一种服饰识别方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术公开了一种服饰识别方法、装置、电子设备及存储介质，基于神经网络模型对待识别服饰图像进行特征提取，得到第一特征向量，并确定第一特征向量分别与预先保存的每个特征向量库中的第二特征向量的相似度；若每个相似度中存在满足相似度条件的目标相似度，则确定待识别服饰图像中的服饰属性与目标属性相同。对于厨师服识别场景，本发明专利技术实施例基于第一特征向量分别与预先保存的每个特征向量库中的第二特征向量的相似度进行服饰识别，每次增加新的厨师服时，只需把其加入特征向量库中即可，不需要重新训练模型，因此不会出现样本不均衡的问题，因此，本发明专利技术实施例服饰识别的准确性较高。确性较高。确性较高。

【技术实现步骤摘要】
一种服饰识别方法、装置、电子设备及存储介质


[0001]本专利技术涉及图像识别
，尤其涉及一种服饰识别方法、装置、电子设备及存储介质。

技术介绍

[0002]对于监管部门来说，对各家食品生产企业及餐饮单位的远程监管无疑是不错的选择，而其中一个很重要的模块是对厨师是否穿厨师服的识别。服饰识别也就是对服饰属性的识别，厨师服即为其中的一种服饰属性。
[0003]近几年，随着深度学习逐渐成为热门的研究方向，特别是卷积神经网络在图像任务中得到了广泛应用。一般的方法是直接将各种厨师服以及非厨师服当作多个类做目标检测，但是随着门店的增加，一旦重新增加一种类别的厨师服，就要将之前的所有数据重新训练一遍，并经过测试才能部署上线。而且往往新增加的门店的厨师服样本极少，容易出现样本不均衡的问题。导致最终训练的模型准确性难以保证，服饰识别的准确性较差。

技术实现思路

[0004]本专利技术实施例提供了一种服饰识别方法、装置、电子设备及存储介质，用以解决现有的服饰识别准确性较差的问题。
[0005]本专利技术实施例提供了一种服饰识别方法，所述方法包括：
[0006]获取待识别服饰图像，基于神经网络模型对所述待识别服饰图像进行特征提取，得到第一特征向量；
[0007]确定所述第一特征向量分别与预先保存的每个特征向量库中的第二特征向量的相似度；其中，所述每个特征向量库中的第二特征向量是基于所述神经网络模型，对同一目标属性的每类目标服饰图像进行特征提取得到的；
[0008]若每个相似度中存在满足相似度条件的目标相似度，则确定所述待识别服饰图像中的服饰属性与所述目标属性相同。
[0009]进一步地，所述获取待识别服饰图像包括：
[0010]将采集到的图像输入目标检测模型，基于所述目标检测模型确定所述图像中的服饰识别区域，将所述服饰识别区域对应的图像作为待识别服饰图像。
[0011]进一步地，所述确定所述第一特征向量分别与预先保存的每个特征向量库中的第二特征向量的相似度包括：
[0012]针对每个特征向量库，分别确定所述第一特征向量与该特征向量库中的每个第二特征向量的余弦距离，按照余弦距离从小到大的顺序，选取预设数量的余弦距离，确定选取出的余弦距离的平均值，根据所述余弦距离的平均值确定相应的相似度；其中，余弦距离的平均值越小，相似度越大。
[0013]进一步地，所述若每个相似度中存在满足相似度条件的目标相似度，则确定所述待识别服饰图像中的服饰属性与所述目标属性相同包括：
[0014]选取最大的相似度，若所述最大的相似度大于预设的相似度阈值，确定存在满足相似度条件的目标相似度，则确定待识别服饰图像中的服饰属性与所述目标属性相同。
[0015]进一步地，所述基于神经网络模型对所述待识别服饰图像进行特征提取，得到第一特征向量包括：
[0016]基于神经网络模型的第一分支网络对所述待识别服饰图像进行特征提取，得到第一深度特征向量；基于神经网络模型的第二分支网络对所述待识别服饰图像进行特征提取，得到第一颜色特征向量；
[0017]所述确定所述第一特征向量分别与预先保存的每个特征向量库中的第二特征向量的相似度包括：
[0018]针对每个特征向量库，分别确定所述第一深度特征向量与该特征向量库中的第二深度特征向量的深度相似度，确定所述第一颜色特征向量与该特征向量库中的第二颜色特征向量的颜色相似度；对所述深度相似度和颜色相似度进行加权相加，得到所述第一特征向量与该特征向量库中的第二特征向量的相似度。
[0019]进一步地，所述神经网络模型的训练过程包括：
[0020]将训练集中的样本图像输入所述神经网络模型，基于神经网络模型的第一分支网络对所述样本图像进行特征提取，得到样本深度特征向量；基于神经网络模型的第二分支网络对所述样本图像进行特征提取，得到样本颜色特征向量；基于所述样本深度特征向量和所述样本颜色特征向量得到所述样本图像对应的样本服饰类别信息；根据样本服饰类别信息、所述样本图像对应的标注服饰类别信息和损失函数，对所述神经网络模型中的第一分支网络和第二分支网络进行训练。
[0021]进一步地，所述第一分支网络包括依次连接的主干网络、第一平均池化层、第一全连接层和第二全连接层；所述第二分支网络包括依次连接的第二平均池化层和第三全连接层。
[0022]另一方面，本专利技术实施例提供了一种服饰识别装置，所述装置包括：
[0023]获取模块，用于获取待识别服饰图像，基于神经网络模型对所述待识别服饰图像进行特征提取，得到第一特征向量；
[0024]第一确定模块，用于确定所述第一特征向量分别与预先保存的每个特征向量库中的第二特征向量的相似度；其中，所述每个特征向量库中的第二特征向量是基于所述神经网络模型，对同一目标属性的每类目标服饰图像进行特征提取得到的；
[0025]第二确定模块，用于若每个相似度中存在满足相似度条件的目标相似度，则确定所述待识别服饰图像中的服饰属性与所述目标属性相同。
[0026]所述获取模块，具体用于将采集到的图像输入目标检测模型，基于所述目标检测模型确定所述图像中的服饰识别区域，将所述服饰识别区域对应的图像作为待识别服饰图像。
[0027]所述第一确定模块，具体用于针对每个特征向量库，分别确定所述第一特征向量与该特征向量库中的每个第二特征向量的余弦距离，按照余弦距离从小到大的顺序，选取预设数量的余弦距离，确定选取出的余弦距离的平均值，根据所述余弦距离的平均值确定相应的相似度；其中，余弦距离的平均值越小，相似度越大。
[0028]所述第二确定模块，具体用于选取最大的相似度，若所述最大的相似度大于预设
的相似度阈值，确定存在满足相似度条件的目标相似度，则确定待识别服饰图像中的服饰属性与所述目标属性相同。
[0029]所述获取模块，具体用于基于神经网络模型的第一分支网络对所述待识别服饰图像进行特征提取，得到第一深度特征向量；基于神经网络模型的第二分支网络对所述待识别服饰图像进行特征提取，得到第一颜色特征向量；
[0030]所述第一确定模块，具体用于针对每个特征向量库，分别确定所述第一深度特征向量与该特征向量库中的第二深度特征向量的深度相似度，确定所述第一颜色特征向量与该特征向量库中的第二颜色特征向量的颜色相似度；对所述深度相似度和颜色相似度进行加权相加，得到所述第一特征向量与该特征向量库中的第二特征向量的相似度。
[0031]所述装置还包括：
[0032]训练模块，用于将训练集中的样本图像输入所述神经网络模型，基于神经网络模型的第一分支网络对所述样本图像进行特征提取，得到样本深度特征向量；基于神经网络模型的第二分支网络对所述样本图像进行特征提取，得到样本颜色特征向量；基于所述样本深度特征向量和所述样本颜色特征向量得到所述样本图像对应的样本服饰类别信息；根据样本服饰类别信息、所述样本图像对应的标注服饰类别信息和损失函数，对所述神经网络模型中的第一分支网本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种服饰识别方法，其特征在于，所述方法包括：获取待识别服饰图像，基于神经网络模型对所述待识别服饰图像进行特征提取，得到第一特征向量；确定所述第一特征向量分别与预先保存的每个特征向量库中的第二特征向量的相似度；其中，所述每个特征向量库中的第二特征向量是基于所述神经网络模型，对同一目标属性的每类目标服饰图像进行特征提取得到的；若每个相似度中存在满足相似度条件的目标相似度，则确定所述待识别服饰图像中的服饰属性与所述目标属性相同。2.如权利要求1所述的方法，其特征在于，所述获取待识别服饰图像包括：将采集到的图像输入目标检测模型，基于所述目标检测模型确定所述图像中的服饰识别区域，将所述服饰识别区域对应的图像作为待识别服饰图像。3.如权利要求1所述的方法，其特征在于，所述确定所述第一特征向量分别与预先保存的每个特征向量库中的第二特征向量的相似度包括：针对每个特征向量库，分别确定所述第一特征向量与该特征向量库中的每个第二特征向量的余弦距离，按照余弦距离从小到大的顺序，选取预设数量的余弦距离，确定选取出的余弦距离的平均值，根据所述余弦距离的平均值确定相应的相似度；其中，余弦距离的平均值越小，相似度越大。4.如权利要求1所述的方法，其特征在于，所述若每个相似度中存在满足相似度条件的目标相似度，则确定所述待识别服饰图像中的服饰属性与所述目标属性相同包括：选取最大的相似度，若所述最大的相似度大于预设的相似度阈值，确定存在满足相似度条件的目标相似度，则确定待识别服饰图像中的服饰属性与所述目标属性相同。5.如权利要求1所述的方法，其特征在于，所述基于神经网络模型对所述待识别服饰图像进行特征提取，得到第一特征向量包括：基于神经网络模型的第一分支网络对所述待识别服饰图像进行特征提取，得到第一深度特征向量；基于神经网络模型的第二分支网络对所述待识别服饰图像进行特征提取，得到第一颜色特征向量；所述确定所述第一特征向量分别与预先保存的每个特征向量库中的第二特征向量的相似度包括：针对每个特征向量库，分别确定所述第一深度特征向量与该特征向量库中的第二深度特征向量的深度相似度，确定所述第一颜...

【专利技术属性】
技术研发人员：黄晨曦，赵振凯，
申请(专利权)人：天翼云科技有限公司，
类型：发明
国别省市：