本文原载于《纺织学报》（Journal of Textile Research）2017年5月第38卷第5期，第一作者为东华大学纺织学院的李东，通信作者为万贤福，另一位作者为汪军。万贤福和汪军同时也隶属于东华大学纺织面料技术教育部重点实验室。该研究题为《采用傅里叶描述子和支持向量机的服装款式识别方法》，旨在解决服装款式自动识别领域中特征提取复杂、分类效率低和适应性差的问题。
研究背景与目的
在大数据时代的商业应用和身份认证等安防领域，通过机器视觉技术自动识别服装款式具有重要的应用价值。服装款式主要由外部轮廓和内部细节构成，反映了服装的结构形状特征，而不涉及颜色与纹理。因此，如何有效描述服装的轮廓特征并对其进行快速、精确的分类，是该领域的研究重点。此前的相关研究存在诸多局限：有的方法依赖于衣片的精确分割与尺寸测量，过程半自动化且复杂；有的基于模糊理论的方法仅针对局部轮廓进行识别，而非整体；还有使用小波傅里叶描述子（Wavelet Fourier Descriptor, WFD）结合极端学习机（Extreme Learning Machine, ELM）的分类方法，但其特征向量相似度比对复杂，且依赖于目标轮廓的复杂度，不适用于实时分类；另有使用融合特征（Hu不变矩和傅里叶描述子）通过计算欧氏距离来判断形状相似性的方法，但欧氏距离在处理复杂特征的多分类问题上效果不如支持向量机（Support Vector Machine, SVM）等机器学习分类器。
鉴于此，该研究提出一种结合傅里叶描述子（Fourier Descriptors, FD）和支持向量机的新型服装款式识别方法。其核心思路是利用FD计算简单、抗噪性强、特征匹配简便的优势来提取服装轮廓特征，再利用SVM在非线性映射和解决“维数灾难”上的鲁棒性优势进行分类，以期实现快速、准确的多类别服装款式识别。
研究方法与实验流程
为实现研究目标，该研究设计并执行了一套完整的实验流程，主要包括图像样本库创建、图像预处理、轮廓特征提取和分类器训练与测试四个步骤。
首先，研究者创建了一个全新的服装图像样本库。由于领域内缺乏统一的公共样本库，研究者从电子商务平台天猫网收集了650张服装图像，均为白色背景且平整摆放的单件服装，以确保图像条件的标准化。该样本库涵盖了8种最常见的服装款式：短袖T恤、长袖T恤、长袖衬衣、外套（含夹克、皮衣、翻领短风衣等）、西装上衣、短裤、长裤和短袖连衣裙。各类款式的样本量从40件到100件不等，例如长裤、短袖T恤、长袖衬衣等为100件，而西装上衣和短袖连衣裙分别为40件和50件。在每次识别实验中，随机抽取样本库中60%的样本作为训练集，剩余40%作为测试集，如此重复进行10次实验以获得具有统计学意义的结果。
其次，进行服装图像预处理，目的是从原始图像中准确提取出服装的外部轮廓。预处理流程分为四个步骤：第一步，将彩色图像转换为灰度图像，并通过灰度线性变换增强图像对比度；第二步，采用最大类间方差法（Otsu方法）对灰度图像进行二值化处理，将服装区域与背景分离；第三步，对二值图像进行形态学开运算处理并填充内部孔洞，其中最大的8连通区域即被认定为服装主体；第四步，使用Canny边缘检测算子精确提取出服装的外部轮廓，为后续的特征提取做好准备。
第三，采用傅里叶描述子提取轮廓的形状特征。服装轮廓由一系列像素点坐标构成，研究者将这些坐标表示为复数形式 B(k) = x_k + jy_k，再对该复数序列进行离散傅里叶变换，得到傅里叶描述序列 A(u)。为使得特征向量对图像的平移、旋转和缩放具有不变性，对A(u)进行了标准化处理，即除以A(1)的模，得到标准化的傅里叶描述子 S(v)。频域中低频分量对应全局形状，高频分量对应细节特征。研究者通过预实验，测试了从S(v)序列中选取前1至50个分量作为特征向量时的分类准确率。结果显示，当特征向量长度n为20时，识别准确率达到最高，因此确定FD特征向量长度为20。这实现了在捕获足够形状信息与避免信息冗余及过量计算之间的平衡。
第四，利用多分类SVM进行款式分类。分类器选用LIBSVM工具箱，选用径向基函数（Radial Basis Function, RBF）作为核函数。为确保分类器的最优性能，采用了网格搜索法对SVM的两个关键参数——惩罚参数C和核参数γ——进行寻优，搜索范围均为[2^{-8}, 2^{8}]，步长为1。通过将训练集的FD特征矩阵及其对应的款式类别标签输入，结合寻得的最优参数进行训练，最终生成SVM分类模型。最后，将测试集的FD特征矩阵输入该模型，得到预测类别，与真实类别对比计算出识别准确率。所有算法均使用MATLAB R2014a软件编写实现。
主要实验结果与分析
研究通过这一流程获得了多方面的实验结果，验证了所提方法的优越性。
首先，该方法取得了极高的总体识别准确率，达到95%以上。对8种具体款式的识别率分析显示，轮廓特征明显的款式表现最佳。例如，长裤的识别率达到了100%，短袖T恤为98.8%，短裤为96.7%，长袖T恤为96.3%。这些款式的共同特点是其外部轮廓（如裤装的两条独立筒状结构、短袖T恤的袖长特征）与其他类别差异显著。相比之下，部分上装的识别率略低，如西装上衣和外套的识别率分别为88.8%和89.8%，长袖衬衣为92.5%。研究者分析认为，造成这三类款式识别率相对较低的原因是它们的外部轮廓形状较为相似，主要区别体现在领子和门襟等内部细节上，而这些细节未能充分反映在整体的外部轮廓特征中，从而增加了分类的难度。
其次，研究对比了不同特征提取技术的识别效果，以验证FD的优越性。实验对比了FD、Hu不变矩以及二者的融合特征（串行融合后经高斯归一化处理）三种特征表征方法。10次重复实验的结果明确显示，FD的识别效果远优于使用7个特征向量的Hu不变矩。同时，融合特征的识别准确率相比单一的FD还略低约1%。这说明Hu不变矩特征不仅本身区分能力不足，而且与FD简单融合后并未带来互补信息，反而可能引入了冗余或干扰，未能提高识别效果。因此，研究证实，对于服装款式识别任务，仅采用单一的FD描述子就足以有效表征其形状特征。
再次，研究探讨了主成分分析（Principal Component Analysis, PCA）降维对识别效果的影响。实验对提取的FD特征向量进行了PCA处理，并分别选取累计贡献率为95%和99%的主成分替代原始特征向量输入SVM。结果表明，无论哪种贡献率设定，经PCA降维后的分类准确率均显著降低。研究推断，这可能是因为FD特征向量的各分量中包含了与分类紧密相关的非线性成分，PCA作为一种线性降维方法，在降低维度的过程中丢弃了这些对分类至关重要的信息。由此得出结论，该识别方法无需对FD进行PCA降维。
最后，研究将SVM与另一种高效分类器ELM进行了性能对比。实验使用了ELM_kernel工具箱，同样以RBF为核函数进行分类。对比结果显示，在计算耗时方面，SVM已经达到了与ELM相媲美的速度；而在分类准确率上，SVM则大幅领先于ELM，达到了95%以上的高水平。这证实了在小样本情况下，基于结构风险最小化的SVM比基于经验风险最小化的ELM具有更强的泛化能力和鲁棒性，更适用于本研究的分类任务。
研究结论与价值
本研究成功地提出并验证了一种从服装图像中准确提取轮廓，并以傅里叶描述子表征其形状特征，再通过支持向量机进行多分类的服装款式识别新方法。通过对包含650个样本、8类款式的样本库进行10次交叉验证实验，得出以下具体结论：FD对服装款式特征的表达能力优于Hu不变矩及两者的融合特征；对FD进行PCA降维反而会降低识别准确率，故无需此步骤；相较于ELM，SVM在分类准确率上表现更为卓越。该方法最终能够实现95%以上的识别准确率，尤其对轮廓特征鲜明的款式识别效果更佳。
该研究的科学价值在于系统地比较分析了多种特征提取和分类器组合的性能，明确了“FD+SVM”框架在服装款式识别领域的优势，为后续研究提供了明确的参考基线。其实践应用价值则更为直接，该方法算法简单、适应性强、识别速度快且准确率高，能够为服装电商的消费者画像、营销决策，甚至为结合人脸与服装特征的安防身份认证系统提供一种高效、可靠的技术支持。研究的一个核心亮点在于其实验设计的全面性与严谨性，不仅提出了一个高效的新方法，还通过逐步对比论证，清晰地阐释了为何选择FD而非其他特征、为何无需PCA降维、为何SVM优于ELM，这使得研究结论极具说服力。