[發明專利]酒店房型圖像的排序方法

有效

• 申請號: 201611093151.1
• 申請日: 2016-12-01
• 公開（公告）號: CN106650795B
• 公開（公告）日: 2020-06-12
• 發明（設計）人: 李翔
• 申請（專利權）人: 攜程計算機技術（上海）有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/08
• 代理公司: 上海弼興律師事務所 31283
• 代理人: 薛琦;羅朗

1.一種酒店房型圖像的排序方法，其特征在于，包括以下步驟：

S₁、建立酒店房型圖像的內容分類模型；

S₂、建立酒店房型圖像的質量量化模型；

S₃、結合所述內容分類模型及所述質量量化模型對酒店房型圖像進行排序；

步驟S₁包括：

S₁₁、收集多個圖像，并生成第一圖像訓練集；

S₁₂、利用所述第一圖像訓練集訓練基于深度神經網絡的圖像特征提取器；

S₁₃、收集酒店房型圖像，并生成第二圖像訓練集；

其中，所述第二圖像訓練集中的所述酒店房型圖像的內容為基于不同房型類別進行標注的內容；

S₁₄、利用所述第二圖像訓練集訓練酒店房型圖像的內容分類模型；

步驟S₂包括：

S₂₁、量化酒店房型圖像的清晰度，獲取圖像的清晰度分數；

S₂₂、量化酒店房型圖像的色彩豐富度；

S₂₃、結合所述清晰度分數及所述色彩豐富度得到酒店房型圖像的質量分數；

步驟S₃包括：

S₃₁、利用步驟S₁建立的內容分類模型計算酒店房型圖像所屬的圖像類別ID；

S₃₂、利用步驟S₂建立的質量量化模型計算酒店房型圖像的質量分數；

S₃₃、結合所述圖像類別ID和所述圖像質量分數得到圖像排序分數；圖像排序分數＝圖像類別ID*100+(100-質量分數)；

重復執行步驟S₃₁-S₃₃，計算所有酒店房型圖像的圖像排序分數，根據圖像排序分數對酒店房型圖像進行排序。

2.如權利要求1所述的酒店房型圖像的排序方法，其特征在于，步驟S₁₂中所訓練的深度神經網絡為19層的VGG網絡，包括16個卷積層和3個全連接層。

3.如權利要求2所述的酒店房型圖像的排序方法，其特征在于，步驟S₁₂中所述圖像特征提取器提取每張圖像在所述VGG網絡中特定層的輸出值作為該張圖像的特征。

4.如權利要求1所述的酒店房型圖像的排序方法，其特征在于，步驟S₁₄包括：

S₁₄₁、將通過步驟S₁₃生成的所述第二圖像訓練集中的所有圖像，利用步驟S₁₂訓練得到的所述圖像特征提取器進行特征提取；

S₁₄₂、利用通過步驟S₁₄₁提取到的所述第二圖像訓練集中的圖像對應的圖像特征和圖像的類別，訓練得到最優分類超平面，以對酒店房型圖像的內容進行自動分類。

5.如權利要求1所述的酒店房型圖像的排序方法，其特征在于，步驟S₂₁、包括：

S₂₁₁、對酒店房型圖像進行高斯濾波得到濾波后的目標圖像；

S₂₁₂、分別對所述酒店房型圖像和所述目標圖像進行拉普拉斯濾波；

S₂₁₃、計算所述酒店房型圖像經過拉普拉斯濾波后圖像的第一像素值方差，并計算所述目標圖像經過拉普拉斯濾波后圖像的第二像素值方差；

S₂₁₄、計算所述酒店房型圖像的清晰度分數，計算公式為C＝(Var1-Var2)/Var1；其中，C表示清晰度分數，Var1表示所述第一像素值方差，Var2表示所述第二像素值方差。

6.如權利要求1所述的酒店房型圖像的排序方法，其特征在于，在步驟S₂₂中，所述色彩豐富度與酒店房型圖像的像素值方差呈正相關。

7.如權利要求5所述的酒店房型圖像的排序方法，其特征在于，在步驟S₂₃中，根據步驟S₂₂中量化的色彩豐富度換算對應的懲罰系數，并計算酒店房型圖像的質量分數，計算公式為Q＝(a*C)*100，其中Q表示質量分數，a表示懲罰系數。