基于多特征值的服裝檢測與識別算法

魏 芬， 劉建平， 徐松松， 曹 飛

(1. 南京航空航天大學 金城學院，江蘇 南京 211156；2. 南京東大智能化系統有限公司，江蘇 南京 210023；3. 南京郵電大學，江蘇 南京 210006)

?

基于多特征值的服裝檢測與識別算法

魏 芬1， 劉建平2， 徐松松3， 曹 飛3

(1. 南京航空航天大學 金城學院，江蘇 南京 211156；2. 南京東大智能化系統有限公司，江蘇 南京 210023；3. 南京郵電大學，江蘇 南京 210006)

提出一種基于多特征值的服裝檢測與識別算法。通過人臉檢測輔以Canny算子邊緣檢測實現對服裝的精確定位，采用顏色直方圖加以最小歐氏距離的組合方式提取特征值，設計貝葉斯分類器，將特征值進行正、負樣本分類，最終實現對服裝的識別。實驗表明，該算法能夠有效檢測與識別服裝，達到預期效果。

服裝識別； Canny算子； 顏色直方圖； 最小歐氏距離； 貝葉斯分類器

0 引 言

移動互聯網以及智能終端的發展，掃碼技術在移動終端設備中的應用已日趨成熟，然而通過移動終端實現對服裝的檢測與識別技術還不成熟。本文借用移動終端掃碼進行信息識別的思想，研究基于多特征值的服裝檢測與識別算法，應用于移動終端設備。本文從服裝檢測和服裝識別兩部分對算法進行分析研究。服裝檢測方面，首先通過AdaBoost[1-2]算法檢測人臉區域，然后通過Canny算子[3]進行邊緣檢測，最后通過服裝迭代定位算法實現對服裝的精確定位；服裝識別方面，基于服裝檢測，首先通過顏色直方圖加以圖像最小歐氏距離(MED)[4-5]提取特征值，然后設計并訓練貝葉斯分類器[6-9]，最后通過訓練好的分類器實現對服裝的高效識別。通過移動終端實現對服裝的檢測與識別必然需要對服裝圖片進行分析、檢測、特征提取和識別的過程，本文是在VS2015開發環境下結合OpenCV視覺庫模擬移動終端掃碼實現對服裝的檢測與識別過程。實驗結果表明，本文提出的算法能夠有效檢測與識別服裝，達到預期結果。

1 服裝檢測

1.1 人臉檢測

本文通過人臉檢測對服裝進行粗定位，然后結合下文中的迭代算法實現服裝的精確定位。人臉檢測技術已日趨成熟，有很多的人臉檢測算法得到了很好的應用。采用AdaBoost 算法，在VS2015開發環境下應用OpenCV提供的函數和分類器對人臉進行精確檢測。AdaBoost采用迭代的算法思想，通過不斷的訓練同一個訓練集得到多個不同的弱分類器，然后再將這些弱分類器以加權投票的方式得到一個最終的強分類器。通過AdaBoost 算法實現分類器訓練流程如圖1所示。

圖1 分類器訓練流程圖

VS2015開發環境中人臉檢測程序由三個部分組成：加載分類器、加載待檢測圖像和檢測與標識。在程序設計實現中，采用OpenCV庫提供的haarcascade_frontalface_alt.xml文件存儲的目標檢測分類，圖像載入使用函數cvLoad來完成，cvLoad函數載入圖像后對圖像進行強制類型轉換，函數cvHaarDetectObjects檢測圖像中人臉目標，并標出人臉矩形框。

1.2 服裝迭代定位算法

基于上文AdaBoost 算法得到人臉矩形框，通過多次試驗和人體測量學理論確定人的上身與臉部的比例，將矩形框進行一定比例的移動、放大，矩形框的最優邊的選定是包含Canny算子邊緣檢測的邊緣點最多的邊，實驗發現這樣的粗定位方式具有不穩定性。所以，本文進一步采用服裝矩形框的上邊與人臉矩形框的下邊同高度的矩形框通過迭代算法實現服裝的精確定位。

Canny邊緣檢測算法是邊緣檢測領域的經典算法，得到了很好的優化和應用，其高定位精度、抑制虛假邊緣和低誤碼率等優點符合本文對算法設計與研究的要求，所以本文采用Canny算子作為服裝邊緣檢測技術，并與服裝迭代定位算法結合，實現服裝的精確定位。

服裝迭代定位的具體算法如下：

(1)設定人臉檢測矩形框的參數。寬度為Wf，高度為Hf，垂直中心對稱軸為L，水平對稱軸為R，定義服裝矩形框的上邊框高度為人臉矩形框下邊高度。

(2)設定服裝矩形框選取的終止條件。服裝矩形框的寬度最大不得超過人臉矩形框寬度的3倍，假設服裝矩形框以垂直中心軸L為對稱軸，所以，服裝矩形框的左邊框最大寬度Wl=1.5Wf，服裝矩形框右邊框最大寬度Wr=1.5Wf，下邊框到上邊框的最大距離不超過Hd=3.5Hf。設置放大次數n=6，根據終止條件和放大次數計算出每次放大每條邊的步長因子nL=Wl/6，nR=Wr/6，nD=Hd/6。

(3)對稱軸L。依據步驟(2)中的步長向左移動，兩兩比較對稱軸包含邊緣點的多少，保留較多的對稱軸繼續與下一個對稱軸比較，當對稱軸移動過程中滿足步驟(2)中的終止條件時，比較對稱軸包含邊緣點情況，選取包含邊緣點最多的對稱軸作為服裝矩形框的左邊框。

(4)服裝矩形框的右邊的選取。方式與步驟(3)同理，對稱軸L依次向右移動，滿足終止條件時，最終選取包含邊緣點最多的對稱軸作為服裝矩形框的右邊框。

(5)服裝矩形框的下邊框的選取。方式與步驟(3)同理，對稱軸R依次向下移動，滿足終止條件時，最終選取包含邊緣點最多的對稱軸作為服裝矩形框的下邊框。

(6)矩形框。根據以上的迭代算法選擇出最優的左右邊框以及下邊框，并根據最終選取的邊框確定服裝的精確位置，并在原圖像中畫出服裝矩形框。

通過以上算法實現對服裝的精確定位，完成對服裝的檢測部分。

2 服裝識別

2.1 顏色直方圖

顏色是圖像中重要的特征元素，由于顏色對圖像的尺寸、視角和方向的依賴性較小，因此具有較高的魯棒性，在圖像相似度計算中得到大量應用。顏色表征圖像的特征通過顏色直方圖[10]來反映，并得到很好用的研究與應用，通過顏色直方圖來描述圖像顏色特征在顏色空間中的概率分布，即反映不同色彩在整幅圖像中所占的比例。對每種顏色在圖像中的像素數進行統計并構造的歸一化顏色直方圖，具有尺度不變性和旋轉不變性的特性。

一般的圖像都是采用RGB空間進行表示的，但RGB顏色空間與人眼的視覺感受不同，通常需要將RGB空間轉換為其他空間。HSV空間是一種基于感知的顏色模型，能夠更準確地感知顏色間的信息，由H、S和V三個分量組成，其中H表示色度、S表示飽和度、V表示亮度[11]。所以，通過顏色直方圖進行圖像識別時就需要先進行顏色空間的轉換。由上所述，通過顏色直方圖對圖像相似度進行匹配需要以下幾步：首先將RGB空間轉換為HSV空間[12]；其次適當量化轉換后的HSV空間圖像并構造出歸一化顏色直方圖；最后通過構造的歸一化[13]顏色直方圖的匹配計算，得到圖像的相似度。

通過對顏色空間的分析，把三個分量進行量化，分別將色調H空間分為6份，飽和度S空間分為4份，亮度V空間分為3份。量化后的結果如下所示：

通過以上的量化結果將HSV空間分成LH×LS×LV個代表色空間，其中，LH、LS和LV分別表示H、S和V的量化級數(LH=6，LS=4，LV=3)，也就是將顏色空間分成72個代表色空間。按照以上量化級數，把3個顏色分量合成為一維特征矢量I=H×LH+S×LS+V×LV，即G=6H+4S+3V。G的取值范圍為G∈[0，1，2，…，71]，計算G就得到一維直方圖。

假設原始圖像I，其直方圖特征向量Hi=(i0,i1,…,iL)，圖像庫中待檢圖像Q，其直方圖特征向量HQ=(q0,q1,…,qL)，利用下面的公式計算相似度：

(1)

2.2 最小歐氏距離

將M×N維的圖像進行灰度值處理，轉換到MN維歐氏空間，這樣的歐氏空間稱為圖像空間RMN。在圖像空間坐標系中，基坐標用e1,e2,…,eM×N表示，其中，坐標ekN+l與原圖像坐標系中的坐標(k,l)相對應，即ekN+l表示原圖像坐標系中坐標(k,l)的灰度值，設一幅圖像量化后用X=(x1,x2,…,xMN)來表示，那么，兩幅向量化后的圖像X和Y的歐氏距離為：

(2)

根據式(2)對數據庫中的三幅圖像計算兩兩間的歐氏距離，計算結果表明相似的兩幅圖像的歐氏距離反而大于不相似的兩幅圖像，經分析發現導致這種錯誤的原因在于只用各坐標的灰度值對圖像進行描述，而忽略了個坐標點間的空間關系。

基于以上的分析，本文給出了最小歐氏距離(MED)的計算推導。定義坐標度量系數gij(其中，i,j=1,2,…,MN)，表示坐標xi對坐標yj的作用，將gij引入到歐氏距離計算公式，如式(3)所示：

(3)

其中，對稱矩陣G=(gijMN×MN)稱為度量矩陣。由式(3)可知，公式中的主要約束條件就是度量系數gij，它依賴于xi和yj之間的坐標距離，如下式所示：

(4)

根據最小歐氏距離原理，式(4)滿足當|xi-yj|遞增時，gij單調遞減，為了保證G正定，函數f必須是連續正定函數，分析式(3)發現，由于需要存儲MN×MN維的矩陣G，所以其計算并不是很高效的。因此，把式(3)中的矩陣G分解為ATA，如下式所示：

(5)

其中，U=AX，V=AY，可見，只要求得A，式(5)則可以轉化為式(2)。

可以將矩陣G進行如下分解：

(6)

用克羅內克爾積和高斯函數求解矩陣G，如下式所示：

(7)

假設圖中兩點(mi,ni)、(mj,nj)的坐標分別用xi和yj表示，則圖中兩坐標點的相應平方距離的計算公式如下式所示：

(8)

把式(8)帶入式(7)，并且進行化簡，可以得到：

(9)

如前所述，m∈[1,M]，n∈[1,N]，這樣就分別重新生成了一個M×M的矩陣ΨM和一個N×N的矩陣ΨN，具體可表示為：

(10)

(11)

則G可以寫成ΨM和ΨN的克羅內克爾積：

(12)

再將Ψ分解成相應的特征向量和特征值的表示形式，即

(13)

則G可以表示為：

G=(ΩΘΩT)?(ΩΘΩT)=

(Ω?Ω)(Θ?Θ)(Ω?Ω)T=ΓΛΓ

(14)

通過以上的分析推導，給出的最小歐氏距離考慮了灰度值以及坐標點間的空間關系，可以更好地表征圖像。通過最小歐氏距離保證了相似圖像歐氏距離值小，通過比較歐氏距離值實現對圖像的識別，為下文中的貝葉斯分類器提供更加精確的特征值。

2.3 貝葉斯分類器

貝葉斯分類器以貝葉斯公式作為其堅實的數學理論，并能夠綜合先驗信息和數據樣本，對未知圖像類型進行預測[14]。目前研究較多的貝葉斯分類器主要有四種：Naive Bayes、TAN、BAN、GBN，本文對Naive Bayes進行研究和應用，實現圖像特征值的分類以及服裝的識別。

Naive Bayes分類器是基于獨立假設的，即假設樣本的每個特征值與其他特征值都不相關。設變量集U={A1,A2,…,An,C}，其中，A1,A2,…,An表示對象的各個屬性變量，C表示取m個值的類變量，這樣就得到Naive Bayes分類器(假設屬性Ai都條件獨立于C)，Naive Bayes分類器工作過程如下：

設n維特征向量X={x1,x2,…,xn}表示未分類數據樣本即未知樣本，對應A1,A2,…,An屬性值，設有m個類用C={C1,C2,…,Cm}表示，Naive Bayes分類器將未知樣本X分配給類C，當且僅當P(Ci|X)>P(Cj|X)，1≤i,j≤m,j≠i，最大化P(Ci|X)，其中，P(Ci|X)最大的類Ci為最大后驗假設[15]，根據貝葉斯定理：

(15)

其中，P(X)對于所有類為常數，由于類的先驗概率未知，所以設定P(C1)，P(C2)，…，P(Cn)為等概率的，為化簡計算可以做類條件獨立的假定，即各屬性間不存在依賴關系，則

(16)

概率P(x1|Ci),P(x2|Ci),…,P(xn|Ci)可以從訓練樣本估計值得到。

(17)

其中，Sik是在屬性Ak上具有值xk的類Ci的訓練樣本數；Si是Ci中的樣本數。

3 實驗及結論

基于以上各研究點的研究及相關算法的改進，設計服裝檢測與識別系統，算法流程圖如圖2所示。

圖2 服裝檢測與識別算法流程圖

本實驗中選取服裝樣本數為498，共有23種品牌，通過本文給出的算法，首先由AdaBoost算法對圖像進行人臉檢測并畫出人臉矩形框；然后通過Canny算子對圖像進行邊緣檢測，結合服裝定位算法，實現對服裝的精確定位并畫出服裝矩形框；其次，對服裝矩形框部分進行直方圖轉換，通過MED計算特征值；最后根據提取的特征值訓練貝葉斯分類器，實現對服裝的識別。

圖3所示為一組通過本文算法處理后得到的服裝精確定位結果圖。由圖3可知，本文給出的服裝檢測算法能夠實現對服裝的精確定位。

圖3 服裝精確定位圖

服裝精確定位后，通過顏色直方圖和MED計算特征值，對每一幅服裝圖像提取48個特征值，構建測試樣本：Mat testSample(1, 48, CV_32FC1)，構建訓練樣本：Mat trainData(498, 48, CV_32FC1)，對測試樣本進行測試：testNbc.predict(testSample)。實驗中隨機選取一張圖像進行測試，能夠正確輸出服裝品牌，測試結果正確。

4 結 語

以上的實驗對本文提出的服裝檢測與識別算法的可行性進行了驗證，達到預期效果。本文研究的出發點是實現移動終端設備對服裝的檢測與識別，因此下一步工作重點是將算法移植到移動終端設備，通過終端設備實現對服裝的檢測與識別。

[1] An T，Kim M．A new diverse AdaBoost classifier[J]．//International Conference on Artificial Intelligence & Computational Intelligence，2010(1)：359-363．

[2] Wu S，Nagahashi H．Parameterized AdaBoost: introducing a parameter to speed up the training of real AdaBoost[J]．IEEE Signal Processing Letters，2014，21(6)：687-691．

[3] 趙 巖，周百靈，陳賀新．一種改進的基于Canny算子邊緣檢測算法.吉林大學學報(理學版)[J]，2012，50(4)：740-744．

[4] Schouten T E，van den Broek E L．Fast exact euclidean eistance (FEED): anew class of adaptable distance transforms[J]．IEEE Trans Pattern Anal Mach Intell，2014，36(11)：2159-2172．

[5] 戴 歡，吳小俊．基于圖像歐氏距離的人臉描述和識別方法[J]．江南大學學報(自然科學版)，2009，8(1)：20-23．

[6] 代 磊，馬衛東，王凌楠，等．基于權重的樸素貝葉斯分類器設計與實現[J]．情報理論與實踐，2008；31(3)：440-442．

[7] 蔣良孝．樸素貝葉斯分類器及其改進算法研究[D]．武漢：中國地質大學，2009：5-8．

[8] Lv H S X．The naive bayesian classifier learning algorithm based on adaboost and parameter expectations[J]．Computational Science & Optimization Ird International Joint Conference on，2010：377-381．

[9] Yang Y， Shi Y．An algorithm for incremental tree-augmented naive bayesian classifier learning[C]//International Conference on Artificial Intelligence & Computational Intelligence．IEEE，2010：524-527．

[10] 陳 晨．基于顏色直方圖的圖像檢索[J]．哈爾濱師范大學自然科學學報，2014，30(2)：31-35．

[11] 侯阿臨，趙柳青，桃 敏，等．基于多特征的服裝圖像檢索[J]．現代電子技術，2010，33(6)：171-175．

[12] 盧興敬．基于內容的服裝圖像檢索技術研究及實現[D]．哈爾濱：哈爾濱工業大學，2008．

[13] 李貴俊，劉正熙，游志勝，等．一種基于色差和彩色歸一化的車身顏色識別算法[J]．計算機應用，2004，24(9)：47-49．

[14] 付 麗，孫紅帆，楊 勇，等．基于貝葉斯分類器的圖像分類技術[J]．長春理工大學學報(自然科學版)，2009，32(1)：132-134．

[15] 邸 鵬，段利國．一種新型樸素貝葉斯文本分類算法[J]．數據采集與處理，2014，29(1)：71-75．

Research on Clothing Detection and Recognition Algorithm Based on Characteristic Values

WEIFen1，LIUJian-ping2，XUSong-song3，CaoFei3

(1. College of Jincheng，Nanjing University of Aeronautics and Astronautics，Nanjing 211156， China; 2. Nanjing SEU Intelligent System Co. Ltd，Nanjing 210023，China; 3. Nanjing University of Posts and Telecommunications，Nanjing 210006， China)

Clothing recognition is a research focus in the field of image recognition. This paper studies the clothing detection and recognition technology on the basis of previous studies, and proposes a multi-feature detection and recognition algorithm. Through the face detection combined with Canny edge detection, it achieves precise positioning of clothing, then the characteristic value is extracted by color histogram and minimum Euclidean distance. At the end, design the Bayesian classifier is used to classify the characteristic values into positive and negative samples to identify the clothing. Experiments show that the algorithm can effectively identify the clothing and achieve the desired results.

clothing recognition； Canny operator； color histogram； MED； Bayesian classifier

2015-10-13

國家自然科學基金項目(61203246)

魏 芬(1978-)，女，江蘇南京人，碩士，講師，主要研究方向為電子信息通信、嵌入式系統設計。

Tel.：13390753998，025-87190127；E-mail:wfen1229@126.com

TP 391.4

A

1006-7167(2016)05-0118-05