[发明专利]一种基于韦伯局部描述符的服装分类识别方法

说明书

技术领域

一种基于韦伯局部描述符的服装分类识别方法，属于图像处理和模式识别技术。 

背景技术

目前，常用的物品分类识别的方法主要有基于SVM(支持向量机)的模式分类方法，基于BP人工神经网络的模式分类方法，基于Adaboost算法的模式分类方法等。但这些方法都有自身的局限性。 

SVM(支持向量机)的模式分类方法是通过一个非线性映射p，把样本空间映射到一个高维乃至无穷维的特征空间中(Hilbert空间)，使得在原来的样本空间中非线性可分的问题转化为在特征空间中的线性可分的问题，但是SVM(支持向量机)对二分类问题较为有效，当面临多分类问题时效果往往不理想。 

基于BP人工神经网络和Adaboost算法的模式分类方法都采用一种基于贪心学习的策略来搜索假设空间，这种方法一般只能获得局部最优解。此外，这两类方法需要大量的训练样本构建分类器；只有当满足这一条件时，才能对测试集进行较好的分类。若训练样本过少，则无法获得较好的分类效果。 

发明内容

发明目的：为了克服现有技术中存在的不足，本发明提供一种基于韦伯局部描述符的服装分类识别方法，该方法能够在使用少量训练样本的同时较好地解决多分类问题，同时需要的每一种服装所能提供的训练样本少；而且能够定量描述服装款式，将其用于服装信息的检索，便于快速查询服装的信息。 

为实现上述目的，本发明采用的技术方案为：一种基于韦伯局部描述符的服装分类识别方法，包括以下步骤：第一步，在训练集中，每一种服装包含3至10张的训练样本，对作为训练样本的服装图像利用韦伯局部描述符进行特征提取，得出用于表征该服装图像的特征向量；同样对待分类的服装图像提取基于韦伯局部描述符的特征向量，并且依次求取待分类服装图像的特征向量与训练样本中服装图像的特征向量之间的相似度；第二步，选取与训练样本相似度最高的待分类服装，若两者特征向量的差异低于某一设定的阈值则认为该待分类的服装属于训练样本中对应的那一类服装；若特征向量的差异高于设定的某一阈值，则通过求取待分类服装与训练样本中每一种服装中训练样本 相似度的均值来判断，将均值最小者定义为待分类服装所属的服装类别。 

优选的：所述韦伯局部描述符进行特征向量提取的方法,包括以下步骤，首先将服装图像分块成子图像，分别对每一块子图像提取基于韦伯局部描述符的子图像特征向量，然后将所有区块的子图像特征向量依次连接，得出用于表征该图像的特征向量。 

优选的：所述韦伯局部描述符进行服装图像特征向量提取的方法，包括以下步骤： 

1)，通过使用韦伯局部描述符将该服装图像中的子图像分为差励图像和方向图像两部分；然后利用差励算子f₀₀计算像素x_c的差励ξ(x_c)： 

ξ(xc)=arctan[Σi=0p-1(xi-xcxc)]---(3)]]>