一种基于卷积神经网络的服装分类方法
【技术领域】
[0001] 本发明涉及一种基于卷积神经网络（Convolutional Neural Networks，CNN)的服 装分类方法，属于图像信息处理技术领域。
【背景技术】
[0002] 目前，研究者们已经提出了诸多的实现服装自动分类的算法。Pan等人提出使用 BP神经网络识别针织物。Ben等人提出基于文本特征和支持向量机对针织物的识别方法。 Liu等人提出了基于姿态的估计和使用颜色，SIFT，HOG等特征来将衣服分成23类。Bourdev 等人研究出一个系统来描述人们的外貌形象，他们使用了 9种属性，例如男性、T恤、长发等 特性。另外，对于衣服的分割也是研究热点。Hu等人提出使用基于受限德劳内三角（CDT) 的前景和背景估计，这种方法不需要任何预定义的服装模型。Weber等人则引入一个新颖的 方法，利用姿态检测器去处理服装的遮挡问题。Manfred提出了流行商店数据库里的服装分 割方法。研究者们也致力于对衣服属性的分类，比如颜色、领子、衣袖等属性。Chen引入了 一个全自动的系统，这个系统能够产生可命名属性列表的衣服。Lorenzo-Navarro等人则做 了一组实验，实验的目的是评价LBP和HOG描述子在衣服属性方面的能力。
[0003] 服装分类是非常具有发展前景的研究话题，传统的分类算法一般采用两步方法， 第一步从输入图像中计算出人为设置的特征，第二步根据算出的特征去训练一个分类器， 用于测试数据的分类。由于人工设计的特征的局限性，传统方法效果的好坏很大程度上取 决于认为选择的特征是否合理，具有很大的盲目性，普遍存在分类准确率低的问题。因此， 目前的服装分类算法主要存在两点局限性。第一，传统的特征不能达到满意的分类效果，尤 其是对相似属性的类别。第二，目前没有公开的服装数据库来客观评价现有的算法。
【发明内容】
[0004] 本发明所要解决的技术问题是：提供一种基于卷积神经网络的服装分类方法，设 计卷积神经网络模型，学习数据库中图像的特征，建立全局的特征表达，提高了服装分类准 确率。
[0005] 本发明为解决上述技术问题采用以下技术方案：
[0006] -种基于卷积神经网络的服装分类方法，包括以下步骤：
[0007] 步骤1，获取服装图像样本，将服装图像样本分为训练样本和测试样本；
[0008] 步骤2,对训练样本和测试样本进行预处理；
[0009] 步骤3,构建卷积神经网络模型，该卷积神经网络模型包括5层卷积层，3层下采样 层，3层全连接层；
[0010] 步骤4,利用步骤2预处理后的训练样本对步骤3所述卷积神经网络模型进行前向 传播和后向传播两个阶段的训练，当后向传播训练计算出的误差达到期望值时，训练结束， 并得到卷积神经网络模型的参数；
[0011] 步骤5,利用步骤4训练结束的卷积神经网络模型对步骤2预处理后的测试样本进 行测试，并输出最终服装分类结果。
[0012] 优选的，步骤1所述获取服装图像样本的过程为：将服装分成男装8类、女装8类 进行图像样本获取，其中男装8类为夹克、衬衫、风衣、西服、冲锋衣、针织衫、羽绒服、T恤， 女装8类为旗袍、衬衫、风衣、西服、连衣裙、卫衣、羽绒服、T恤。
[0013] 优选的，步骤2所述对训练样本和测试样本进行预处理的过程为：将训练样本和 测试样本的大小调整到120 X 120像素。
[0014] 优选的，步骤3所述卷积层的计算公式为： I其中，4为 卷积层第1。层的第j个输出图，f为激活函数，M ,为输入特征映射的集合，*为卷积操作， 为卷积层第1。层的第j个输出图与上一层第i个输入图之间的卷积核，I < i < max (1 _)， Hiax(Icin)为第Ic层输入图的最大个数，1彡i彡max(l raut)，max(l_t)为第Ic层输出图的 最大个数，对为卷积层第1。层的第j个输出图的附加偏差，1。= 1，…，5。
[0015] 优选的，步骤3所述下采样层的计算公式为：，其中，4为 下采样层第IJl的第j个输出图，f为激活函数，S为下采样函数，rx、/<分别为下采样层 第Is层的第j个输出图的乘子偏差、附加偏差，I s= 1，…，3。
[0016] 优选的，步骤4所述误差的计算公式为：
其中，n为训练样 本的样本总数，m为类别数，t为由网络激励函数f(x) = max(0，x)输出的一个mXl的矩 阵，tlatel为训练样本的标签，是一个mXl的二值矩阵。
[0017] 本发明采用以上技术方案与现有技术相比，具有以下技术效果：
[0018] 1、本发明基于卷积神经网络的服装分类方法，设计的卷积神经网络框架可以把服 装图像直接作为网络的输入，隐式地对图像的特征进行提取，建立全局的特征表达，相比于 人工设计的特征提取更加方便和精确。
[0019] 2、本发明基于卷积神经网络的服装分类方法，解决了现有算法对衣服分类准确率 低的问题。
【附图说明】
[0020] 图1是本发明基于卷积神经网络的服装分类方法的流程示意图。
[0021] 图2是本发明实施例中卷积神经网络结构示意图。
[0022] 图3是本发明实施例中各卷积层输出特征示意图。
[0023] 图4是本发明分类方法对比其他三种不同方法的分类结果示意图。
[0024] 图5是本发明分类方法与其他三种不同方法对每一类服装的分类结果示意图。
【具体实施方式】
[0025] 下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始 至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参 考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
[0026] 如图1所示，为本发明基于卷积神经网络的服装分类方法的流程示意图，根据图1 对下面的实施例进行详细说明。
[0027] 步骤1、获取服装图像，建立训练样本和测试样本。根据市场上常见的衣服款式把 服装分成16类，其中男装8类，女装8类，通过相关软件及人工的方式从互联网上下载该属 性对应的图片，创建新的数据库。其中男装具体细分为夹克、衬衫、风衣、西服、冲锋衣、针织 衫、羽绒服、T恤八种属性的服装；女装具体细分为旗袍、衬衫、风衣、西服、连衣裙、卫衣、羽 绒服、T恤八种属性的服装。服装图像样本数量一共是33965,从中随机选取27565个样本 作为训练样本，6400个样本作为测试样本，测试比例为18. 84%。
[0028] 步骤2、对服装图像进行预处理，调整数据库中图像大小。统一把图像大小调整为 120X 120像素，作为卷积神经网络的输入。
[0029] 步骤3、设计有效的网络结构去从学习合适的特征来表达复杂的服装图像。本发明 的卷积神经网络总共23层，这里只提了 5层卷积层