主颜色提取算法及其在服装图像检索中的应用

为了提高服装检索的查准率和查全率,利用人们对服装颜色的主观感知,提出了用于服装图像的颜色特征提取的主颜色提取算法:首先,根据服装的主颜色占比情况判断该服装是花色还是非花色,将花色服装用特征值进行标记;然后,将颜色直方图中的特征值按占比大小降序排列,去除占比较小的部分特征值,保留主颜色特征值.在进行服装检索时,先对数据库中的图像进行第1轮筛选,将花色服装与非花色服装进行分类;然后再对分类后的服装根据主颜色特征值进行第2轮筛选,得到最后的检索结果.实验结果表明:无论对于简单背景或者复杂背景的服装、花色或者非花色服装,本文算法相比于现有的其他算法,服装检索的查全率和查准率都得到了显著提高.

一种基于GMM-聚类树的面向大规模服装图像检索的索引结构

目前服装图像检索研究主要偏重于考察服装图像底层特征的表示方法,对服装图像数据集整体的特性关注较少.服装图像种类、款式、细节多种多样,传统方法在检索速度和准确率上已经不能满足用户的需求.为在日益庞大的服装图像集中快速准确地搜索需要的款式,提出一种GMM-聚类树索引方式.GMM-聚类树将不同细节的服装图像按照相似性逐步聚类,分别对应于不同的聚类树分支,避免人为指定聚类个数造成服装分类的错误.分别在小数据集和大数据集上测试其对服装图像检索的准确率和效率,试验结果表明通过自动确定聚类个数和GMM-聚类树的逐层分类,能够带来检索准确率和效率的双重提升.

一种基于加权颜色形状特征和LBP-GLCM纹理特征提取的服装图像检索方法

为了提高颜色和纹理特征在服装图像检索中的准确性,本研究提出一种基于加权颜色形状特征和LBPGLCM纹理特征提取的服装图像检索方法以提高服装图像检索的精度。首先,在第一道检索中运用颜色直方图和Hu不变矩的特性进行加权处理,而后,再运用Uniform-旋转不变局部二值模式算子对返回的结果进行处理,得到相对稳定的编码图像。实验证明,此方法能将不同特征的优势进行融合,使之相互补充,检索结果较之单一特征的检索更加准确。

结合卷积神经网络多层特征融合和K-Means聚类的服装图像检索方法

随着服装电子商务的蓬勃发展,海量的服装图像数据被累积,对服装图像“以图搜图”成为了当前的一个热点研究方向。服装图像有着丰富的整体语义信息和大量细节信息,要对其实现精准检索是一项挑战性难题。传统的基于人工语义标注的服装图像方法和以人工设计的颜色与纹理等内容特征进行服装图像检索的方法均存在较大局限性。文中利用卷积神经网络多层特征融合提取特征,然后使用K-Means聚类加快服装图像的检索,充分利用深度卷积神经网络在图像特征提取上的有效性和层次性,融合不同卷积层次特征的细节信息和抽象语义信息以提升检索的准确度,并利用K-Means加快检索速度。所提方法首先对服装图像数据集进行统一的尺寸处理,然后利用卷积神经网络进行训练和特征提取,抽取出服装图像从低到高的多层次特征,进而将多种层次的特征进行融合,最终使用K-Means聚类方法对提取的图像库特征进行有效检索。在DeepFashion子类数据集Category and Attribute Prediction Benchmark和In-shop Clothes Retrieval Benchmark上的实验结果表明,所提方法能有效增强服装图像的特征表达能力,提高了检索准确率和检索速度,优于其他主流方法。

基于LBP-GLCM纹理特征提取的服装图像检索

提出了一种针对服装图像检索的LBP-GLCM纹理特征提取方法,首先利用Uniform-旋转不变局部二值模式算法处理服装图像,得到不会因为旋转而改变的编码图像,然后获取此图像的灰度共生矩阵,采用能量、对比度、相关性和均匀性描述图像的纹理特征。实验数据表明,LBP-GLCM纹理特征提取方法具有良好的抗旋转性,且在采用欧氏距离作为相似性度量时,LBP-GLCM相较于GLCM纹理特征提取方法可以获得更高的检索效率和准确率。

基于深度学习的服装图像检索方法

为实现面向大规模服装图像集的图像快速精准检索,突破当前常规检索方法的局限性,本文提出了一个新的深度学习模型:Fashion-16服装图像检索模型.采用先分类再类内检索的思想,基于VGG-16模型强大的图像特征提取能力,以卷积神经网络softmax分类器进行分类,对同一类别下采用局部敏感哈希的思想进行近似最近邻的查找,实现了针对服装类别属性的图像检索模型修正.实验结果表明,模型具有良好的稳定性、精确率及检索速度,有其实用价值与研究意义.

一种基于Gabor小波和LBP的服装图像检索方法

在网页中的服装图像难免会有褶皱,而褶皱所构成的纹理不是提取所需的纹理,因此提取的纹理特征并不能很好的对服装图像进行表述;同时基本的LBP算法提取的纹理特征太过于细微,款式的纹理与构造,都是一些比较低频的粗糙纹理,这两种现象的存在极大地影响了检索算法的准确性,为了提高纹理特征在服装图像检索中的准确性,文章提出了一种通过Gabor小波去除褶皱和改进的LBP纹理特征提取以提高服装图像检索精度的算法。实验表明,改进后的算法比已有的算法有更好的检索效果。

融合颜色特征和深度特征服装图像检索算法

针对残差网络直接应用于服装图像检索时,检索出的图片常存在款式相似但颜色差异较大的问题,提出一种融合传统颜色特征和基于ResNet50的深度特征的服装图像检索方法。充分利用残差网络在图像特征提取上的有效性和层次性,融合服装图片的深层网络特征和颜色特征作为最终特征向量,进行相似性度量,得到检索结果。实验结果表明,该方法能结合图片多种特征信息,提高了其检索准确率,具较强的鲁棒性和实用性,优于其他主流的检索方法。

一种基于加权颜色形状特征和LBP服装图像检索方法

鉴于图像所包含的信息很庞大,一种特征常不能很好表达完整的图像内容,这将造成检索的准确率难以达到期望。提出一种基于累加直方图与Hu不变矩加权特征和局部二值模式(LBP)的检索方法,并应用于服装图像。首先利用累加颜色直方图和Hu不变矩进行加权处理实现第一步的检索,再使用LBP算子对返回的结果进行第二步检索。实验结果表明,该方法可以达到不同特征间互补,提升检索准确度并使返回结果中图像排序更加靠前。

跨域情形下的服装图像检索综述

为实现跨域情形下精确的服装图像检索,从关键区域识别技术和深度度量学习技术两个方面总结了最新研究进展,分析了现有研究中存在的问题。发现关键区域识别技术有助于服装关键特征的提取,可以有效的提升检索精度,但对具有相似特征不同类别的困难样本判别效果不佳,深度度量学习技术是解决这一问题的有效途径,利用不同损失函数的优化以及集成网络学习加强了服装特征的判别。最后通过实验结果对比,分析关键区域识别技术和深度度量学习技术跨域服装检索准确率,认为未来跨域服装图像检索准确率的提升主要依赖于服装关键特征提取和服装特征判别。

基于轻量级神经网络的服装图像检索

本文将轻量级神经网络应用于服装图像检索中,该算法基于MobileNet系列网络,以DeepFashion服装图像数据集为研究对象。首先对数据集中的图像进行预处理;然后将处理好的图像输入搭建好的神经网络中进行训练;最后将验证集中的服装图像输入已经训练好的神经网络中,得出结果。结果表明:轻量级神经网络相比其他大型的网络模型,降低了网络的计算量,提高了分类的准确率,更适用于硬件资源和计算能力有限的情形,这也使得移动终端、嵌入式设备运行神经网络模型成为可能。

基于多特征融合的服装图像检索算法研究

本文针对单个特征对服装图片内容表达不充分的问题,提出一种使用MobileNetV2模型并融合总和卷积池化(Sum-Pooled Convolutional,SPoC)算法、区域最大池化(Regional Maximum Activation of Convolutions,RMAC)算法和均值池化(General ized-Mean,GeM)算法提取服装特征的方法。在充分利用多个算法提取出有效的服装特征后,进行相似性度量后返回检索结果。试验结果表明,该方法可以结合多个算法提取出的多种特征信息,可以有效提高服装图像的检索性能。

基于内容的图像检索技术在服装检索中的应用

随着服装电子商务的日益普及,基于图像的服装检索需求日渐迫切。颜色、花型、款式是服装最本质的三大特征,基于这三大特征进行研究,用代表色表达服装的颜色,利用灰度共生矩阵刻画服装的花型,提取外轮廓特征表达服装的款式,提出相应的匹配算法,实现对服装图像的全方位检索。实验表明,达到理想的检索效果。

基于多特征融合的多尺度服装图像精准化检索

为了充分挖掘服装图像从全局到局部的多级尺度特征,同时发挥深度学习与传统特征各自在提取服装图像深层语义特征和底层特征上的优势,从而实现聚焦服装本身与服装全面特征的提取,提出基于多特征融合的多尺度服装图像精准化检索算法.首先,为了不同类型特征的有效融合,本文设计了基于特征相似性的融合公式FSF(Feature Similarity Fusion).其次,基于YOLOv3模型同时提取服装全局、主体和款式部件区域构成三级尺度图像,极大减弱背景等干扰因素的影响,聚焦服装本身.之后全局、主体和款式部件三级尺度图像分别送入三路卷积神经网络(Convolutional Neural Network,CNN)进行特征提取,每路CNN均依次进行过服装款式属性分类训练和度量学习训练,分别提高了CNN对服装款式属性特征的提取能力,以及对不同服装图像特征的辨识能力.提取的三路CNN特征使用FSF公式进行特征融合,得到的多尺度CNN融合特征则包含了服装图像从全局到主体,再到款式部件的全面特征.然后,加入款式属性预测优化特征间欧氏距离,同时抑制语义漂移,得到初步检索结果.最后,由于底层特征可以很好的对CNN提取的深层语义特征进行补充,故引入传统特征对初步检索结果的纹理、颜色等特征进行约束,通过FSF公式将多尺度CNN融合特征与传统特征相结合,进一步优化初步检索结果的排序.实验结果表明,该算法可以实现对服装从全局到款式部件区域多尺度CNN特征的充分提取,同时结合传统特征有效优化排序结果,提升检索准确率.在返回Top-20的实验中,相比于FashionNet模型准确率提升了16.4%."

基于内容的服装检索系统中颜色特征提取算法的研究和改进

本文主要研究服装检索系统中颜色特征提取算法。本文首先分析了传统颜色直方图算法用于服装检索时存在的几个问题,接着分别采用切割图像直方图算法、颜色矩算法和前景色颜色直方图算法进行服装图像的颜色特征提取。本文对三类服装:纯色、带少量图案和花色服装分别进行了实验,实验结果表明,三种算法各有不同的适用范围和优缺点。在此基础上,本文将上述三种算法进行线性加权组合,提出了一种基于加权欧氏距离的改进算法。测试过程中,通过修改三种算法的权重比调整各算法的权重,并对三类服装分别计算其查准率和查全率,分析不同权重比下改进算法的检索效果。大量实验结果表明,改进算法对于三类服装的检索效果都比较稳定。特别是对于带少量图案的服装,改进算法比单一算法的查准率有显著提高。实验还发现,当切割图像颜色直方图、颜色矩和前景色颜色直方图算法的权重比为1∶4∶5时,检索效果最好,无论是查准率还是查全率都较高,均优于单一算法。

基于Grab Cut和区域生长的服装图像前景提取算法

针对Grab Cut算法应用于服装检索系统中服装图像的前景提取时所存在的交互式和复杂背景提取效果差问题,首先提出了一种全自动化的Grab Cut算法,以实现自动根据背景情况,对单一背景和复杂背景图像分别采用不同的方法生成初始矩形框并进行前景提取.由于该算法仍存在欠分割或过分割现象,故将该算法与区域生长算法相结合,给出了一种结合区域生长的全自动化Grab Cut算法.实验结果表明,无论对于单一背景还是复杂背景的图像,改进算法的前景提取效果都明显优于传统算法,不仅能准确获取服装前景区域,而且对于服装内部的过分割问题也有很大的改善.

肤色检测结合Grab Cut的服装图像前景提取

为解决全自动化Grab Cut算法应用于服装图像的前景提取时,无法去除模特肤色的干扰以及对一些复杂背景图像存在欠分割的问题,提出了新的前景提取方法:为有效去除模特肤色区域,提出了一种基于双边滤波去噪的肤色检测改进方法;为有效地去除欠分割区域,保留服装前景区域,提出了一种轮廓检测算法;将改进的肤色检测方法、轮廓检测算法与全自动化Grab Cut算法相结合,进行服装图像的前景提取.实验结果表明:改进的肤色检测方法相比于现有的肤色检测算法,肤色检测的准确性明显提高;改进的前景提取算法的服装前景提取效果显著优于全自动化Grab Cut算法.

服装检索中分块加权颜色直方图方法的改进

分块加权颜色直方图算法应用于服装检索时效果并不理想。针对存在的问题,对传统算法进行改进。首先采用3×3不均匀分块方式,通过大量实验获取了最佳分块大小和加权权重比。其次,结合Grabcut图像分割算法,提出了一种基于Grabcut图像分割的前景色分块加权颜色直方图算法。对纯色、带少量图案和花色这三类服装,分简单和复杂背景两种情况,分别进行实验。实验结果表明,相比两种传统算法,改进算法很好的解决了服装背景色干扰的问题。对于三类服装的检索,改进算法的查准率和查全率均比另两种传统算法有了显著提高。尤其是对于复杂背景的情况,改进算法的优势更加明显。

融合多层次特征的服装图像描述方法

本文针对现有服装图像特征描述方法不能较好的概括服装特征,致使服装图像检索方法检索性能较低,或依赖文本描述的问题,提出一种融合高层次全局服装特征和中层服装区块特征的特征描述方法。首先,将图像分割成含有相对独立语义信息的片段;再根据片段的纹理、几何和色彩特征将其聚类为具有强语义信息的服装区块;之后提取服装区块的几何分布和色彩特征,与服装图像的全局特征进行融合,构成多层次的服装特征描述向量。采用上述特征对服装进行描述,并以文本描述为输入进行检索实验,结果表明该方法能够有效提高实现对服装类别、穿着场合等信息进行检索。