[發(fā)明專利]一種細(xì)粒度圖像分類(lèi)方法、系統(tǒng)、裝置和存儲(chǔ)介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 201910972670.2
• 申請(qǐng)日: 2019-10-14
• 公開(kāi)（公告）號(hào): CN111222530A
• 公開(kāi)（公告）日: 2020-06-02
• 發(fā)明（設(shè)計(jì)）人: 許廣廷;張朝婷;張洪
• 申請(qǐng)（專利權(quán)）人: 廣州極匯信息科技有限公司
• 主分類(lèi)號(hào): G06K9/62
• 分類(lèi)號(hào): G06K9/62;G06K9/46;G06N3/04;G06N3/08
• 代理公司: 廣州嘉權(quán)專利商標(biāo)事務(wù)所有限公司 44205
• 代理人: 何文聰

本發(fā)明公開(kāi)了一種細(xì)粒度圖像分類(lèi)方法、系統(tǒng)、裝置和存儲(chǔ)介質(zhì)，其中方法包括以下步驟：獲取待分類(lèi)的圖像信息；將圖像信息輸入采用局部區(qū)域進(jìn)行訓(xùn)練的識(shí)別模型進(jìn)行細(xì)粒度識(shí)別后，輸出識(shí)別分類(lèi)結(jié)果。本發(fā)明采用局部區(qū)域進(jìn)行增強(qiáng)模型訓(xùn)練，使模型更加適應(yīng)于細(xì)粒度識(shí)別，當(dāng)兩個(gè)商品高度相似時(shí)，識(shí)別模型更能有效地抓住商品圖像中的關(guān)鍵區(qū)別信息，從而能夠快速準(zhǔn)確地對(duì)商品進(jìn)行識(shí)別以及分類(lèi)，可廣泛應(yīng)用于圖像數(shù)據(jù)處理領(lǐng)域。

技術(shù)領(lǐng)域

本發(fā)明涉及圖像數(shù)據(jù)處理領(lǐng)域，尤其涉及一種細(xì)粒度圖像分類(lèi)方法、系統(tǒng)、裝置和存儲(chǔ)介質(zhì)。

背景技術(shù)

基于圖像識(shí)別和目標(biāo)檢測(cè)算法的商品識(shí)別技術(shù)，在新零售、無(wú)人商店領(lǐng)域具有很大應(yīng)用潛力。例如：通過(guò)商品識(shí)別，可以在顧客選取商品時(shí)自動(dòng)進(jìn)行記錄，配合移動(dòng)支付手段，可以不用在出口處排隊(duì)進(jìn)行支付，從而提升商超運(yùn)營(yíng)效率。但通用的目標(biāo)檢測(cè)算法，更加側(cè)重于依賴形狀、紋理、顏色等內(nèi)容進(jìn)行檢測(cè)，而對(duì)于常見(jiàn)的商品包裝中，在同一品類(lèi)下的各種商品的區(qū)分中，往往其外形規(guī)律性非常強(qiáng)(往往是長(zhǎng)方體、圓柱體等)，只能依賴局部?jī)?nèi)容差異來(lái)區(qū)分，因此這些算法往往效果不佳。

發(fā)明內(nèi)容

為了解決上述技術(shù)問(wèn)題之一，本發(fā)明的目的是提供一種識(shí)別分類(lèi)效果更佳加的細(xì)粒度圖像分類(lèi)方法、系統(tǒng)、裝置和存儲(chǔ)介質(zhì)。

本發(fā)明所采用的第一技術(shù)方案是：

一種細(xì)粒度圖像分類(lèi)方法，包括以下步驟：

獲取待分類(lèi)的圖像信息；

將圖像信息輸入采用局部區(qū)域進(jìn)行訓(xùn)練的識(shí)別模型進(jìn)行細(xì)粒度識(shí)別后，輸出識(shí)別分類(lèi)結(jié)果。

進(jìn)一步，還包括建立識(shí)別模型的步驟，所述建立識(shí)別模型的步驟具體包括以下步驟：

獲取輸入圖像，提取輸入圖像的圖像局部區(qū)域；

對(duì)圖像局部區(qū)域進(jìn)行重疊區(qū)域檢測(cè)，并對(duì)重疊的圖像局部區(qū)域進(jìn)行合并處理；

計(jì)算合并后的圖像局部區(qū)域的圖像復(fù)雜度，根據(jù)計(jì)算結(jié)果篩選多個(gè)圖像局部區(qū)域；

按照預(yù)設(shè)的方式對(duì)篩選獲得的圖像局部區(qū)進(jìn)行分組后，獲得多個(gè)局部圖像集；

結(jié)合輸入圖像、局部圖像集和預(yù)設(shè)的損失函數(shù)對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練后，獲得識(shí)別模型。

進(jìn)一步，所述提取輸入圖像的圖像局部區(qū)域這一步驟，具體為：

采用選擇性搜索算法提取輸入圖像的圖像局部區(qū)域。

進(jìn)一步，所述對(duì)圖像局部區(qū)域進(jìn)行重疊區(qū)域檢測(cè)，并對(duì)重疊的圖像局部區(qū)域進(jìn)行合并處理這一步驟，具體為：

采用交并比方式計(jì)算圖像局部區(qū)域之間的重疊度，并在檢測(cè)到重疊度大于預(yù)設(shè)值時(shí)，將對(duì)應(yīng)的圖像局部區(qū)域進(jìn)行合并處理。

進(jìn)一步，所述計(jì)算合并后的圖像局部區(qū)域的圖像復(fù)雜度，根據(jù)計(jì)算結(jié)果篩選多個(gè)圖像局部區(qū)域這一步驟，具體包括以下步驟：

采用圖像熵算法計(jì)算合并后的圖像局部區(qū)域的圖像復(fù)雜度；

根據(jù)計(jì)算結(jié)果對(duì)圖像局部區(qū)域進(jìn)行排序，并根據(jù)排序順序獲取多個(gè)圖像局部區(qū)域。

進(jìn)一步，所述結(jié)合輸入圖像、局部圖像集和預(yù)設(shè)的損失函數(shù)對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練后，獲得識(shí)別模型這一步驟，具體包括以下步驟：

將輸入圖像和局部圖像集分別輸入預(yù)設(shè)的神經(jīng)網(wǎng)絡(luò)中進(jìn)行特征向量提取，獲得多個(gè)特征向量；

將獲得的特征向量進(jìn)行拼接，并結(jié)合損失函數(shù)對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練后，獲得識(shí)別模型。

進(jìn)一步，所述損失函數(shù)采用交叉熵?fù)p失函數(shù)。

本發(fā)明所采用的第二技術(shù)方案是：