ | R|，|R|表示区域R的大小； 步骤1. 1. 4 :令k=k+1，重复步骤1. 1. 3,直至k=m; 步骤1. 1. 5:返回Seg(m)即为所求分割区域rect的集合。
4. 根据权利要求2所述的一种基于深度卷积神经网络的服装定位检测方法，其特征在 于： 所述步骤1. 2相似性计算，包括以下几个方面的相似性计算： 步骤1. 2. 1 :通过以下公式计算颜色相似性：
其中，n表示输入图片的颜色直方图区间数目，c为对应区间向量， 步骤1. 2. 2 :通过以下公式计算纹理相似性：
其中，纹理特征为提取HOG特征，n表示区间数，是所取的bin数与颜色通道数两者的 乘积，t为对应区间向量； 步骤1. 2. 3 :通过以下公式计算小区域相似性：
其中，sizedmg)表示整张输入图片的像素个数； 步骤1. 2. 4 :通过以下公式计算重合区域相似性：
其中，size(BBy为包含两个区域的最小外接矩形。
5. 根据权利要求2所述的一种基于深度卷积神经网络的服装定位检测方法，其特征在 于： 所述步骤1. 3区域合并，具体包括以下步骤： 步骤1. 3. 1 :定义合并区域rt=riUr』，
size(rt) =size(r)+size(r』）， 其中，Ct为将区域r&合并后，区域rt的颜色直方图分布； 步骤1. 3. 2 :从S集合中，移走所有与n，rj相关的数据，s(ri,r*)，s(r*，rj; 步骤1. 3. 3 :计算新集合rt与所有与它相邻区域的相似性s(rt,r*); 步骤1. 3. 4:R=RUrt;重复步骤1. 3. 2至步骤1. 3. 4步骤，直到S集合空为止。
6. 根据权利要求1所述的一种基于深度卷积神经网络的服装定位检测方法，其特征在 于： 所述步骤2具体包括以下步骤： 步骤2. 1 :卷积运算：g(x,y) =f(x,y)*c(u,v) +e(b), 其中，e(b)为bias参数，f为原图，c为卷积核； 步骤2. 2 :池化过程： 首先对相邻的四个像素求和，通过标量W加权，再增加偏置b，然后通过sigmoid激活函 数，产生缩小的特征映射图p; 步骤2. 3 :重复步骤2. 1~2. 2 ;直到特征图变为1*1维，进行全连接，最终得到每一个 分割区域rect的特征向量。
7.根据权利要求1所述的一种基于深度卷积神经网络的服装定位检测方法，其特征在 于： 所述步骤3具体包括以下步骤： 步骤3. 1:LibSVM判断： 采用线性核函数进行计算，公式如下所示：g(x) =ff?f(x)+b, 其中，W为SVM判别模型，f为特征向量，g为计算所得分数； 步骤3. 2 :选取MAX: 计算出所有检测框的分值后，选取得分最高的一个分割区域rect，作为最终检测结果， 输出到原图上。
【专利摘要】本发明涉及一种基于深度卷积神经网络的服装定位检测方法，属于图像处理、计算机视觉分析技术领域。该方法通过在输入图像中，合理选取待检测区域ROI；然后，利用深度卷积神经网络对待检测区域进行特征提取；最后，采用LibSVM分类器对所有特征向量进行判断。本发明提供的一种基于深度卷积神经网络的服装定位检测方法能够对待检测图像中服装的进行检测并给出精确定位，可实现智能试、换服装。
【IPC分类】G06K9-46, G06K9-00
【公开号】CN104778464
【申请号】CN201510221552
【发明人】程诚, 颜卓, 李远钱, 覃勋辉, 周祥东, 周曦, 袁家虎
【申请人】中国科学院重庆绿色智能技术研究院
【公开日】2015年7月15日
【申请日】2015年5月4日