[发明专利]一种基于卷积神经网络的服装分类方法

说明书

技术领域

本发明涉及一种基于卷积神经网络(ConvolutionalNeuralNetworks，CNN)的服装分类方法，属于图像信息处理技术领域。

背景技术

目前，研究者们已经提出了诸多的实现服装自动分类的算法。Pan等人提出使用BP神经网络识别针织物。Ben等人提出基于文本特征和支持向量机对针织物的识别方法。Liu等人提出了基于姿态的估计和使用颜色，SIFT，HOG等特征来将衣服分成23类。Bourdev等人研究出一个系统来描述人们的外貌形象，他们使用了9种属性，例如男性、T恤、长发等特性。另外，对于衣服的分割也是研究热点。Hu等人提出使用基于受限德劳内三角(CDT)的前景和背景估计，这种方法不需要任何预定义的服装模型。Weber等人则引入一个新颖的方法，利用姿态检测器去处理服装的遮挡问题。Manfred提出了流行商店数据库里的服装分割方法。研究者们也致力于对衣服属性的分类，比如颜色、领子、衣袖等属性。Chen引入了一个全自动的系统，这个系统能够产生可命名属性列表的衣服。Lorenzo-Navarro等人则做了一组实验，实验的目的是评价LBP和HOG描述子在衣服属性方面的能力。

服装分类是非常具有发展前景的研究话题，传统的分类算法一般采用两步方法，第一步从输入图像中计算出人为设置的特征，第二步根据算出的特征去训练一个分类器，用于测试数据的分类。由于人工设计的特征的局限性，传统方法效果的好坏很大程度上取决于认为选择的特征是否合理，具有很大的盲目性，普遍存在分类准确率低的问题。因此，目前的服装分类算法主要存在两点局限性。第一，传统的特征不能达到满意的分类效果，尤其是对相似属性的类别。第二，目前没有公开的服装数据库来客观评价现有的算法。

发明内容

本发明所要解决的技术问题是：提供一种基于卷积神经网络的服装分类方法，设计卷积神经网络模型，学习数据库中图像的特征，建立全局的特征表达，提高了服装分类准确率。

本发明为解决上述技术问题采用以下技术方案：

一种基于卷积神经网络的服装分类方法，包括以下步骤：

步骤1，获取服装图像样本，将服装图像样本分为训练样本和测试样本；

步骤2，对训练样本和测试样本进行预处理；

步骤3，构建卷积神经网络模型，该卷积神经网络模型包括5层卷积层，3层下采样层，3层全连接层；

步骤4，利用步骤2预处理后的训练样本对步骤3所述卷积神经网络模型进行前向传播和后向传播两个阶段的训练，当后向传播训练计算出的误差达到期望值时，训练结束，并得到卷积神经网络模型的参数；

步骤5，利用步骤4训练结束的卷积神经网络模型对步骤2预处理后的测试样本进行测试，并输出最终服装分类结果。

优选的，步骤1所述获取服装图像样本的过程为：将服装分成男装8类、女装8类进行图像样本获取，其中男装8类为夹克、衬衫、风衣、西服、冲锋衣、针织衫、羽绒服、T恤，女装8类为旗袍、衬衫、风衣、西服、连衣裙、卫衣、羽绒服、T恤。

优选的，步骤2所述对训练样本和测试样本进行预处理的过程为：将训练样本和测试样本的大小调整到120×120像素。

优选的，步骤3所述卷积层的计算公式为：其中，为卷积层第l_c层的第j个输出图，f为激活函数，M_j为输入特征映射的集合，*为卷积操作，为卷积层第l_c层的第j个输出图与上一层第i个输入图之间的卷积核，1≤i≤max(l_cin)，max(l_cin)为第l_c层输入图的最大个数，1≤i≤max(l_cout)，max(l_cout)为第l_c层输出图的最大个数，为卷积层第l_c层的第j个输出图的附加偏差，l_c＝1,…,5。

优选的，步骤3所述下采样层的计算公式为：其中，为下采样层第l_s层的第j个输出图，f为激活函数，S为下采样函数，分别为下采样层第l_s层的第j个输出图的乘子偏差、附加偏差，l_s＝1,…,3。

优选的，步骤4所述误差的计算公式为：其中，n为训练样本的样本总数，m为类别数，t为由网络激励函数f(x)＝max(0,x)输出的一个m×1的矩阵，t_label为训练样本的标签，是一个m×1的二值矩阵。