1.一种基于卷积神经网络的服装属性识别方法，其特征在于，步骤如下：步骤1：候选区的选取，以选择性搜索算法提取候选区域，通过各个提取区域间的颜色、纹理、尺寸和吻合度之间的相似性对区域进行合并；

1)使用基于图的图像分割算法分割得到原始分割区域集合，用R＝{r1,r2,...rn}表示；

2)计算相邻区域之间的相似度包括颜色相似度、纹理相似度、尺寸相似度以及吻合度，并存储在集合S中；

3)合并集合R中相似度最高的两个相邻区域rp和rq形成新的区域rt，并在集合S中删除rp和rq相邻区域之间的相似度；

4)计算rt和相邻区域之间的相似度，并将相似度的值存入集合S中，将rt储存在集合R中；

5)迭代重复步骤3、4，直到集合S为空；

6)按照尺寸大小筛选出可能的候选框；

步骤2：对提取的矩形区域进行预处理；

具体处理为：模型图像的输入尺寸为224*224*3，用双线性插值方法对矩形框进行防缩，放缩系数τ由矩形框中比较长的一边决定；在经过放缩系数为τ的等比放缩后，在短边方向上两边会留有长度为a的空白；用全0填充短边方向上的空白；

步骤3：候选区的特征提取和分类；

将尺寸归一化的经选择性搜索算法提取候选框在稀疏神经网络CNN中进行传播，将最后池化层的2048维特征向量提取出来，然后用训练好的L‑Softmax预测其属于每个分类可能性及分数，对于每个类别，图片中的预选区域都会对其有一个分数；

步骤4：采用非极大值抑制来对提取的区域进行筛选评价；

步骤5：采用边界回归的方法校正识别区域，提取通过稀疏神经网络的池化层特征值，进行平移变换和尺度防缩；最终模型的输出是对目标边框的预测值。

2.如权利要求1所述的一种基于卷积神经网络的服装属性识别方法，其特征在于，所述的步骤1中，使用的颜色分量包括：(1)RGB空间的R、G、B；(2)加权灰度值I；(3)Lab颜色空间L、a、b；(4)HSV颜色空间H、S和V。

3.如权利要求1或2所述的一种基于卷积神经网络的服装属性识别方法，其特征在于，所述的选择性搜索算法中阈值设置为50，聚类尺度参数为18。

4.如权利要求1或2所述的一种基于卷积神经网络的服装属性识别方法，其特征在于，所述的步骤5中，边界回归包含两个变换、平移变换和尺度放缩。

5.如权利要求1或2所述的一种基于卷积神经网络的服装属性识别方法，其特征在于，所述的非极大值抑制，步骤如下：首先设6个预选框，根据经过分类器后的分类概率排序，从小到大分别属于某一类的概率排序为A、B、C、D、E、F；

1)从最大概率的选区F开始，分别判断A～E与F的重叠度IOU是否大于某一个预先设定的阈值；

2)假设B、D和F的IOU大于设定的阈值，那么排除B和D，标记概率最大的矩形框F并保留下来；

3)从余下来的选区A、C、E中，选择概率最大的区域E，然后计算E与A、C的IOU,如果重叠度大于设定的阈值就排除,并且标记E是保留下来的第二个区域；

4)重复上述过程，直到筛选出所有保留下来的候选区。

6.如权利要求3所述的一种基于卷积神经网络的服装属性识别方法，其特征在于，所述的非极大值抑制，步骤如下：首先设6个预选框，根据经过分类器后的分类概率排序，从小到大分别属于某一类的概率排序为A、B、C、D、E、F；

1)从最大概率的选区F开始，分别判断A～E与F的重叠度IOU是否大于某一个预先设定的阈值；

2)假设B、D和F的IOU大于设定的阈值，那么排除B和D，标记概率最大的矩形框F并保留下来；

3)从余下来的选区A、C、E中，选择概率最大的区域E，然后计算E与A、C的IOU,如果重叠度大于设定的阈值就排除,并且标记E是保留下来的第二个区域；

4)重复上述过程，直到筛选出所有保留下来的候选区。