[发明专利]一种基于关键点检测的衣服种类和属性分类方法

说明书

本发明提供一种基于关键点检测的衣服种类和属性分类方法，该方法先采集训练样本的数据；然后构建可配置的检测衣服关键点的深度模型，并将训练样本的数据输入深度模型，以对深度模型进行训练；接着利用训练后的检测关键点的深度模型对衣服图像进行分析，预测衣服图像中每个关键点的位置；最后根据S3中预测关键点的结果，以此提取相关局部信息，再融合全局的图片信息，再通过深度模型对衣服种类和属性进行训练、预测。该方法实现了能够更好融合衣服局部和全局特征。

技术领域

本发明涉及计算机视觉和模式识别领域，更具体地，涉及一种基于关键点检测的衣服种类和属性分类方法。

背景技术

图像识别是计算机视觉研究中的一个重要领域，其主要任务是让计算机识别输入的图像类别。近年来，深度学习凭借其强大的学习能力，在计算机视觉领域成为了主流模型，包括图像识别，物体检测，图像分割等。每年的ImageNet图像识别竞赛提供了一个平台使得研究人员不断提高在图像识别领域的技术水平。AlexNet、VGG、GoogleNet和ResidualNet等技术依次提高了图像识别的准确度。

虽然普适性的图像识别技术已经相当成熟，但是针对衣服等精细化领域的识别依然具有相当大的研究意义。

随着科技的发展，电子商务市场越来越大，其中衣服占了相当大的比重。因此研究针对衣服细化领域的种类及属性分类，对用户精准推荐商品则具有相当大的意义。

传统的衣服种类和属性的识别方法往往采用两阶段的方法：

1)提取人工设计的图像特征(如HOG，color histogram)

2)根据这些特征设计专门的分类器。

然而，这一类的传统方法受限于特征的表达能力，实际分类效果上并不好

随着近年来深度学习的发展，它在图像分类、物体检测和图像分割等领域取得了显著成效。Qiang Chen等人在2015年提出基于衣服属性描述该人特质的方法。JunshiHuang等人2015年提出以衣服属性为基本思想的衣服检索方法。这些方法都是基于深度学习强大的特征表达能力及其端对端的分类预测能力。

为了能够应对衣服当中人体模特大幅度姿势变化和遮挡，研究人员提出了像人体对齐、衣服分割和关键点检测等方法。这些方法有助于提取更加鲁棒的衣服特征表达，进一步提高分类的准确率。

Liu等人在2016年提出了Deepfashion数据集，该数据定义了衣服的6个关键点，并相应提出了一个简易的模型预测衣服属性和分类。

发明内容

本发明提供一种能够更好融合衣服局部和全局特征的基于关键点检测的衣服种类和属性分类方法。

为了达到上述技术效果，本发明的技术方案如下：

一种基于关键点检测的衣服种类和属性分类方法，包括以下步骤：

S1：采集训练样本的数据；

S2：构建可配置的检测衣服关键点的深度模型，并将训练样本的数据输入深度模型，以对深度模型进行训练；

S3：利用训练后的检测关键点的深度模型对衣服图像进行分析，预测衣服图像中每个关键点的位置；

S4：根据S3中预测关键点的结果，以此提取相关局部信息，再融合全局的图片信息，再通过深度模型对衣服种类和属性进行训练、预测。

进一步地，所述步骤S2中深度模型包括两个卷积神经网络；

第一个深度卷积神经网络对衣服关键点位置进行学习，运用卷积神经网络的卷积层提取图像的数据的基础表达，再利用反卷积层得到与原图同样尺寸的特征图来预测各个关键点的位置；