CN109993213A - 一种用于服装部件图的自动识别方法 - Google Patents

一种用于服装部件图的自动识别方法 Download PDF

Info

Publication number
CN109993213A
CN109993213A CN201910169562.1A CN201910169562A CN109993213A CN 109993213 A CN109993213 A CN 109993213A CN 201910169562 A CN201910169562 A CN 201910169562A CN 109993213 A CN109993213 A CN 109993213A
Authority
CN
China
Prior art keywords
point
garment elements
measured
feature
edge
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910169562.1A
Other languages
English (en)
Inventor
徐增波
陈桂清
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai University of Engineering Science
Original Assignee
Shanghai University of Engineering Science
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai University of Engineering Science filed Critical Shanghai University of Engineering Science
Priority to CN201910169562.1A priority Critical patent/CN109993213A/zh
Publication of CN109993213A publication Critical patent/CN109993213A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/48—Extraction of image or video features by mapping characteristic values of the pattern into a parameter space, e.g. Hough transformation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像处理的技术领域，公开了一种用于服装部件图的自动识别方法，包括以下步骤：步骤一、建立多个类型的服装部件图数据库；步骤二、对待测服装部件图进行预处理，获得二值化服装部件图；步骤三、对所述二值化服装部件图进行矢量化处理，获得对应的待测矢量部件图；步骤四、对所述待测矢量部件图进行特征提取，再将提取到的特征进行归一化处理，然后对归一化的待测矢量部件图进行分类识别，结合数据库，获得与之匹配的部件图，完成自动识别。本发明构建出服装部件图识别的框架，为自动化识别、软件化开发和应用提供思路，也为智能服装设计节省大量的人力和时间，提升服装前期的设计效率。

Description

一种用于服装部件图的自动识别方法
技术领域
本发明涉及图像处理的技术领域，尤其涉及一种用于服装部件图的自动识别方法。
背景技术
由于服装设计***数字化、智能化的需求和图像处理在计算机应用技术领域有着好的应用前景和市场价值，目前有些学者已有一些研究成果，以下主要从服装款式或部件图的形状特征提取方法和分类识别方法，来综述国内外研究现状。
(1)服装部件图的形状特征提取
服装的外轮廓在不同程度上展现出服装造型特征的区别，它是区分服装的一个重要特征，同时描述出其外形特征，因此要识别出服装部件图或者服装部件类别，首先就要检测服装边缘轮廓。如李克兢等人提取出服装平面部件图边缘特征点，运用算法判断节点和函数关系，然后半自动的拆分服装轮廓，对产生的服装部件进行数学描述，从而实现服装部件图中边缘线特征的识别。纪晓燕等人提出将服装衣领、袖子、前后片等部件用它们的主要控制点和主干线图形化表示，建立服装部件知识库，服务后续的设计师去拼接新的服装设计图等等。但是这些研究都需要提前对要识别的款式或部件信息进行分析，建立特征模型，然后提取出这些特征，不能快速有效的描述。后期有学者融合其他的轮廓特征提取方法进行研究，An等人采用形态学来提取服装部件图轮廓，运用小波傅里叶描述子来描述特征，从而实现服装部件图的分类识别。Hou等人运用Hu不变矩和傅里叶(Fourier Descriptor)特征来提取和描述服装的边缘线特征。以上研究中所运用的傅里叶、Hu不变矩描述特征的描述子，可以作为分类识别部件图的特征，然而它们却不能表现出边线的凹凸几何形状特征和曲线的弯曲度。
(2)服装形状特征分类识别方法
对服装款式或部件图提取特征后就需要对得到的特征进行分类和识别，关于分类的方法由最初的构建函数模型和聚类分析，然后发展到现有运用计算机技术的模式分类器。Wang等人运用模糊理论来分类识别出服装图像，通过此方法逐行扫描获得服装边缘形状的关键点，基于这些关键点来构建七个特征值的模糊聚类矩阵从而分类识别。同时，汪秀琛等人分析衣片结构点的特征数据，构建样片数据模型，得到关于样片特征数据，将待测的样片与标准样片进行匹配识别。以上的研究是运用度量公式，比较待测的轮廓线与建立好的数据库轮廓线之间的差异度，从而识别服装部件图，识别准确率很大程度上取决于边缘轮廓线的检测，整个识别过程不繁琐且耗时久。An等人运用极端学***面款式或者部件图进行分类和识别。
发明内容
本发明提供了一种用于服装部件图的自动识别方法，解决了现有识别方法过程繁琐、耗时长、提取特征描述子不全面、准确率差等问题。
本发明可通过以下技术方案实现：
一种用于服装部件图的自动识别方法，包括以下步骤：
步骤一、建立多个类型的服装部件图数据库；
步骤二、对待测服装部件图进行预处理，获得二值化服装部件图；
步骤三、对所述二值化服装部件图进行矢量化处理，获得对应的待测矢量部件图；
步骤四、对所述待测矢量部件图进行弦特征提取，再将提取到的弦特征进行归一化处理，然后对归一化的待测矢量部件图进行分类识别，结合数据库，获得与之匹配的部件图，完成自动识别。
进一步，所述步骤三中获得待测矢量部件图的方法包括：
步骤Ⅰ、采用基于Canny算子的边缘检测方法对于所述二值化服装部件图进行边缘检测；
步骤Ⅱ、对检测到的边缘进行解析，并按照解析顺序将边缘上的点存储成点集序列，利用Hough变换对所述点集序列内部的所有点进行特征判断，若符合共线特征，则对其进行标注，否则，不标注；
步骤Ⅲ、对标注的点进行直线段矢量化，对未标注的点采用分段三次Bezier曲线进行矢量化。
进一步，所述步骤Ⅱ中的解析方法包括：首先，对检测到的边缘用顺序解析方法找到第一个边缘点作为起始点，再采取八邻域解析法将所有边缘点全部解析出来，然后按照解析顺序存储成点集序列。
进一步，所述步骤四具体包括以下步骤：
步骤ⅰ、采用弦特征提取方法来提取各个待测矢量部件图的弦特征，获得三个弦特征矩阵，分别为平均投影长度矩阵PM、外弦长矩阵OM和内外弦长差的绝对值矩阵IODM；
步骤ⅱ、对三个所述弦特征矩阵分别进行平移、旋转和缩放的归一化处理；
步骤ⅲ、利用步骤ⅰ和步骤ⅱ的方法对数据库中的各个部件图进行归一化处理，再采用基于支持矢量机SVM分类法对数据库中的归一化处理后的各个部件图进行分类，并判断各个待测矢量部件图的所属类别；
步骤ⅳ、采用最近邻法1NN对待测矢量部件图在所属类别中进行精确识别，找出与待测矢量部件图最匹配的部件图，完成自动识别。
进一步，令所述点集序列为集合C＝{Pi(xi,yi),i＝1,...,N}，其中N＝2T，且T取正整数，所述二值化部件图的函数表达式设置为x与y分别表示部件图中的像素点的横纵坐标，D表示部件图的边缘在部件图中的所在区域，
所述外弦长矩阵OM的表达式设置为：
所述内外弦长差的绝对值矩阵IODM的表达式设置为：
所述平均投影长度矩阵PM的表达式设置为：
其中，表示外弦长，表示内弦长，A＝(ys+i-yi)/ls,i,B＝(xs+i-xi)/ls,i,C＝(xiys+i-yixs+i)/ls,i,δ(Δ)表示狄拉克函数，x1和x2分别表示xi和xi+s的最小值和最大值，y1和y2分别表示yi和yi+s的最小值和最大值，s表示单位长度个数，取值为21,22,...,2T-1，表示从边缘上的点Pi(xi,yi)出发，沿边缘按逆时针方向达到另一点Pi+s(xi+s,yi+s)所经过弦长，Ax+By+C＝0表示点Pi和Pi+s所决定的直线的法线方程，表示弧到弦的平均投影长度，表示弦所对应的弧上的点Pi+t到所述弦的投影距离。
进一步，对缩放的归一化处理，以平均投影长度矩阵PM、外弦长矩阵OM和内外弦长差的绝对值矩阵IODM中的每一行的最大值对所处行的每个元素进行归一操作；对旋转的归一化处理，采用傅里叶变换进行。
进一步，将平均投影长度矩阵PM、外弦长矩阵OM和内外弦长差的绝对值矩阵IODM的每一行都作为一个一维的离散信号，然后对所述一维的离散信号进行一维离散傅里叶变换，用傅里叶变换系数的模的序列代替变换前的行，其中傅里叶变换的系数表达式设置如下：
进一步，所述步骤二的预处理方法包括：采用基于二阶微分的拉普拉斯算子Laplace算子对待测服装部件图进行锐化处理，设置阈值为0.6对应锐化后的待测服装部件图进行二值化处理。
本发明有益的技术效果在于：
通过对待测服装部件图进行预处理、二值化处理、矢量化处理和弦特征提取，对提取的弦特征进行归一化处理，将归一化后的待测矢量部件图进行分类识别，结合数据库，获得与之匹配的部件图，完成自动识别，从而构建出服装部件图识别的框架，为自动化识别、软件化开发和应用提供思路，也为智能服装设计节省大量的人力和时间，提升服装前期的设计效率。基于HOG变换的直线矢量化和基于三段Bezier曲线的曲线矢量化，对边缘点进行矢量化存储，不仅可以应用于CAD等软件设计的电子稿部件，也可以应用于手稿部件，扩大了本发明的方法的应用范围，基于弦特征矩阵CFM的提取方法能够较准确的描述部件图轮廓的凹凸特征、弯曲特征，抗噪能力强，从而全面地描述轮廓的几何特征，为后续的识别提供基础，基于SVM分类方法的粗识别和基于1NN分类识别方法的精确识别，找到特征点匹配过程中度量方式，提高了分类识别的准确率。
附图说明
图1为本发明的流程图；
图2为本发明的分段三次Bezier曲线图；
图3为本发明的部件半边衣领的像素点集图；
图4为本发明的三次Bezier曲线控制多边形与部件边缘上PmPn段的对应关系图；
图5为本发明的圆领领提取特征矩阵进行傅里叶变换后，分别选取尺度级S为4的前5，10，18，32，40个描述子进行重构，得到这些个分量描述子重构后的图；
图6为本发明的翻驳领提取特征矩阵进行傅里叶变换后，分别选取尺度级S为4的前5，10，18，32，40个描述子进行重构，得到这些个分量描述子重构后的图；
图7为本发明的采用傅里叶变换归一化后低频系数个数与分类准确率关系图；
图8为本发明的采用基于支持矢量机SVM分类法对翻驳领、普通翻领和平翻领的三个弦特征矩阵OM、IODM、PM进行分类的分类过程和分类结果图，其中，标识a表示对翻驳领的分类过程图，标识b表示对普通翻领的分类过程图，标识c表示对平翻领的分类过程图，标识d表示分类结果图；
图9为本发明的在MATLAB里运行程序后得到某一圆领特征归一化后的三个弦特征矩阵数据分布图，其中，标识A表示弦特征矩阵IODM的数据分布图，标识B表示弦特征矩阵OM的数据分布图，标识C表示弦特征矩阵PM的数据分布图。
具体实施方式
下面结合附图，对本发明的具体实施例做进一步阐述。
附图1为本发明的流程图，本发明提供了一种基于服装部件图的自动识别方法，包括以下步骤：
步骤一、建立多个类型的服装部件图数据库。
本发明的服装部件图的样本库来源于两个部分：一部分是对由上海PGM公司提供的已制作好的服装部件图进行部件分割获取；另外一部分是由发明人制作的服装部件图。服装各部件的款式***，以衣领为例，衣领可以分为翻领、翻立领、驳领、翻驳领、立领、连立领、无领等，其中每种大致分类的领子下面又可以细分为很多类型的领子，每种类型的衣领部件分别制作60个，用于后续的特征提取与部件分类识别。
计算机图像处理一般是运用各种图像处理算法，对所要处理图像中的各个像素点进行操作，以达到某种预期效果。由于在图像处理过程中需要对图像的每个像素点进行操作，对像素点的处理形成图像本身的特征信息，便于后期的图像识别，因此在图像预处理中通常会对图像进行多项预处理操作，如去噪、增强、灰度化、复原、分割、边缘检测等等。运用本发明的方法识别的部件图，没有纹理、颜色和光照信息，主要是服装的轮廓信息，所以在图像预处理中，只需要对部件图进行锐化、二值化、边缘检测和矢量化，主要通过以下步骤二和三实现，以便为后续的特征提取与识别做准备。获取的边缘信息是服装部件图识别的关键，边缘曲线的平滑和准确程度会影响后续形状特征提取和描述的准确性。
步骤二、对待测服装部件图进行预处理，获得二值化服装部件图，具体是先进行锐化，再进行二值化处理。
从部件图样本的来源来看，用于识别的部件图并不是同一个大小规格，会产生压缩过程或者保存过程中图像分辨率不同，这就会导致一些部件图分辨率不高，因此需要进行服装部件图的锐化，锐化的目的是让原始模糊的图变得更加清晰起来，视觉效果更好。
目前常见的图像锐化方法主要是基于一阶微分的Robert锐化、Sobel锐化、Prewitt锐化处理算子和基于二阶微分的Laplace算子锐化，它们的模板中，各系数的和都为零。这表明这些算子在灰度恒定的区域的响应为0，也就是在锐化处理后的图像中，原图像的平滑区域基本是黑色，而原图中目标物边缘、细节和灰度跳变点都会在黑色背景中以高灰度部分凸显出来。在MATLAB中运行程序后，部件图在不同锐化滤波算子处理下的效果比较如下表。
上表可以看出，Sobel算子和Prewitt算子在锐化滤波时会增强提亮部件图边缘信息，起到锐化效果，但部件图的部分边缘显示不清楚，如领子、腰两侧的轮廓，并没有达到增强的效果。Prewitt算子将部件图边缘拉大，近乎失真；而Sobel算子的特点是对称的一阶差分，对中心加权起到一定的平滑作用，Sobel算子处理部件图后的轮廓线条相比Prewitt算子处理后的轮廓线条稍微加宽了。相比前两种锐化滤波算子，Laplace算子将部件图模糊的部分得到了锐化，衣领和腰围两侧的边界更加明显，运用Laplace可以加强部件图的细节，找到其边缘，因此，本发明选用拉普拉斯算子Laplace对部件图进行锐化。
由于实验所用的部件图本身就是黑白图像，所以对锐化后的部件图不需要进行灰度处理，直接进行二值化处理，二值化处理的目的是为后续的基于HOG变换的图像矢量化的前提条件。在MATLAB中常用的二值化函数是im2bw，分别设置阈值为1，0.6，0.2，运行程序得到不同的阈值二值化图像如下表所示。
由上表可以看出当阈值为1时，服装部件图轮廓较粗，并且许多噪点被当作目标图像处理，如上表图像中的圆圈所标定的地方，这样会影响后续的边缘检测；当阈值取0.2时，轮廓线细化了，但衣领、袖笼等边界不明显的地方轮廓线断断续续，如上表图像中的圆圈所标定的地方，轮廓不再是闭合线条，这会直接阻碍部件分割。当阈值取0.6时，可以看到轮廓线分明并且都是闭合的线条，噪点也没有出现。因此本发明设置阈值0.6进行二值化处理。
步骤三、对上述二值化服装部件图进行矢量化处理，获得多个待测矢量部件图。
服装部件图锐化和二值化后，接着就需要从整个服装部件图中分割出各部件。服装部件图的分割结果作为边缘提取、部件识别与矢量化的基础，部件分割的好坏决定着边缘轮廓提取的好坏和矢量化效果精确与否。以下以从整体服装部件图中分割出衣领和袖子为例，具体操作如下：
步骤Ⅰ、采用基于Canny算子的边缘检测方法对部件图进行边缘检测。
对部件图提取轮廓，轮廓点的检测与提取是矢量化的重要步骤，轮廓提取的准确度将直接影响到后续矢量化的精度，边缘检测能够缩减像素点的数据量，而且保留住部件的边缘形状信息，考虑到各种边缘检测方法的优缺点，本发明采用基于Canny算子的边缘检测方法获取分割后的各个部件的边缘信息。
步骤Ⅱ、对检测到的边缘进行解析，并按照解析顺序将边缘上的点存储成点集序列，利用Hough变换对上述点集序列内部的所有点进行特征判断，若符合共线特征，则对其进行标注，否则，不标注，具体如下：
在对部件进行边缘检测后，得到的是部件的边缘信息，其中0为白色表示边缘信息，1为黑色表示背景信息。部件要矢量化，就需要对边缘点集序列进行顺序存储，部件图的点集存储，实际上是将部件的边缘轮廓按连接顺序存储成点集序列，在存储为点集序列之前需要对部件进行解析。常用的有顺序解析和邻域解析，本发明结合顺序解析和八邻域解析的方法，首先在分割出的部件图中用顺序搜索方法找到第一个边缘点作为起始点，然后采取八邻域法将所有边缘点全部解析出来，并按解析顺序存储成点集序列。
点集序列存储完成后，便可对其进行矢量化，矢量化就是用简单的图形或者用数学方程的形式来表示服装部件，通常采用直线和自由曲线来表示。直线段数学模型简单易理解，可用如下参数方程表示：
P(t)＝P1t+P2(1-t)
其中，P1、P2分别表示线段起始点和终止点，参数t∈[0,1]。
对于曲线段数学模型，在制作服装结构图和设计款式***中常用的有曲线内插法、B-spline曲线、Bezier曲线等。由于Bezier曲线是用控制点来控制多边形的形状，使曲线的设计和修改非常直观，而分段表示能使测量精度更高。所以本发明采用分段三次Bezier曲线来表示部件图部件边缘的自由曲线，从几何意义上实现与部件图曲线边缘的等效，分段三次Bezier曲线如图2所示，其矩阵表示如下所示：
P(t)＝TMBQ
其中，T＝[t3 t2 t 1]，t∈[0,1]，Q为控制多边形的控制点。
Hough变换是寻找直线段特点的一种有效算法，其原理是将直角坐标系中的点(x,y)变换成极坐标系上的点(r,θ)，利用直角坐标系中同一条直线上的所有点即共线点在(r,θ)平面上表现为同一个点这一特征，来进行直线的判断。直角坐标系中直线表达式y＝mx+b用极坐标表示如下：
ri＝xicosθi+yisinθi
若要判断某一部件图的点集序列是否为直线，可将r-θ平面量化成若干小格，根据每一个已知的(x,y)点代入θ后的量化值后，由上式算出r,则可知(r,θ)值处在某一格子内，此时将此小格的数量加1，当所有(x,y)点经过上述操作后，统计出小格的数量，统计数值较大的小格就对应共线点，这一点(r,θ)即为所求直线的极坐标参数，把这一参数作为判断部件边缘点是否为直线段的参数。
步骤Ⅲ、对标注的点进行直线段矢量化，对未标注的点采用分段三次Bezier曲线进行矢量化。
下面以一幅包含直线P0Pm，直线P0Pn和曲线PmPn的衣领部件图为例说明矢量化的过程，图3为部件半边衣领的像素点集图。设对衣领部件的边缘检测处理后得到领子边缘像素点集序列如下所示：
P0Pm＝{P0,P1,P2,...,Pm-2,Pm-1,Pm}；
PmPn＝{Pm,Pm+1,Pm+2,...,Pn-1,Pn}；
P0Pn＝{Pn,Pn+1,Pn+2,...,Pn+k-2,Pn+k-1,Pn+k}；
利用Hough变换求衣领像素点集序列的特征，其中P0Pm段和P0Pn段各自符合共线特征，对其相关点做标记，PmPn段不符合共线特征，不做标记。对做标记的像素点集进行直线段矢量化，对未做标记的像素点集如图3中PmPn段用分段三次Bezier曲线进行矢量化。
在自由曲线矢量化的过程中，由于Bezier曲线是由控制点决定的多边形确定的，而本发明已知的只是衣领边缘点，要获得Bezier曲线的参数，就须求出所有的控制点Q。为确保所拟合的Bezier曲线能够通过衣领边缘上的点，需用部件边缘上的部分点来反求控制多边形的控制点，图4为三次Bezier曲线控制多边形与部件边缘上PmPn段的对应关系图，其数学模型如下方程式所示：
其中，P1、P2、P3、P4为领子边缘点，Q1、Q2、Q3、Q4为控制多边形的控制点，由图4可知，P1、P2、P3、P4和Q1、Q4为已知点，Q2、Q3为未知点，t1、t2为已知点P2、P3所对应的参数值，它们的值由所取P2、P3的位置来决定。若P1、P2、P3、P4间距相等，则可求出t1、t2。解上述方程组即可求出控制多边形的4个控制点，从而得到三次Bezier曲线，从而矢量化自由曲线。
步骤四、对各个待测矢量部件图进行特征提取，再将提取到的特征进行归一化处理，然后对归一化的待测矢量部件图进行分类识别，结合数据库，从而获得与之匹配的部件图，完成自动识别。
本发明的部件图特征提取主要是几何形状特征的提取，部件图的边缘轮廓形状基本都是由直线和自由曲线构成，因此采用部件图边缘线条的形状特征，其中含有边缘线条的弯曲度、凹性、凸性等形状特征，对待测部件图进行特征描述。目前针对图像对象识别的轮廓弯曲特性提取与描述已出现了多种方法，其中，基于曲率特征提取的方法是较具代表性的，它是比较直观展现图像目标轮廓线弯曲程度的一种形状特征。
王斌在2016年提出的弦特征矩阵描述子CFM来对树叶进行分类识别，得到了很好的识别效果，树叶和部件图提取特征的共同之处在于都是提取目标图像的几何形状，因此本发明选用王斌的特征提取与描述的方法，基于弦特征矩阵来描述部件图各部件的特征，该方法是间接性的描述衣领边缘线凹凸特征的方法，其在部件图部件特征提取过程中相比其他方法更有优势。关于间接性的特征描述，目前已有用弦长、边缘上的点到最远点距离等作为描述子的参数，这些参数在某些程度上间接反映目标边缘线的弯曲特性，但边缘线的凹凸性还得不到很好的描述。本发明使用的弦特征提取方法来描述部件图的各特征，此种方法也叫做CFM，这种特征描述方法可以描述衣领部件轮廓的凹凸性，其中通过提取多个尺度级的弦的内外弦长作为款式部件的特征描述子，而内外弦长很好的描述出衣领部件边缘的凹凸性，从而更加精确的描述部件轮廓曲线的凹凸特征，该方法不仅仅刻画出衣领边缘的凹凸性，而且引入的弧到弦的平均投影长度参数，这一参数特征能够刻画各衣领款式部件曲线边缘的弯曲度，通过以上凸性、凹性和弯曲特性的刻画，可以完整的描述部件边缘轮廓的几何形状特征。
具体包括以下步骤：
步骤ⅰ、采用弦特征提取方法来提取各个待测矢量部件图的特征，获得三个弦特征矩阵，分别为平均投影长度矩阵PM、外弦长矩阵OM和内外弦长差的绝对值矩阵IODM。
令点集序列为集合C＝{Pi(xi,yi),i＝1,...,N}，其中N＝2T，且T取正整数，二值化后的部件图的函数表达式设置为x与y分别表示部件图中的像素点的横纵坐标，D表示部件图的边缘在部件图中的所在区域，
外弦长矩阵OM的表达式设置为：
内外弦长差的绝对值矩阵IODM的表达式设置为：
平均投影长度矩阵PM的表达式设置为：
其中，表示外弦长，表示内弦长，A＝(ys+i-yi)/ls,i,B＝(xs+i-xi)/ls,i,C＝(xiys+i-yixs+i)/ls,i,δ(Δ)表示狄拉克函数，x1和x2分别表示xi和xi+s的最小值和最大值，y1和y2分别表示yi和yi+s的最小值和最大值，s表示单位长度个数，取值为21,22,...,2T-1，单位长度定义为边缘上的点与之最相邻点之间的距离，该距离与点集序列的大小有关，表示从边缘上的点Pi(xi,yi)出发，沿边缘按逆时针方向达到另一点Pi+s(xi+s,yi+s)所经过弦长，Ax+By+C＝0表示点Pi和Pi+s所决定的直线的法线方程，表示弧到弦的平均投影长度，表示弦所对应的弧上的点Pi+t到所述弦的投影距离。
从CFM的数学模型可知，三个矩阵都是(T-1)×N的，s每取一个值就有一个尺度与之对应，也就是弦特征矩阵的描述子有(T-1)个尺度。由此可知，此方法的弦特征矩阵的每一行都对应每一行特有的尺度级。其中特征矩阵的第1行就是最小尺度级即s＝21，矩阵的最后一行就是最大尺度级即2T-1，其中T＝log2N。不同尺度级特征描述的几何形状特征信息不同，尺度小的刻画的特征信息比较细致，尺度大的描述的形状信息比较粗略，从弦特征矩阵构建来看，它是从21的尺度，成等比数列的增大到2T-1，这样就可以把整个部件轮廓的形状特征全面的描述出来。另外，本发明是对服装部件图进行识别，衣领部件轮廓线之间的特征相似度很大，所以就要提取很多的细节特征来进行辨别，如很多无领，圆领、V领、U型领等等，在这些部件轮廓的凸点，凹点，拐点，极值点等区域就需要小尺寸特征来刻画。
从下表中可以看到，当边缘点确定后，尺度越小整个边缘信息描述的更细致；尺度大仅描述轮廓的整体外形，当轮廓细节较多可能会漏掉细节特征；当尺度值相同时，边缘点数量越多特征越多，边缘细节描述的越齐全，但是如果边缘点过多的话，算法运行时间更长。
步骤ⅱ、对上述三个弦特征矩阵分别进行平移、旋转和缩放的归一化处理。
由于平面部件图的几何形状在平移、旋转、缩放的变换下，其几何形状不会变化，因此在对衣领部件的分类和识别前，需将服装部件的弦特征描述子归一化处理，避免因为出现这些几何变换导致描述子不同，最后引起部件分类错误、识别不准确。
(1)部件图平移
从上述OM、IODM、PM公式可以发现，当部件发生平移时，外弦长矩阵中的值、内外弦长差的绝对值和平均投影长度三个矩阵中的值是保持不变的，所以不用对平移的变化做归一化处理。
(2)部件图缩放
当部件图发生缩放时，弦的值要发生变化。假设部件构成的弦特征函数由g(x,y)变为g(ax,ay)，其中a＞0是缩放系数。用特征描述子OM，IODM，PM三个矩阵中的每一行的最大值对该行的每个元素归一操作。由特征矩阵的构成可知，处在同一行的特征元素都对应同样的尺度级，不同的行对应不同尺度级，因此本发明分别对每一行归一操作，就可以保证T-1个尺度级的特征即各行特征在部件识别中有同样的贡献，就不会出现因为某一行的轮廓线特征值过大而使其他行轮廓线特征值较小的失效。
(3)部件图旋转
当实验用的衣领部件图有所旋转，部件边缘线上的弦也都产生同样的旋转，根据OM、IODM、PM的表达式能够知道边缘线的内外弦长、弧到弦的平均投影长度同旋转前的。但是衣领部件图的旋转会让提取的边缘线的初始位置点产生变化，进而让弦特征描述子的三个矩阵的各行产生顺次移位。若t表示平移量，其中1≤t≤N是平移量，则三个矩阵中的第m行，第k列的特征值就会移动到第m行，第k+t列。针对这个问题，本发明运用一维离散傅里叶变换对衣领部件图的旋转作归一化处理。
首先，将OM、IODM、PM中的每一行都看作是一个一维的离散信号，然后进行一维离散傅里叶变换，用傅里叶变换系数的模的序列代替变换前的行。其中傅里叶变换的描述系数公式如下：
其中，u＝0,1,2,...,M-1，在信号的开始处经过傅里叶变换后的值a(0)被称作傅里叶变换的直流分量。由Fourier变换的理论可知，若部件有所旋转，对应到一维信号也有相应平移，所得到Fourier变换系数的模|a(u)|是不变的，所以旋转后的弦特征矩阵和未旋转的部件经Fourier变换得到的矩阵是一样的。本发明对弦特征矩阵每行元素作Fourier变换后获得的向量长度为N，为凸显主要款式部件的特征量和抑制噪声干扰，选取前M个低频系数，M的值将在后续实验时确定。因为取的系数越多，虽然可以更好的描述款式部件特征，但会增加对噪声的敏感度，并且会加大分类识别计算量；反之，若提取的低频系数较少，那么提取的特征量并不能精确的区分部件的形状。傅里叶变换后三个矩阵和的每一行的值都被做一次傅里叶变换，变换后的对应系数值有M个，对这M个值分别取模，即得到三个矩阵每一行的值分别对应每次的变换值：|a(0),|a(1)|,...,|a(M-1)|。最终，部件的弦特征矩阵都将由大小为(T-1)×N的矩阵变为大小为(T-1)×M的矩阵。
图5和6分别为圆领和翻驳领提取特征矩阵进行傅里叶变换后，分别选取尺度S为4的前5，10，18，32，40个傅里叶描述子进行重构，得到这些个分量描述子重构后的图。从图中可以看出，当选择的傅里叶描述子的长度分量越多的话，重构后的效果图越接近原图，可以看到当长度分量个数为18时，已基本跟原图相同，但是若使用的傅里叶描述子的长度分量过多，虽然重构后的形状更精细，但是分类识别时的计算量也相应增加，反之，如果选取的长度分量越少的话，对其衣领形状的描述很粗糙，所以在后续的部件图分类识别时，需要进行多次实验确定合适的低频系数个数。
步骤ⅲ、利用步骤ⅰ和步骤ⅱ的方法对数据库中的各个部件图进行归一化处理，再采用基于支持矢量机SVM分类法对数据库中的归一化处理后的各个部件图进行分类，并判断各个待测矢量部件图的所属类别。
在SVM的多分类问题中，其多分类器通常是由多个二值子分类器组合起来构建的。本发明以对八种衣领部件进行分类为例，属于SVM多分类问题，就要构建八个二值子分类模型，关于第i个分类模型，本发明将第i类衣领部件当作一类，即正类，其余的七类衣领部件当作另一类，即负类，在分类时，将待分类衣领部件特征x顺次输入到各SVM二值子分类模型中，比较哪一个SVM输出值最大，若第k个的输出值大，就将待分类衣领部件归为第k类。
具体实现步骤如下：
(1)SVM训练的步骤：输入各待训练服装衣领部件的特征矩阵；选择合适的输入空间核函数；求解优化方程，获得支持向量和对应的拉格朗日算子；利用服装衣领部件特征库中一个支持向量，带入判别函数，得到类别值。
(2)SVM分类的步骤：输入待测服装部件特征；使用步骤(1)中训练好的拉格朗日算子，偏差值以及输入空间核函数，解出最优判别函数；根据sgnf(X)的值输出类别。
本发明的SVM分类器中核函数选取RBF核函数，特征归一化后，得到OM，IODM，PM三个特征矩阵并不是一个数值构成的，而是由(T-1)×M的二维矩阵构成。因为训练样本中每一行作为一个样本，所以需要将三个特征矩阵的量顺次接成一行构成一个部件特征量。首先，将OM矩阵的T-1行顺次接在每一行的后面构成一整行作为特征量，然后，将IODM和PM各自的T-1行顺次接在每一行的后面构成一整行作为特征量，最后，将IODM得到的一整行特征接到OM的后面，将PM的接到IODM后面，最终得到的每个部件样本有(T-1)*M*3的特征量。由上述边缘上的点的数量和尺度实验可知，部件图的细节边缘点变化并不是特别的频繁，所以本发明的预设边缘点N＝64，即T＝log2N＝6。
为了选取适当的Fourier变换归一化的低频系数个数，也就是M的值，本发明开展了预实验：从衣领部件图库的八种款式中随机各抽取40个衣领部件图，进行上述部件图预处理和提取弦特征矩阵，对特征归一化，其中基于Fourier变换来进行归一化时，低频特征系数个数分别选择1，2，3，4，5…，60，如图7所示，以此进行部件图训练和分类测试，其分类准确率如图7所示。由图7可知，当系数个数为16，识别准确率基本达到最高，并且选取的系数越多的话，程序运行时间也会相应的越长，因此，本发明的低频系数M选择16。
由以上可得，每一个弦特征矩阵现在为5*16的二维矩阵，所以输入SVM训练时，每一种弦特征矩阵有80个特征量，结合三个弦特征矩阵OM，IODM，PM得到每种部件由240个特征量构成，然后对特征集进行主成分分析，选取累计贡献率为95％的主成分为特征向量，对各自弦特征和综合的特征分别进行分类识别，得到各自特征描述子下的准确率。随机抽取衣领部件库中66.7％样本的特征向量为训练集，剩余33.3％样本的特征向量为测试集，其中各部件的数量与整体比例一致，测试数据和训练数据除了特征向量还包含此款式的标签，见下表。
以翻驳领、普通翻领和平翻领的三个弦特征矩阵OM、IODM、PM、为例进行实验测试，分类过程和分类结果如下图8，从图8中发现翻驳领分类基本全部正确，普通翻领和平翻领有三个分类错误，但是整体识别准确率还是做到了95％，其中翻驳领识别准确率为100％。
步骤ⅳ、采用最近邻法1NN对待测矢量部件图在所属类别中进行精确识别，从而找出与待测矢量部件图最匹配的部件图。
基于SVM的分类识别对部件图部件分类效果好，但是它并不能将待测款式部件同库中每个单独的部件的相似度大小区分开来，也就是当识别出属于哪一类时，在智能服装款式设计中还不够，还需要将同类中的款式区分开来，这就需要借助最近领分类识别法进一步将同类中的相似度大小排序区分开来。
最近邻法1NN是一种非参数识别方法，不需要事先给出先验概率和类条件概率密度函数等知识，而是直接对所得到的部件特征矩阵进行操作，特别适合于多分类问题。
假设有M个ω1,ω2,...,ωM类别的领子部件识别目标，每一类有标注类别的样本Ni个(i＝1,2,...,M)，可以规定ωi类的判别函数为其中，的角标i表示ωi类，k表示ωi类Ni个样本中第k个。决策规则表示为：
以上是运用SVM分类器对部件样本库进行分类，但有一定的缺陷，相比之下，KNN算法原理比较简单，它不用训练出模板和基于模板来测试识别，反而直接进行训练，在以上已经分好类别的部件图的基础上，计算待识别的部件图同已知类别部件图之间的距离，然后在这些距离中选取K个最小的进行投票标注累计，看K个最近的部件图中哪一类部件所占的个数多，就归为哪一类。但KNN算法在识别中也有缺陷，当各类别中部件数量不等时，若某一类的衣领部件数量很多，而其他类数量很少时，就可能导致当测试待识别的衣领部件时，该部件的K个较近距离中容量多的那一类的部件图所占数量多[53]。为了避免这个问题，本发明采用最近邻法分类识别，只要比较与N个已知类别的部件图数据库间的距离，并决策与离它最近的部件同类，这种只判别离它最近的款式类别，称作1NN分类识别方法。因为1NN识别前需要提前知道已知的款式类别，所以在进行1NN识别前需要对特征库进行分类，也就是在进行1NN识别前需要进行SVM训练分类。
在对部件图形状进行1NN分类识别时，使用类别判别函数之前，本发明则要将待判别的部件图形状，同已知特征部件库中的形状进行差异性度量，然后对差异性进行大小比较处理。通过前面的特征归一化操作和SVM分类器处理后，训练好的特征库类别已知，弦特征矩阵已满足特征归一化，判断两个款式部件是否属于同一类别的话，只需要比较部件的特征即它们的弦特征，从而来比较它们的相似性。假设已提取出翻领A的弦特征CFM的3个矩阵OM、IODM、PM为和待识别的翻领B的弦特征CFM的3个矩阵OM、IODM、PM分别为和则它们的差异度用下面公式[42]来表示：
其中，N表示边缘上的点个数，取64，T＝log2N＝6，由上文所述可知M＝16。那么以上三个特征矩阵为5*16的矩阵。图9是在MATLAB里运行程序后得到某一圆领特征归一化后的三个弦特征矩阵数据分布图，其中，图中的矩形框是数据大小范围，矩形框内部的线条对应的值为每个尺度级数值的均值，由图8可以看出，此圆领特征低频数据基本都是小于1的。
由1NN算法的原理得到如下算法流程：
(1)初始化训练部件特征集和类别；
(2)存储已知类别的数据和待识别的款式部件特征数据；
(3)设定参数k，这里k取1；
(4)计算待测类别特征数据同已知类别每一个部件特征数据的差异度；
(5)根据差异度大小对训练部件图特征数据集作升序排序；
(6)选取差异度大小最小的前k个训练款式部件，然后统计它们在各类别中的累计个数；
(7)返回累计个数最大的类别，这里只需选取差异度最小的类别即可，则待测衣领部件就属于该部件所在的类别；
(8)取出前L个距离较小的已知类别序号，这些类别就可以用于后续的设计开发。
以下以预先所准备的图片库，从中选取衣领的各部件来进行测试，在运行1NN时，待测部件图与分好类的数据库内部的部件图之间的差异度大小识别结果如下表所示，其中，表中最左侧为待测衣领部件图，数据库内部的部件图下面的对应的数值为它们的差异度。从表中可以看到，待识别的衣领部件图与数据库内部的部件图之间的差异度大小跟它们形状有紧密的联系，在智能服装款式设计时，设计师可以按照所需选取目标部件。
本发明将结合这两种方式对服装部件图进行识别，基于SVM的分类是将未知多维度多特征类别的部件数据库进行分类用于待测样本的识别，而后面的1NN分类识别主要是已知类别，然后计算被测样本离各个类别的部件款式距离来判断它是属于哪一个款式部件，后者会更加具体的识别出最匹配的部件图，方便设计师快速准确地找出所需的款式，提高设计效率，其他服装部件的识别同以上衣领部件的识别。另外还可以按照差异度大小顺序排列部件图，这样在服装智能设计时会有多样的选择提供。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些仅是举例说明，在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，因此，本发明的保护范围由所附权利要求书限定。

Claims (8)

1.一种用于服装部件图的自动识别方法，其特征在于包括以下步骤：
步骤一、建立多个类型的服装部件图数据库；
步骤二、对待测服装部件图进行预处理，获得二值化服装部件图；
步骤三、对所述二值化服装部件图进行矢量化处理，获得对应的待测矢量部件图；
步骤四、对所述待测矢量部件图进行弦特征提取，再将提取到的弦特征进行归一化处理，然后对归一化的待测矢量部件图进行分类识别，结合数据库，获得与之匹配的部件图，完成自动识别。
2.根据权利要求1所述的用于服装部件图的自动识别方法，其特征在于所述步骤三中获得待测矢量部件图的方法包括：
步骤Ⅰ、采用基于Canny算子的边缘检测方法对于所述二值化服装部件图进行边缘检测；
步骤Ⅱ、对检测到的边缘进行解析，并按照解析顺序将边缘上的点存储成点集序列，利用Hough变换对所述点集序列内部的所有点进行特征判断，若符合共线特征，则对其进行标注，否则，不标注；
步骤Ⅲ、对标注的点进行直线段矢量化，对未标注的点采用分段三次Bezier曲线进行矢量化。
3.根据权利要求2所述的用于服装部件图的自动识别方法，其特征在于所述步骤Ⅱ中的解析方法包括：首先，对检测到的边缘用顺序解析方法找到第一个边缘点作为起始点，再采取八邻域解析法将所有边缘点全部解析出来，然后按照解析顺序存储成点集序列。
4.根据权利要求2所述的用于服装部件图的自动识别方法，其特征在于所述步骤四具体包括以下步骤：
步骤ⅰ、采用弦特征提取方法来提取各个待测矢量部件图的弦特征，获得三个弦特征矩阵，分别为平均投影长度矩阵PM、外弦长矩阵OM和内外弦长差的绝对值矩阵IODM；
步骤ⅱ、对三个所述弦特征矩阵分别进行平移、旋转和缩放的归一化处理；
步骤ⅲ、利用步骤ⅰ和步骤ⅱ的方法对数据库中的各个部件图进行归一化处理，再采用基于支持矢量机SVM分类法对数据库中的归一化处理后的各个部件图进行分类，并判断各个待测矢量部件图的所属类别；
步骤ⅳ、采用最近邻法1NN对待测矢量部件图在所属类别中进行精确识别，找出与待测矢量部件图最匹配的部件图，完成自动识别。
5.根据权利要求4所述的用于服装部件图的自动识别方法，其特征在于：令所述点集序列为集合C＝{Pi(xi,yi),i＝1,...,N}，其中N＝2T，且T取正整数，所述二值化部件图的函数表达式设置为x与y分别表示部件图中的像素点的横纵坐标，D表示部件图的边缘在部件图中的所在区域，
所述外弦长矩阵OM的表达式设置为：
所述内外弦长差的绝对值矩阵IODM的表达式设置为：
所述平均投影长度矩阵PM的表达式设置为：
其中，表示外弦长，表示内弦长，A＝(ys+i-yi)/ls,i,B＝(xs+i-xi)/ls,i,C＝(xiys+i-yixs+i)/ls,i,δ(Δ)表示狄拉克函数，x1和x2分别表示xi和xi+s的最小值和最大值，y1和y2分别表示yi和yi+s的最小值和最大值，s表示单位长度的个数，取值为21,22,...,2T-1，表示从边缘上的点Pi(xi,yi)出发，沿边缘按逆时针方向达到另一点Pi+s(xi+s,yi+s)所经过弦长，Ax+By+C＝0表示点Pi和Pi+s所决定的直线的法线方程，表示弧到弦的平均投影长度，表示弦所对应的弧上的点Pi+t到所述弦的投影距离。
6.根据权利要求4所述的用于服装部件图的自动识别方法，其特征在于：对缩放的归一化处理，以平均投影长度矩阵PM、外弦长矩阵OM和内外弦长差的绝对值矩阵IODM中的每一行的最大值对所处行的每个元素进行归一操作；对旋转的归一化处理，采用傅里叶变换进行。
7.根据权利要求6所述的用于服装部件图的自动识别方法，其特征在于：将平均投影长度矩阵PM、外弦长矩阵OM和内外弦长差的绝对值矩阵IODM的每一行都作为一个一维的离散信号，然后对所述一维的离散信号进行一维离散傅里叶变换，用傅里叶变换系数的模的序列代替变换前的行，其中傅里叶变换的系数表达式设置如下：
8.根据权利要求1所述的用于服装部件图的自动识别方法，其特征在于所述步骤二的预处理方法包括：采用基于二阶微分的拉普拉斯算子Laplace算子对待测服装部件图进行锐化处理，设置阈值为0.6对应锐化后的待测服装部件图进行二值化处理。
CN201910169562.1A 2019-03-06 2019-03-06 一种用于服装部件图的自动识别方法 Pending CN109993213A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910169562.1A CN109993213A (zh) 2019-03-06 2019-03-06 一种用于服装部件图的自动识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910169562.1A CN109993213A (zh) 2019-03-06 2019-03-06 一种用于服装部件图的自动识别方法

Publications (1)

Publication Number Publication Date
CN109993213A true CN109993213A (zh) 2019-07-09

Family

ID=67130136

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910169562.1A Pending CN109993213A (zh) 2019-03-06 2019-03-06 一种用于服装部件图的自动识别方法

Country Status (1)

Country Link
CN (1) CN109993213A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110610499A (zh) * 2019-08-29 2019-12-24 杭州光云科技股份有限公司 一种图像中自动裁取局部细节图的方法
CN111858997A (zh) * 2020-06-23 2020-10-30 浙江蓝天制衣有限公司 一种基于跨领域匹配的服装样板生成方法
CN112488174A (zh) * 2020-11-26 2021-03-12 江苏科技大学 一种相似零件智能检索方法
CN113505410A (zh) * 2021-07-13 2021-10-15 高瑞彤 一种智能服装设计***

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102184413A (zh) * 2011-05-16 2011-09-14 浙江大华技术股份有限公司 车辆智能监控***中车身颜色自动识别方法
CN104268543A (zh) * 2014-10-04 2015-01-07 上海工程技术大学 一种复杂纹理织物起球图像的采集方法
CN105117739A (zh) * 2015-07-29 2015-12-02 南京信息工程大学 一种基于卷积神经网络的服装分类方法
CN106056132A (zh) * 2016-05-19 2016-10-26 东华大学 一种基于傅里叶描述子和支持向量机的服装款式识别方法
CN106384126A (zh) * 2016-09-07 2017-02-08 东华大学 基于轮廓曲率特征点和支持向量机的服装款式识别方法
CN106897724A (zh) * 2015-12-18 2017-06-27 南京财经大学 一种基于轮廓线形状特征的植物叶片识别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102184413A (zh) * 2011-05-16 2011-09-14 浙江大华技术股份有限公司 车辆智能监控***中车身颜色自动识别方法
CN104268543A (zh) * 2014-10-04 2015-01-07 上海工程技术大学 一种复杂纹理织物起球图像的采集方法
CN105117739A (zh) * 2015-07-29 2015-12-02 南京信息工程大学 一种基于卷积神经网络的服装分类方法
CN106897724A (zh) * 2015-12-18 2017-06-27 南京财经大学 一种基于轮廓线形状特征的植物叶片识别方法
CN106056132A (zh) * 2016-05-19 2016-10-26 东华大学 一种基于傅里叶描述子和支持向量机的服装款式识别方法
CN106384126A (zh) * 2016-09-07 2017-02-08 东华大学 基于轮廓曲率特征点和支持向量机的服装款式识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
安立新: "服装款式图提取及其模式识别的研究", 《中国博士学位论文全文数据库》 *
杨杰 等: "服装样片图像中直线与曲线矢量化的研究", 《天津工业大学学报》 *
王斌 等: "弦特征矩阵：一种有效的用于植物叶片图像分类和检索的形状描述子", 《计算机学报》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110610499A (zh) * 2019-08-29 2019-12-24 杭州光云科技股份有限公司 一种图像中自动裁取局部细节图的方法
CN110610499B (zh) * 2019-08-29 2020-10-20 杭州光云科技股份有限公司 一种图像中自动裁取局部细节图的方法
CN111858997A (zh) * 2020-06-23 2020-10-30 浙江蓝天制衣有限公司 一种基于跨领域匹配的服装样板生成方法
CN111858997B (zh) * 2020-06-23 2024-04-16 浙江蓝天制衣有限公司 一种基于跨领域匹配的服装样板生成方法
CN112488174A (zh) * 2020-11-26 2021-03-12 江苏科技大学 一种相似零件智能检索方法
CN113505410A (zh) * 2021-07-13 2021-10-15 高瑞彤 一种智能服装设计***

Similar Documents

Publication Publication Date Title
Yue et al. Automatic detection of feather defects using Lie group and fuzzy Fisher criterion for shuttlecock production
CN110021028A (zh) 一种基于服装款式图的自动制衣方法
CN109993213A (zh) 一种用于服装部件图的自动识别方法
CN105389593B (zh) 基于surf特征的图像物体识别方法
Guo et al. Efficient center voting for object detection and 6D pose estimation in 3D point cloud
CN106384126B (zh) 基于轮廓曲率特征点和支持向量机的服装款式识别方法
CN109523520A (zh) 一种基于深度学习的染色体自动计数方法
CN109447100A (zh) 一种基于b样条曲面相似性检测的三维点云识别方法
CN101140623A (zh) 一种基于支持向量机的视频对象识别方法及***
Berretti et al. 3d mesh decomposition using reeb graphs
Zhang et al. A statistical approach for extraction of feature lines from point clouds
CN105718552A (zh) 基于服装手绘草图的服装图像检索方法
Xie et al. Fabric defect detection method combing image pyramid and direction template
Efraty et al. Facial component-landmark detection
Pham et al. Accurate junction detection and characterization in line-drawing images
Deng et al. Efficient 3D face recognition using local covariance descriptor and Riemannian kernel sparse coding
CN110008920A (zh) 一种人脸表情识别方法研究
Liu et al. A novel rock-mass point cloud registration method based on feature line extraction and feature point matching
Chen et al. Mesh convolution: a novel feature extraction method for 3d nonrigid object classification
CN106778491B (zh) 人脸3d特征信息的获取方法及设备
CN105760828A (zh) 一种基于视觉的静态手势识别方法
Artola et al. Glad: A global-to-local anomaly detector
Wang et al. Mosaicshape: Stochastic region grouping with shape prior
CN109886091A (zh) 基于带权重局部旋度模式的三维人脸表情识别方法
Rathore et al. CBISC: a novel approach for colon biopsy image segmentation and classification

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190709

WD01 Invention patent application deemed withdrawn after publication