一种服饰检测及其属性值识别的方法和系统的制作方法
【技术领域】
[0001] 本申请设及一种图像处理和图像识别领域，具体设及一种在图像中提取服饰及其 属性值信息的方法和系统。
【背景技术】
[0002] 从技术角度来说，服装的形象很难识别，因为一个人坐着的姿势不同或者拍照的 角度不同，他身上所穿的服装将呈现不同的状态。标准化的图像识别技术很容易识别静态 的物质，比如一个出玉米片盒子的正面或者一栋大型建筑的正面。因为运些东西不会改变， 其结构也始终保持一致，故而易于识别。不过，如果放在服装上，运要难得多，因为穿着服装 的人是动态的。
[0003] 现有技术中，专利CN102521565B公开了一种在视频中识别服装的方法和系统。该 方法主要基于时空分类器融合技术，通过运动检测，人体识别，及服装识别，对同一运动目 标多个视频帖的服装特征进行判决，最终确定人体目标的服装类别和身份。该方法主要应 用在动态视频中获取服装识别，而基于静态，且只有一张照片时，无法检测和识别出服装信 息。
【发明内容】
[0004] 本申请针对现有领域中存在的服饰识别难度大，技术少，W及准确率不高的问题， 提供一种新的服饰及其属性值识别方法和系统。所述方法，包括：
[0005] 步骤1:在接收输入的图像中，生成一组矩形备选区域；
[0006] 步骤2:利用一卷积神经网络识别步骤1中生成的矩形备选区域是否包含服饰信 息，如果包含，将矩形备选区域信息作为服饰的位置信息；
[0007] 步骤3:如果步骤2中识别出矩形备选区域包含服饰信息，则进一步利用一卷积神 经网络识别服饰的属性值信息；
[000引步骤4:输出所述步骤2和步骤3中得到的服饰的位置信息和服饰属性值信息。
[0009] 此外，本申请还设及一种服饰及其属性值的识别系统，包括：
[0010] 备选区域生成模块，用于在接收输入的图像中，生成一组矩形备选区域；
[0011] 服饰检测模块，用于利用一卷积神经网络识别备选区域生成模块生成的矩形备选 区域是否包含服饰信息，如果包含，将矩形备选区域信息作为服饰的位置信息；
[0012] 服饰属性值识别模块，用于在服饰检测模块识别出矩形备选区域包含服饰信息 时，进一步利用一卷积神经网络识别服饰的属性值信息；
[OOU]输出模块，用于输出所述服饰检测模块和服饰属性值识别模块中得到的服饰的位 置信息和服饰属性值信息。
[0014]本申请通过两个卷积神经网络对图片中的服饰及服饰属性值的进行识别，可W得 到更精确的服饰信息，能够得到高准确度的识别结果。利用本申请的识别方法，能够解决现 有技术中服饰识别难度大，技术少，W及准确率不高的问题。
【附图说明】
[001引图1是本申请中一种服饰检ii及其鳳性值识另巧法的流程图；
[0016] 图2是本申请中一种生成矩形备选区域方法的流程图；
[0017] 图3是本申请中一组矩形备选区域的示意图；
[0018] 图4是本申请中一种服饰检测方法使用的卷积神经网络结构示意图；
[0019]图5是本申请中一种服饰鳳性值识另巧法使用的卷积神经网络结构示意图；
[0020] 图6是本申请中一种服饰检测及其属性值识别方法的输出结果示意图；
[0021] 图7是本申请中一种服饰检测及其属性值识别系统的整体框架图。
【具体实施方式】
[0022] 为了使本申请的上述目的和优点能够更加明显易懂，下面结合附图和具体的实施 方式对本申请做进一步详细的说明。
[0023] 首先，结合附图1-6,对本申请中一种服饰检测及其属性值的识别方法进行详细解 释。如附图1所示，该方法具体包括如下步骤：
[0024] 步骤1:在接收输入的图像中，生成一组矩形备选区域。
[0025] 接收输入的图像可W是一幅静态图片，如常见的肝EG，TIFF，BMP，GIF，PNG，RAW等 格式的图片。本申请并不对图片格式做限定。此外，输入的图像也可W是视频流中截取的一 帖，或者图像序列中的一张图像。
[0026] 如图3所示，备选区域为一矩形框，在该矩形框中，可能包含输入的图像中的服饰 信息，也可能不包含服饰信息。
[0027] 具体的，生成矩形备选区域可W采用W下两种方式：
[0028] 方式1:主要通过对输入的图像进行区域分割和合并从而得到一组矩形备选区域， 具体步骤如附图2所示：
[0029] 步骤11:利用常见的图像分割算法，生成一组初始分割区域，町町…心常见的图 像分割算法，可W例如是公知的基于图论的图像分割算法（Graph-Based Image Segmentation),也可W是公知的归一化的图像分割算法（Normalized Cut Image Segmentation)或者其他公知的图像分割算法。具体采用何种图像分割算法并不是本发明 的重点，因此并不在此做进一步限制，任何可在图像上生成一组初始分割区域的分割算法 都可W。
[0030] 步骤12:计算任意两个相邻分割区域(ri，n)的相似度。
[0031] 步骤13:合并相似度最大的两个相邻分割区域，作为一个新的分割区域并将新 的分割区域r巧日入到矩形备选区域集合之中。
[0032] 步骤14:重复步骤12-13,直至仅剩一个分割区域为止。
[0033] 步骤15:输出矩形备选区域集合。
[0034] 其中，步骤15得到的矩形备选区域集合就是一组矩形备选区域。
[0035] 方式2:主要通过识别人脸位置坐标从而计算服饰位置坐标，进而生成包含服饰信 息的矩形备选区域。该方法依赖于人脸识别方法所识别出的人脸位置。该人脸识别方法可 W是任何常见的人脸识别方法，例如基于卷积神经网络的人脸识别方法，或者基于深度学 习算法的人脸识别方法，本发明的重点不在于此，因此不对使用的人脸识别方法做限制。只 要可W在图像中识别出人脸位置的任何公知人脸识别算法都可。
[0036] 假设已经识别出的人脸位置坐标为(x，y，w，h)，其中X表示人脸检测框的左上角横 坐标，y为人脸检测框的左上角纵坐标，W为人脸检测框的宽，h为人脸检测框的高，人脸检测 框是一个包含人脸信息的矩形区域，则使用W下公式一计算服饰位置坐标：
[0037] 公式一；
[0038] (χ/，/，*/，h/ )为服饰位置坐标，其中χ/表示包含服饰信息的矩形备选区域的左 上角横坐标，/为矩形备选区域的左上角纵坐标，为矩形备选区域的宽，为矩形备选区 域的高，而(a，b，c，d)为模型参数。
[0039] 为获得矩形备选区域的模型参数(a，b，c，d)，需要利用同时标注有人脸位置坐标 信息与服饰位置坐标信息的若干训练图片进行训练。假设第i张训练图片的人脸位置坐标 与服饰位置坐标分别W(xi，yi，wi山)与(厶，/1^1也1)表示，则模型参数(a，b，c，d)可使 用W下公式二进行计算：
[0040] 公式二：
[0041] 其中（xi，yi，wi山)为人脸位置坐标，X康示第i张训练图片的人脸检测框的左上角 横坐标，yi为人脸检测框的左上角纵坐标，wi为人脸检测框的宽，hi为人脸检测框的高， (χ/ 1 y 1 V 1 y 1)为服饰位置坐标，χ/康示第i张训练图片中包含服饰信息的矩形备选区 域左上角横坐标，/ 1为矩形备选区域的左上角纵坐标，1为矩形备选区域的宽，l·/ 1为矩形 备选区域的高。
[0042] 通过训练图片利用公式二计算出模型参数(a，b，c，d)值，再利用公知的人脸识别 方法对步骤1接收的输入图片进行人脸识别，获取人脸位置信息，进而利用公式一计算服饰 位置坐标，即矩形备选区域信息。
[0043] 上述两种生成矩形备选区域的方式不同，得到的矩形备选区域也可能不一致，无 论是上述两种方式中的任何哪种，都可W用于在输入图像上生成一组矩形备选区域。矩形 备选区域的生成结果可参见附图3所示。
[0044] 步骤2:利用一卷积神经网络识别步骤1中生成的矩形备选区域是否包含服饰信 息。
[0045] 将步骤1中生成的一组矩形备选区域输入至一卷积神经网络，逐个判