[發(fā)明專利]一種基于圖像的珠寶首飾分類方法及相似產(chǎn)品查詢方法

在審

• 申請?zhí)枺?/td>: 201711244283.4
• 申請日: 2017-11-30
• 公開（公告）號: CN107967334A
• 公開（公告）日: 2018-04-27
• 發(fā)明（設(shè)計）人: 馬馨杰;吳琦;肖瀟;龔純斌
• 申請（專利權(quán)）人: 睿視智覺（深圳）算法技術(shù)有限公司
• 主分類號: G06F17/30
• 分類號: G06F17/30;G06N3/04
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于圖像的珠寶首飾分類方法，其特征在于包括如下步驟：

步驟1，定義珠寶首飾的顯性屬性和隱性屬性；

步驟2，分別判定其顯性屬性和隱性屬性；

步驟3，將待分類的珠寶首飾按照顯性、隱性屬性分類整合輸出，完成分類。

2.如權(quán)利要求1所述的一種基于圖像的珠寶首飾分類方法，其特征在于：所述步驟2中，顯性屬性判定包括：款式識別、材質(zhì)識別、寶石識別和其它元素識別，隱性屬性判定包括：人物識別和場景識別。

3.如權(quán)利要求2所述的一種基于圖像的珠寶首飾分類方法，其特征在于：所述各屬性的類別分別是：款式識別包括戒指、項鏈、手鏈/腳鏈、耳飾、吊墜、手鐲、擺件和其它，材質(zhì)識別包括黃色金屬、白色金屬、玫瑰色類金屬和其它；寶石識別包括有寶石和無寶石；其它元素識別包括玉石、淺色珍珠、深色珍珠和其它；人物識別分為年齡識別和性別識別，年齡識別包括老年、中年、青年、少年、幼年、多人和其它，性別識別包括男性、女性、多人和其它；場景識別分為生日、婚禮、旅行、工作和其它。

4.如權(quán)利要求1所述的一種基于圖像的珠寶首飾分類方法，其特征在于：所述步驟2中，判斷某一屬性的詳細內(nèi)容是：

第一步，數(shù)據(jù)收集與預(yù)處理：

準備訓(xùn)練數(shù)據(jù)X與測試數(shù)據(jù)，按照待判斷的屬性的類別對數(shù)據(jù)進行標注，標簽表示為Y；數(shù)據(jù)均采用3通道圖像，將所有數(shù)據(jù)尺寸縮放為224*224*3；計算X的均值及標準差并做處理；

第二步，利用卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型：

使用訓(xùn)練好的模型提取淺層特征，然后再對圖像數(shù)據(jù)進行分類；網(wǎng)絡(luò)結(jié)構(gòu)使用vgg16，包括13個卷積層、5個下采樣層和3個全連接層，每個卷積層后利用relu函數(shù)得到卷積后的特征輸出；其中，卷積層的卷積核大小為3*3，下采樣層的核大小為2*2；

最后，加載模型的初始化參數(shù)，使用隨機梯度下降算法更新網(wǎng)絡(luò)參數(shù)，訓(xùn)練得到最適用于該訓(xùn)練樣本的網(wǎng)絡(luò)模型；

第三步，款式識別：

將圖片進行和訓(xùn)練數(shù)據(jù)X相同的白化處理后送入訓(xùn)練好的模型，輸出的最高概率對應(yīng)為產(chǎn)品所屬屬性。

5.如權(quán)利要求4所述的一種基于圖像的珠寶首飾分類方法，其特征在于：所述第一步中，還對訓(xùn)練數(shù)據(jù)隨機地進行圖片左右翻轉(zhuǎn)，從而增強數(shù)據(jù)。

6.如權(quán)利要求4所述的一種基于圖像的珠寶首飾分類方法，其特征在于：所述第二步中，還修改網(wǎng)絡(luò)最后一層的輸出類別個數(shù)，并且加快后幾層的參數(shù)學習速率，減少步長和迭代次數(shù)；神經(jīng)網(wǎng)絡(luò)輸出層輸出n個類別，n為待判斷的屬性的類別數(shù)目，接著使用softmax函數(shù)來分配概率得到識別結(jié)果，函數(shù)定義如下：

softmax(x)=exp(xi)Σjexp(xj).]]>

7.一種基于圖像的相似產(chǎn)品查詢方法，其特征在于包括如下步驟：

步驟1，數(shù)據(jù)收集與預(yù)處理：

準備訓(xùn)練數(shù)據(jù)X與測試數(shù)據(jù)，按照待判斷的屬性的類別對數(shù)據(jù)進行標注，標簽表示為Y；數(shù)據(jù)均采用3通道圖像，將所有數(shù)據(jù)尺寸縮放為224*224*3；計算X的均值及標準差并做處理；

步驟2，利用卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型：

使用訓(xùn)練好的模型提取淺層特征，然后再對圖像數(shù)據(jù)進行分類；網(wǎng)絡(luò)結(jié)構(gòu)使用vgg16，包括13個卷積層、5個下采樣層和3個全連接層，每個卷積層后利用relu函數(shù)得到卷積后的特征輸出；其中，卷積層的卷積核大小為3*3，下采樣層的核大小為2*2；

最后，加載模型的初始化參數(shù)，使用隨機梯度下降算法更新網(wǎng)絡(luò)參數(shù)，訓(xùn)練得到最適用于該訓(xùn)練樣本的網(wǎng)絡(luò)模型；

步驟3，利用以上模型提取圖片特征，圖片特征為模型倒數(shù)第二層全連接層輸出的4096維向量，通過計算兩向量的cos距離，來測試產(chǎn)品的相似度，以使相似產(chǎn)品的cos距離盡量大、不相似產(chǎn)品的cos距離盡量小為評判標準，來選取最適合的模型；

步驟4，將所有產(chǎn)品入庫并獲取產(chǎn)品屬性，也即圖片特征；

步驟5，對于任一輸入圖片，獲取產(chǎn)品屬性并與產(chǎn)品庫中所有產(chǎn)品進行屬性相似度匹配，進而實現(xiàn)相似產(chǎn)品的輸出。