基于復(fù)雜網(wǎng)絡(luò)提取和支持向量機(jī)模型分類的服裝領(lǐng)型研究

徐增波， 張 玲， 張艷紅， 陳桂清

(上海工程技術(shù)大學(xué) 服裝學(xué)院， 上海 201600)

利用圖像處理與識(shí)別技術(shù)，識(shí)別服裝圖像款式信息，代替人工進(jìn)行款式檢索，可有效縮短檢索時(shí)間，提高效率，節(jié)約空間。但是，目前已有的服裝圖像特征提取技術(shù)較復(fù)雜，且分類方法效率低，不適用于服裝圖像款式的識(shí)別。為此，文章以服裝平面黑白色圓領(lǐng)款式圖為研究對(duì)象，通過構(gòu)建復(fù)雜網(wǎng)絡(luò)方法來進(jìn)行服裝款式圖輪廓的特征提取和描述，采用支持向量機(jī)(SVM)模型實(shí)現(xiàn)8種衣領(lǐng)類型圖像的識(shí)別。

近年來，復(fù)雜網(wǎng)絡(luò)理論在服裝特征提取處理方面的應(yīng)用日益廣泛。Backes等[1]提取形狀邊界點(diǎn)構(gòu)建復(fù)雜網(wǎng)絡(luò)，通過模型的動(dòng)態(tài)演化以及特征提取，實(shí)現(xiàn)目標(biāo)對(duì)象的形狀檢索。隨著研究的深入，許多研究學(xué)者基于復(fù)雜網(wǎng)絡(luò)的形狀描述提出改進(jìn)方法。文獻(xiàn)[2]采用節(jié)點(diǎn)間的相對(duì)一致性距離替代傳統(tǒng)的歐氏距離作為邊的權(quán)重值，該方法對(duì)描述目標(biāo)形狀具有更強(qiáng)的描述與識(shí)別能力。文獻(xiàn)[3-4]提出基于有向復(fù)雜網(wǎng)絡(luò)的形狀分析方法，即從經(jīng)過k近鄰演化得到的不同時(shí)刻的有向子網(wǎng)絡(luò)中提取網(wǎng)絡(luò)特征來表征目標(biāo)對(duì)象的形狀特征。

對(duì)服裝款式圖提取特征后需要對(duì)其進(jìn)行分類和識(shí)別，分類的方法由最初構(gòu)建函數(shù)模型和聚類分析發(fā)展到現(xiàn)有運(yùn)用計(jì)算機(jī)技術(shù)的模式分類器。李東[5]對(duì)帶有紋理圖案的款式圖基于SVM分類器的傅里葉描述子和曲率特征模板匹配的方式進(jìn)行款式圖識(shí)別，得到了較高的識(shí)別率;An等[6]運(yùn)用極端學(xué)習(xí)機(jī)分類器來訓(xùn)練分類進(jìn)行過款式圖邊緣檢測(cè)的小波傅里葉描述子。綜上，當(dāng)前還沒有適應(yīng)性良好、分類準(zhǔn)確率高和特征描述子全面的方法對(duì)服裝平面款式圖進(jìn)行分類和識(shí)別。

1 服裝領(lǐng)型的特征描述與提取

本文先對(duì)圖像特征提取和描述現(xiàn)狀進(jìn)行綜合分析，然后選擇黑白色圓領(lǐng)款式圖為研究對(duì)象，采用基于復(fù)雜網(wǎng)絡(luò)方法來進(jìn)行服裝款式圖輪廓的特征提取和描述。

1.1 特征描述與提取方法

1.1.1 特征提取一般原則

特征提取一般原則通常按特征提取的評(píng)價(jià)標(biāo)準(zhǔn):第一，它能準(zhǔn)確地反映目標(biāo)物圖像的獨(dú)特屬性、可區(qū)分性;第二，不同類型圖像的特征量之間要具備明顯的差別和獨(dú)立性;第三，提取的特征量要盡可能地避免冗余，以減少計(jì)算量，提高運(yùn)算速度[7]。

1.1.2 特征提取的分類

對(duì)圖像的描述有很多種方法，例如圖像所具有的灰度特征、顏色特征、邊界特征、幾何形狀特征、結(jié)構(gòu)以及紋理特征等[8]。根據(jù)這些可將圖像的特征具體分為以下幾類，如表1所示。

表1 圖像特征提取方法分類Tab.1 Classification of image feature extraction methods

復(fù)雜網(wǎng)絡(luò)是以眾多節(jié)點(diǎn)以及節(jié)點(diǎn)之間的關(guān)聯(lián)性與順序性描述目標(biāo)對(duì)象幾何特點(diǎn)的網(wǎng)絡(luò)模型[9]?；趫D像特征，采用復(fù)雜網(wǎng)絡(luò)模型進(jìn)行圖像描述與提取主要有3個(gè)步驟：構(gòu)建初始網(wǎng)絡(luò)、閾值演化和特征提取。

1.2 復(fù)雜網(wǎng)絡(luò)構(gòu)建

構(gòu)建復(fù)雜網(wǎng)絡(luò)基本流程包括確定網(wǎng)絡(luò)節(jié)點(diǎn)和構(gòu)建初始網(wǎng)絡(luò)。

1)確定網(wǎng)絡(luò)節(jié)點(diǎn)。利用區(qū)域生長(zhǎng)法從預(yù)處理后的圖像中分割得到衣領(lǐng)部件圖，再提取目標(biāo)圖像的Canny算子邊緣并細(xì)化邊緣，最后進(jìn)行均勻取樣，如圖1所示。

圖1 初始網(wǎng)絡(luò)的構(gòu)建Fig.1 Initial network construction. (a) Target part;(b) Target edge; (c) Uniform sampling;(d) Initial network

2)構(gòu)建初始網(wǎng)絡(luò)。將單位像素的目標(biāo)邊緣圖像定義為S=[s1,s2,…，N]，N為像素點(diǎn)個(gè)數(shù)。構(gòu)建坐標(biāo)系，得到各像素點(diǎn)坐標(biāo)s=[xi,yi]。將N個(gè)像素點(diǎn)作為網(wǎng)絡(luò)節(jié)點(diǎn)進(jìn)行兩兩連接(無向連接)，得到初始網(wǎng)絡(luò)G0(V,E),E為所有連接邊的集合，如圖1所示。

1.3 閾值演化

初始網(wǎng)絡(luò)中，不同節(jié)點(diǎn)兩兩相連，形狀結(jié)構(gòu)特征不明顯，無法用于目標(biāo)對(duì)象的形狀識(shí)別。本文采用多距離閾值法，利用網(wǎng)絡(luò)結(jié)構(gòu)隨距離變化的特性，實(shí)現(xiàn)初始網(wǎng)絡(luò)的動(dòng)態(tài)演化，得到一系列子復(fù)雜網(wǎng)絡(luò)模型,演化過程1如圖2所示。

圖2 不同閾值的復(fù)雜網(wǎng)絡(luò)演化Fig.2 Complex network model evolution with different thresholds

具體算法實(shí)現(xiàn)過程：1)確定初始網(wǎng)絡(luò)節(jié)點(diǎn)坐標(biāo)，獲取各節(jié)點(diǎn)之間的歐氏距離；2)距離的歸一化處理；3)設(shè)定不同的閾值t，篩選出符合設(shè)定條件的邊的集合。

由圖2可看出，閾值越大，符合條件的連接邊越多，網(wǎng)絡(luò)連接關(guān)系越復(fù)雜；反之，網(wǎng)絡(luò)連接關(guān)系越簡(jiǎn)單。然而，閾值過大，會(huì)增加計(jì)算量，降低算法運(yùn)行效率；閾值過小，無法獲取較多的網(wǎng)絡(luò)特征，影響目標(biāo)對(duì)象的識(shí)別準(zhǔn)確率，因此，篩選合適的閾值是動(dòng)態(tài)演化的關(guān)鍵。

1.4 特征提取與歸一化

針對(duì)每個(gè)目標(biāo)對(duì)象構(gòu)建初始網(wǎng)絡(luò)，依次提取該網(wǎng)絡(luò)在t時(shí)刻的平均度、最大度、平均聯(lián)合度、熵、能量、平均聚類系數(shù)以及平均路徑長(zhǎng)度，構(gòu)建特征描述子，用矩陣表示如下：

其中，t0,t1,…,tmax∈[0,1]，Kμtmax,Kmtmax,Ptmax,Htmax,Etmax,Ctmax,Ltmax分別表示該網(wǎng)絡(luò)在t時(shí)刻的平均度、最大度、平均聯(lián)合度、熵、能量、平均聚類系數(shù)以及平均路徑長(zhǎng)度。平均路徑長(zhǎng)度不具有尺度變換不變特性，不適用于圖像縮放識(shí)別，需要對(duì)其進(jìn)行特征的歸一化處理，歸一化計(jì)算公式如下：

式中：Dij表示該網(wǎng)絡(luò)中任意2個(gè)節(jié)點(diǎn)之間最短路的最大值;N(N-1)/2為節(jié)點(diǎn)間的路徑的最大條數(shù)。

以一幅圓領(lǐng)圖像為例，閾值步長(zhǎng)為0.05，得到20個(gè)演變后的子網(wǎng)絡(luò)，分別進(jìn)行特征提取。由圖3可知:8個(gè)特征均隨著網(wǎng)絡(luò)的閾值演變呈遞增趨勢(shì),其中，最大度在閾值為0.5左右趨于最大值；當(dāng)閾值為0.05～0.6，能量變化較為平緩，隨著網(wǎng)絡(luò)結(jié)構(gòu)逐漸復(fù)雜，其開始呈對(duì)數(shù)上升；局部聚類系數(shù)和全局聚類系數(shù)在初始閾值時(shí)，差異較大，其差異度隨著網(wǎng)絡(luò)的演化逐漸減小，并趨于重合，因此為降低算法運(yùn)算量可二者取其一。

圖3 不同特征隨閾值變化趨勢(shì)圖Fig.3 Trend chart of different characteristics with threshold.(a) Maximum and average thresholds;(b)Average joint degree, entropy and energy threshold;(c)Local and global clustering coefficients and thresholds of average path length

2 服裝領(lǐng)型分類

款式圖部件分類是指將已有的款式圖片進(jìn)行特征提取后，把相同或者相近的部件圖通過某種規(guī)則進(jìn)行歸類，形成部件特征數(shù)據(jù)庫(kù)。目前圖像分類識(shí)別技術(shù)發(fā)展迅速，主要可分為3類：結(jié)構(gòu)模式識(shí)別、統(tǒng)計(jì)決策識(shí)別以及基于人工神經(jīng)網(wǎng)絡(luò)的識(shí)別[10-11]。考慮到服裝款式圖外部輪廓，本文在目前的研究基礎(chǔ)上采用基于支持矢量機(jī)(SVM)分類法對(duì)服裝部件特征庫(kù)進(jìn)行分類。

2.1 支持向量機(jī)模型分類的模型構(gòu)建

模型構(gòu)建主要包括以下3個(gè)步驟。

步驟1：選定訓(xùn)練集和測(cè)試集。本文構(gòu)建的衣領(lǐng)樣本庫(kù)有8個(gè)類別，每個(gè)類別60幅圖像，共480個(gè)樣本，統(tǒng)一進(jìn)行類別編號(hào)。采用上述算法依次提取樣本的復(fù)雜網(wǎng)絡(luò)特征，構(gòu)建樣本特征庫(kù)。隨機(jī)選取75%樣本作為訓(xùn)練集，剩下25%作為測(cè)試集，進(jìn)行分類實(shí)驗(yàn)。實(shí)驗(yàn)樣本如表2所示。

表2 實(shí)驗(yàn)樣本類別與數(shù)量Tab.2 Type and number of experimental samples

步驟2：數(shù)據(jù)預(yù)處理。對(duì)訓(xùn)練集和測(cè)試集數(shù)據(jù)進(jìn)行歸一化處理，即將原始數(shù)據(jù)規(guī)整到固定區(qū)間范圍，以消除各特征數(shù)據(jù)間的數(shù)量級(jí)差異，提升模型的收斂速度和精度。常用的歸一化方法有以下2種：

[0,1]區(qū)間歸一化：

[-1,1]區(qū)間歸一化：

步驟3：支持向量機(jī)模式訓(xùn)練與預(yù)測(cè)。首先利用訓(xùn)練集樣本訓(xùn)練得到分類模型，再利用所得分類模型對(duì)測(cè)試集樣本進(jìn)行預(yù)測(cè)，分別借助LIBSVM工具箱的svmtrain函數(shù)和svmpredict函數(shù)實(shí)現(xiàn)。為選擇合適的核函數(shù)類型，利用訓(xùn)練集進(jìn)行10次預(yù)實(shí)驗(yàn)，結(jié)果見表3。由表可知：采用線性核函數(shù)(linear)得到的平均分類準(zhǔn)確率最高，故選擇線性核函數(shù)用于后續(xù)操作。

表3 實(shí)驗(yàn)樣本類別與數(shù)量Tab.3 Type and number of experimental samples

2.2 結(jié)果分析

本文基于構(gòu)建的衣領(lǐng)部件樣本庫(kù)及其提取的圖像特征，構(gòu)建8×60×140的樣本特征庫(kù)。采用主成分分析(PCA)算法對(duì)特征進(jìn)行降維，選擇累計(jì)貢獻(xiàn)率為85%的主成分構(gòu)成新的特征向量。隨機(jī)選取樣本的75%作為訓(xùn)練集，剩下25%作為測(cè)試集進(jìn)行預(yù)分類實(shí)驗(yàn)，分類結(jié)果如圖4所示。

圖4 基于SVM的不同衣領(lǐng)類別分類圖Fig.4 Different category classification map based on SVM.(a) 2# and 3#;(b) 1# and 4#;(c) 3# and 8#;(d) 1#, 5# and 6#

由圖4可看出，不同類別之間存在明顯的分界，適用于采用SVM分類，分類效果理想。為保證分類結(jié)果的可信度，進(jìn)行10次上述分類實(shí)驗(yàn)，分類結(jié)果見表4。由表可知:10次實(shí)驗(yàn)中樣本的平均整體分類準(zhǔn)確率為98%；針對(duì)各類別而言，10次平均分類準(zhǔn)確率均達(dá)到96%以上。其中，圓領(lǐng)的平均分類準(zhǔn)確率為100%，平均分類準(zhǔn)確率相對(duì)較低的為平駁領(lǐng)和戧駁領(lǐng)，平均分類準(zhǔn)確率為96%。綜合考慮樣本的整體分類準(zhǔn)確率與各類別分類準(zhǔn)確率，均達(dá)到 96%分類。

表4 實(shí)驗(yàn)樣本類別與次數(shù)Tab.4 Type and number of experimental samples

3 算法分析

3.1 算法的抗噪性能分析

為評(píng)估本文特征提取算法的抗噪性能，參照文獻(xiàn)[9]通過對(duì)比原樣本庫(kù)的圖像與加入不同水平和類型的附加噪聲進(jìn)行判定，以表2所示為實(shí)驗(yàn)樣本，實(shí)驗(yàn)方案如下：

方案1：分別對(duì)整個(gè)圖像加入噪聲密度為0.1、0.15和0.2的椒鹽噪聲, 如圖5所示。

圖5 不同特征隨閾值變化趨勢(shì)圖Fig.5 Trend chart of different characteristics with threshold.(a) Original image;(b) Noise 10%;(c) Noise 15%;(d) Noise 20%

方案2：分別對(duì)整個(gè)圖像加入方差為0.01、0.05和0.1的高斯噪聲，如圖6所示。

圖6 加入不同密度的高斯噪聲圖像Fig.6 Add Gaussian noise images of different densities.(a) Original image; (b) Variance 0.01; (c) Variance 0.05; (d) Variance 0.1

當(dāng)加入不同密度的椒鹽噪聲時(shí)，分類準(zhǔn)確率如圖7所示?？芍寒?dāng)椒鹽噪聲密度范圍為1%～20%時(shí)，本文方法的整體分類準(zhǔn)確率在80%上下浮動(dòng)；針對(duì)各類別而言，僅有襯衫領(lǐng)(5#)和平駁領(lǐng)(6#)的平均分類準(zhǔn)確率受噪聲影響較大，其他類別隨著噪聲密度的增加，其分類準(zhǔn)確率差異較小；當(dāng)噪聲密度30%時(shí)，圓領(lǐng)(1#)分類準(zhǔn)確率波動(dòng)較大。

圖7 加入不同密度的椒鹽噪聲圖像分類準(zhǔn)確率Fig.7 Add classification accuracy of different densities of salt and pepper noise images. (a) Overall classification accuracy of salt and pepper;(b) Average accuracy of salt and pepper classification

當(dāng)加入不同方差的高斯噪聲時(shí)，分類準(zhǔn)確率如圖8所示?？芍杭尤敕讲顬?.05和0.1的高斯噪聲后，樣本整體的分類準(zhǔn)確率均可以達(dá)到80%以上，且分類結(jié)果較穩(wěn)定，但當(dāng)方差為0.01，即噪聲密度最小時(shí)，其分類準(zhǔn)確率最低；針對(duì)各類別而言，僅有圓領(lǐng)(1#)和平駁領(lǐng)(6#)的平均分類準(zhǔn)確率受噪聲影響波動(dòng)較大，其他類別受噪聲影響較小。

圖8 加入不同方差高斯噪聲圖像分類準(zhǔn)確率Fig.8 Add different variance of Gaussian noise image classification accuracy.(a) Gaussian overall classification accuracy;(b) Gaussian average classification accuracy

3.2 不同特征提取方法的對(duì)比分析

分別采用本文方法、Hu不變矩[12]、梯度方向直方圖(histogram of oriented gradient，HOG)[13]3種特征提取方法獲取樣本特征，利用SVM進(jìn)行10次分類實(shí)驗(yàn)，結(jié)果如圖9所示。

圖9 本文方法與Hu不變矩、HOG分類準(zhǔn)確率對(duì)比Fig.9 Comparison of classification accuracy of this method with Hu invariant moments and HOG.(a) Overall classification accuracy of the three methods;(b) Average classification accuracy of three methods

由圖可知：本文方法的整體分類準(zhǔn)確率最高，HOG的特征提取方法次之；與其他2種方法相比，本文方法的10分類結(jié)果浮動(dòng)較小，相對(duì)穩(wěn)定；針對(duì)各類別而言，本文方法均高于另外2種方法，其中，3種方法對(duì)于1#(圓領(lǐng))、2#(V領(lǐng))、8#(戧駁領(lǐng))3種類別的分類準(zhǔn)確率均比較高。綜上所述，本文方法行之有效，且更加適用于衣領(lǐng)款式的識(shí)別與分類。

4 結(jié) 論

結(jié)合服裝衣領(lǐng)圖像特點(diǎn)提出一種基于復(fù)雜網(wǎng)絡(luò)提取和SVM分類的服裝領(lǐng)型研究。文章以服裝平面黑白色圓領(lǐng)款式圖為研究對(duì)象，首先通過構(gòu)建復(fù)雜網(wǎng)絡(luò)方法來進(jìn)行服裝款式圖輪廓的特征提取和描述，其次采用SVM模型實(shí)現(xiàn)8種衣領(lǐng)類型圖像的識(shí)別，結(jié)果表明本文樣本整體的平均分類準(zhǔn)確率為98%，各類別的平均分類準(zhǔn)確率均達(dá)到96%以上，分類結(jié)果理想。最后在評(píng)估本文特征提取算法的抗噪性時(shí)，加入一定程度的噪聲，本文方法具有較好的分類效果。同時(shí)將本文算法與Hu不變矩、HOG特征提取算法進(jìn)行對(duì)比分析。實(shí)驗(yàn)結(jié)果表明，本文算法在整體分類和各類別的平均分類的分類準(zhǔn)確率均最高，且分類結(jié)果相對(duì)穩(wěn)定；綜上所述，本文提出的基于復(fù)雜網(wǎng)絡(luò)的特征提取和SVM模型分類非常適用于服裝衣領(lǐng)款式圖像的提取與分類。