孫國棟　徐亮

摘要：針對服裝款式自動識別時存在提取特征困難、識別率低和分類效率低等問題，該文在精確型傅里葉高度函數(shù)（accurate Fourier height functions 2，AFHF2）與線性核函數(shù)支持向量機（support vector machine，SVM）基礎上提出一種新的服裝款式識別方法。首先，利用AHFH2描述子對衣服輪廓進行特征提取，對服裝輪廓全局信息和局部信息進行充分表征;然后，在不需要調(diào)整參數(shù)的情況下使用線性核函數(shù)SVM對AFHF2描述子特征進行快速訓練與測試。通過自建的服裝圖形庫驗證該方法的有效性，實驗結果表明該算法優(yōu)于現(xiàn)有的算法，其中AFHF2描述子優(yōu)于傅里葉描述子、高度函數(shù)（HF）和TCDs等算法，線性核函數(shù)SVM算法優(yōu)于徑向基函數(shù)SVM算法、K-近鄰算法、概率神經(jīng)網(wǎng)絡以及反向傳播神經(jīng)網(wǎng)絡算法，其平均識別率能達到97.91%。

關鍵詞：精確型傅里葉高度函數(shù);支持向量機;服裝款式識別

中圖分類號：TS941.26 文獻標志碼：A 文章編號：1674-5124（2019）08-0130-05

收稿日期：2019-01-17;收到修改稿日期：2019-03-29

基金項目：國家自然科學基金項目（51775177，51675166）

作者簡介：孫國棟（1981-），男，湖北天門市人，教授，博士，主要從事圖像處理和機器學習方面的研究。

0 引言

隨著社會發(fā)展與生活節(jié)奏加快，網(wǎng)購服裝由于其便捷性成為主流的服裝購買方式，購買量逐年增加?？焖贆z索顧客的理想服裝款式成為相關行業(yè)的研究熱點，而服裝款式識別是服裝檢索的前提[1]。

服裝款式是由服裝的外部輪廓和內(nèi)部細節(jié)變化構成的，反映了服裝結構的形狀特征，不包含顏色和紋理特征[2]。在一些研究中服裝識別被視為一種二維圖像的模式識別，正確判斷圖像的類別是服裝識別的前提。

特征提取是服裝識別的關鍵步驟，已有學者提出多種服裝特征提取方法，如輪廓曲率特征點[3]、傅里葉描述子（Fourier descriptors，F(xiàn)D）[4]、HOG（histogramof oriented gradient）和幾何特征[5]、融合多層次特征[6]等。其中，輪廓曲率特征點方法特征向量維度低，但是其抗噪性能差，忽略了過多局部信息，識別率不高;FD提取特征能夠表征服裝輪廓信息，但是提取特征算法簡單，當樣本復雜程度增加時，其表征能力將會一定程度的降低;HOG和幾何特征與融合多層次特征算法表征能力有限，且算法較復雜，通用性較差。

精確型傅里葉高度函數(shù)描述子（accurate Fourierheight functions 2，AFHF2）[7]是一種具有起始點不變性、相似不變性、抗噪性、低維度等特點的輪廓描述子，能夠對輪廓的全局信息和局部信息進行充分表征，且計算復雜度低，適合服裝款式的實時識別。

分類器的選擇是服裝款式識別的另一關鍵步驟。支持向量機（support vector machine，SVM）[3-4]、K一近鄰算法（K-nearest neighbor，KNN）[8]，概率神經(jīng)網(wǎng)絡（probabilistic neural networks，PNN）[9]以及反向傳播神經(jīng)網(wǎng)絡（back propagation neural network，BPNN）[10]是常用的特征分類器，但是每個分類器適用的分類矩陣和樣本量是不同的，其中SVM分類器更適合小樣本分類，廣泛應用于服裝款式分類。SVM所使用的核函數(shù)決定分類器的性能，現(xiàn)有的服裝款式涉及的SVM分類器大部分采用徑向基核函數(shù)。而徑向基核函數(shù)SVM分類器的懲罰參數(shù)和核函數(shù)的尋優(yōu)問題一直沒有得到很好的解決，其參數(shù)尋優(yōu)過程非常耗時。線性核函數(shù)SVM不需要調(diào)參過程，且識別速度快，識別率與徑向基核函數(shù)SVM相當，更適合服裝款式實時識別。

因此本文結合AFHF2和線性核函數(shù)SVM的優(yōu)點，提出一種新的服裝款式識別方法，即利用AFHF2描述子提取服裝輪廓特征，然后在不調(diào)參的情況下，使用線性核函數(shù)SVM對提取的AFHF2特征進行訓練和測試，達到服裝款式實時識別的要求。

1 基于AFHF2與SVM的服裝款式識別方法

1.1 AFHF2描述子

AFHF2是一種基于輪廓信息的形狀描述子，它能準確表征輪廓的全局信息和局部信息[7]，其原理如圖1所示。

S={x_i}（i=1，2，3，…，N）為目標輪廓采樣點集，其中N為采樣點總數(shù)，x_i表示輪廓上第i個點。由圖1可知，過點x_i做直線L的平行線l_i，作為基準軸，消除原高度函數(shù)使用直線l作為基準軸產(chǎn)生的高度誤差，其中l(wèi)是過點x_i-1和x_i+1的直線。按照采樣點的順序依次計算出其他采樣點到基準軸的高度值，組成x_i對應的高度特征向量：式中H_ij表示第j個采樣點相對于x_i參考點的高度值，即x_j到l_i的垂直距離。H_i，u，H_i，v，H_i，w分別表示點x_u，x_v，x_w相對于點x_i的高度值。依次求出所有樣本點的高度特征向量，得到輪廓S的高度特征矩陣。

然后，對高度特征矩陣進行平滑化處理[11]和行歸一化[12]處理，使得描述子獲得緊湊性和縮放不變性;最后，對歸一化后的特征矩陣每一行進行傅里葉變換。用AHFi表示經(jīng)過平滑化和歸一化處理后高度特征矩陣的每一行，其中i=1，2，…，M。AHF_i的離散傅里葉變換如下所示：式中t=1，2，…，H，H為傅里葉階數(shù);AHF_i（u）表示高度特征矩陣傅里葉變換前的第i個行向量的第u列元素。abs（F_i（t））是F_i（t）的絕對值，表示離散傅里葉變換系數(shù)F_i（t）的模量，經(jīng)過證明abs（F_i（t））對形狀輪廓的起始點是不變的[13]。

最終AFHF2描述子矩陣定義如下：式中i=1，2，…，M;v=1，2，…，H;F_i（v）表示離散傅里葉變換系數(shù);M為經(jīng)過平滑化處理后高度矩陣的行數(shù);H為傅里葉階數(shù)。

AFHF2描述子具有良好的起始點不變性、相似不變性、抗噪性、低維度等特點，對輪廓的全局信息和局部信息進行充分表征，且計算復雜度低，能夠達到服裝款特征提取的要求。

1.2 服裝款式識別算法流程圖

結合AFHF2描述子與線性核函數(shù)SVM在分類上的優(yōu)勢，設計了一種新的服裝款式識別方法，其具體流程如圖2所示。

首先，將服裝款式圖形樣本隨機分成訓練樣本和測試樣本;然后，按照文獻[3]方法對所有樣本進行預處理，即先灰度化處理、灰度增強和二值化處理，再提取出預處理后服裝圖形的最大外輪廓線、選取采樣點以及計算AFHF2特征;再將訓練樣本提取出來的AFHF2特征用于訓練線性核函數(shù)SVM模型;最后，使用訓練好的SVM模型對服裝圖形測試樣本分類，得到最終的服裝款式識別結果。

2 實驗與結果分析

為了驗證所設計的服裝款式識別方法的性能，本文建立了一個包含10類服裝款式的樣本庫進行實驗，并將通用形狀描述子HF（height function）[11]、TCDs（triangular centroid distances）[4]和文獻[4]提出的FD與本文使用的AFHF2描述子對比，用BPNN、PNN、KNN、徑向基核函數(shù)SVM與本文采用的線性核函數(shù)SVM分類器對比。

2.1 服裝款式庫

由于現(xiàn)有的服裝款式庫的樣本種類數(shù)和樣本量都較小，且樣本復雜度低，與實際應用相差較大，本文搜集整理淘寶網(wǎng)10種款式的服裝，包括襯衫、短褲、短裙、短袖T恤、短袖連衣裙、西裝、長褲、長袖T恤、長袖連衣裙和外套，其中每類服裝款式的樣本量為250張，且樣本復雜度高，部分樣本款式如圖3所示。

2.2 服裝款式識別實驗

按照圖2服裝款式識別流程對本文制作的服裝款式庫進行識別實驗。每類樣本隨機提取出150張樣本作為訓練樣本，剩余的100張樣本作為測試樣本。本文所有結果由10次實驗取平均值后得到。

實驗使用的線性核函數(shù)SVM來自LIBSVM[14]工具包，且線性核函數(shù)SVM不需要調(diào)整其他參數(shù)。另外，實驗使用的AFHF2描述子參數(shù)設置如下：每個樣本的輪廓采樣點個數(shù)為100。平滑化系數(shù)k決定了描述子的抗噪性能，由圖4可知，k取3時，識別率最高，即k取最優(yōu)值為3。

每一款服裝的識別結果如表1所示。結合圖4和表1的實驗結果可知，每一款服裝的識別率都超過96.22%，平均識別率達到97.91%，能夠達到較高的準確率。另外，長袖T恤、外套以及西裝這4款在外形上較為相似，但是其識別率仍然在96.22%以上，能夠達到識別要求。

2.3 對比實驗與結果分析

為了進一步驗證所設計服裝款式識別方法在特征提取和分類方面的優(yōu)勢，本文采用現(xiàn)有識別效果較好的FD提取方法以及現(xiàn)有通用輪廓描述子-HF和TCDs描述子與本文使用的AFHF2描述子對比，用廣泛使用的徑向基函數(shù)SVM、KNN、PNN以及BP神經(jīng)網(wǎng)絡與本文使用的線性核函數(shù)SVM對比。

2.3.1 服裝款式特征提取性能對比實驗

本文分別使用AFHF2、FD、IT、TCDs描述子作為特征提取描述子進行實驗，采用線性核函數(shù)SVM對2.1節(jié)的服裝樣本庫進行訓練和測試，其中訓練樣本和測試樣本分別占總樣本的60%和40%;所有描述子的輪廓采樣點個數(shù)都為100;FD的參數(shù)設置同文獻[4]，即特征向量長度設置為20; TCDs描述子參數(shù)設置同文獻[11]，即傅里葉系數(shù)的階數(shù)設置為160對比實驗結果如表2所示。

由表可知，4種描述子的訓練時間和單個樣本的測試時間相差不大。但是，從識別率角度看，AFHF2描述子的識別率最高，達到了97.91%。說明AFHF2描述子更適合服裝款式輪廓特征提取。

2.3.2 多種分類器對比實驗

徑向基核函數(shù)SVM、KNN、PNN以及BPNN是近年來應用較為廣泛的機器學習方法。因此采用以上4種方法與本文使用的線性核函數(shù)SVM對比，對2.2節(jié)實驗提取的AFHF2特征進行識別，選取其中60%樣本訓練，另外40%樣本測試，其實驗結果如表3所示。

各方法的參數(shù)主要通過多次實驗取最優(yōu)值得到，其中徑向基核函數(shù)SVM的參數(shù)通過網(wǎng)絡搜索參數(shù)尋優(yōu)方法[I S]獲得，各參數(shù)設置如下：

1）徑向基核函數(shù)SVM的懲罰系數(shù)。和核參數(shù)Y分別設置為1048576和9.536×10^-7;

2）PNN的平滑參數(shù)設置為2;

3）KNN距離度量方式設置為歐幾里得距離，k值設置為5;

4）BPNN的隱含層節(jié)點設置為30，學習率設置為0.01，訓練要求精度設置為0.0001，訓練周期設置為1000。

由表3實驗結果可知，線性核函數(shù)SVM識別率高于徑向基核函數(shù)SVM、PNN、KNN以及BPNN。BPNN采用梯度下降法，有可能會進入局部最小值而訓練失敗，網(wǎng)絡識別率波動較大，導致平均識別率較低。PNN結構簡單，其中平滑因子對于識別結果的影響較大，且對樣本的代表性要求較高。KNN識別效率較低，雖然沒有訓練過程，但每次測試都需要將測試樣本和所有訓練樣本計算一遍，且對訓練樣本要求高。SVM更適合小樣本分類，少數(shù)樣本即可決定最終結果，對樣本要求相比BPNN、PNN和KNN低，識別率更高。徑向基核函數(shù)SVM的識別率與線性核函數(shù)SVM接近，而徑向基核函數(shù)SVM需要參數(shù)尋優(yōu)，增加了模型的訓練時間，其訓練時間是線性核函數(shù)SVM模型的2.45倍。因此，線性核函數(shù)SVM比徑向基核函數(shù)SVM、PNN、KNN、BPNN更適合服裝款式識別。

3 結束語

本文使用AFHF2描述子提取服裝的輪廓特征，再使用線性核函數(shù)SVM對特征進行分類與測試，實現(xiàn)了一種新的服裝識別的方法。通過對十類復雜的服裝樣本庫進行測試發(fā)現(xiàn)：AFHF2描述子能準確表達服裝輪廓特征，優(yōu)于現(xiàn)有的FD、HF和TCDs描述子;SVM對于AFHF2的特征分類效果好，優(yōu)于徑向基核函數(shù)SVM、PNN、KNN和BPNN，具有較高的實用價值。

由于本文實驗所用樣本的背景顏色單一，后期將采集更為復雜的自然條件下服裝圖片進行實驗。

參考文獻

[1]GUPTA M，BHATNAGAR C，JALAL A S.Clothing imageretrieval based on multiple features for smarter shopping[J].Procedia Computer Science，2018，125：143-148.

[2]燕平.服裝款式設計[M].重慶：西南師范大學出版社，2011：3-4.

[3]李東，萬賢福，汪軍，等.基于輪廓曲率特征點的服裝款式識別方法[J].東華大學學報（自然科學版），2018，44（1）：87-92.

[4]李東，萬賢福，汪軍.采用傅里葉描述子和支持向量機的服裝款式識別方法[J].紡織學報，2017（5）：122-127.

[5]紀娟，紀娟，秦珂，等.基于HOG和幾何特征的服裝細節(jié)要素識別與分類[J].圖學學報，2016，37（1）：84-90.

[6]于雨桐.基于多特征融合的服裝圖像款式識別的研究與應用[D].北京：北京工業(yè)大學，2016.

[7]WU B，F(xiàn)ENG S L，SUN G D，et al.Identification method ofshaft orbit in rotating machines based on accurate fourierheight functions descriptors[J].Shock and Vibration，2018（3737250）：1-10.

[8]李霽蒲，趙榮珍.近鄰概率距離在旋轉機械故障集分類中的應用方法[J].振動與沖擊，2018，37（11）：48-54.

[9]劉朝陽，陳以，李少博.概率神經(jīng)網(wǎng)絡在手寫漢字識別中的應用[J].電子設計工程，2016，24（2）：32-34.

[10]張鵬林，徐旭，楊超，等.基于VMD能量嫡和BP神經(jīng)網(wǎng)絡風電葉片缺陷研究[J].中國測試，2018，44（9）：115-120.

[11]WANG J W，BAI X，YOU X E，et al.Shape matching andclassification using height functions[J].Pattern RecognitionLetters，2012，33（2）：134-143.

[12]ALAJLAN N，RUBE I E，KAMEL M S，et al.Shape retrievalusing triangle-area representation and dynamic spacewarping[J].Pattern Recognition，2007，40（7）：1911-1920.

[13]YANG C Z，WEI H，yi]Q，et al.A novel method for 2dnonrigid partial shape matching[J].Neurocomputing，2018，275（1）：1160-1176.

[14]CHANG C C，LIN C J.LIBSVM：a library for support vectormachines[J].ACM Transactions on Intelligent Systems andTechnology，2011，2（3）：1-27.

[15]劉祥樓，賈東旭，李輝，等.說話人識別中支持向量機核函數(shù)參數(shù)優(yōu)化研究[J].科學技術與工程，2010，10（7）：1669-1673.

（編輯：莫婕）