基于多特征融合的服装图像款式识别的研究与应用

发布时间：2017-10-06 15:35

  本文关键词：基于多特征融合的服装图像款式识别的研究与应用

  更多相关文章： 服装款式识别 多特征融合 SVM 卷积神经网络 决策级融合

【摘要】：随着互联网时代的来临,网上购物成为一种潮流,越来越多的人选择网购这种新型购物方式。目前,文本搜索是大多数电商网站商品搜索的唯一方式,文本描述本身就具有强烈的主观色彩。针对服装商品检索,消费者更加希望可以通过图像检索方式购物。随着机器学习的发展,基于图像识别的服装图像检索方式成为近几年来研究的热点。通过对服装图像的特征提取并采用合适的分类方法,识别出消费者想要的服装的款式,这样会更客观地表达消费者的需求。本课题将研究如何利用多特征融合和图像分类识别技术,对服装的款式进行明确的分类。对于服装图像而言,能明确区分服装图像款式的特征很多,单一特征无法完全区分不同款式的服装,本文需要解决的问题是融合多种服装图像特征。考虑到服装款式种类繁多以及服装数据库数量大,研究SVM和卷积神经网络两种分类识别技术,并合理应用在服装识别系统中。针对以上问题,本文将对服装图像款式的识别分类研究工作包含如下几个方面：(1)针对服装款式特征繁多问题,分别从结构特征和统计特征两方面考虑,研究基于特征级多特征融合的多层SVM分类模型,即多特征并行模糊分类识别模型和多特征并行精确分类识别模型。结合特征级并行特征融合方法,提出基于轮廓和纹理特征的并行融合方法和基于网格与局部点密度特征的并行融合方法,分别作为两层SVM分类的特征输入向量。(2)针对数量大的服装图像数据库,需要选择CNN分类模型,研究基于卷积神经网络的网络架构,综合传统CNN网络架构和GoogleNet网络架构,设计一种17层GoodNet网络架构。通过实验对比不同CNN网络架构,证明GoodNet在JDNet数据库获得较高识别准确率和效率。(3)研究决策级融合中权重求解策略,在GoodNet模型softmax分类层中引入决策级特征融合,并提出粒子群优化权重求解策略。由于多特征的服装识别图像库复杂且分类精细,粒子群优化算法收敛速度快,参数设置少,实现方便。
【关键词】：服装款式识别 多特征融合 SVM 卷积神经网络 决策级融合
【学位授予单位】：北京工业大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41
【目录】：

• 摘要4-5
• Abstract5-10
• 第1章 绪论10-16
• 1.1 论文研究背景与意义10-11
• 1.2 国内外研究现状11-13
• 1.2.1 图像分类技术研究现状11-12
• 1.2.2 多特征融合的服装款式识别研究现状12-13
• 1.3 主要研究内容13-14
• 1.4 论文结构说明14-16
• 第2章 相关技术分析16-26
• 2.1 底层特征提取技术分析16-20
• 2.1.1 纹理特征提取16-17
• 2.1.2 轮廓特征提取17-19
• 2.1.3 统计特征19-20
• 2.2 信息融合技术分析20-22
• 2.2.1 特征级融合20-21
• 2.2.2 决策级融合21-22
• 2.3 分类器技术分析22-25
• 2.3.1 支持向量机SVM22-23
• 2.3.2 卷积神经网络23-25
• 2.4 本章小结25-26
• 第3章 基于多特征融合的SVM的研究26-40
• 3.1 多特征融合的特征方法26-30
• 3.1.1 基于轮廓和纹理特征的并行融合方法26-28
• 3.1.2 基于统计特征的并行融合方法28-30
• 3.2 基于SVM分类识别模型的建立30-34
• 3.2.1 支持向量机基本原理30-31
• 3.2.2 结构特征并行融合的模糊分类模型31-33
• 3.2.3 统计特征并行融合的精确分类模型33-34
• 3.3 实验过程及结果分析34-38
• 3.3.1 实验目的34
• 3.3.2 实验环境34-35
• 3.3.3 训练过程35-36
• 3.3.4 训练结果分析36-38
• 3.4 本章小结38-40
• 第4章 基于决策级特征融合的卷积神经网络的研究40-56
• 4.1 卷积神经网络框架改进40-44
• 4.1.1 传统卷积神经网络整体框架40-41
• 4.1.2 Inception模块41-42
• 4.1.3 改进的CNN架构设计42-44
• 4.2 卷积算法分析44-46
• 4.2.1 最大池采样44
• 4.2.2 Softmax回归44-46
• 4.3 多分类器决策级融合46-49
• 4.3.1 多分类器决策级融合46-47
• 4.3.2 粒子群优化的权重求解47-49
• 4.4 实验过程及结果分析49-54
• 4.4.1 实验目的49
• 4.4.2 实验环境及数据库介绍49-51
• 4.4.3 不同深度CNN网络架构比较51-53
• 4.4.4 不同权重计算策略比较53-54
• 4.5 本章小结54-56
• 第5章 服装款式识别系统的应用及效果分析56-66
• 5.1 系统开发环境与系统框架56-58
• 5.1.1 系统环境搭建56
• 5.1.2 系统框架56-58
• 5.2 服装款式识别系统整体流程58-60
• 5.2.1 SVM分类系统流程58-59
• 5.2.2 卷积神经网络分类系统流程59
• 5.2.3 相似图片显示流程59-60
• 5.3 系统应用展示及效果分析60-64
• 5.3.1 SVM分类系统应用展示及效果分析60-61
• 5.3.2 卷积神经网络分类系统应用展示及效果分析61-64
• 5.4 本章小结64-66
• 结论66-68
• 参考文献68-72
• 攻读硕士学位期间取得的研究成果72-73
• 致谢73

【相似文献】

中国期刊全文数据库 前10条

1 初红霞;王科俊;王希凤;郭庆昌;韩晶;;多特征融合的退火粒子滤波目标跟踪[J];计算机工程与应用;2011年06期

2 顾鑫;王海涛;汪凌峰;王颖;陈如冰;潘春洪;;基于不确定性度量的多特征融合跟踪[J];自动化学报;2011年05期

3 姚红革;杜亚勤;;基于多模式多特征融合粒子滤波视频目标跟踪[J];西安工业大学学报;2012年11期

4 王兰;;基于多特征融合的票据分类技术及应用[J];计算机光盘软件与应用;2013年13期

5 陈增照;何秀玲;杨扬;董才林;;基于多特征融合的票据分类技术及应用[J];计算机工程与应用;2006年09期

6 周斌;林喜荣;贾惠波;宋榕;;多特征融合的手背血管识别算法[J];清华大学学报(自然科学版);2007年02期

7 刘贵喜;范春宇;高恩克;;基于粒子滤波与多特征融合的视频目标跟踪[J];光电子.激光;2007年09期

8 胡全;邱兆文;王霓虹;;基于多特征融合的图像语义标注[J];东北林业大学学报;2008年10期

9 周静;黄心汉;彭刚;;基于多特征融合的飞机目标识别[J];华中科技大学学报(自然科学版);2009年01期

10 沈才梁;许雪贵;许方恒;龙丹;;多特征融合的人脸检测[J];计算机系统应用;2009年11期

中国重要会议论文全文数据库 前3条

1 叶锋;蔡光东;郑子华;亓晓旭;尹鹏;;基于多特征融合的药用植物标本识别[A];2011年中国智能自动化学术会议论文集（第一分册）[C];2011年

2 段其昌;季长有;;基于多特征融合的快速人脸检测[A];第十七届全国测控计量仪器仪表学术年会（MCMI'2007）论文集（上册）[C];2007年

3 李玉峰;郑德权;赵铁军;;基于SVM和多特征融合的图像分类[A];第四届全国信息检索与内容安全学术会议论文集（上）[C];2008年

中国博士学位论文全文数据库 前5条

1 刘明华;复杂环境下基于多特征融合的目标跟踪关键技术研究[D];青岛科技大学;2016年

2 田纲;基于多特征融合的Mean shift目标跟踪技术研究[D];武汉大学;2011年

3 徐志刚;基于多特征融合的路面破损图像自动识别技术研究[D];长安大学;2012年

4 陈秀新;多特征融合视频复制检测关键技术研究[D];北京工业大学;2013年

5 初红霞;基于均值移动和粒子滤波的目标跟踪关键技术研究[D];哈尔滨工程大学;2012年

中国硕士学位论文全文数据库 前10条

1 张岩;基于多特征融合及二部图匹配的3D目标检索技术研究[D];哈尔滨工业大学;2015年

2 计明明;基于多特征融合的三维模型检索技术[D];浙江大学;2015年

3 王庆;基于多特征融合的人体动作识别方法研究[D];上海大学;2015年

4 刘婕;复杂场景多特征融合粒子滤波目标跟踪[D];重庆理工大学;2015年

5 崔剑;基于多特征融合的分级行人检测方法研究[D];电子科技大学;2015年

6 王珊珊;基于极化SAR非监督分类的油膜厚度估算方法研究[D];大连海事大学;2015年

7 肖冠;基于多特征融合的异类传感器中段目标关联算法研究[D];国防科学技术大学;2013年

8 王建荣;基于多特征融合的无人机航拍图像识别研究[D];成都理工大学;2015年

9 高爽;基于多特征融合的粒子滤波跟踪算法研究[D];西安电子科技大学;2014年

10 坎启娇;基于多特征融合的多目标跟踪算法[D];河北工业大学;2015年

，

本文编号：983559