基于增强动态稠密轨迹特征的布料材质识别

为了克服基于视频的布料材质识别中由于忽略了动态因素的影响导致材质识别准确率低的难点,利用布料仿真视频库,提出一种基于增强动态稠密轨迹特征的布料材质识别方法以有效识别布料的材质属性信息.首先利用材质合成方法构造64种不同材质的布料仿真视频数据库;然后利用构造的布料动态视频库,通过迁移预训练的VGG网络增强布料动态视频的各帧特征信息,并消除部分非动态特征;其次利用动态稠密轨迹特征描述布料视频的动态特征,以充分捕捉不同布料材质视频的动态信息;最后通过Fisher向量编码生成布料动态信息的特征数据库,并训练SVM分类器建立布料材质视频动态信息到材质属性参数的映射.利用构建的布料仿真视频库作为数据集进行实验的结果表明,该方法对64种不同布料材质视频的材质种类识别准确率达到73.83%.     

基于迁移学习与支持向量机的服装舒适度评估

针对传统服装舒适度评估需要直接试穿服装导致的舒适度评估精确度不高和评估过程耗时的问题,提出一种从试穿服装数据库学习服装舒适度评估模型的方法,可以快速准确地评估服装舒适度。首先,采集试衣模特尺寸和试穿样板图,并利用迁移学习改善试穿样板图构建试穿服装数据库,同时提出基于虚拟试衣技术的舒适度标签获取方法,为数据库中对应的试穿样板图添加舒适度标签;然后,提取试穿样板图的局部二值模式为服装样板特征,并融合试衣模特尺寸数据形成服装试穿特征向量;最后,提取试穿服装数据库的融合特征训练支持向量机,得到服装舒适度评估模型。实验结果表明,该方法的准确率和系统时间分别为0.8344和12 s,具有较高的精确度和效率。     

基于全局配准累积误差极小的人体RGB-D数据三维重建

针对RGB-D扫描数据获取和人体三维重建过程中存在扫描数据分辨率不高、噪声干扰影响较大、配准误差较大等问题,提出一种基于累积误差极小的RGB-D扫描数据全局配准的人体模型三维重建方法.首先采集人体扫描数据并进行预处理,去除噪声和背景;然后利用基于三维点特征描述符匹配求解局部扫描数据的粗略配准,并通过最近点迭代的方法进行精细配准;再构建局部配准数据加权图,通过最小生成树方法合并局部相邻帧数据来减少全局误差传播的影响,利用环闭合的方法解决累积误差问题并得到全局刚体配准结果;通过对全局刚体配准后的数据依次进行非刚体变换并不断融合配准后数据,解决扫描过程中的移动问题,进一步减少全局累积误差;最后利用全局配准结果和扫描数据中的颜色信息生成融合颜色信息的人体三维重建模型.利用2台Kinect设备扫描获取的人体全方位扫描数据进行实验的结果表明,该方法能够方便、高效地重建具有高度真实感的三维人体,而且重建生成的三维人体测量尺寸与真实人体尺寸之间的误差较小.