精確型傅里葉高度函數(shù)描述子的服裝款式識別方法

孫國棟　徐亮

摘要：針對服裝款式自動識別時存在提取特征困難、識別率低和分類效率低等問題，該文在精確型傅里葉高度函數(shù)（accurate Fourier height functions 2，AFHF2）與線性核函數(shù)支持向量機（support vector machine，SVM）基礎(chǔ)上提出一種新的服裝款式識別方法。首先，利用AHFH2描述子對衣服輪廓進行特征提取，對服裝輪廓全局信息和局部信息進行充分表征;然后，在不需要調(diào)整參數(shù)的情況下使用線性核函數(shù)SVM對AFHF2描述子特征進行快速訓練與測試。通過自建的服裝圖形庫驗證該方法的有效性，實驗結(jié)果表明該算法優(yōu)于現(xiàn)有的算法，其中AFHF2描述子優(yōu)于傅里葉描述子、高度函數(shù)（HF）和TCDs等算法，線性核函數(shù)SVM算法優(yōu)于徑向基函數(shù)SVM算法、K-近鄰算法、概率神經(jīng)網(wǎng)絡(luò)以及反向傳播神經(jīng)網(wǎng)絡(luò)算法，其平均識別率能達到97.91%。

關(guān)鍵詞：精確型傅里葉高度函數(shù);支持向量機;服裝款式識別

中圖分類號：TS941.26 文獻標志碼：A 文章編號：1674-5124（2019）08-0130-05

收稿日期：2019-01-17;收到修改稿日期：2019-03-29

基金項目：國家自然科學基金項目（51775177，51675166）

作者簡介：孫國棟（1981-），男，湖北天門市人，教授，博士，主要從事圖像處理和機器學習方面的研究。

0 引言

隨著社會發(fā)展與生活節(jié)奏加快，網(wǎng)購服裝由于其便捷性成為主流的服裝購買方式，購買量逐年增加。快速檢索顧客的理想服裝款式成為相關(guān)行業(yè)的研究熱點，而服裝款式識別是服裝檢索的前提[1]。

服裝款式是由服裝的外部輪廓和內(nèi)部細節(jié)變化構(gòu)成的，反映了服裝結(jié)構(gòu)的形狀特征，不包含顏色和紋理特征[2]。在一些研究中服裝識別被視為一種二維圖像的模式識別，正確判斷圖像的類別是服裝識別的前提。

特征提取是服裝識別的關(guān)鍵步驟，已有學者提出多種服裝特征提取方法，如輪廓曲率特征點[3]、傅里葉描述子（Fourier descriptors，F(xiàn)D）[4]、HOG（histogramof oriented gradient）和幾何特征[5]、融合多層次特征[6]等。其中，輪廓曲率特征點方法特征向量維度低，但是其抗噪性能差，忽略了過多局部信息，識別率不高;FD提取特征能夠表征服裝輪廓信息，但是提取特征算法簡單，當樣本復雜程度增加時，其表征能力將會一定程度的降低;HOG和幾何特征與融合多層次特征算法表征能力有限，且算法較復雜，通用性較差。

精確型傅里葉高度函數(shù)描述子（accurate Fourierheight functions 2，AFHF2）[7]是一種具有起始點不變性、相似不變性、抗噪性、低維度等特點的輪廓描述子，能夠?qū)喞娜中畔⒑途植啃畔⑦M行充分表征，且計算復雜度低，適合服裝款式的實時識別。

分類器的選擇是服裝款式識別的另一關(guān)鍵步驟。支持向量機（support vector machine，SVM）[3-4]、K一近鄰算法（K-nearest neighbor，KNN）[8]，概率神經(jīng)網(wǎng)絡(luò)（probabilistic neural networks，PNN）[9]以及反向傳播神經(jīng)網(wǎng)絡(luò)（back propagation neural network，BPNN）[10]是常用的特征分類器，但是每個分類器適用的分類矩陣和樣本量是不同的，其中SVM分類器更適合小樣本分類，廣泛應(yīng)用于服裝款式分類。SVM所使用的核函數(shù)決定分類器的性能，現(xiàn)有的服裝款式涉及的SVM分類器大部分采用徑向基核函數(shù)。而徑向基核函數(shù)SVM分類器的懲罰參數(shù)和核函數(shù)的尋優(yōu)問題一直沒有得到很好的解決，其參數(shù)尋優(yōu)過程非常耗時。線性核函數(shù)SVM不需要調(diào)參過程，且識別速度快，識別率與徑向基核函數(shù)SVM相當，更適合服裝款式實時識別。

因此本文結(jié)合AFHF2和線性核函數(shù)SVM的優(yōu)點，提出一種新的服裝款式識別方法，即利用AFHF2描述子提取服裝輪廓特征，然后在不調(diào)參的情況下，使用線性核函數(shù)SVM對提取的AFHF2特征進行訓練和測試，達到服裝款式實時識別的要求。

1 基于AFHF2與SVM的服裝款式識別方法

1.1 AFHF2描述子

AFHF2是一種基于輪廓信息的形狀描述子，它能準確表征輪廓的全局信息和局部信息[7]，其原理如圖1所示。

S={x_i}（i=1，2，3，…，N）為目標輪廓采樣點集，其中N為采樣點總數(shù)，x_i表示輪廓上第i個點。由圖1可知，過點x_i做直線L的平行線l_i，作為基準軸，消除原高度函數(shù)使用直線l作為基準軸產(chǎn)生的高度誤差，其中l(wèi)是過點x_i-1和x_i+1的直線。按照采樣點的順序依次計算出其他采樣點到基準軸的高度值，組成x_i對應(yīng)的高度特征向量：式中H_ij表示第j個采樣點相對于x_i參考點的高度值，即x_j到l_i的垂直距離。H_i，u，H_i，v，H_i，w分別表示點x_u，x_v，x_w相對于點x_i的高度值。依次求出所有樣本點的高度特征向量，得到輪廓S的高度特征矩陣。

然后，對高度特征矩陣進行平滑化處理[11]和行歸一化[12]處理，使得描述子獲得緊湊性和縮放不變性;最后，對歸一化后的特征矩陣每一行進行傅里葉變換。用AHFi表示經(jīng)過平滑化和歸一化處理后高度特征矩陣的每一行，其中i=1，2，…，M。AHF_i的離散傅里葉變換如下所示：式中t=1，2，…，H，H為傅里葉階數(shù);AHF_i（u）表示高度特征矩陣傅里葉變換前的第i個行向量的第u列元素。abs（F_i（t））是F_i（t）的絕對值，表示離散傅里葉變換系數(shù)F_i（t）的模量，經(jīng)過證明abs（F_i（t））對形狀輪廓的起始點是不變的[13]。

最終AFHF2描述子矩陣定義如下：式中i=1，2，…，M;v=1，2，…，H;F_i（v）表示離散傅里葉變換系數(shù);M為經(jīng)過平滑化處理后高度矩陣的行數(shù);H為傅里葉階數(shù)。

AFHF2描述子具有良好的起始點不變性、相似不變性、抗噪性、低維度等特點，對輪廓的全局信息和局部信息進行充分表征，且計算復雜度低，能夠達到服裝款特征提取的要求。

1.2 服裝款式識別算法流程圖

結(jié)合AFHF2描述子與線性核函數(shù)SVM在分類上的優(yōu)勢，設(shè)計了一種新的服裝款式識別方法，其具體流程如圖2所示。

首先，將服裝款式圖形樣本隨機分成訓練樣本和測試樣本;然后，按照文獻[3]方法對所有樣本進行預處理，即先灰度化處理、灰度增強和二值化處理，再提取出預處理后服裝圖形的最大外輪廓線、選取采樣點以及計算AFHF2特征;再將訓練樣本提取出來的AFHF2特征用于訓練線性核函數(shù)SVM模型;最后，使用訓練好的SVM模型對服裝圖形測試樣本分類，得到最終的服裝款式識別結(jié)果。

2 實驗與結(jié)果分析

為了驗證所設(shè)計的服裝款式識別方法的性能，本文建立了一個包含10類服裝款式的樣本庫進行實驗，并將通用形狀描述子HF（height function）[11]、TCDs（triangular centroid distances）[4]和文獻[4]提出的FD與本文使用的AFHF2描述子對比，用BPNN、PNN、KNN、徑向基核函數(shù)SVM與本文采用的線性核函數(shù)SVM分類器對比。

2.1 服裝款式庫

由于現(xiàn)有的服裝款式庫的樣本種類數(shù)和樣本量都較小，且樣本復雜度低，與實際應(yīng)用相差較大，本文搜集整理淘寶網(wǎng)10種款式的服裝，包括襯衫、短褲、短裙、短袖T恤、短袖連衣裙、西裝、長褲、長袖T恤、長袖連衣裙和外套，其中每類服裝款式的樣本量為250張，且樣本復雜度高，部分樣本款式如圖3所示。

2.2 服裝款式識別實驗

按照圖2服裝款式識別流程對本文制作的服裝款式庫進行識別實驗。每類樣本隨機提取出150張樣本作為訓練樣本，剩余的100張樣本作為測試樣本。本文所有結(jié)果由10次實驗取平均值后得到。

實驗使用的線性核函數(shù)SVM來自LIBSVM[14]工具包，且線性核函數(shù)SVM不需要調(diào)整其他參數(shù)。另外，實驗使用的AFHF2描述子參數(shù)設(shè)置如下：每個樣本的輪廓采樣點個數(shù)為100。平滑化系數(shù)k決定了描述子的抗噪性能，由圖4可知，k取3時，識別率最高，即k取最優(yōu)值為3。

每一款服裝的識別結(jié)果如表1所示。結(jié)合圖4和表1的實驗結(jié)果可知，每一款服裝的識別率都超過96.22%，平均識別率達到97.91%，能夠達到較高的準確率。另外，長袖T恤、外套以及西裝這4款在外形上較為相似，但是其識別率仍然在96.22%以上，能夠達到識別要求。

2.3 對比實驗與結(jié)果分析

為了進一步驗證所設(shè)計服裝款式識別方法在特征提取和分類方面的優(yōu)勢，本文采用現(xiàn)有識別效果較好的FD提取方法以及現(xiàn)有通用輪廓描述子-HF和TCDs描述子與本文使用的AFHF2描述子對比，用廣泛使用的徑向基函數(shù)SVM、KNN、PNN以及BP神經(jīng)網(wǎng)絡(luò)與本文使用的線性核函數(shù)SVM對比。

2.3.1 服裝款式特征提取性能對比實驗

本文分別使用AFHF2、FD、IT、TCDs描述子作為特征提取描述子進行實驗，采用線性核函數(shù)SVM對2.1節(jié)的服裝樣本庫進行訓練和測試，其中訓練樣本和測試樣本分別占總樣本的60%和40%;所有描述子的輪廓采樣點個數(shù)都為100;FD的參數(shù)設(shè)置同文獻[4]，即特征向量長度設(shè)置為20; TCDs描述子參數(shù)設(shè)置同文獻[11]，即傅里葉系數(shù)的階數(shù)設(shè)置為160對比實驗結(jié)果如表2所示。

由表可知，4種描述子的訓練時間和單個樣本的測試時間相差不大。但是，從識別率角度看，AFHF2描述子的識別率最高，達到了97.91%。說明AFHF2描述子更適合服裝款式輪廓特征提取。

2.3.2 多種分類器對比實驗

徑向基核函數(shù)SVM、KNN、PNN以及BPNN是近年來應(yīng)用較為廣泛的機器學習方法。因此采用以上4種方法與本文使用的線性核函數(shù)SVM對比，對2.2節(jié)實驗提取的AFHF2特征進行識別，選取其中60%樣本訓練，另外40%樣本測試，其實驗結(jié)果如表3所示。

各方法的參數(shù)主要通過多次實驗取最優(yōu)值得到，其中徑向基核函數(shù)SVM的參數(shù)通過網(wǎng)絡(luò)搜索參數(shù)尋優(yōu)方法[I S]獲得，各參數(shù)設(shè)置如下：

1）徑向基核函數(shù)SVM的懲罰系數(shù)。和核參數(shù)Y分別設(shè)置為1048576和9.536×10^-7;

2）PNN的平滑參數(shù)設(shè)置為2;

3）KNN距離度量方式設(shè)置為歐幾里得距離，k值設(shè)置為5;

4）BPNN的隱含層節(jié)點設(shè)置為30，學習率設(shè)置為0.01，訓練要求精度設(shè)置為0.0001，訓練周期設(shè)置為1000。

由表3實驗結(jié)果可知，線性核函數(shù)SVM識別率高于徑向基核函數(shù)SVM、PNN、KNN以及BPNN。BPNN采用梯度下降法，有可能會進入局部最小值而訓練失敗，網(wǎng)絡(luò)識別率波動較大，導致平均識別率較低。PNN結(jié)構(gòu)簡單，其中平滑因子對于識別結(jié)果的影響較大，且對樣本的代表性要求較高。KNN識別效率較低，雖然沒有訓練過程，但每次測試都需要將測試樣本和所有訓練樣本計算一遍，且對訓練樣本要求高。SVM更適合小樣本分類，少數(shù)樣本即可決定最終結(jié)果，對樣本要求相比BPNN、PNN和KNN低，識別率更高。徑向基核函數(shù)SVM的識別率與線性核函數(shù)SVM接近，而徑向基核函數(shù)SVM需要參數(shù)尋優(yōu)，增加了模型的訓練時間，其訓練時間是線性核函數(shù)SVM模型的2.45倍。因此，線性核函數(shù)SVM比徑向基核函數(shù)SVM、PNN、KNN、BPNN更適合服裝款式識別。

3 結(jié)束語

本文使用AFHF2描述子提取服裝的輪廓特征，再使用線性核函數(shù)SVM對特征進行分類與測試，實現(xiàn)了一種新的服裝識別的方法。通過對十類復雜的服裝樣本庫進行測試發(fā)現(xiàn)：AFHF2描述子能準確表達服裝輪廓特征，優(yōu)于現(xiàn)有的FD、HF和TCDs描述子;SVM對于AFHF2的特征分類效果好，優(yōu)于徑向基核函數(shù)SVM、PNN、KNN和BPNN，具有較高的實用價值。

由于本文實驗所用樣本的背景顏色單一，后期將采集更為復雜的自然條件下服裝圖片進行實驗。

參考文獻

[1]GUPTA M，BHATNAGAR C，JALAL A S.Clothing imageretrieval based on multiple features for smarter shopping[J].Procedia Computer Science，2018，125：143-148.

[2]燕平.服裝款式設(shè)計[M].重慶：西南師范大學出版社，2011：3-4.

[3]李東，萬賢福，汪軍，等.基于輪廓曲率特征點的服裝款式識別方法[J].東華大學學報（自然科學版），2018，44（1）：87-92.

[4]李東，萬賢福，汪軍.采用傅里葉描述子和支持向量機的服裝款式識別方法[J].紡織學報，2017（5）：122-127.

[5]紀娟，紀娟，秦珂，等.基于HOG和幾何特征的服裝細節(jié)要素識別與分類[J].圖學學報，2016，37（1）：84-90.

[6]于雨桐.基于多特征融合的服裝圖像款式識別的研究與應(yīng)用[D].北京：北京工業(yè)大學，2016.

[7]WU B，F(xiàn)ENG S L，SUN G D，et al.Identification method ofshaft orbit in rotating machines based on accurate fourierheight functions descriptors[J].Shock and Vibration，2018（3737250）：1-10.

[8]李霽蒲，趙榮珍.近鄰概率距離在旋轉(zhuǎn)機械故障集分類中的應(yīng)用方法[J].振動與沖擊，2018，37（11）：48-54.

[9]劉朝陽，陳以，李少博.概率神經(jīng)網(wǎng)絡(luò)在手寫漢字識別中的應(yīng)用[J].電子設(shè)計工程，2016，24（2）：32-34.

[10]張鵬林，徐旭，楊超，等.基于VMD能量嫡和BP神經(jīng)網(wǎng)絡(luò)風電葉片缺陷研究[J].中國測試，2018，44（9）：115-120.

[11]WANG J W，BAI X，YOU X E，et al.Shape matching andclassification using height functions[J].Pattern RecognitionLetters，2012，33（2）：134-143.

[12]ALAJLAN N，RUBE I E，KAMEL M S，et al.Shape retrievalusing triangle-area representation and dynamic spacewarping[J].Pattern Recognition，2007，40（7）：1911-1920.

[13]YANG C Z，WEI H，yi]Q，et al.A novel method for 2dnonrigid partial shape matching[J].Neurocomputing，2018，275（1）：1160-1176.

[14]CHANG C C，LIN C J.LIBSVM：a library for support vectormachines[J].ACM Transactions on Intelligent Systems andTechnology，2011，2（3）：1-27.

[15]劉祥樓，賈東旭，李輝，等.說話人識別中支持向量機核函數(shù)參數(shù)優(yōu)化研究[J].科學技術(shù)與工程，2010，10（7）：1669-1673.

（編輯：莫婕）