智能家居中基于视觉的服装分析和推荐研究

发布时间：2017-05-21 13:15

  本文关键词：智能家居中基于视觉的服装分析和推荐研究，由笔耕文化传播整理发布。

【摘要】：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。
【关键词】：视觉显著性 前景提取 图像匹配 基于内容的检索 智能家居
【学位授予单位】：中国海洋大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：TU855;TP391.41
【目录】：

• 摘要5-7
• Abstract7-11
• 1 绪论11-17
• 1.1 研究背景11-12
• 1.2 主要工作及创新点12-16
• 1.2.1 基于视觉显著性的服装区域提取方法13-14
• 1.2.2 基于视觉特征集的服装图像匹配方法14-15
• 1.2.3 基于特征分层模型的服装推荐方法15-16
• 1.3 论文组织结构16-17
• 2 国内外研究现状17-23
• 2.1 服装区域提取研究现状17-18
• 2.2 服装图像匹配研究现状18-21
• 2.3 服装推荐和检索研究现状21-23
• 3 基于视觉显著性的服装区域提取方法23-48
• 3.1 目标检测和视觉显著性检测方法介绍23-25
• 3.2 服装区域提取流程概述25-26
• 3.3 基于视觉显著性的服装区域提取方法26-39
• 3.3.1 基于图的图像分割方法26-29
• 3.3.2 改进的区域视觉显著性度量29-33
• 3.3.3 基于混合高斯模型的背景估计33-37
• 3.3.4 基于改进区域视觉显著性的目标提取37-39
• 3.4 实验原型系统和数据来源39-43
• 3.4.1 服装智能服务原型系统39-41
• 3.4.2 实验数据集构建41-43
• 3.5 实验和分析43-47
• 3.6 本章小结47-48
• 4 基于视觉特征集的服装图像匹配方法48-73
• 4.1 基于视觉特征的服装匹配方法介绍49-50
• 4.2 服装图像匹配流程概述50-53
• 4.2.1 基于视觉特征集的服装图像匹配关系50-52
• 4.2.2 家居服装图像匹配流程52-53
• 4.3 基于视觉特征集的服装图像匹配方法53-68
• 4.3.1 服装颜色特征提取和匹配53-56
• 4.3.2 服装纹理特征提取和匹配56-61
• 4.3.3 服装局部语义特征提取和匹配61-66
• 4.3.4 服装图像特征合并算法和阈值的确定66-67
• 4.3.5 融合多种特征匹配的服装图像匹配度定义67-68
• 4.4 实验和分析68-71
• 4.5 本章小结71-73
• 5 基于特征分层模型的服装推荐方法73-91
• 5.1 服装推荐和相关方法介绍73-75
• 5.2 服装特征分层模型概述75-76
• 5.2.1 人类视觉认识过程分析75-76
• 5.2.2 服装特征分层模型76
• 5.3 基于特征分层模型的服装推荐方法76-86
• 5.3.1 服装图像全局特征提取76-79
• 5.3.2 服装语义区块特征提取79-85
• 5.3.3 服装图像特征描述85-86
• 5.3.4 服装图像推荐算法流程86
• 5.4 实验和分析86-90
• 5.5 本章小结90-91
• 6 总结与展望91-94
• 6.1 本文总结91-93
• 6.1.1 基于视觉显著性的服装区域提取方法91-92
• 6.1.2 基于视觉特征集的服装图像匹配方法92
• 6.1.3 基于特征分层模型的服装推荐方法92-93
• 6.2 展望93-94
• 参考文献94-101
• 致谢101-102
• 个人简历、在学期间发表的学术论文与研究成果102-103

【相似文献】

中国期刊全文数据库 前10条

1 廖壮嘉;智能家居的黄金时代[J];智能建筑与城市信息;2004年02期

2 廖壮嘉;20岁 智能家居的青春年华[J];智能建筑与城市信息;2004年03期

3 ;比尔·盖茨的智能家居[J];中华建设;2005年05期

4 陈鹏;;智能家居的系统分类和设计[J];仪器仪表标准化与计量;2006年02期

5 王伟光;;走近国外智能化家居[J];数字社区&智能家居;2007年02期

6 张鼎盛;;享受生活 享受智能家居[J];建材与装修情报;2007年05期

7 张鼎盛;;享受生活 享受智能家居[J];建材与装修情报;2007年07期

8 李磊;林晓杰;;智能家居的标准与协议[J];数字社区&智能家居;2008年01期

9 ;专注、专业、专心——打造智能家居行业第一媒体[J];数字社区&智能家居;2008年01期

10 戚振兴;;浅议我国智能家居发展[J];广西轻工业;2009年10期

中国重要会议论文全文数据库 前10条

1 吴效明;赵锦萌;吴剑波;;智能家居的医疗监测技术研究[A];中国生物医学工程学会成立30周年纪念大会暨2010中国生物医学工程学会学术大会壁报展示论文[C];2010年

2 荣蓉;吴文p，

本文编号：383761