結(jié)合顯著區(qū)域檢測和手繪草圖的服裝圖像檢索

吳傳彬， 劉 驪,2， 付曉東,2， 劉利軍,2， 黃青松,2

(1. 昆明理工大學(xué) 信息工程與自動化學(xué)院， 云南 昆明 650500；2. 昆明理工大學(xué) 云南省計算機(jī)技術(shù)應(yīng)用重點實驗室， 云南 昆明 650500)

隨著時尚服裝的發(fā)展和移動終端設(shè)備的普及，網(wǎng)上購買服裝已成為主流。然而，由于網(wǎng)上商店提供用來檢索服裝的關(guān)鍵詞數(shù)量和類別有限，用戶很難從海量圖像中獲得自己想要的服裝款式；因此，“以圖搜圖”[1-2]的服裝檢索技術(shù)出現(xiàn)。目前在各大電子商務(wù)平臺上應(yīng)用基于拍照購物的方式進(jìn)行服裝檢索時，并不是所有用戶都能隨時隨地拍到想要檢索的圖片，加之拍照圖片極大地受到光照、場景以及設(shè)備性能的影響，導(dǎo)致檢索準(zhǔn)確率不高。相反，基于手繪草圖的服裝圖像檢索可以不受任何限制，簡單的手繪草圖更容易表達(dá)出服裝款式且沒有任何歧義。此外，常用圖像通常包含了豐富的色彩、紋理，檢索中需要對這些特征信息進(jìn)行匹配或估計，導(dǎo)致檢索實時性差。而在服裝檢索中，用戶主要關(guān)心的是服裝款式，并不是色彩、紋理等特征，因此，研究人員提出不使用任何顏色和紋理特征，只用形狀特征的方法來進(jìn)行服裝圖像匹配，即基于手繪草圖的服裝圖像檢索[3]。不同于自然圖像，草圖只有單純的黑白線條，二者間存在很大的差異，難以與真實自然圖像直接匹配。Tseng等[3]采用Jseg的分割方法提取服裝圖像的輪廓特征，然后進(jìn)行草圖與服裝圖像輪廓匹配，但Jseg分割方法只針對背景清晰且服裝圖像平整的情況。Kondo等[4]采用多種算子對服裝圖像進(jìn)行特征提取，通過平衡不同算子的權(quán)重作為檢索依據(jù)獲得檢索結(jié)果。由于不同服裝款式對不同的算子敏感度差異很大，通過調(diào)節(jié)權(quán)重來改善檢索結(jié)果并不是很理想。文獻(xiàn)[5]通過形態(tài)學(xué)的預(yù)處理并結(jié)合Canny算子邊緣檢測提取服裝輪廓，該方法只提取了服裝外部輪廓，丟失了服裝款式中的重要內(nèi)部細(xì)節(jié)。文獻(xiàn)[6]提出利用相關(guān)反饋技術(shù)的服裝圖像檢索算法，然而，該方法只考慮了相似性，忽略了整個數(shù)據(jù)集中圖像之間的相關(guān)性。Li K等[7]通過強監(jiān)督的可變形部件模型(DPM)[8]檢測器對屬性進(jìn)行檢測，利用支持向量機(jī)(SVM)對屬性分類得到檢索結(jié)果，該方法要求數(shù)據(jù)需經(jīng)大量人工標(biāo)注，無法適應(yīng)大規(guī)模數(shù)據(jù)的應(yīng)用。

為有效解決上述問題，Zhang Y等[9]提出利用顯著區(qū)域檢測提取目標(biāo)對象的輪廓。顯著區(qū)域檢測通常應(yīng)用在圖像分割中，可較好去除背景噪聲的干擾，有效地得到目標(biāo)區(qū)域，從而提高了檢索準(zhǔn)確率。在此研究基礎(chǔ)上，本文提出基于視覺顯著區(qū)域的手繪草圖服裝圖像檢索方法。區(qū)別于上述方法，本文通過超像素分割后的服裝圖像首先去除錯誤邊界，采用正則化隨機(jī)漫步模型生成的服裝顯著區(qū)域并結(jié)合邊緣信息加權(quán)得到服裝顯著邊緣，更加注重服裝的完整性，而文獻(xiàn)[9]側(cè)重于利用局部區(qū)域來提高仿射變換的性能，并沒有注重對象自身特點。在圖像檢索過程中，為提高檢索的效率和魯棒性，引入重排序策略[10]，本文提出的圖像重新排序方法首先根據(jù)距離相關(guān)系數(shù)來測量任何2個圖像的相似度分布的對應(yīng)關(guān)系；其次，通過1次聚類而不是多次迭代來更新相似性分?jǐn)?shù)；使用距離相關(guān)系數(shù)以自適應(yīng)方式更新分?jǐn)?shù)。

1 方法概述

本文方法流程如圖1所示，由離線階段和在線階段組成。離線階段： 1)首先采用正則化隨機(jī)漫步算法對輸入的服裝圖像進(jìn)行服裝顯著區(qū)域檢測和采用globalPb[11]算法提取圖像的輪廓信息，通過二者加權(quán)得到服裝顯著邊緣；2)對輸入服裝顯著邊緣圖像進(jìn)行HOG特征提??；3)通過量化特征來構(gòu)建特征索引庫。在線階段：針對給定的查詢草圖，首先通過提取用戶草圖的HOG特征，量化成視覺詞匯；然后計算查詢草圖特征與數(shù)據(jù)集之間的相似性圖像，得到初始的檢索列表；最后采用基于距離相關(guān)系數(shù)的重排序算法對其相似度進(jìn)行排序并輸出結(jié)果。

圖1 本文方法流程圖

Fig.1 Process flow diagram of proposed method

2 顯著區(qū)域檢測方法

為解決草圖和真實服裝圖像間的差異，需要將真實服裝圖像轉(zhuǎn)換成類似服裝草圖的圖像，并消除其他噪聲的干擾，從而有利于檢索。

2.1 顯著區(qū)域檢測

采用簡單線性迭代聚類[12]算法對服裝圖像過分割為超像素，分割完成后，所有超像素的每個邊界作為1個連通區(qū)域，利用下式計算每個邊界的歸一化顏色(RGB)直方圖：

(1)

式中：b∈{top,bottom,left,right}表示4條邊的位置；l表示服裝區(qū)域總像素數(shù)，r=0,,255；Iq表示像素q的強度值；δ(·)為單位沖激函數(shù)。計算4個邊界直方圖中任意2個的歐氏距離：

(2)

式中：b1,b2表示任意2條不同的邊界，將直方圖差值最大的邊界確定為服裝區(qū)域邊界。它作為前景估計，其剩余的3個邊界為不屬于服裝區(qū)域的錯誤邊界，將作為背景估計。用S(i)表示顯著估計結(jié)果，i=1,,n；n為超像素的總數(shù)量。

(3)

(4)

2.2 服裝顯著邊緣

由于服裝圖像自身的特性(如褶皺、陰影等帶來的噪聲)，一般的邊緣檢測算法不能很好地應(yīng)用于服裝圖中。本文采用globalPb算法[11]對服裝圖像進(jìn)行語義邊緣檢測。該方法利用切割高曲率的點將邊緣圖轉(zhuǎn)化成多個邊緣片段V={v1,v2,,vi}。通過計算邊緣輪廓片段之間的距離和長度的比率來得到主邊緣輪廓。本文進(jìn)一步定義了一個能量函數(shù)來計算邊緣片段之間的平滑程度，只有平滑度較高的片段才會保留為生成的邊緣。對于一組邊緣片段Vi∈V，通過能量函數(shù)對邊緣進(jìn)行平滑，得到初始的邊緣檢測圖，用F2(x,y)表示：

(5)

式中：E(Vi)表示能量函數(shù)；|U|表示Vi中高曲率折點的數(shù)量；L表示Vi中所有曲線段的總長度。

最后將服裝顯著區(qū)域圖與初始的邊緣檢測圖進(jìn)行逐像素相乘，得出服裝顯著邊緣圖像，并形成服裝顯著邊緣圖像庫，服裝顯著邊緣圖可表示為

F(x,y)=F1(x,y)×F2(x,y)

(6)

3 手繪草圖的服裝檢索算法

3.1 特征提取與表示

為加強方向梯度直方圖(histogram of oriented gradient，HOG)[13]描述子的位置和空間方向的描述能力，文獻(xiàn)[14]以一組稀疏筆畫(草圖)構(gòu)造了一個密集的邊緣方向場，并在多個尺度上計算梯度直方圖，得到梯度場的HOG(gradient field HOG，GF-HOG)特征?；谠摲椒?，本文首先將輸入的草圖和服裝顯著邊緣圖進(jìn)行了GF-HOG特征提取，部分實驗結(jié)果如圖2所示。其次將得到的GF-HOG特征通過K-means生成單個視覺詞匯字典。每個服裝邊緣圖構(gòu)建頻率直方圖HI′，它表示出現(xiàn)在該圖像中的GF-HOG特征的視覺詞的分布，然后對直方圖歸一化。對待檢索的服裝草圖，使用相同碼本從服裝草圖中提取GF-HOG特征，得到歸一化的直方圖Hs。

圖2 GF-HOG特征提取圖

Fig.2 GF-HOG feature extraction map. (a) Salient edge; (b) Salient edge feature; (c) User sketch; (d) User sketch feature

3.2 相似度計算

基于得到的特征庫O，本文構(gòu)建了一個特征索引庫，采用直方圖相交方法計算草圖s和服裝顯著邊緣圖像I′之間的特征相似度，進(jìn)行特征匹配。Sim(Hs,HI′)可表示為

(7)

式中：wij=1-|H(i)-H(j)|，Η(i)是第i個bin的歸一化計算，i={1,,k}?？紤]到服裝圖像款式多樣性特點，初始的檢索結(jié)果包含了很多部分相似的圖像，這些結(jié)果并不準(zhǔn)確，導(dǎo)致檢索魯棒性差，因此，需要對初始的檢索結(jié)果進(jìn)行排序優(yōu)化。

3.3 距離相關(guān)系數(shù)

為從數(shù)學(xué)角度表示2幅圖像的相似關(guān)系，本文引入距離相關(guān)系數(shù)[15](distance correlation coefficient，dCor)。設(shè)Ms和Mi分別表示向量形式的草圖和服裝圖像的相似矩陣。Mi∈O，則距離相關(guān)系數(shù)可以表示為

(8)

(9)

式中：w為閾值參數(shù)(參數(shù)大小將會在實驗中討論)。根據(jù)賦值函數(shù)的定義，可將初始的檢索列表分成2個部分：

如果φ(Is,Ii)=1，則Ii在第1個部分p1中；

如果φ(Is,Ii)=0，則Ii在第2個部分p2中。

其中：p1表示與檢索草圖高度相似的圖像；p2表示與檢索草圖可能相似的圖像。

3.4 重排序

設(shè)Sl為給定檢索草圖Is和服裝圖像Il∈Sl生成的初始檢索列表，則通過自適應(yīng)方式應(yīng)分成3個簇，如下所示：

如果Il∈P1，則Il被分在C1聚簇；

如果Ir∈P2，則Il被分在C2聚簇；

如果Il?C1,Il?C2，則Il被分在C3聚簇。

通過定義的3種不同的更新規(guī)則來計算C1，C2和C3組圖像的相似性分?jǐn)?shù)。設(shè)Siminit(Ip,Iq)表示手繪草圖與服裝圖像初始的相似度分?jǐn)?shù)，則通過以下規(guī)則計算優(yōu)化后的分?jǐn)?shù)：

1)若(Ip,Iq)∈C1，則Sfinal(Ip,Iq)=Siminit(Ip,Iq)×dCor(Ip,Iq)；

4 實驗與分析

實驗選用Intel Core i7 7700K CPU, 4.20 GHz，32 GB RAM 的硬件平臺以及Ubuntu 16.04系統(tǒng)下MatLab R2016a版本進(jìn)行測試，所有實驗都在統(tǒng)一環(huán)境下進(jìn)行。

4.1 數(shù)據(jù)集

實驗數(shù)據(jù)集來源于2部分。一個是由Liu Z等提出的DeepFashion[2]服裝圖像數(shù)據(jù)集，是目前公開規(guī)模最大的服裝圖像數(shù)據(jù)集。本文選用其數(shù)據(jù)集中的一部分服裝圖像，共包含20多類服裝，主要有連衣裙7 849張、夾克4 500張、長款大衣3 845張、吊帶5 560張、長褲4 721張、短褲4 564張、連衣褲5 957張、女裙褲4 090張、針織衫5 592張、衛(wèi)衣4 495張、背心5 532張、襯衫4 385張、T恤6 548張、披肩3 234張、長袍2 584張、斗篷989張以及其他款式5 856張，共計80 301張圖像。

另一個為服裝草圖數(shù)據(jù)集，來源于阿里巴巴的眾包平臺，本文從服裝圖像數(shù)據(jù)集中選取了120張服裝圖像進(jìn)行手繪。服裝草圖數(shù)據(jù)的收集遵循以下2個規(guī)則：1)草圖都是由沒有繪畫基礎(chǔ)的人員在觸摸設(shè)備上繪制，這與平常大部分人使用手機(jī)繪制是相同的情況；2)數(shù)據(jù)集中的圖像涵蓋了日常生活中經(jīng)常見到的大部分服裝類別。通過以上規(guī)則的篩選，共收集了360張服裝草圖，每款服裝草圖均來自3個不同的人員，其目的是為了保證每款服裝草圖的具有不同的手繪風(fēng)格，大小均為256像素×256像素。圖3展示了本文使用的部分草圖數(shù)據(jù)。

圖3 草圖數(shù)據(jù)

Fig.3 Sketch data. (a) Dress; (b) Overcoat; (c) Jersey; (d) Kilt; (e) Shorts; (f) Trousers

4.2 實驗結(jié)果與性能分析

4.2.1 檢測結(jié)果分析

式中：ri為正確檢測到的服裝像素；si為利用算法檢測到的服裝總像素；gi為圖像i中真實的服裝總像素。檢測實驗中所輸入的服裝圖像區(qū)域來自手工標(biāo)注，以此作為計算依據(jù)。為更好地說明本文方法的性能，與其他同類方法MR[16]以及文獻(xiàn)[9]中所采用的RC[17]方法進(jìn)行了對比，比較結(jié)果如表1所示。MR采用流行學(xué)習(xí)方法生成服裝顯著區(qū)域，流行矩陣維度高，計算量大，要求硬件性能高；RC則是利用局部區(qū)域和全局對比度差異的方法進(jìn)行顯著區(qū)域檢測。從表1看出，本文方法有明顯優(yōu)勢，綜合指標(biāo)F值最優(yōu)。部分實驗結(jié)果見圖4。其中：圖4(a)為原始圖像；圖4(b)示出服裝顯著區(qū)域檢測結(jié)果；圖4(c)為邊緣檢測圖；圖4(d)示出最終加權(quán)得到的顯著邊緣結(jié)果。

表1 檢測結(jié)果對比

Tab.1 Comparison of detection results

方法 召回率精確率F值MR0.8520.6580.745RC0.5960.9210.728本文方法0.8130.8210.826

圖4 顯著區(qū)域檢測結(jié)果

Fig.4 Results of salient detection. (a) Clothing image; (b) Salient detection; (c)Edge detection; (d) Salient edge

4.2.2 檢索結(jié)果分析

考慮到檢索結(jié)果的排名情況，本文使用2個指標(biāo)來衡量檢索的性能。一是top-K的檢索精度，假設(shè)1次有效的檢索中，檢索列表中發(fā)現(xiàn)前K個完全相同的服裝圖像，則表示命中的top-K檢索精度。二是采用歸一化折損累計增益(normalized discounted cumulative gain，NDCG)指標(biāo)，定義如下：

(10)

式中：relq(j)表示查詢草圖q的檢索結(jié)果列表中j圖像位置排名的相關(guān)性分?jǐn)?shù)；K表示檢索列表中排名前K個結(jié)果。

實驗中，隨機(jī)選用了120張不同的服裝草圖作為查詢圖像，來檢驗本文方法的實驗效果。輸入1張服裝草圖，檢索到K個圖像，在這K個圖像中存在相似的服裝圖像，則說明檢索成功。圖5示出本文所提的方法對檢索準(zhǔn)確率的影響。圖中，GF-HOG指的是不采用任何優(yōu)化方法得到的檢索結(jié)果；VSR+GF-HOG曲線指的是采用視覺顯著區(qū)域檢測后得到的檢索結(jié)果；RK+GF-HOG曲線指的是只考慮重排序的檢索結(jié)果；VSR+RK+GF-HOG曲線指的是基于視覺顯著區(qū)域和重排序二者優(yōu)化得到的檢索結(jié)果。由圖可知，基于視覺顯著區(qū)域檢測的方法相比經(jīng)典的GF-HOG有了很大的提升，重排序?qū)z索性能也有了進(jìn)一步的提升。其主要原因在于：通過顯著區(qū)域檢測后得到的顯著邊緣有效地解決了圖像與草圖之間的差異；其次采用基于距離相關(guān)系數(shù)的重排序策略對整個圖像數(shù)據(jù)庫首先進(jìn)行子集劃分，再對初始的檢索列表進(jìn)行優(yōu)化排名，提高了檢索的性能。

圖5 本文方法與其他方法的比較

Fig.5 Comparison with other methods

4.2.3 實驗參數(shù)設(shè)置的影響

為展示重要參數(shù)對整個檢索性能的影響，分別在本文數(shù)據(jù)集上比較了2個參數(shù)，包括構(gòu)建聚類中心的字典大小和閾值w大小對檢索性能的影響，如圖6、7所示。

圖6 字典大小的影響

Fig.6 Influence of codebook size

圖7 參數(shù)w大小的影響

Fig.7 Influence of size of parameterw

從圖6可以發(fā)現(xiàn)：隨著字典大小從100增長到500，K=5，10，20的準(zhǔn)確率都有了快速的提升；在字典大小為500時達(dá)到最大值；之后隨著字典大小的增長而開始下降；當(dāng)字典大小大于800時，趨于穩(wěn)定?？梢缘贸觯?dāng)在字典大小為[400，600]時，可以得到最佳的檢索性能，在本文的數(shù)據(jù)集上，字典大小為500最為合適。由于草圖的編碼信息本身比圖像稀疏多，可有效提升檢索效率，加之視覺顯著區(qū)域檢測能夠有效地抑制除服裝以外的噪聲干擾，因此本文的字典大小要比同類的詞包模型(bag-of-features，BoF)方法小很多，更有利于檢索。

參數(shù)w是距離相關(guān)度量的閾值，這個參數(shù)影響了最后排名分?jǐn)?shù)的情況。在改變w的大小時，檢索準(zhǔn)確率如圖7所示。由圖可知：當(dāng)w值從0.2增長到0.4時，檢索準(zhǔn)確率有了明顯的提高；從0.6到0.8時，檢索準(zhǔn)確率有所下降。主要原因是初始檢索結(jié)果列表中的排序分?jǐn)?shù)隨著參數(shù)w的增長重排序的影響將增大，當(dāng)w=1時，表示重排序分?jǐn)?shù)確定最終的檢索列表，初始檢索結(jié)果被丟棄。圖8示出部分檢索實例，是沒有應(yīng)用重排序的檢索結(jié)果，其中包含一些相似的圖像，但也包含一些部分相似的圖像，這些部分相似的圖像并不是用戶所要的結(jié)果。而在圖9中，采用本文提出的重排序策略后，不僅去除了部分相似的圖像，而且提高了檢索性能。

圖8 沒有使用重排序的檢索結(jié)果

Fig.8 Retrieval results without re-ranking. (a) Retrieve images; (b) Top 10 of search results

圖9 使用重排序后的檢索結(jié)果

Fig.9 Retrieval results with re-ranking. (a) Retrieve images; (b) Top 10 of search results

4.2.4 檢索對比實驗結(jié)果

本文方法在NDCG(K20)(表示檢索結(jié)果排名前20的比較情況)上明顯要優(yōu)于其他方法，如表2所示。文獻(xiàn)[9]通過改進(jìn)的AROP算子對草圖進(jìn)行角分區(qū)表示，相比文獻(xiàn)[10]，檢索性能提升很大；文獻(xiàn)[10]在檢索匹配上根據(jù)最近鄰的相似度分?jǐn)?shù)的相關(guān)性來更新圖像之間的距離以提升檢索性能，該方法對噪聲敏感，其表現(xiàn)一般；基于傳統(tǒng)的HOG[13]特征與基于邊緣像素匹配的Edgel[18]方法檢索準(zhǔn)確率有限；HLR[19]方法利用草圖線的關(guān)系直方圖，有效降低了對象邊界的噪聲，準(zhǔn)確率有了一定的提升，而本文方法結(jié)合視覺顯著區(qū)域檢測，減少了干擾信息，通過對初始結(jié)果進(jìn)行優(yōu)化排序，對檢索結(jié)果有了很大的改善，相比RST-SHELO[20]方法提高了10%。

表2 幾種算法的NDCG(K20)比較

Tab.2 Comparison with several algorithmson NDCG(K20)

方法 NDCG(K20)時間/s文獻(xiàn)[9]0.6583.18文獻(xiàn)[10]0.3915.56HOG[13]0.3676.53Edgel[18]0.2802.96HLR[19]0.5843.23RST-SHELO[20]0.6792.39本文方法0.7852.42

4.2.5 檢索效率對比

在檢索效率方面，從表2可以看出，本文算法與其他幾種算法的平均時間成本對比。其中，文獻(xiàn)[9]計算成本相對于文獻(xiàn)[10]和HOG[13]并不是很高,耗時3.18 s；文獻(xiàn)[10]采用的是多次迭代方式得到最后的排序結(jié)果，計算時間成本高，而本文采用1次迭代方式，效率上具有明顯優(yōu)勢；Edgel[18]采用的是構(gòu)造邊緣像素字典進(jìn)行匹配，有效提升了檢索速度，但準(zhǔn)確率有限；HLR[19]方法采用稀疏方式對草圖進(jìn)行描述,相比Edgel[18]方法略差；RST-SHELO[20]采用角度直方圖作為描述草圖和圖像的特征，特征維度相對其他方法要小很多，所以時間成本最低。而本文方法在效率上相對RST-SHELO[20]略高，但在準(zhǔn)確率上要比其高出近10%。

4.2.6 魯棒性分析

用戶在手繪輸入時，手繪草圖可能存在筆畫冗余、聚點交叉等[21]問題，導(dǎo)致手繪草圖質(zhì)量不高，從而影響檢索準(zhǔn)確率和效率。類似筆畫較輕、長度較小、轉(zhuǎn)折處內(nèi)聚集，首先通過計算每個筆畫前后端點處的曲率，如果該點是曲率最大的點，則去除從該點起至距離其最近端終點的冗余筆畫；其次采用滑動窗口(參照文獻(xiàn)[21],大小設(shè)置為8)依次采樣檢查圖中是否存在重復(fù)相同的點，如果有，則消除該聚點。消除不需要的筆畫冗余和聚點可提高手繪草圖的質(zhì)量，同時減少匹配計算時間，從而降低由于手繪草圖質(zhì)量不高帶來檢索性能下降的問題。

此外，每個用戶的手繪技巧是不統(tǒng)一的，因此，用戶草圖存在很大的差異，主要在于對服裝圖像的細(xì)節(jié)有不同的表達(dá)。為了解不同手繪風(fēng)格對服裝圖像檢索的影響，本文進(jìn)一步驗證了方法的魯棒性。在創(chuàng)建本文實驗數(shù)據(jù)時，隨機(jī)線下邀請了15名手繪人員，將其分成5組，每組由3人完成。每組都給予相同的服裝圖像并由他們繪制服裝草圖，然后分別進(jìn)行檢索實驗。圖10示出一組實驗結(jié)果，從總體來看，基于手繪草圖的服裝圖像檢索性能會因不同手繪風(fēng)格的輸入而導(dǎo)致檢索結(jié)果有所變化。一般情況下，對服裝的細(xì)節(jié)描述越好，準(zhǔn)確率越高。

圖10 手繪連體褲在不同風(fēng)格下的檢索結(jié)果

Fig.10 Retrieval results of connected pants in different drawn styles; (a) Drawn style 1; (b) Top 5 of search results of drawn style 1; (c) Drawn style 2; (d) Top 5 of search results of drawn style 2; (e) Drawn style 3; (f) Top 5 of search results of drawn style 3

5 結(jié)束語

本文提出了一種基于視覺顯著區(qū)域和手繪草圖的服裝圖像檢索方法，即通過顯著區(qū)域檢測對輸入的服裝圖像提取服裝顯著邊緣信息，采用基于距離相關(guān)系數(shù)的重排序算法對其相似度進(jìn)行排序優(yōu)化，并輸出檢索結(jié)果。該方法能夠采用手繪草圖較準(zhǔn)確地檢索出相應(yīng)的服裝圖像，相比已有方法而言，較好地解決了服裝圖像背景或者服裝款式內(nèi)部細(xì)節(jié)信息丟失而帶來的檢索不準(zhǔn)確的問題，可較好地應(yīng)用到服裝圖像檢索中；但還存在由于人體姿態(tài)的遮擋或者背景色彩重疊而導(dǎo)致服裝區(qū)域的檢測結(jié)果不理想以及不同手繪風(fēng)格影響檢索準(zhǔn)確率的問題，后續(xù)將著重圍繞這些問題展開進(jìn)一步研究。