基于卷積神經(jīng)網(wǎng)絡(luò)的服裝領(lǐng)型識(shí)別與分類研究

尹光燦 羅戎蕾

摘 要：針對(duì)服裝領(lǐng)型特征識(shí)別困難、分類效果不理想等問(wèn)題，提出了一種基于Alex Net卷積神經(jīng)網(wǎng)絡(luò)的服裝領(lǐng)型識(shí)別與分類方法，實(shí)現(xiàn)了服裝衣領(lǐng)造型的自動(dòng)識(shí)別與分類。首先，從電商平臺(tái)收集服裝樣本圖并對(duì)其進(jìn)行剪裁和預(yù)處理，建立一個(gè)包含圓形領(lǐng)、方形領(lǐng)、一字領(lǐng)、V形領(lǐng)等15類服裝領(lǐng)型的樣本庫(kù);其次，利用Alex Net卷積神經(jīng)網(wǎng)絡(luò)中的卷積、池化操作，提取服裝領(lǐng)型樣本中的領(lǐng)型特征;最后，運(yùn)用Softmax回歸分類器來(lái)實(shí)現(xiàn)服裝領(lǐng)型的分類。結(jié)果表明，該方法可以有效地對(duì)服裝領(lǐng)型進(jìn)行識(shí)別與分類，分類準(zhǔn)確率達(dá)到98.67%，可以有效解決服裝領(lǐng)型識(shí)別分類困難等問(wèn)題，為服裝商品的可視化分類提供有效方法。

關(guān)鍵詞：卷積神經(jīng)網(wǎng)絡(luò);Alex Net;服裝領(lǐng)型;識(shí)別分類

Abstract：A new method of recognition and classification of garment collar typebased on Alex Net convolution neural networkis introduced to improve automatic recognition and classification of garment collar style， so as to overcome the difficulties in recognition and classification of characteristics of garment collar type. Firstly， different garment sample designs were collected from e-commerce platforms and edited and preprocessed，and a sample database consisting of 15 garment collar types （including round collar， square collar， off collar， V collar and so on） were built. Secondly， operations of convolution and pooling of Alex Net convolution neural network were conducted to extract the collar characteristics from the samples. Finally， Softmax regression classifier was used to realize the classification of the clothing collars. The experiment result shows that this method works well in identifying and classifying clothing collar types with an accuracy rate up to 98.67%. This method is an effective way to overcome the difficulties in identifying and classifying clothing collar types，and provide an effective method for visual classification of apparel goods.

Key words：CNN; Alex Net; garment collar type; identification and classification

衣領(lǐng)，從其字面意思理解，就是服裝的領(lǐng)子部分，貼合于人體頸部，裝縫在衣身領(lǐng)圈上的部件，具有保護(hù)、裝扮頸部的作用[1]。領(lǐng)部在服裝設(shè)計(jì)中，是組成服裝款式的重要部件之一，也是服裝設(shè)計(jì)師重點(diǎn)關(guān)注的部位。不同的衣領(lǐng)造型通常會(huì)給人不同的視覺(jué)效果和心理感受。在服裝風(fēng)格識(shí)別中，衣領(lǐng)的造型是影響服裝風(fēng)格的重要因素之一。但目前電商平臺(tái)對(duì)于領(lǐng)型的識(shí)別和分類主要還是依靠人為添加標(biāo)簽來(lái)完成。由于不同的人對(duì)領(lǐng)型的認(rèn)知不同，就導(dǎo)致在添加標(biāo)簽的過(guò)程中可能出現(xiàn)錯(cuò)誤的分類。而消費(fèi)者則是通過(guò)文本和關(guān)鍵詞進(jìn)行搜索，搜索出來(lái)的結(jié)果會(huì)出現(xiàn)詞不對(duì)圖的情況。使用傳統(tǒng)方法對(duì)領(lǐng)型分類不僅浪費(fèi)了大量的時(shí)間，且分類效果也不理想，這就需要尋找實(shí)現(xiàn)服裝領(lǐng)型分類更簡(jiǎn)便的方法。

目前國(guó)內(nèi)外學(xué)者對(duì)服裝分類的研究主要集中在款式、風(fēng)格、色彩、圖案等方面。馮利等[2]通過(guò)量化服裝的主要控制部件，例如領(lǐng)部、外形、袖部等的變化范圍實(shí)現(xiàn)對(duì)服裝風(fēng)格的分類。張海泉等[3]對(duì)服裝面料視覺(jué)風(fēng)格的特點(diǎn)進(jìn)行研究進(jìn)而對(duì)面料風(fēng)格進(jìn)行了分類。陳雁等[4]通過(guò)專家調(diào)查和物理測(cè)試的方式對(duì)顏色風(fēng)格進(jìn)行研究，實(shí)現(xiàn)對(duì)顏色風(fēng)格的分類。李一磊等[5]通過(guò)將服裝的部件屬性和決策者心理相結(jié)合，建立MDFT的服裝風(fēng)格決策模型，對(duì)服裝風(fēng)格進(jìn)行了分類。早期的這些研究都是人為設(shè)定提取特征，提取出來(lái)的特征具有主觀性和限制性。隨著深度學(xué)習(xí)的發(fā)展使得機(jī)器學(xué)習(xí)與特征學(xué)習(xí)有了很大的突破。汪姍娜等[6]通過(guò)改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了領(lǐng)帶花型的情感分類。吳歡等[7]改進(jìn)Caffe Net卷積神經(jīng)網(wǎng)絡(luò)的模型結(jié)構(gòu)對(duì)5種女褲廓形進(jìn)行分類。Bossard等[8]使用色彩、圖案和服裝輪廓等指標(biāo)對(duì) 服裝屬性進(jìn)行分類。上述方法都是使用深度學(xué)習(xí)對(duì)服裝整體進(jìn)行分類，沒(méi)有對(duì)服裝零部件進(jìn)行分類。因此本文以服裝領(lǐng)型為研究對(duì)象，通過(guò)微調(diào)Alex Net卷積神經(jīng)網(wǎng)絡(luò)模型的超參數(shù)，實(shí)現(xiàn)對(duì)服裝領(lǐng)型的自動(dòng)識(shí)別與分類，進(jìn)而為實(shí)現(xiàn)服裝類商品的可視化分類提供有效方法?？梢詫⑵溥\(yùn)用于電商，便于在線商店標(biāo)注與服裝相關(guān)的描述，也便于消費(fèi)者跨越語(yǔ)義鴻溝，找到想要的服裝商品。

1 領(lǐng)型分類

衣領(lǐng)是由領(lǐng)線和領(lǐng)子兩個(gè)部分組成，按照領(lǐng)線和領(lǐng)子的組合方式，可以分為無(wú)領(lǐng)和有領(lǐng)兩大類[9]。無(wú)領(lǐng)是指僅有領(lǐng)線而無(wú)領(lǐng)子的領(lǐng)型;有領(lǐng)是指在領(lǐng)線上裝有各種不同形式的領(lǐng)子。根據(jù)不同的分類標(biāo)準(zhǔn)，領(lǐng)子的分類不同。按領(lǐng)的高度可分為高領(lǐng)、中領(lǐng)、低領(lǐng);按領(lǐng)的穿著狀態(tài)可分為開(kāi)門領(lǐng)和關(guān)門領(lǐng);按領(lǐng)的造型結(jié)構(gòu)可為無(wú)領(lǐng)、立領(lǐng)、翻領(lǐng)和駁領(lǐng)等基本類型。

本實(shí)驗(yàn)將按照領(lǐng)子的造型結(jié)構(gòu)分類進(jìn)行研究，總體分為無(wú)領(lǐng)、立領(lǐng)、翻領(lǐng)和駁領(lǐng)4大基本領(lǐng)型。

1.1 無(wú) 領(lǐng)

無(wú)領(lǐng)的特點(diǎn)是只有領(lǐng)線而無(wú)領(lǐng)面。它在基本領(lǐng)線的基礎(chǔ)上改變領(lǐng)線的大小或形狀從而形成不同的款式造型，例如圓形領(lǐng)、方形領(lǐng)、V形領(lǐng)和一字領(lǐng)等，如圖1所示。

1.2 立 領(lǐng)

立領(lǐng)又稱豎領(lǐng)，是立于頸周而無(wú)翻折的領(lǐng)造型，也就是說(shuō)立領(lǐng)只有領(lǐng)座。改變其領(lǐng)座的造型，從而衍生出不同的立領(lǐng)造型，例如中式立領(lǐng)和系結(jié)領(lǐng)等，如圖2所示。

1.3 翻 領(lǐng)

翻領(lǐng)是指領(lǐng)面攤貼在領(lǐng)圈上（無(wú)領(lǐng)腳）或翻攤在領(lǐng)腳外面（領(lǐng)腳將領(lǐng)面撐起）的領(lǐng)式。根據(jù)有無(wú)領(lǐng)腰，翻領(lǐng)又分為兩種，有領(lǐng)腰的叫襯衫領(lǐng)（圖3）;無(wú)領(lǐng)腰的叫做平領(lǐng)。平領(lǐng)又根據(jù)其翻折領(lǐng)面大小幅度不同或形狀不同，又形成不同的平領(lǐng)造型。例如海軍領(lǐng)、波浪領(lǐng)、披肩領(lǐng)、娃娃領(lǐng)等，如圖4所示。

1.4 駁 領(lǐng)

駁領(lǐng)是由衣領(lǐng)和駁頭組成，將衣領(lǐng)和駁頭縫接在一起，駁頭兩側(cè)向外翻折呈駁口線型的領(lǐng)式。駁領(lǐng)根據(jù)其領(lǐng)形變化又可分為平駁領(lǐng)、槍駁領(lǐng)、大駁領(lǐng)和青果領(lǐng)等，如圖5所示。

根據(jù)電商平臺(tái)對(duì)領(lǐng)型的分類，再結(jié)合文獻(xiàn)調(diào)研[1，10-11]及專家訪談等形式，最終確定15種特征較明顯的領(lǐng)型作為本次的研究對(duì)象，分別是圓形領(lǐng)、方形領(lǐng)、V形領(lǐng)、一字領(lǐng)、中式立領(lǐng)、系結(jié)領(lǐng)、襯衫領(lǐng)、海軍領(lǐng)、波浪領(lǐng)、披肩領(lǐng)、娃娃領(lǐng)、平駁領(lǐng)、槍駁領(lǐng)、大駁領(lǐng)、青果領(lǐng)。

2 卷積神經(jīng)網(wǎng)絡(luò)的構(gòu)建

早在20世紀(jì)60年代，Duffy等[12]在對(duì)貓的大腦視覺(jué)皮層實(shí)驗(yàn)中，發(fā)現(xiàn)生物的視覺(jué)系統(tǒng)是通過(guò)多層級(jí)的視覺(jué)感受野逐層激發(fā)實(shí)現(xiàn)的。研究人員在動(dòng)物的視覺(jué)系統(tǒng)實(shí)驗(yàn)啟發(fā)下，設(shè)計(jì)出了類似的算法，通過(guò)多層級(jí)的視覺(jué)感受野對(duì)圖像進(jìn)行深層次的識(shí)別。隨著機(jī)器視覺(jué)概念的提出，卷積神經(jīng)網(wǎng)絡(luò)憑借像素之間的距離與其相似性關(guān)系的優(yōu)勢(shì)，依靠網(wǎng)絡(luò)自身，學(xué)習(xí)、提取訓(xùn)練樣本特征的能力，成為當(dāng)前識(shí)別圖像分類領(lǐng)域的研究熱點(diǎn)之一[13]。

本研究將Alex Net卷積神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于服裝領(lǐng)型的識(shí)別分類，利用卷積神經(jīng)網(wǎng)絡(luò)反向傳播算法的特點(diǎn)，通過(guò)調(diào)整Alex Net模型參數(shù)得到適用于服裝領(lǐng)型識(shí)別分類的網(wǎng)絡(luò)模型結(jié)構(gòu)。

Alex Net網(wǎng)絡(luò)模型共有8層，1～5層為卷積層，6～8層為全連接層，激勵(lì)函數(shù)RELU（Rectified Linear Unit）和局部歸一化（Local Response Normalization，LRN）處理存在于前五層的卷積層中，Alex Net網(wǎng)絡(luò)結(jié)構(gòu)的優(yōu)勢(shì)在于兩個(gè)LRN層及最后一個(gè)卷積層后加入了最大池化層，最大池化層的作用在于提取訓(xùn)練樣本中最顯著的特征。表1為網(wǎng)絡(luò)的隱含層參數(shù)。

3 算法流程

領(lǐng)型識(shí)別任務(wù)分為4個(gè)階段，領(lǐng)型分類及樣本空間確定、樣本圖片預(yù)處理、領(lǐng)型樣本訓(xùn)練、特征提取和識(shí)別分類。算法流程如圖6所示。

3.1 領(lǐng)型分類及樣本空間確定

基于文獻(xiàn)和專家訪談等形式確定領(lǐng)型的分類;按照對(duì)應(yīng)的領(lǐng)型種類變量，確定樣本空間量，包括領(lǐng)型訓(xùn)練樣本空間量和領(lǐng)型測(cè)試樣本空間量。

3.2 樣本圖片預(yù)處理

將收集的服裝領(lǐng)型圖片進(jìn)行預(yù)處理，首先要防止樣本圖片中的服裝非領(lǐng)型部分對(duì)機(jī)器學(xué)習(xí)造成干擾，其次防止樣本圖片中服裝的色彩和面料對(duì)實(shí)驗(yàn)結(jié)果造成誤差，最后對(duì)樣本圖片尺寸大小進(jìn)行歸一化處理。

3.3 領(lǐng)型樣本訓(xùn)練

使用Alex Net卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)預(yù)處理過(guò)的領(lǐng)型樣本圖片進(jìn)行訓(xùn)練。Alex Net網(wǎng)絡(luò)模型中的卷積核對(duì)圖像進(jìn)行自上而下、自左到右的加權(quán)求和操作，從而得到新的像素值，接著在池化層進(jìn)行特征融合、降維操作。輸入的領(lǐng)型樣本圖像經(jīng)過(guò)交替的卷積和池化操作，模型已經(jīng)學(xué)習(xí)到領(lǐng)型樣本高度抽象的特征。

3.4 特征提取和識(shí)別分類

將卷積和池化操作之后得到的特征圖輸入到Softmax回歸分類器中，結(jié)合領(lǐng)型的分類標(biāo)簽對(duì)Softmax分類器進(jìn)行訓(xùn)練。完成一定迭代次數(shù)的訓(xùn)練后，輸出15類目標(biāo)的概率值。

4 樣本數(shù)據(jù)采集及圖像預(yù)處理

4.1 樣本數(shù)據(jù)采集

在淘寶、天貓、京東、唯品會(huì)等購(gòu)物APP及各大服裝品牌官網(wǎng)尋找對(duì)應(yīng)的領(lǐng)型樣本，一共1 575個(gè)領(lǐng)型樣本，為了提高Alex Net網(wǎng)絡(luò)訓(xùn)練的精準(zhǔn)度，防止其他無(wú)關(guān)內(nèi)容的干擾，本實(shí)驗(yàn)選取去除背景且無(wú)其他內(nèi)容干擾的白底圖片。又因?yàn)閳D片中非領(lǐng)型部分會(huì)對(duì)卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練造成干擾，因此需要對(duì)圖片進(jìn)行剪裁，只留下領(lǐng)子部分。裁剪方法使用labelimg軟件對(duì)領(lǐng)子部位進(jìn)行標(biāo)記，產(chǎn)生對(duì)應(yīng)的XML文件，用python-opencv讀取XML文件并進(jìn)行裁剪。圖7為剪裁后的部分領(lǐng)型樣本。

4.2 樣本數(shù)據(jù)增強(qiáng)

為了增強(qiáng)Alex Net卷積神經(jīng)網(wǎng)絡(luò)的魯棒性，減少數(shù)據(jù)過(guò)擬合，在保持?jǐn)?shù)據(jù)集標(biāo)簽不變的情況下，增大數(shù)據(jù)集[14]。本研究主要采用兩種方法，一是樣本圖片翻轉(zhuǎn)，擴(kuò)充數(shù)據(jù)集;二是使用正態(tài)分布的高斯噪音，人工添加一些干擾，提高卷積神經(jīng)網(wǎng)絡(luò)的魯棒性。

4.2.1 樣本圖片翻轉(zhuǎn)

由于卷積神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的泛化能力，即使樣本圖片在空間中發(fā)生位移、拉伸或旋轉(zhuǎn)等變化，卷積神經(jīng)網(wǎng)絡(luò)也能很好地完成識(shí)別任務(wù)。因此在實(shí)驗(yàn)中將每一張樣本圖片分別向左、向右翻轉(zhuǎn)90°，這樣將數(shù)據(jù)集擴(kuò)充至4 725張圖片。圖8為部分樣本圖片翻轉(zhuǎn)。