论文部分内容阅读
服装对人们的生活必不可少,随着新的服装材质、样式不断出现,服装的挑选、清洗等家务活动比以往更加耗费人力物力。而近年针对人们日常生活服务的智能家居技术也在不断发展,使人们的生活变得越来越便利。在这样的背景下,采用智能技术手段解决日常生活场景中的服装问题,将人们从繁琐的家务活动中解脱出来,不但成为了人们的实际需求,也成为了智能家居领域的热点课题。为了解决智能家居系统中针对服装的智能服务中的关键问题,本文基于计算机视觉方法,对家居场景中的服装区域提取、服装图像匹配和服装推荐等问题进了研究,并针对每个问题提出了新的算法模型,为智能家居中针对服装的应用提供有效支持。研究主要从三个方面展开：一、基于视觉显著性的服装区域提取方法非限定条件下的家居场景中的服装区域提取是一个极有挑战性的问题：1、静态场景中背景杂乱,容易与前景目标混淆；2、服装色彩和纹理多样化,难以获取统一规律；3、图像拍摄角度随意,服装目标的外形不规则或拍摄不完整,外形上缺乏规律性。由于存在上述困难,难以采用结构化的视觉特征模型对服装区域进行提取。因此,本文提出一种基于视觉显著性的服装区域提取方法。方法采用了基手图像分割的目标提取思路,首先将图像分成若干同质的块,对每个图像块采用改进的视觉显著性方法,在像素对比度和块几何特征的基础上求取视觉显著性度量。为了去除背景中的显著部分,方法基于场景视频图像序列,引入混合高斯模型求得场景的前景概率图,对视觉显著性做进一步修正。最终将修正的视觉显著性大于阈值的图像区域视作服装区域进行提取。二、基于视觉特征集的服装图像匹配算法研究服装的表面特征存在两方面特点：一是部分服装的为纹理特征并非均一不变；二是存在具有含有语义的局部区域,如衣领、纽扣等。基于服装产品的设计因素,不同服装之间的上述特征具有高度的可区分性,对服装图像的识别甚至可以起到决定性的作用。但在非平整的服装图像中,因服装随外界条件发生了形变,为服装图像的识别带来了挑战：1、服装将产生大量褶皱和遮挡,掩盖了部分表面特征；2、服装的表面纹理会因服装形变而产生旋转和扭曲,使原本一致的纹理区域也呈现出多种特性。针对服装图像的上述特点,本文通过引入平整的服装图像,与非平整服装图像进行匹配,将识别问题转化为匹配问题进行解决；并提出一种基于视觉特征集的服装图像匹配方法,将服装图像描述为三种视觉特征的集合,通过融合三种特征匹配关系对服装图像进行匹配。方法首先基于图像分割方法,定义了服装图像的局部语义区块,并从局部语义区块中提取服装的局部语义特征；在纹理特征方面,将服装图像按照纹理分割成若干个同质区域,对每一个区域分别采样提取纹理特征；同时提取了对形变具有较强鲁棒性的颜色特征。在上述三种特征匹配关系基础上,定义了基于高斯函数的服装图像的匹配度度量方法,并根据匹配度大小对平整服装图像进行排序,作为方法的结果。三、基于特征分层模型的服装推荐算法研究服装推荐方法根据服装图像的视觉描述,针对输入图像和高级语义描述提供符合条件的推荐结果。其中,服装特征的提取是实现基于视觉内容的服装推荐的基础和关键。服装图像语义信息层次复杂,各类描述之间的边界并不明确,使得基于单一层次统计特征提取的推荐方法效果不理想。为了获取更符合人类视觉系统认识的服装特征描述,本文根据视觉认识过程先整体再局部的特点,提出了-种服装特征分层模型。该方法在局部语义层提出基于分割的服装语义片段定义,对服装片段提取颜色、几何和纹理特征：在语义区块层,通过对服装区块进行聚类获得服装语义区块；之后结合区块的颜色和分布特征,和服装的色彩、外形等全局特征来对服装图像进行描述。在推荐过程中根据高级语义描述对服装进行分类,仅对所需的同类服装图像进行推荐,以验证方法对服装推荐的有效性。本文以智能家居中的实际应用为导向,研究了服装智能服务系统模型中的服装区域提取、服装匹配和服装推荐等视觉问题,为基于视觉方法对服装图像进行理解和分析提供了有效的解决思路,具有一定的借鉴意义。