一種商品圖像精細(xì)分類方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及一種商品圖像精細(xì)分類方法，屬于圖像處理技術(shù)領(lǐng)域。
【背景技術(shù)】
[0002] 隨著互聯(lián)網(wǎng)的發(fā)展，電子商務(wù)的逐漸普及。電子商務(wù)網(wǎng)站需要通過對在線銷售商 品進(jìn)行標(biāo)注W方便用戶進(jìn)行捜索。但"一圖勝千言"，傳統(tǒng)的基于人工標(biāo)注的方法不但費(fèi)時 費(fèi)力，又難做到準(zhǔn)確完整。如果在網(wǎng)站中設(shè)置圖片分類過濾器，無疑能方便用戶進(jìn)行瀏覽。 基于視覺信息的圖像自動分類技術(shù)能夠方便商家和用戶，如進(jìn)行商品自動標(biāo)注和輔助圖像 檢索。
[0003] 基于視覺信息的圖像自動分類是是根據(jù)圖像的視覺特征對圖像進(jìn)行自動語義 分類，需要克服類內(nèi)差異、遮擋、姿態(tài)變化和背景干擾對分類帶來的不利影響，目前是計(jì) 算機(jī)視覺領(lǐng)域最具挑戰(zhàn)的課題之一。針對商品圖像分類，S.Jia等（Automatic化St classificationofproductimageswithclass-specificdescriptor，Journal ofElectronics(Qiina).No. 6,pp. 7-10, 2010.)提出了 一種基于類描述的快速圖像分 類方法，在30類商品圖像中獲得了 84 %的正確率?；痚nBoiman等（InDefenseof Nearest-NeighborBasedImageClassification，ProceedingsofIEEEConferenceon ComputerVisionandPatternReco即ition)提出了一種樸素貝葉斯最近鄰的分類器 NB順，（化ive-BayesNearest-Nei曲bor)，在圖像局部特征空間采用最近鄰方法，計(jì)算圖 像-類之間的距離，并且證明了在基于貝葉斯假設(shè)下，該種分類器可W近似理論上最優(yōu)的 圖像分類器。但由于該種方式基于窮盡捜索，當(dāng)標(biāo)記圖像數(shù)目比較多、類別數(shù)比較大時，運(yùn) 行時間就會變得越來越多，很難達(dá)到實(shí)際應(yīng)用的要求。同時，W上的所有方法都是基于人工 提取特征進(jìn)行商品圖像的分類，而且都是對大規(guī)模的商品圖像進(jìn)行分類。

【發(fā)明內(nèi)容】

[0004] 為了克服上述的不足，本發(fā)明提供了一種商品圖像精細(xì)分類方法。本發(fā)明是研究 商品圖像的精細(xì)分類，首先應(yīng)用深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)自動學(xué)習(xí)商品圖像深層次的抽 象的特征，完全不用人為提取，其次，將自動學(xué)習(xí)到的圖像特征與支持向量機(jī)相結(jié)合，W克 服傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練學(xué)習(xí)時間長W及對硬件設(shè)備高的不足，最后完成對測試商品圖像 的分類。本發(fā)明可在保證較高正確率的情況下有效提高計(jì)算速度，適用于較大規(guī)模的商品 圖像精細(xì)分類。本發(fā)明要解決的技術(shù)問題是基于深度視覺特征的商品圖像分類，提供了一 種基于視覺信息的商品圖像分類方法，該種方法提取圖像的深層抽象特征，采用支持向量 機(jī)方法實(shí)現(xiàn)類別識別。
[0005] 本發(fā)明采取的技術(shù)方案如下：
[0006] 一種商品圖像精細(xì)分類方法，包括如下步驟：
[0007] 步驟一.輸入訓(xùn)練樣本：將分好類的商品圖像分別分為訓(xùn)練樣本與測試樣本，其 中訓(xùn)練樣本通常多于測試樣本；
[000引步驟二.簡單預(yù)處理：主要包括將輸入的RGB形式的訓(xùn)練樣本轉(zhuǎn)化為灰度圖像，其 次，由于圖像庫內(nèi)的圖像大小不一要將其歸一化到統(tǒng)一大小，同時由于圖像像素是在0~ 255的，所有需要對圖像像素做除W255的簡單操作，將像素統(tǒng)一歸一化到0~1，W方便后 續(xù)的運(yùn)算；
[0009] 步驟提取卷積特性；采用卷積神經(jīng)網(wǎng)絡(luò)首先對訓(xùn)練樣本進(jìn)行自動提取特征， 通過深層卷積網(wǎng)絡(luò)結(jié)構(gòu)的作用，從而得到深層抽象的特征；
[0010] 步驟四.轉(zhuǎn)化為特征向量；卷積神經(jīng)網(wǎng)絡(luò)經(jīng)過層層抽象所提取的特征是二維的， 所W要將各類圖像提取的特征轉(zhuǎn)換為特征向量W方便分類器使用；
[0011] 步驟五.SVM訓(xùn)練；將所得的特征描述子與支持向量機(jī)分類器相結(jié)合，分別訓(xùn)練出 各類相應(yīng)的模型；
[0012] 步驟六.SVM測試；計(jì)算出每張測試圖像的特征描述子發(fā)送給支持向量機(jī)，通過與 所得到的模型進(jìn)行逐一匹配；
[0013] 步驟走.分類結(jié)果；對每張測試圖像進(jìn)行模型匹配，所屬類別就是最匹配的模型 所屬的類別，將分類結(jié)果輸出。
[0014] 測試圖像的特征描述子的產(chǎn)生過程包括如下步驟：
[0015] 步驟一.輸入測試樣本：將分好類的商品圖像部分樣本作為測試樣本
[0016] 步驟二.簡單預(yù)處理：與訓(xùn)練樣本的處理方式相同主要包括圖像的灰度化與圖像 大小與像素的歸一化；
[0017] 步驟提取卷積特性：該過程與測試圖像提取特征過程一致，采用卷積神經(jīng)網(wǎng) 絡(luò)首先對訓(xùn)練樣本進(jìn)行自動提取特征，通過深層卷積網(wǎng)絡(luò)結(jié)構(gòu)的作用，從而得到深層抽象 的特征；
[001引步驟四.轉(zhuǎn)化為特征向量；該過程依然與對測試圖像所提取特征的處理方式一 致，由于卷積神經(jīng)網(wǎng)絡(luò)經(jīng)過層層抽象所提取的特征是二維的，所W要將各類圖像提取的特 征轉(zhuǎn)換為特征向量W方便分類器使用。
[0019] 本發(fā)明的有益效果：
[0020] (1)能夠僅根據(jù)商品圖像的視覺內(nèi)容實(shí)現(xiàn)商品的精細(xì)分類；
[0021] (2)采用深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)對商品圖像進(jìn)行多層次特征提取，W代替?zhèn)?統(tǒng)的人工提取特征。
[0022] (3)將卷積神經(jīng)網(wǎng)絡(luò)與支持向量機(jī)相結(jié)合，W克服卷積神經(jīng)網(wǎng)絡(luò)耗時長，對硬件設(shè) 備要求高的不足，同時彌補(bǔ)支持向量機(jī)與人工特征才能達(dá)到理想分類效果的缺點(diǎn)。
【附圖說明】
[0023] 圖1是本發(fā)明所述分類方法的示意圖。
[0024] 圖2是本發(fā)明實(shí)施例中的卷積神經(jīng)網(wǎng)絡(luò)提取特征示意圖。
[0025] 圖3是本發(fā)明所述分類方法的流程圖。
【具體實(shí)施方式】
[0026] 本方明的示意圖如圖1所示，具體實(shí)施如下；
[0027] 步驟一.輸入訓(xùn)練樣本：將分好類的商品圖像分別分為訓(xùn)練樣本與測試樣本，其 中訓(xùn)練樣本通常多于測試樣本；獲取已知類別的商品圖像樣本為訓(xùn)練圖像，樣本示例如表 1所示。由于圖像庫的內(nèi)每類樣本數(shù)量不同，每類隨機(jī)選取90~300個樣本；
[002引步驟二.簡單預(yù)處理：主要包括將輸入的RGB形式的訓(xùn)練樣本轉(zhuǎn)化為灰度圖像，其 次，由于圖像庫內(nèi)的圖像大小不一要將其歸一化到統(tǒng)一大小，同時由于圖像像素是在0~ 255的，所有需要對圖像像素做除W255的簡單操作，將像素統(tǒng)一歸一化到0~1，W方便后 續(xù)的運(yùn)算；對輸入樣本圖像進(jìn)行簡單預(yù)處理，為了提高運(yùn)算速度，將輸入的RGB圖像轉(zhuǎn)化為 灰度圖像，即灰度化處理，其次，由于圖像庫內(nèi)的圖像大小不一要將其歸一化到統(tǒng)一大小， 同時由于像素值都是在0~255,所W要將像素值做除W255的簡單運(yùn)算歸一化到0~1的 區(qū)間內(nèi)W方便訓(xùn)練學(xué)習(xí)。
[0029] 步驟提取卷積特性；采用卷積神經(jīng)網(wǎng)絡(luò)首先對訓(xùn)練樣本進(jìn)行自動提取特征， 通過深層卷積網(wǎng)絡(luò)結(jié)構(gòu)的作用，從而得到深層抽象的特征；采用卷積神經(jīng)網(wǎng)絡(luò)提取各類的 圖片特征，具體過程如圖2所示。
[0030] 卷積神經(jīng)網(wǎng)絡(luò)的簡介如下所示：
[0031] 根據(jù)卷積的數(shù)學(xué)定義，其主要有標(biāo)準(zhǔn)型與離散型，其中卷積神經(jīng)網(wǎng)絡(luò)中卷積層的 網(wǎng)絡(luò)結(jié)構(gòu)采用的是離散型，在卷積神經(jīng)網(wǎng)絡(luò)中表示如下公式所示：
[0032]
【主權(quán)項(xiàng)】
1. 一種商品圖像精細(xì)分類方法，其特征在于：包括如下步驟： 步驟一.輸入訓(xùn)練樣本：將分好類的商品圖像分別分為訓(xùn)練樣本與測試樣本，其中訓(xùn) 練樣本通常多于測試樣本； 步驟二.簡單預(yù)處理：主要包括將輸入的RGB形式的訓(xùn)練樣本轉(zhuǎn)化為灰度圖像，其次， 由于圖像庫內(nèi)的圖像大小不一要將其歸一化到統(tǒng)一大小，同時由于圖像像素是在〇~255 的，所有需要對圖像像素做除以255的簡單操作，將像素統(tǒng)一歸一化到O~1，以方便后續(xù)的 運(yùn)算； 步驟三.提取卷積特性：采用卷積神經(jīng)網(wǎng)絡(luò)首先對訓(xùn)練樣本進(jìn)行自動提取特征，通過 深層卷積網(wǎng)絡(luò)結(jié)構(gòu)的作用，從而得到深層抽象的特征； 步驟四.轉(zhuǎn)化為特征向量：卷積神經(jīng)網(wǎng)絡(luò)經(jīng)過層層抽象所提取的特征是二維的，所以 要將各類圖像提取的特征轉(zhuǎn)換為特征向量以方便分類器使用； 步驟五.SVM訓(xùn)練：將所得的特征描述子與支持向量機(jī)分類器相結(jié)合，分別訓(xùn)練出各類 相應(yīng)的模型； 步驟六.SVM測試：計(jì)算出每張測試圖像的特征描述子發(fā)送給支持向量機(jī)，通過與所得 到的模型進(jìn)行逐一匹配； 步驟七.分類結(jié)果：對每張測試圖像進(jìn)行模型匹配，所屬類別就是最匹配的模型所屬 的類別，將分類結(jié)果輸出。
2. 根據(jù)權(quán)利要求1所述的一種商品圖像精細(xì)分類方法，其特征在于：測試圖像的特征 描述子的產(chǎn)生過程包括如下步驟： 步驟一.輸入測試樣本：將分好類的商品圖像部分樣本作為測試樣本： 步驟二.簡單預(yù)處理：與訓(xùn)練樣本的處理方式相同主要包括圖像的灰度化與圖像大小 與像素的歸一化； 步驟三.提取卷積特性：該過程與測試圖像提取特征過程一致，采用卷積神經(jīng)網(wǎng)絡(luò)首 先對訓(xùn)練樣本進(jìn)行自動提取特征，通過深層卷積網(wǎng)絡(luò)結(jié)構(gòu)的作用，從而得到深層抽象的特 征； 步驟四.轉(zhuǎn)化為特征向量：該過程依然與對測試圖像所提取特征的處理方式一致，由 于卷積神經(jīng)網(wǎng)絡(luò)經(jīng)過層層抽象所提取的特征是二維的，所以要將各類圖像提取的特征轉(zhuǎn)換 為特征向量以方便分類器使用。
【專利摘要】本發(fā)明公開了一種商品圖像精細(xì)分類方法，屬于圖像處理技術(shù)領(lǐng)域。本發(fā)明包括如下步驟：步驟一.輸入訓(xùn)練樣本：將分好類的商品圖像分別分為訓(xùn)練樣本與測試樣本，其中訓(xùn)練樣本通常多于測試樣本；步驟二.簡單預(yù)處理：主要包括將輸入的RGB形式的訓(xùn)練樣本轉(zhuǎn)化為灰度圖像，其次，由于圖像庫內(nèi)的圖像大小不一要將其歸一化到統(tǒng)一大小，同時由于圖像像素是在0～255的，所有需要對圖像像素做除以255的簡單操作，將像素統(tǒng)一歸一化到0～1，以方便后續(xù)的運(yùn)算；步驟三.提取卷積特性：采用卷積神經(jīng)網(wǎng)絡(luò)首先對訓(xùn)練樣本進(jìn)行自動提取特征，通過深層卷積網(wǎng)絡(luò)結(jié)構(gòu)的作用，從而得到深層抽象的特征。
【IPC分類】G06F17-30, G06K9-00
【公開號】CN104866524
【申請?zhí)枴緾N201510168626
【發(fā)明人】賈世杰, 楊東坡, 曾潔, 陳少華
【申請人】大連交通大學(xué)
【公開日】2015年8月26日
【申請日】2015年4月10日