于述平

(大連藝術學院 服裝系， 遼寧 大連 116600)

服裝自動化生產是服裝生產企業(yè)的發(fā)展趨勢，在平常的服裝生產場景中，服裝的擺放狀態(tài)通常不整潔，表面容易出現褶皺，為服裝圖像二維信息提取帶來了困難，影響后續(xù)的服裝智能化生產.智能三維圖像處理技術的不斷改進，為服裝信息的智能提取提供了技術支持.三維圖像處理是多角度視覺、多負載模型、多時間相位和多方向傳感等技術的統稱，用來觀測大覆蓋面積的事物，可做到精細信息的高強度提取[1].

目前，通過空間定位的服裝信息智能提取方法有很多，文獻[2]引入了光學定位技術，通過光學攝像機從服裝的頂部開始進行圖像拍攝，借助定位系統掃描服裝圖像，對掃描信息進行處理后即可提取出服裝信息，這種方法隨著傾斜角定位技術的興起而被逐漸取代；文獻[3]闡述了基于傾斜角定位技術的智能提取方法，比起光學定位技術，其在處理服裝信息遮擋方面表現出更高的精度，但在實際使用中由于要不斷變更觀測角度，操作難度很大.由此可知，服裝三維信息提取需要一種簡易且觀測精準的多角度視覺技術，歐洲一些國家曾投入大量資金用于研究符合這種要求的提取方法，如文獻[4-5]使用的人工視覺和單目序列技術，但至今為止，高度可靠的服裝信息智能提取方法仍十分少見.

三維視覺是空間遙感中相對成熟的技術之一，具備良好的立體觀測潛力，因此，本文提出一種基于三維視覺的服裝信息智能提取方法.基于三維視覺拍攝到的服裝圖像，其優(yōu)點較為明顯，主要表現為信息采集點方位清晰、背景干擾易于去除等，通過評價圖像對比度視覺強弱關系進行三維圖像分割，其運算量小，空間干擾低，信息提取結果準確度高.

1　智能提取方法

1.1　設計方法總體流程

基于三維視覺的服裝信息智能提取方法將企業(yè)生產過程中的服裝成品設為研究對象，圖1為方法總體流程圖.

圖1　方法總體流程圖Fig.1　Overall flow chart of method

通過三維視覺采集服裝圖像時，人為手動開啟三維視覺成像系統，提取視頻中含有服裝結構和材質的重點幀，通過分析幀的先后順序組成三維視覺服裝圖像[6].一方面對重點幀進行像素估計，獲取圖像背景和前景的估計結果；另一方面將圖像切割成塊并分析圖像像素視覺的強弱關系，在切割塊的基礎上計算并優(yōu)化三維圖像的顯著性.將背景估計結果和顯著性計算結果相融合，并設置閾值進行結果校準，最終提取出服裝信息.

1.2　基于聚類技術的三維視覺圖像切割方法

基于三維視覺的圖像切割方法將三維視覺圖像看成一張無方向圖[7]，設G=(V，E)，V為服裝結構頂點像素集合，其內部元素為vi；E為服裝邊線集合，其內部元素為vj.兩個結構頂點用一條邊線連接，稱為邊線段，其關系式為(vi，vj)∈E，邊線段(vi，vj)在集合E中的比重大于或等于零，比重為w，它取決于兩個結構頂點之間的特征差值，可由灰度和色彩度等特征入手求取.

三維視覺圖像切割塊集合為S，其定義是：服裝結構頂點像素集合V經由S被切割成數目不定的切割塊C，C∈S，切割后三維視覺圖像被轉化成新的無方向圖，用G*=(V，E*)表示，E*為E的子集[8].最好的切割結果是切割塊中所有服裝結構頂點的像素比重越小越好，服裝邊線比重則越大越好.三維視覺通過聚類技術把特征相似的結構頂點融合在一起，使用最小生成樹構造最小比重像素樹，獲取頂點邊線，完成三維視覺服裝圖像切割，得到最佳切割塊集合.

聚類技術從三維視覺服裝圖像的最高結構頂點開始進行融合，需要應用到圖像的色彩度，分別用(r1，g1，b1)和(r2，g2，b2)表示兩個最高的結構頂點坐標，其間距為

(1)

在三維視覺圖像中，兩點之間的距離可直接用來評價塊與塊之間的特征差值，大致切割出圖像特征區(qū)域.圖2為三維數據圖像皺褶區(qū)、平整區(qū)、高聚集區(qū)的聚類前像素點示例圖，可以看到未經聚類技術處理之前，高聚集區(qū)的特征差值獨立區(qū)過小，皺褶區(qū)的切割塊之間難以分離，僅平整區(qū)的切割效果可用，這些情況不利于進行服裝信息精準提取[9].

聚類技術為了改善以上不利情形，采用自適應方法計算三維視覺服裝圖像的像素差值，設圖2切割結果中某一個切割塊C的個體像素差值等于其服裝邊線比重最大值，也就是極大像素差值，即

Int(C)=MAXC∈G(C，E)，w(C)

(2)

兩個切割塊C1和C2之間的像素差值等于服裝結構頂點比重最小值，其表達式為

Dif(C1，C2)=MINvi∈C1，vj∈C2，w(vi，vj)

(3)

如果C1和C2之間不相鄰，則有

Dif(C1，C2)=∞

(4)

式(2)、(3)中定義的像素差值需要進行匹配分析，確定切割塊C1和C2是否應該融合，匹配分析函數表達式為

圖2　色彩度特征切割示例圖Fig.2　Cutting examples of color degree features

(5)

式中：true為“應該融合”；false為“不應該融合”；MInt(C1，C2)為利用最小生成樹構造最小比重的像素樹，其表達式為

MInt(C1，C2)=MIN[Int(C1)+τ(C1)，

Int(C2)+τ(C2)]

(6)

由式(5)計算可得，“不應該融合”的原切割塊應列隊進入G*=(V，E*).

1.3　基于對比度的顯著性計算

色彩度特征切割是在三維視覺服裝圖像RGB色彩模式上進行的，顯著性則需要在Lab(顏色模型)上進行計算[10]，這期間包含一個將RGB轉換成Lab的坐標更替過程，切割塊坐標也隨之自動變化.設PK、PL為三維視覺服裝圖像P的像素和亮度，坐標更替函數表達式為

(7)

式中：D()為坐標距離度量；m為像素點數量.

圖3為RGB同Lab的坐標轉換原理圖.由圖3可以獲取Lab坐標的取值范圍，其中，L為亮度，也就是黑白單色，取值為0～100；a為紅綠色彩區(qū)間，取值為-130～130；b為黃藍色彩區(qū)間，取值同紅綠色彩區(qū)間.

圖3　RGB同Lab的坐標轉換原理圖Fig.3　　　　Principle diagram of coordinate conversion between RGB and Lab

三維視覺服裝圖像的對比度定義為任意像素點Ci與其他像素點Cj的色彩度距離總和[11].由對比度定義可知，色彩度一致的像素點，其對比度顯著性o(Ci)也是相同的，其表達式為

(8)

式中：n為三維視覺服裝圖像中色彩度總量；fi為像素點Ci色彩度的顯示比重.

三維視覺服裝圖像的顯示效果較好，色彩度總量高達上千種，使用式(8)進行計算過于浪費時間，可以通過圖像平滑降低像素點對比度，對高頻色彩著重定義，將低頻色彩用平均色彩度聚眾處理，這樣色彩度總量可以降至100種以下[12].但上述過程出現的圖像噪聲也不容忽視，可采取計算加權平均值的方法減少圖像噪聲，則式(8)可轉化為

(9)

基于對比度的顯著性計算方法是在各個圖像切割塊中進行計算的，不但要進行單一像素點與其他像素點的比對，還要進行任意切割塊與其他切割塊的比對，這樣才能提取出整個三維視覺服裝圖像的顯著性信息.任意兩個切割塊Ri和Rj之間的色彩度像素距離為

(10)

式中：ni、nj為兩個切割塊的色彩度總量；f(Cm，i)為Ri中色彩Cm，i的顯示比重；f(Cn，j)為Rj中色彩Cn，j的顯示比重.

由于服裝信息應從圖像中間提取，因此，應增加中間區(qū)域色彩的顯示比重，添加一個比重量，即

(11)

式中：|Rj|為切割塊中的所有像素點；σ為比重調整參數.

根據式(10)、(11)，切割塊之間的顯著性計算公式為

o(Ri)=w(Rj)Dr(Ri，Rj)∑w(Rj)

(12)

1.4　基于高斯函數的背景參數估計

像素估計是由于三維視覺服裝圖像中背景嚴重干擾了服裝信息的提取精度而產生的去噪方法，像素估計分前景刪除和背景估計.前景是要進行服裝信息提取的目標區(qū)域，背景是前景的干擾信息.高斯函數定義了圖像前景的像素分布規(guī)律，以此來區(qū)分前景與背景.

對服裝生產視頻中的事物來說，單位時間內動作變動小的最可能是服裝信息提取的目標區(qū)域，由于機械設備的控制動作更加精細，每時每刻都在發(fā)生變動，服裝只是機械設備的控制物體[13].高斯分布根據w/σ的比值關系對三維視覺服裝圖像中的像素點進行由大到小排列，利用排列規(guī)律關聯背景的變動情況.排列在前端的高斯分布動作變動較大，因此是前景，設有N個前端數據，T為前景動作的閾值，刪除前景便可得到背景估計結果，其表達式為

(13)

1.5　服裝三維信息的智能提取

將背景估計結果和顯著性計算結果融合，設置一個閾值進行服裝信息提取結果校準，過程函數可表示為

(14)

式中：H為三維視覺成像系統的圖像信息分布強度，一般與系統的運算速度有關，正常情況下H取值4或5；η(C)為閾值，在圖像顯著性被正確定義的前提下，其提取函數表達式為

(15)

其中，u為三維視覺成像系統允許的最大視覺偏差.

2　實驗方法及分析

2.1　實驗場景搭建

對本文提出的基于三維視覺的服裝信息智能提取方法進行魯棒性和三維填補效果的性能解析，利用傾斜角遙感法和單目序列法與本文方法進行對比，實驗場景如圖4所示，圖右側是一個三維視覺成像系統，左側連接計算機進行服裝信息的處理和顯示.選擇一段長度為2 h的連衣裙生產視頻，事先建立出一個三維坐標系，以水平面為X軸，Y軸由北向南延伸，原點位于幀中點.三種服裝信息智能提取方法各自使用的坐標系均由事先建立的坐標系轉動形成，這樣可以避免一部分實驗測量誤差.表1為實驗程序試穿模型參數.

圖4　實驗場景圖Fig.4　Experimental scene

身高cm體重kg胸圍cm腰圍cm肩寬cm臀圍cm背長cm16350846839.59037

2.2　魯棒性實驗

在解析服裝信息智能提取方法魯棒性的實驗中，對三種方法使用的三維坐標軸進行旋轉，獲取服裝信息提取結果的特征變化狀態(tài).當旋轉Z軸和Y軸所處平面時，服裝信息提取結果的特征變化將顯示在X軸上，如果距離變動較大，那么相關方法則不能描述出服裝信息的真實狀態(tài)，表現為魯棒性不強.

圖5～7分別為特征變化顯示在X軸、Y軸和Z軸上的記錄曲線，所選取的旋轉角度均從0°開始，至360°停止.

圖5　X軸特征變化曲線Fig.5　Characteristic variation curves of X axis

圖6　Y軸特征變化曲線Fig.6　Characteristic variation curves of Y axis

圖7　Z軸特征變化曲線Fig.7　Characteristic variation curves of Z axis

從三個坐標軸的變化曲線中可以看到，Y軸的距離特征變化值最大，呈波動上升趨勢，其次是X軸，呈波動下降趨勢，Z軸呈現出的是一種近似周期性、小規(guī)模的特征變化.對于傾斜角遙感法和單目序列法來說，本文提出的三維視覺法距離特征變化值最小，魯棒性最強.

三維坐標軸旋轉會產生一定的誤差，匹配度代表了服裝信息智能提取方法對誤差的排除程度，也是魯棒性的一種解析指標.本文方法由于特征變化而產生的三維視覺特征匹配度為

Acc=U0/U

(16)

式中：U0為正確的特征匹配數量；U為特征總量.

計算三維視覺特征匹配度時，在各坐標軸的U0上引入旋轉誤差B，其表達式為

(17)

式中：M為坐標點數量；ρ為誤差階級；zc為M的高程數值；c為zc的序列.

計算出本文方法旋轉三個坐標軸的三維視覺特征匹配度，并繪制成曲線圖，結果如圖8所示.本文方法在三個坐標軸上的匹配度受旋轉誤差影響不大，基本維持在0.9以上，表明其具有魯棒性強的性能優(yōu)勢.

圖8　本文方法匹配度曲線Fig.8　Matching degree curves of proposed method

2.3　三維填補效果實驗

一般來說，將服裝信息引入三維坐標系得到的三維信息結構容易因為服裝材質光學性能的差異而減弱服裝信息提取精度，對三維信息結構進行填補是服裝信息智能提取方法必須擁有的基本性能.實驗利用本文方法、傾斜角遙感法和單目序列法先對目標服裝信息進行提取，獲取服裝信息測量特征值與目標特征值之間的間距，觀察三種方法所提取信息特征點之間的密集程度，用來解析各方法的三維填補效果.

實驗所用的服裝信息在提取角度為30°、90°和180°時擁有結構、能量和相關性3個重要特征類型，相關提取信息結果如表2所示.

表2　服裝信息特征點提取結果Tab.2　Extraction results of feature points of clothing information

將表2中目標特征值與測量特征值相減取絕對值，得到的三維填補效果解析數據如表3所示.

由表3給出的數據可知，本文方法所提取的信息特征點之間密集程度良好，表示其能夠精準描述服裝信息的局部特征細節(jié)，具有良好的三維填補效果.

表3　三維填補效果解析數據Tab.3　Analytic data of 3D filling effect

3　結　論

三維視覺具有像素清晰、運算量小、空間干擾度低等優(yōu)點，本文研究了基于三維視覺的服裝信息智能提取方法，同時應用了三維視覺成像系統、聚類技術、高斯函數、對比度、顯著性等定義以及原理，通過實驗解析了本文方法的性能優(yōu)勢.實驗結果表明，在相同條件下與傾斜角遙感法和單目序列法相比，本文方法的魯棒性更強，三維填補效果更好.