發(fā)布時(shí)間：2017-10-06 15:35

  本文關(guān)鍵詞：基于多特征融合的服裝圖像款式識(shí)別的研究與應(yīng)用

  更多相關(guān)文章： 服裝款式識(shí)別 多特征融合 SVM 卷積神經(jīng)網(wǎng)絡(luò) 決策級(jí)融合

【摘要】：隨著互聯(lián)網(wǎng)時(shí)代的來臨,網(wǎng)上購物成為一種潮流,越來越多的人選擇網(wǎng)購這種新型購物方式。目前,文本搜索是大多數(shù)電商網(wǎng)站商品搜索的唯一方式,文本描述本身就具有強(qiáng)烈的主觀色彩。針對(duì)服裝商品檢索,消費(fèi)者更加希望可以通過圖像檢索方式購物。隨著機(jī)器學(xué)習(xí)的發(fā)展,基于圖像識(shí)別的服裝圖像檢索方式成為近幾年來研究的熱點(diǎn)。通過對(duì)服裝圖像的特征提取并采用合適的分類方法,識(shí)別出消費(fèi)者想要的服裝的款式,這樣會(huì)更客觀地表達(dá)消費(fèi)者的需求。本課題將研究如何利用多特征融合和圖像分類識(shí)別技術(shù),對(duì)服裝的款式進(jìn)行明確的分類。對(duì)于服裝圖像而言,能明確區(qū)分服裝圖像款式的特征很多,單一特征無法完全區(qū)分不同款式的服裝,本文需要解決的問題是融合多種服裝圖像特征。考慮到服裝款式種類繁多以及服裝數(shù)據(jù)庫數(shù)量大,研究SVM和卷積神經(jīng)網(wǎng)絡(luò)兩種分類識(shí)別技術(shù),并合理應(yīng)用在服裝識(shí)別系統(tǒng)中。針對(duì)以上問題,本文將對(duì)服裝圖像款式的識(shí)別分類研究工作包含如下幾個(gè)方面：(1)針對(duì)服裝款式特征繁多問題,分別從結(jié)構(gòu)特征和統(tǒng)計(jì)特征兩方面考慮,研究基于特征級(jí)多特征融合的多層SVM分類模型,即多特征并行模糊分類識(shí)別模型和多特征并行精確分類識(shí)別模型。結(jié)合特征級(jí)并行特征融合方法,提出基于輪廓和紋理特征的并行融合方法和基于網(wǎng)格與局部點(diǎn)密度特征的并行融合方法,分別作為兩層SVM分類的特征輸入向量。(2)針對(duì)數(shù)量大的服裝圖像數(shù)據(jù)庫,需要選擇CNN分類模型,研究基于卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)架構(gòu),綜合傳統(tǒng)CNN網(wǎng)絡(luò)架構(gòu)和GoogleNet網(wǎng)絡(luò)架構(gòu),設(shè)計(jì)一種17層GoodNet網(wǎng)絡(luò)架構(gòu)。通過實(shí)驗(yàn)對(duì)比不同CNN網(wǎng)絡(luò)架構(gòu),證明GoodNet在JDNet數(shù)據(jù)庫獲得較高識(shí)別準(zhǔn)確率和效率。(3)研究決策級(jí)融合中權(quán)重求解策略,在GoodNet模型softmax分類層中引入決策級(jí)特征融合,并提出粒子群優(yōu)化權(quán)重求解策略。由于多特征的服裝識(shí)別圖像庫復(fù)雜且分類精細(xì),粒子群優(yōu)化算法收斂速度快,參數(shù)設(shè)置少,實(shí)現(xiàn)方便。
【關(guān)鍵詞】：服裝款式識(shí)別 多特征融合 SVM 卷積神經(jīng)網(wǎng)絡(luò) 決策級(jí)融合
【學(xué)位授予單位】：北京工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP391.41
【目錄】：

• 摘要4-5
• Abstract5-10
• 第1章 緒論10-16
• 1.1 論文研究背景與意義10-11
• 1.2 國內(nèi)外研究現(xiàn)狀11-13
• 1.2.1 圖像分類技術(shù)研究現(xiàn)狀11-12
• 1.2.2 多特征融合的服裝款式識(shí)別研究現(xiàn)狀12-13
• 1.3 主要研究?jī)?nèi)容13-14
• 1.4 論文結(jié)構(gòu)說明14-16
• 第2章 相關(guān)技術(shù)分析16-26
• 2.1 底層特征提取技術(shù)分析16-20
• 2.1.1 紋理特征提取16-17
• 2.1.2 輪廓特征提取17-19
• 2.1.3 統(tǒng)計(jì)特征19-20
• 2.2 信息融合技術(shù)分析20-22
• 2.2.1 特征級(jí)融合20-21
• 2.2.2 決策級(jí)融合21-22
• 2.3 分類器技術(shù)分析22-25
• 2.3.1 支持向量機(jī)SVM22-23
• 2.3.2 卷積神經(jīng)網(wǎng)絡(luò)23-25
• 2.4 本章小結(jié)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 基于輪廓和紋理特征的并行融合方法26-28
• 3.1.2 基于統(tǒng)計(jì)特征的并行融合方法28-30
• 3.2 基于SVM分類識(shí)別模型的建立30-34
• 3.2.1 支持向量機(jī)基本原理30-31
• 3.2.2 結(jié)構(gòu)特征并行融合的模糊分類模型31-33
• 3.2.3 統(tǒng)計(jì)特征并行融合的精確分類模型33-34
• 3.3 實(shí)驗(yàn)過程及結(jié)果分析34-38
• 3.3.1 實(shí)驗(yàn)?zāi)康?/span>34
• 3.3.2 實(shí)驗(yàn)環(huán)境34-35
• 3.3.3 訓(xùn)練過程35-36
• 3.3.4 訓(xùn)練結(jié)果分析36-38
• 3.4 本章小結(jié)38-40
• 第4章 基于決策級(jí)特征融合的卷積神經(jīng)網(wǎng)絡(luò)的研究40-56
• 4.1 卷積神經(jīng)網(wǎng)絡(luò)框架改進(jìn)40-44
• 4.1.1 傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)整體框架40-41
• 4.1.2 Inception模塊41-42
• 4.1.3 改進(jìn)的CNN架構(gòu)設(shè)計(jì)42-44
• 4.2 卷積算法分析44-46
• 4.2.1 最大池采樣44
• 4.2.2 Softmax回歸44-46
• 4.3 多分類器決策級(jí)融合46-49
• 4.3.1 多分類器決策級(jí)融合46-47
• 4.3.2 粒子群優(yōu)化的權(quán)重求解47-49
• 4.4 實(shí)驗(yàn)過程及結(jié)果分析49-54
• 4.4.1 實(shí)驗(yàn)?zāi)康?/span>49
• 4.4.2 實(shí)驗(yàn)環(huán)境及數(shù)據(jù)庫介紹49-51
• 4.4.3 不同深度CNN網(wǎng)絡(luò)架構(gòu)比較51-53
• 4.4.4 不同權(quán)重計(jì)算策略比較53-54
• 4.5 本章小結(jié)54-56
• 第5章 服裝款式識(shí)別系統(tǒng)的應(yīng)用及效果分析56-66
• 5.1 系統(tǒng)開發(fā)環(huán)境與系統(tǒng)框架56-58
• 5.1.1 系統(tǒng)環(huán)境搭建56
• 5.1.2 系統(tǒng)框架56-58
• 5.2 服裝款式識(shí)別系統(tǒng)整體流程58-60
• 5.2.1 SVM分類系統(tǒng)流程58-59
• 5.2.2 卷積神經(jīng)網(wǎng)絡(luò)分類系統(tǒng)流程59
• 5.2.3 相似圖片顯示流程59-60
• 5.3 系統(tǒng)應(yīng)用展示及效果分析60-64
• 5.3.1 SVM分類系統(tǒng)應(yīng)用展示及效果分析60-61
• 5.3.2 卷積神經(jīng)網(wǎng)絡(luò)分類系統(tǒng)應(yīng)用展示及效果分析61-64
• 5.4 本章小結(jié)64-66
• 結(jié)論66-68
• 參考文獻(xiàn)68-72
• 攻讀碩士學(xué)位期間取得的研究成果72-73
• 致謝73

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 初紅霞;王科俊;王希鳳;郭慶昌;韓晶;;多特征融合的退火粒子濾波目標(biāo)跟蹤[J];計(jì)算機(jī)工程與應(yīng)用;2011年06期

2 顧鑫;王海濤;汪凌峰;王穎;陳如冰;潘春洪;;基于不確定性度量的多特征融合跟蹤[J];自動(dòng)化學(xué)報(bào);2011年05期

3 姚紅革;杜亞勤;;基于多模式多特征融合粒子濾波視頻目標(biāo)跟蹤[J];西安工業(yè)大學(xué)學(xué)報(bào);2012年11期

4 王蘭;;基于多特征融合的票據(jù)分類技術(shù)及應(yīng)用[J];計(jì)算機(jī)光盤軟件與應(yīng)用;2013年13期

5 陳增照;何秀玲;楊揚(yáng);董才林;;基于多特征融合的票據(jù)分類技術(shù)及應(yīng)用[J];計(jì)算機(jī)工程與應(yīng)用;2006年09期

6 周斌;林喜榮;賈惠波;宋榕;;多特征融合的手背血管識(shí)別算法[J];清華大學(xué)學(xué)報(bào)(自然科學(xué)版);2007年02期

7 劉貴喜;范春宇;高恩克;;基于粒子濾波與多特征融合的視頻目標(biāo)跟蹤[J];光電子.激光;2007年09期

8 胡全;邱兆文;王霓虹;;基于多特征融合的圖像語義標(biāo)注[J];東北林業(yè)大學(xué)學(xué)報(bào);2008年10期

9 周靜;黃心漢;彭剛;;基于多特征融合的飛機(jī)目標(biāo)識(shí)別[J];華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2009年01期

10 沈才梁;許雪貴;許方恒;龍丹;;多特征融合的人臉檢測(cè)[J];計(jì)算機(jī)系統(tǒng)應(yīng)用;2009年11期

中國重要會(huì)議論文全文數(shù)據(jù)庫 前3條

1 葉鋒;蔡光東;鄭子華;亓?xí)孕?尹鵬;;基于多特征融合的藥用植物標(biāo)本識(shí)別[A];2011年中國智能自動(dòng)化學(xué)術(shù)會(huì)議論文集（第一分冊(cè)）[C];2011年

2 段其昌;季長(zhǎng)有;;基于多特征融合的快速人臉檢測(cè)[A];第十七屆全國測(cè)控計(jì)量?jī)x器儀表學(xué)術(shù)年會(huì)（MCMI'2007）論文集（上冊(cè)）[C];2007年

3 李玉峰;鄭德權(quán);趙鐵軍;;基于SVM和多特征融合的圖像分類[A];第四屆全國信息檢索與內(nèi)容安全學(xué)術(shù)會(huì)議論文集（上）[C];2008年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前5條

1 劉明華;復(fù)雜環(huán)境下基于多特征融合的目標(biāo)跟蹤關(guān)鍵技術(shù)研究[D];青島科技大學(xué);2016年

2 田綱;基于多特征融合的Mean shift目標(biāo)跟蹤技術(shù)研究[D];武漢大學(xué);2011年

3 徐志剛;基于多特征融合的路面破損圖像自動(dòng)識(shí)別技術(shù)研究[D];長(zhǎng)安大學(xué);2012年

4 陳秀新;多特征融合視頻復(fù)制檢測(cè)關(guān)鍵技術(shù)研究[D];北京工業(yè)大學(xué);2013年

5 初紅霞;基于均值移動(dòng)和粒子濾波的目標(biāo)跟蹤關(guān)鍵技術(shù)研究[D];哈爾濱工程大學(xué);2012年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 張巖;基于多特征融合及二部圖匹配的3D目標(biāo)檢索技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2015年

2 計(jì)明明;基于多特征融合的三維模型檢索技術(shù)[D];浙江大學(xué);2015年

3 王慶;基于多特征融合的人體動(dòng)作識(shí)別方法研究[D];上海大學(xué);2015年

4 劉婕;復(fù)雜場(chǎng)景多特征融合粒子濾波目標(biāo)跟蹤[D];重慶理工大學(xué);2015年

5 崔劍;基于多特征融合的分級(jí)行人檢測(cè)方法研究[D];電子科技大學(xué);2015年

6 王珊珊;基于極化SAR非監(jiān)督分類的油膜厚度估算方法研究[D];大連海事大學(xué);2015年

7 肖冠;基于多特征融合的異類傳感器中段目標(biāo)關(guān)聯(lián)算法研究[D];國防科學(xué)技術(shù)大學(xué);2013年

8 王建榮;基于多特征融合的無人機(jī)航拍圖像識(shí)別研究[D];成都理工大學(xué);2015年

9 高爽;基于多特征融合的粒子濾波跟蹤算法研究[D];西安電子科技大學(xué);2014年

10 坎啟嬌;基于多特征融合的多目標(biāo)跟蹤算法[D];河北工業(yè)大學(xué);2015年

，

本文編號(hào)：983559