[發明專利]一種基于卷積神經網絡的服裝分類方法

在審

• 申請號: 201510457010.2
• 申請日: 2015-07-29
• 公開（公告）號: CN105117739A
• 公開（公告）日: 2015-12-02
• 發明（設計）人: 劉青山;王楓;厲智;楊靜;鄧健康
• 申請（專利權）人: 南京信息工程大學
• 主分類號: G06K9/66
• 分類號: G06K9/66
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 許方

技術領域

本發明涉及一種基于卷積神經網絡(ConvolutionalNeuralNetworks，CNN)的服裝分類方法，屬于圖像信息處理技術領域。

背景技術

目前，研究者們已經提出了諸多的實現服裝自動分類的算法。Pan等人提出使用BP神經網絡識別針織物。Ben等人提出基于文本特征和支持向量機對針織物的識別方法。Liu等人提出了基于姿態的估計和使用顏色，SIFT，HOG等特征來將衣服分成23類。Bourdev等人研究出一個系統來描述人們的外貌形象，他們使用了9種屬性，例如男性、T恤、長發等特性。另外，對于衣服的分割也是研究熱點。Hu等人提出使用基于受限德勞內三角(CDT)的前景和背景估計，這種方法不需要任何預定義的服裝模型。Weber等人則引入一個新穎的方法，利用姿態檢測器去處理服裝的遮擋問題。Manfred提出了流行商店數據庫里的服裝分割方法。研究者們也致力于對衣服屬性的分類，比如顏色、領子、衣袖等屬性。Chen引入了一個全自動的系統，這個系統能夠產生可命名屬性列表的衣服。Lorenzo-Navarro等人則做了一組實驗，實驗的目的是評價LBP和HOG描述子在衣服屬性方面的能力。

服裝分類是非常具有發展前景的研究話題，傳統的分類算法一般采用兩步方法，第一步從輸入圖像中計算出人為設置的特征，第二步根據算出的特征去訓練一個分類器，用于測試數據的分類。由于人工設計的特征的局限性，傳統方法效果的好壞很大程度上取決于認為選擇的特征是否合理，具有很大的盲目性，普遍存在分類準確率低的問題。因此，目前的服裝分類算法主要存在兩點局限性。第一，傳統的特征不能達到滿意的分類效果，尤其是對相似屬性的類別。第二，目前沒有公開的服裝數據庫來客觀評價現有的算法。

發明內容

本發明所要解決的技術問題是：提供一種基于卷積神經網絡的服裝分類方法，設計卷積神經網絡模型，學習數據庫中圖像的特征，建立全局的特征表達，提高了服裝分類準確率。

本發明為解決上述技術問題采用以下技術方案：

一種基于卷積神經網絡的服裝分類方法，包括以下步驟：

步驟1，獲取服裝圖像樣本，將服裝圖像樣本分為訓練樣本和測試樣本；

步驟2，對訓練樣本和測試樣本進行預處理；

步驟3，構建卷積神經網絡模型，該卷積神經網絡模型包括5層卷積層，3層下采樣層，3層全連接層；

步驟4，利用步驟2預處理后的訓練樣本對步驟3所述卷積神經網絡模型進行前向傳播和后向傳播兩個階段的訓練，當后向傳播訓練計算出的誤差達到期望值時，訓練結束，并得到卷積神經網絡模型的參數；

步驟5，利用步驟4訓練結束的卷積神經網絡模型對步驟2預處理后的測試樣本進行測試，并輸出最終服裝分類結果。

優選的，步驟1所述獲取服裝圖像樣本的過程為：將服裝分成男裝8類、女裝8類進行圖像樣本獲取，其中男裝8類為夾克、襯衫、風衣、西服、沖鋒衣、針織衫、羽絨服、T恤，女裝8類為旗袍、襯衫、風衣、西服、連衣裙、衛衣、羽絨服、T恤。

優選的，步驟2所述對訓練樣本和測試樣本進行預處理的過程為：將訓練樣本和測試樣本的大小調整到120×120像素。

優選的，步驟3所述卷積層的計算公式為：其中，為卷積層第l_c層的第j個輸出圖，f為激活函數，M_j為輸入特征映射的集合，*為卷積操作，為卷積層第l_c層的第j個輸出圖與上一層第i個輸入圖之間的卷積核，1≤i≤max(l_cin)，max(l_cin)為第l_c層輸入圖的最大個數，1≤i≤max(l_cout)，max(l_cout)為第l_c層輸出圖的最大個數，為卷積層第l_c層的第j個輸出圖的附加偏差，l_c＝1,…,5。

優選的，步驟3所述下采樣層的計算公式為：其中，為下采樣層第l_s層的第j個輸出圖，f為激活函數，S為下采樣函數，分別為下采樣層第l_s層的第j個輸出圖的乘子偏差、附加偏差，l_s＝1,…,3。

優選的，步驟4所述誤差的計算公式為：其中，n為訓練樣本的樣本總數，m為類別數，t為由網絡激勵函數f(x)＝max(0,x)輸出的一個m×1的矩陣，t_label為訓練樣本的標簽，是一個m×1的二值矩陣。