服装款式图像自动识别研究——标准款式图及结构技术参数的提取的中期报告.docx

服装款式图像自动识别研究——标准款式图及结构技术参数的提取的中期报告
一、研究概述
本研究旨在通过计算机视觉和机器学习技术对服装款式图像进行自动识别和结构技术参数提取，实现对服装款式的快速分类和量化，为服装行业的设计、生产等环节提供科学依据。本中期报告主要介绍研究进展、实验结果以及下一步工作计划。
二、研究进展
1.数据集构建：本研究采用了公开的服装款式图像数据集（如DeepFashion2）以及自行采集的样本数据，构建了包括上衣、裙子、裤子等款式的图像数据集，共计10万+张图像。
2.图像预处理：针对不同的服装款式，对图像进行不同的预处理操作，如色彩空间转换、直方图均衡化、尺度变换、关键点标注等，以增强图像特征提取的效果。
3.特征提取：采用卷积神经网络（CNN）提取服装图像的特征向量，并使用PCA方法对特征向量进行降维处理，以减少数据的维度和复杂度。在特征提取的过程中，我们还利用迁移学习的方法，采用预训练好的卷积神经网络作为特征提取器，以节省大量的训练时间和数据量。
4.模型训练：采用支持向量机（SVM）和随机森林（RandomForest）两种常用的分类器进行模型训练。在训练过程中，我们采用了交叉验证的方法，对训练集进行分组，并选取最优超参数以提高模型的泛化性能。
5.结构技术参数提取：通过定位服装图像中的重要部位（如领口、袖子、裙摆等）、计算衣长、裤长、衣臂、肩宽等结构技术参数，以实现对服装结构的量化描述。
三、实验结果
1.分类准确率：采用上述方法对图像数据集进行分类，得到了较为精确的分类结果。其中，SVM分类器的最高分类准确率为89%，RF分类器的最高分类准确率为87%。
2.技术参数提取效果：经过尝试，以深度学习方法提取的重要部位在某些情况下仍不能全部覆盖，导致提取的技术参数存在误差。因此，我们采用传统的图像处理方法，如边缘检测、模板匹配等，以提高技术参数提取的精确度。下图为标准款式图及提取的结构技术参数示例。
四、下一步工作计划
1.提高分类准确率：今后将观察其它深度学习模型的表现，如对抗网络模型（GAN）和Siamese网络模型等，并扩大数据集以增强分类器的鲁棒性。
2.提高技术参数提取精度：在考虑领口、袖子等更多服装部位时，我们将考虑采用更复杂的卷积神经网络（如Unet和Yolo），作为图像处理的更高级别的特征提取器。