本發(fā)明涉及圖像處理和機(jī)器學(xué)習(xí)的交叉領(lǐng)域，具體涉及基于卷積神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)的鞋模型檢索管理方法和系統(tǒng)。

背景技術(shù)：

大型制鞋廠和鞋類b2b(business-to-business，企業(yè)對企業(yè))交易平臺上常存放有數(shù)量巨大的不同模型的鞋底，鞋底是制鞋加工的重要部分，按需對鞋底進(jìn)行檢索是加速生產(chǎn)過程的重要技術(shù)手段。在鞋類b2b交易平臺上，先前的做法是將各個(gè)供應(yīng)商的鞋底模型按照價(jià)格、型號等因素排序，供買家瀏覽選擇；而現(xiàn)實(shí)情況則是買家更希望通過給定實(shí)際銷售樣例的鞋底圖片作為輸入去檢索相應(yīng)鞋底模型的供應(yīng)商，以期能夠檢索到這種鞋底及其供應(yīng)商，以便于向該供應(yīng)商采購大量鞋底用于制造給定實(shí)際銷售樣例的這種鞋。這樣一來，買家能夠基于圖片檢索很快找到自己所需的鞋底，而不是在浩瀚的鞋底庫中用人眼去識別所需要的鞋底?？梢姡瑢?shí)現(xiàn)基于圖像特征的鞋模型檢索有很重要的應(yīng)用價(jià)值。目前相關(guān)的技術(shù)是電商平臺所用的商業(yè)推薦系統(tǒng)，具體是通過采用圖片來進(jìn)行搜索，以求能夠搜索到相同或相似的商品。這種商業(yè)推薦系統(tǒng)的圖片檢索方法采用了豐富的圖像特征，包括了幾乎所有的外觀特征(如鞋幫、鞋的顏色、款式)和買賣方描述等屬性，搜索結(jié)果是更加符合用戶想購買的鞋種類。而在制鞋廠鞋模具檢索管理和鞋類b2b交易平臺中，鞋幫、顏色特征和買賣方描述等因素屬于無關(guān)因素，僅鞋底的外觀、結(jié)構(gòu)決定了鞋模型的類別。

可見，現(xiàn)有技術(shù)已經(jīng)無法滿足當(dāng)前制鞋廠和鞋類b2b交易平臺對于鞋模型檢索和管理的需求。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的主要目的在于提出一種基于卷積神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)的鞋模型檢索管理方法，該方法能夠通過對輸入的鞋模型產(chǎn)生的鞋底圖片進(jìn)行特征提取來描述待檢索的鞋模型，并在檢索時(shí)將輸入的圖像的特征提取結(jié)果與庫存特征進(jìn)行比對驗(yàn)證，以實(shí)現(xiàn)檢索出匹配的目標(biāo)鞋模型，從而解決現(xiàn)有技術(shù)無法為制鞋廠和鞋類b2b交易平臺提供可靠、高效的鞋模型檢索管理的問題。

本發(fā)明為達(dá)上述目的所提供的技術(shù)方案如下：

一種鞋模型檢索管理方法，包括以下步驟：

s1、對多張含有鞋底圖像的鞋模型圖片進(jìn)行預(yù)處理，得到對應(yīng)的標(biāo)準(zhǔn)圖片，其中，所有標(biāo)準(zhǔn)圖片具有一致的色度、尺寸和鞋底朝向；

s2、對每一標(biāo)準(zhǔn)圖片，按預(yù)設(shè)的位置和層次進(jìn)行摳取，得到多個(gè)不同的取樣圖塊；

s3、對每一標(biāo)準(zhǔn)圖片，將步驟s2中形成的多個(gè)取樣圖塊以及該標(biāo)準(zhǔn)圖片統(tǒng)一縮放到一預(yù)定尺寸，得到多個(gè)歸一化圖塊；

s4、將各歸一化圖塊輸入到預(yù)先訓(xùn)練好的對應(yīng)參數(shù)的卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行特征提取，以得到各歸一化圖塊對應(yīng)的參考特征向量；

s5、將每一標(biāo)準(zhǔn)圖片的每一歸一化圖塊對應(yīng)的參考特征向量與該標(biāo)準(zhǔn)圖片所屬鞋模型的唯一標(biāo)識號關(guān)聯(lián)并保存于一特征庫中；同一標(biāo)準(zhǔn)圖片的多個(gè)參考特征向量構(gòu)成該標(biāo)準(zhǔn)圖片的特征矩陣；

s6、對給定的待檢索圖片執(zhí)行步驟s1至s4，得到多個(gè)待比對特征向量；將各所述待比對特征向量與特征庫中每一特征矩陣中對應(yīng)位置和層次的參考特征向量分別進(jìn)行比對以驗(yàn)證是否屬于同一鞋模型；

s7、對所述多個(gè)待比對特征向量與所有特征矩陣中對應(yīng)的參考特征向量比對驗(yàn)證的結(jié)果進(jìn)行統(tǒng)計(jì)，以返回與待檢索圖片中的鞋底最匹配的鞋模型。

本發(fā)明提供的上述鞋模型檢索管理方法，首先通過步驟s1至s5將所有待管理的鞋模型以特征矩陣進(jìn)行描述后存入特征庫，而后可對給定鞋模型圖片基于特征庫進(jìn)行檢索，查找出匹配的鞋模型，得到匹配的鞋模型的唯一標(biāo)識號，通過該標(biāo)識號可調(diào)用對應(yīng)的鞋模型圖片，可得知供應(yīng)商等信息。該方法用于鞋類b2b交易平臺時(shí)，對鞋部件的供應(yīng)商和采購商而言都是相當(dāng)方便的，尤其是對于像制鞋廠這樣的采購商尋找特定鞋模型以進(jìn)行采購時(shí)，是非常方便的，只要在b2b交易平臺輸入該特定鞋模型的包含鞋底的圖片，即可檢索出匹配的鞋模型，得到其供應(yīng)商信息和型號等；即便沒有最匹配的鞋模型，也會根據(jù)相似度排序羅列出較為匹配的鞋模型。

優(yōu)選地，步驟s2中按預(yù)設(shè)的位置和層次進(jìn)行摳取具體包括：在標(biāo)準(zhǔn)圖片的鞋底區(qū)域中標(biāo)注出多個(gè)位置點(diǎn)；然后針對每一位置點(diǎn)，都以該位置點(diǎn)為中心摳取多個(gè)不同大小的圖塊。

優(yōu)選地，標(biāo)注的所述位置點(diǎn)的個(gè)數(shù)為n，每一位置點(diǎn)摳取m個(gè)不同大小的圖塊，使得每張標(biāo)準(zhǔn)圖片得到m×n個(gè)不同的取樣圖塊，經(jīng)步驟s3后每張標(biāo)準(zhǔn)圖片對應(yīng)得到m×n+1個(gè)歸一化圖塊；m≥1，n≥1。

優(yōu)選地，還包括對步驟s4中所述對應(yīng)參數(shù)的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練的步驟：選取w張標(biāo)準(zhǔn)圖片的總共(m×n+1)×w個(gè)歸一化圖塊，將每張標(biāo)準(zhǔn)圖片的對應(yīng)位置和層次的歸一化圖塊分為一組，同時(shí)各標(biāo)準(zhǔn)圖片本身對應(yīng)的歸一化圖塊作為一組，形成m×n+1組訓(xùn)練數(shù)據(jù)，用m×n+1組訓(xùn)練數(shù)據(jù)去分別訓(xùn)練具有同樣架構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)，以得到m×n+1套網(wǎng)絡(luò)參數(shù)，w≥1；每一套網(wǎng)絡(luò)參數(shù)對應(yīng)地用于對所有標(biāo)準(zhǔn)圖片的對應(yīng)位置和層次的歸一化圖塊進(jìn)行特征提取。

優(yōu)選地，進(jìn)行所述特征提取時(shí)，所述卷積神經(jīng)網(wǎng)絡(luò)的架構(gòu)由輸入端至輸出端依次包括：多個(gè)依次串聯(lián)的卷積層；連接于最后一層卷積層的第一全連接層和連接于倒數(shù)第二層卷積層的第二全連接層；同時(shí)連接于第一和第二全連接層的輸出端的第三全連接層；其中，所述第三全連接層的輸出為所述參考特征向量。

優(yōu)選地，步驟s6具體包括：將各待比對特征向量與特征庫中每一標(biāo)準(zhǔn)圖片的對應(yīng)位置和層次的參考特征向量分別進(jìn)行拼接，形成多個(gè)拼接向量后依次輸入至預(yù)先訓(xùn)練過的svm判同分類器中，以判別構(gòu)成各所述拼接向量的待比對特征向量和對應(yīng)的參考特征向量是否屬于同一鞋模型并輸出代表是或否的判別結(jié)果。

優(yōu)選地，還包括對svm判同分類器進(jìn)行訓(xùn)練的步驟：采用步驟s4中得到的參考特征向量，將屬于同一鞋模型的對應(yīng)位置和層次的兩個(gè)參考特征向量進(jìn)行拼接形成一個(gè)正例樣本向量，將對應(yīng)位置和層次的兩個(gè)不屬于同一鞋模型的參考特征向量進(jìn)行拼接形成一個(gè)負(fù)例樣本向量；從而，對每一標(biāo)準(zhǔn)圖片，得到r個(gè)正例樣本向量以及r個(gè)負(fù)例樣本向量；采用各標(biāo)準(zhǔn)圖片的對應(yīng)位置和層次的正例樣本向量和負(fù)例樣本向量去訓(xùn)練所述svm判同分類器，從而得到r個(gè)具有不同的參數(shù)的svm判同分類器；其中r是一標(biāo)準(zhǔn)圖片中的歸一化圖塊的數(shù)量，r≥2；每一svm判同分類器分別基于各自的參數(shù)，對對應(yīng)位置和層次的參考特征向量和待比對特征向量進(jìn)行是否同屬一個(gè)鞋模型的判別。

優(yōu)選地，一個(gè)svm判同分類器每判別一個(gè)拼接向量則輸出一位二進(jìn)制數(shù)，1表示判別結(jié)果為是，0表示判別結(jié)果為否；則：所述待檢索圖片的所有待比對特征向量與特征庫的一特征矩陣中對應(yīng)位置和層次的參考特征向量分別經(jīng)由對應(yīng)的svm判同分類器進(jìn)行判別后，所有的r個(gè)svm判同分類器的輸出構(gòu)成一個(gè)r位的二進(jìn)制序列；當(dāng)特征庫中的所有特征矩陣都被比對后，總共產(chǎn)生v個(gè)r位的二進(jìn)制序列，其中v為特征庫中特征矩陣的數(shù)量，v≥1；

步驟s7具體包括：對每個(gè)r位的二進(jìn)制序列分別統(tǒng)計(jì)二進(jìn)制數(shù)1的個(gè)數(shù)，然后選出v個(gè)二進(jìn)制序列中1的個(gè)數(shù)最多的前k名，k≥1；將與所述待檢索圖片進(jìn)行比對驗(yàn)證時(shí)產(chǎn)生前k名二進(jìn)制序列的k個(gè)特征矩陣分別所屬的鞋模型的標(biāo)識號作為檢索結(jié)果返回。

本發(fā)明另還提出一種鞋模型檢索管理系統(tǒng)，包括模型數(shù)據(jù)存儲器、計(jì)算機(jī)可讀存儲介質(zhì)以及處理器，所述計(jì)算機(jī)可讀存儲介質(zhì)上存儲有計(jì)算機(jī)程序，所述處理器用于執(zhí)行所述計(jì)算機(jī)程序以實(shí)現(xiàn)權(quán)利要求1所述方法的步驟。

優(yōu)選地，所述模型數(shù)據(jù)存儲器用于存儲步驟s5中形成的特征矩陣。

本發(fā)明提出的上述鞋模型檢索管理系統(tǒng)，可用于制鞋廠、鞋類b2b交易平臺等進(jìn)行鞋模型的檢索和管理，通過該系統(tǒng)，能夠?qū)τ脩糨斎氲男Ｐ蛨D片進(jìn)行處理后以特征向量來描述鞋模型，然后與系統(tǒng)中存儲的鞋模型(以特征矩陣描述)進(jìn)行一一比對驗(yàn)證，判別是否屬于同一鞋模型或具有較高的相似度，并返回屬于同一鞋模型或相似度較高的特征矩陣所關(guān)聯(lián)的鞋模型標(biāo)識號，根據(jù)標(biāo)識號可調(diào)用相對應(yīng)的鞋模型圖片，也可獲知對應(yīng)鞋模型的供應(yīng)商等信息。

附圖說明

圖1是對標(biāo)準(zhǔn)圖片進(jìn)行不同位置和層次的圖塊摳取的模型圖；

圖2是卷積神經(jīng)網(wǎng)絡(luò)的一種示例性架構(gòu)圖；

圖3是svm判同分類器進(jìn)行判別的過程示意圖。

具體實(shí)施方式

下面結(jié)合附圖和具體的實(shí)施方式對本發(fā)明作進(jìn)一步說明。

本發(fā)明的具體實(shí)施方式提供一種基于卷積神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)的鞋模型檢索管理方法，通過對輸入的含有鞋底圖像的待檢索鞋模型圖片進(jìn)行處理，通過卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取來描述鞋模型，通過svm判同分類器來將待檢索鞋模型的特征與預(yù)先存儲的很多個(gè)鞋模型的特征分別進(jìn)行比對驗(yàn)證，從而輸出匹配的鞋模型。該方法大致包括以下步驟s1～s7：

s1、對多張含有鞋底圖像的鞋模型圖片進(jìn)行預(yù)處理，得到對應(yīng)的標(biāo)準(zhǔn)圖片，其中，所有標(biāo)準(zhǔn)圖片具有一致的色度、尺寸和鞋底朝向；

s2、對每一標(biāo)準(zhǔn)圖片，按預(yù)設(shè)的位置和層次進(jìn)行摳取，得到多個(gè)不同的取樣圖塊；

s3、對每一標(biāo)準(zhǔn)圖片，將步驟s2中形成的多個(gè)取樣圖塊以及該標(biāo)準(zhǔn)圖片統(tǒng)一縮放到一預(yù)定尺寸，得到多個(gè)歸一化圖塊；

s4、將各歸一化圖塊輸入到預(yù)先訓(xùn)練好的對應(yīng)參數(shù)的卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行特征提取，以得到各歸一化圖塊對應(yīng)的參考特征向量；

s5、將每一標(biāo)準(zhǔn)圖片的每一歸一化圖塊對應(yīng)的參考特征向量與該標(biāo)準(zhǔn)圖片所屬鞋模型的唯一標(biāo)識號關(guān)聯(lián)并保存于一特征庫中；同一標(biāo)準(zhǔn)圖片的多個(gè)參考特征向量構(gòu)成該標(biāo)準(zhǔn)圖片的特征矩陣；

s6、對給定的待檢索圖片執(zhí)行步驟s1至s4，得到多個(gè)待比對特征向量；將各所述待比對特征向量與特征庫中每一特征矩陣中對應(yīng)位置和層次的參考特征向量分別進(jìn)行比對以驗(yàn)證是否屬于同一鞋模型；

s7、對所述多個(gè)待比對特征向量與所有特征矩陣中對應(yīng)的參考特征向量比對驗(yàn)證的結(jié)果進(jìn)行統(tǒng)計(jì)，以返回與待檢索圖片中的鞋底最匹配的鞋模型。

下面通過一些具體的實(shí)施例來對上述方法的各個(gè)實(shí)施步驟進(jìn)行詳細(xì)的說明。

對于使用該方法進(jìn)行鞋模型的檢索管理的制鞋廠或b2b交易平臺而言，首先得將其所擁有的數(shù)量巨大的鞋模型的圖片進(jìn)行圖像處理后保存入庫。獲取到鞋模型的圖片后，需要對這些圖片先進(jìn)行預(yù)處理，比如進(jìn)行篩選去除不含鞋底的圖片，輔助交互完成對鞋底圖像區(qū)域的外邊框定位、矯正鞋底方向?yàn)榻y(tǒng)一的朝向(例如鞋跟統(tǒng)一在左側(cè)、鞋掌統(tǒng)一在右側(cè)的水平擺放位置)，對鞋底圖像區(qū)域進(jìn)行進(jìn)行色彩處理以將色度統(tǒng)一轉(zhuǎn)換為一固定值，最后將圖像縮放到固定大小(如寬400像素、高140像素)，形成很多張鞋底的標(biāo)準(zhǔn)圖片。

步驟s2中預(yù)設(shè)的位置和層次例如圖1所示的，在標(biāo)準(zhǔn)圖片的鞋底區(qū)域中標(biāo)注出多個(gè)位置點(diǎn)，并以每一位置點(diǎn)為中心摳取多個(gè)不同大小的圖塊。具體地，可以在鞋底區(qū)域分散性地標(biāo)出具有代表性的n個(gè)位置點(diǎn)(n≥1)，例如n＝7，在鞋跟部分的位置點(diǎn)p6、p7，鞋底中央的位置點(diǎn)p5，鞋掌部分的位置點(diǎn)p1～p4，但這僅是示例性的，具體實(shí)施該方法時(shí)可根據(jù)具體情況進(jìn)行不同的位置標(biāo)注。標(biāo)注出位置點(diǎn)之后，以每一位置點(diǎn)為中心摳取m個(gè)不同大小的圖塊(m≥1)，具體的做法例如可以是：以位置點(diǎn)p5為例，針對p5這個(gè)點(diǎn)，可以以它為中心，劃分出多個(gè)不同層次大小的圖塊，例如圖1中的m＝3個(gè)層次大小l1、l2、l3。對每個(gè)位置點(diǎn)都執(zhí)行這樣的層次劃分和摳取之后，每張標(biāo)準(zhǔn)圖片便可得到m×n＝7×3＝21個(gè)不同大小的取樣圖塊。需要說明，圖1中的模型僅僅是示例性的，層次大小的劃分時(shí)，每個(gè)圖塊也可以不以對應(yīng)的位置點(diǎn)為中心，只要包含該位置點(diǎn)也可以。

繼續(xù)以圖1中的模型為例來進(jìn)行說明，對每一標(biāo)準(zhǔn)圖片，將得到的21個(gè)取樣圖塊以及它本身進(jìn)行縮放到統(tǒng)一尺寸，該統(tǒng)一尺寸優(yōu)選地是與最小的取樣圖塊的尺寸相同或更小。這樣就得到22個(gè)歸一化圖塊(其中21對應(yīng)于標(biāo)準(zhǔn)圖片的不同局部，另1個(gè)對應(yīng)于標(biāo)準(zhǔn)圖片的全局)。

在一種優(yōu)選的實(shí)施方式中，用于進(jìn)行特征提取的卷積神經(jīng)網(wǎng)絡(luò)的架構(gòu)由輸入端至輸出端依次包括：多個(gè)依次串聯(lián)的卷積層；連接于最后一層卷積層的第一全連接層和連接于倒數(shù)第二層卷積層的第二全連接層；同時(shí)連接于第一和第二全連接層的輸出端的第三全連接層；其中，所述第三全連接層的輸出即為所述參考特征向量。

在一種實(shí)施例中，提供了如圖2所示的卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)，包括：

第一層是卷積層conv1，卷積操作的輸入是標(biāo)準(zhǔn)圖片的歸一化圖塊，卷積核大小為3*3，步長為2，特征通道數(shù)為20，輸出的特征大小根據(jù)公式計(jì)算可得，公式為(c,(h-k_h+1)/stride_h,(w–h_w+1)/stride_w)，其中c是輸出的特征通道數(shù)，h和w分別是輸入的高和寬，k_h和k_w分別是卷積核的高和寬，stride_h和stride_w分別是卷積操作的高度方向和寬度方向步長，如所述步長為2表示高度和寬度步長均為2；

第二層是卷積層conv2，該層輸入為conv1經(jīng)過核大小是2*2，步長是2的下采樣層后的特征層，下采樣的輸出大小計(jì)算卷積操作的計(jì)算類似，只是輸出的特征通道數(shù)等于輸入特征通道數(shù)。該卷積層的卷積核大小和步長與conv1一致，輸出特征通道數(shù)為60；

第三層是卷積層conv3，該層輸入為conv2經(jīng)過核大小是2*2，步長是2的下采樣層后的特征層，本卷積層的卷積核大小和步長和conv1一致，輸出的特征通道數(shù)為120；

第四層是卷積層conv4，該層輸入為conv3經(jīng)過核大小是2，步長是2的下采樣層后的特征層，本卷積層的卷積核大小和步長和conv1一致，輸出的特征通道數(shù)為60；

第五層是全連接層fc1_4、fc1_3，fc1_4是輸入為conv4的全連接層，其輸出特征的大小為conv4的神經(jīng)元個(gè)數(shù)；fc1_3是輸入為conv3的全連接層，其輸出特征的大小為conv3的神經(jīng)元個(gè)數(shù)。

第六層是全連接層fc2，該層的輸入是fc1_3、fc1_4兩層拼接的結(jié)果，該層輸出為特定個(gè)數(shù)神經(jīng)元的特征向量，該層的輸出即為特征提取的結(jié)果。

在進(jìn)行卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練時(shí)，還要用到第7層的全連接層fc3，該層的輸入是fc2層的輸出，輸出的神經(jīng)元數(shù)量由卷積神經(jīng)網(wǎng)絡(luò)模塊訓(xùn)練時(shí)根據(jù)采集的已有鞋底類別個(gè)數(shù)決定，輸出的結(jié)果送至softmax層分類，輸出已有的分類類別，該層在訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)的過程中使用，在特征提取時(shí)不使用。

在進(jìn)行特征提取前，進(jìn)行到步驟s3的時(shí)候，可對卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練以得到合適的用于特征提取的網(wǎng)絡(luò)參數(shù)。具體的訓(xùn)練過程如下：

訓(xùn)練時(shí)需要用到步驟s3生成的歸一化圖塊，接著前面的例子，例如選取100張標(biāo)準(zhǔn)圖片的總共22×100＝2200個(gè)歸一化圖塊，將每張標(biāo)準(zhǔn)圖片的對應(yīng)位置和層次的歸一化圖塊分為一組(例如每張標(biāo)準(zhǔn)圖片的位置點(diǎn)p1處層次大小為l1的圖塊歸為一組，位置點(diǎn)p1處層次大小為l2的圖塊又歸為一組，……，則所有標(biāo)準(zhǔn)圖片的局部圖塊共分成了21組)，同時(shí)各標(biāo)準(zhǔn)圖片本身對應(yīng)的歸一化圖塊作為一組，形成22組訓(xùn)練數(shù)據(jù)，用22組訓(xùn)練數(shù)據(jù)去分別訓(xùn)練該卷積神經(jīng)網(wǎng)絡(luò)，即每一組都對相同架構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，則可以得到22套不同的網(wǎng)絡(luò)參數(shù)；每一套網(wǎng)絡(luò)參數(shù)對應(yīng)地用于對所有標(biāo)準(zhǔn)圖片的對應(yīng)位置和層次的歸一化圖塊進(jìn)行特征提取。

接著以前述的例子說明步驟s4進(jìn)行特征提取的過程：對于某一標(biāo)準(zhǔn)圖片而言，其22個(gè)歸一化圖塊，分別采用訓(xùn)練好的對應(yīng)參數(shù)的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取，從而得到22個(gè)特征向量，作為后續(xù)比對用的參考特征向量，對每個(gè)標(biāo)準(zhǔn)圖片都這樣執(zhí)行。在如圖2所示的示例性架構(gòu)中，全連接層fc2的輸出是14個(gè)神經(jīng)元，因此特征提取得到的每個(gè)參考特征向量即為14個(gè)元素的一維向量。對每個(gè)標(biāo)準(zhǔn)圖片，其所屬的鞋模型都有唯一的標(biāo)識號，將標(biāo)準(zhǔn)圖片的參考特征向量與標(biāo)準(zhǔn)圖片對應(yīng)的鞋模型的標(biāo)識號進(jìn)行關(guān)聯(lián)后保存到特征庫中。同時(shí)每一標(biāo)準(zhǔn)圖片的22個(gè)1×14的參考特征向量可以構(gòu)成用于描述該標(biāo)準(zhǔn)圖片的特征矩陣，即特征庫中的一個(gè)特征矩陣對應(yīng)于一張標(biāo)準(zhǔn)圖片。

此時(shí)，基本完成了對庫存鞋模型建立檢索管理用的特征庫的流程，特征庫中的特征矩陣即可用于檢索時(shí)供比對驗(yàn)證用。

在進(jìn)行步驟s6的檢索過程時(shí)，優(yōu)選地采用svm判同分類器進(jìn)行特征向量的比對。同樣地，svm判同分類器也需要進(jìn)行訓(xùn)練。下面基于前述的例子對svm判同分類器的訓(xùn)練過程進(jìn)行示例性說明：

選用經(jīng)過卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取后生成的參考特征向量，將屬于同一鞋模型的對應(yīng)位置和層次的兩個(gè)參考特征向量進(jìn)行拼接形成一個(gè)正例樣本向量，將對應(yīng)位置和層次的兩個(gè)不屬于同一鞋模型的參考特征向量進(jìn)行拼接形成一個(gè)負(fù)例樣本向量。參考圖1，例如兩個(gè)參考特征向量，都是對應(yīng)于位置點(diǎn)p1處層次大小為l1的圖塊(此處的所述圖塊可以是同一標(biāo)準(zhǔn)圖片上的同一圖塊；也可以是兩個(gè)標(biāo)準(zhǔn)圖片上對應(yīng)位置和層次的圖塊，且這兩個(gè)標(biāo)準(zhǔn)圖片屬于同一鞋模型)，這兩個(gè)參考特征向量拼接成一個(gè)正例樣本向量。從而，對每一標(biāo)準(zhǔn)圖片，得到r個(gè)正例樣本向量以及r個(gè)負(fù)例樣本向量；采用各標(biāo)準(zhǔn)圖片的對應(yīng)位置和層次的正例樣本向量和負(fù)例樣本向量去訓(xùn)練所述svm判同分類器，從而得到r個(gè)具有不同的參數(shù)的svm判同分類器；其中r是一標(biāo)準(zhǔn)圖片中的歸一化圖塊的數(shù)量，r≥2(因?yàn)橐粯?biāo)準(zhǔn)圖片的歸一化圖塊至少包括一個(gè)局部圖塊和一個(gè)全局圖塊)；采用前述的例子，則得到r＝22個(gè)具有不同參數(shù)的svm判同分類器，也可以看作22個(gè)不同的svm判同子分類器。每一svm判同子分類器分別用于對對應(yīng)位置和層次的參考特征向量和待比對特征向量進(jìn)行是否同屬一個(gè)鞋模型的判別，可參考圖3，s1、s2、……至s22即代表22個(gè)svm判同子分類器。

下面繼續(xù)基于前述的例子來說明采用訓(xùn)練好的svm判同分類器進(jìn)行輔助檢索的過程，如圖3所示，對于一待檢索的圖片，在經(jīng)過步驟s1～s4的處理后得到22個(gè)待比對的特征向量，這22個(gè)特征向量同樣也可構(gòu)成用于描述待檢索圖片對應(yīng)的標(biāo)準(zhǔn)圖片的特征描述矩陣，將待比對的特征描述矩陣與特征庫中存放的所有特征矩陣進(jìn)行分別都進(jìn)行比對，比對時(shí)具體是矩陣之間兩個(gè)對應(yīng)的特征向量分別兩兩進(jìn)行比對。在優(yōu)選的實(shí)施例中，特征向量的比對則就是通過svm判同分類器進(jìn)行。由于每個(gè)待比對的特征向量y1至y22都一一對應(yīng)于某個(gè)位置點(diǎn)處某個(gè)層次大小的圖塊，同時(shí)每個(gè)svm判同子分類器也是分別對應(yīng)地由某個(gè)位置點(diǎn)處某個(gè)層次大小的圖塊的特征向量訓(xùn)練形成的，因此，前述訓(xùn)練形成的22個(gè)不同參數(shù)的svm判同子分類器s1至s22也是與22個(gè)待比對的特征向量y1至y22存在一一對應(yīng)關(guān)系，比對哪個(gè)特征向量時(shí)該采用哪個(gè)svm判同子分類器，這是固定的和已知的。

繼續(xù)參考圖3，例如，22個(gè)待比對的特征向量與特征庫中的代表某一標(biāo)準(zhǔn)圖片的特征矩陣進(jìn)行比對的過程：將一個(gè)待比對的特征向量y1與該特征矩陣中對應(yīng)的參考特征向量進(jìn)行拼接形成一個(gè)拼接向量，該拼接向量輸入對應(yīng)參數(shù)的svm判同子分類器s1中，進(jìn)行是否屬于同一鞋模型的判別，若是，則輸出二進(jìn)制數(shù)1；若否則輸出二進(jìn)制數(shù)0。則該22個(gè)待比對的特征向量與一個(gè)特征矩陣進(jìn)行比對之后，22個(gè)svm判同子分類器總共輸出22位二進(jìn)制數(shù)，構(gòu)成一個(gè)二進(jìn)制序列。當(dāng)與特征庫中的所有特征矩陣都進(jìn)行完比對之后，形成多個(gè)二進(jìn)制序列。最后對這些二進(jìn)制序列，分別統(tǒng)計(jì)每個(gè)二進(jìn)制序列中的1的個(gè)數(shù)，還可進(jìn)一步求1的個(gè)數(shù)所占的比例，比例最高的前幾名二進(jìn)制序列，能夠獲知其是與哪些特征矩陣比對得到的，因此能夠得到對應(yīng)于該前幾名二進(jìn)制序列的特征庫中的特征矩陣，而這些特征矩陣都是和所屬鞋模型的標(biāo)識號關(guān)聯(lián)的，也就可以輸出最為匹配的鞋模型的標(biāo)識號?；蛘?，檢索結(jié)果的返回是以匹配度的降序排列的，而不是只返回最匹配的一個(gè)或幾個(gè)。

在另一些實(shí)施例中，也可再進(jìn)一步地通過返回的標(biāo)識號調(diào)用對應(yīng)的鞋模型圖片及供應(yīng)商等信息提供給用戶?；蛘?，用戶可根據(jù)返回的標(biāo)識號自行去他們的數(shù)據(jù)庫中調(diào)用。在此不再限定。

本發(fā)明的另一具體實(shí)施方式還提供了一種鞋模型檢索管理系統(tǒng)，包括模型數(shù)據(jù)存儲器、計(jì)算機(jī)可讀存儲介質(zhì)以及處理器，所述計(jì)算機(jī)可讀存儲介質(zhì)上存儲有計(jì)算機(jī)程序，所述處理器用于執(zhí)行所述計(jì)算機(jī)程序以實(shí)現(xiàn)前述鞋模型檢索管理方法的步驟。其中，模型數(shù)據(jù)存儲器用于存儲檢索時(shí)供比對用的特征矩陣。

以上內(nèi)容是結(jié)合具體的優(yōu)選實(shí)施方式對本發(fā)明所作的進(jìn)一步詳細(xì)說明，不能認(rèn)定本發(fā)明的具體實(shí)施只局限于這些說明。對于本發(fā)明所屬技術(shù)領(lǐng)域的技術(shù)人員來說，在不脫離本發(fā)明構(gòu)思的前提下，還可以做出若干等同替代或明顯變型，而且性能或用途相同，都應(yīng)當(dāng)視為屬于本發(fā)明的保護(hù)范圍。