[发明专利]基于胶囊网络的服装分类方法及分类系统

说明书

本发明涉及基于胶囊网络的服装分类方法，包括：对输入的服装图片进行图像增强和归一化处理；对服装图像进行特征下采样和特征融合；采用注意力机制将服装图像特征的关键向量与权重进行放大，对图像特征进行卷积与归一化处理，利用空间变换网络变换图像特征的感受域；将图像特征输入到胶囊网络，提取图像特征的空间关联信息，提高泛化能力；根据图像特征对服装进行判别分类，得到服装的分类结果。本发明还公开了相应的服装分类系统。本发明的服装分类方法准确率高，且不依赖于大量的训练样本，在服装图像扭曲、变形时依然有很好的分类辨识精度，泛化能力强。

技术领域

本发明属于计算机视觉领域，具体涉及一种基于胶囊网络的服装分类方法及分类系统。

背景技术

目前，人们的服装购物逐渐由线下转入电商平台，对服装图像的智能化处理便成了必不可少的重要环节。电商平台对服装的需求巨大，人工辨别服装种类无法满足电商平台的时效要求。而且如今的服饰总类花样繁多，部分服装种类之间的差别只是细微纹理或空间布局的微小差别，通过人眼也不易辨别。因此，使用人工辨别服装种类的方式已经不能够满足日常生活需要。

公开号为CN110210567A的中国专利“一种基于卷积神经网络的服装图像分类与检索方法及系统”、申请号为201510457010.2的中国专利“一种基于卷积神经网络的服装分类方法”均是通过采用卷积神经网络来提取图像特征并进行分类；这种方式不能很好的处理图像样本的多样性问题以及样本空间结构的变化问题，因此检测到的图像当出现很大的色差或者明暗变化，或者是遮挡以及空间结构异常改变，都会使图像的检测准确率垂直下跌，若是想弥补缺点也只能在训练的时候扩充大量的训练样本，但是图像样本的扩充会增加额外的计算成本和搜集成本，且二者所提出的模型较大，无法在轻量级设备上进行搭建，计算速度缓慢。

申请号为201810784023.4的中国专利“一种基于部件检测和视觉特征的时尚女装图像细粒度分类方法”采用改进的DPM模型来实现女装图像的分类，并采用了图像的HOG、LBP、颜色直方图和边缘算子4种底层特征来进行特征表征，这种传统的图像处理算法结构相对比较复杂，且难以保证较高的准确率。

发明内容

本发明的目的是针对上述问题，提供一种基于胶囊网络的服装分类方法及分类系统，对服装图像进行特征下采样、特征融合后，利用挤压和激励网络将服装图像特征的关键向量与权重进行放大，利用空间变换网络变换图像特征的感受域，再利用胶囊网络，提取图像特征的空间关联信息，最后根据图像特征得到服装的分类，提高服装分类系统的泛化能力。

本发明的技术方案是基于胶囊网络的服装分类方法，包括以下依次执行的步骤：

步骤1：对输入的服装图片进行图像增强和归一化处理；

步骤2：对服装图像进行特征下采样和特征融合；

步骤3：对服装图像进行特征加强；

步骤3.1：采用注意力机制将服装图像特征的关键向量与权重进行放大；

步骤3.2：对图像特征进行卷积与归一化处理；

步骤3.3：利用空间变换网络变换图像特征的感受域；

步骤4：将图像特征输入到胶囊网络，提取图像特征的空间关联信息，提高泛化能力；

步骤5：根据图像特征对服装进行判别分类，得到服装的分类结果。

进一步地，步骤1包括以下子步骤：

步骤1.1：对输入的服装图像进行旋转、翻转、裁剪、放缩、对比度增强以及明暗调整；

步骤1.2：将服装图像的RGB参数映射到统一的区间。

优选地，步骤2中，所述特征下采样将大尺度224x224的图像下采样到最适合特征加强的25x25的小尺度。

优选地，步骤3.1采用挤压和激励网络将服装图像特征的关键向量与权重进行放大，筛掉干扰的非目标特征。