一种商品图像精细分类方法
【技术领域】
[0001] 本发明设及一种商品图像精细分类方法，属于图像处理技术领域。
【背景技术】
[0002] 随着互联网的发展，电子商务的逐渐普及。电子商务网站需要通过对在线销售商 品进行标注W方便用户进行捜索。但"一图胜千言"，传统的基于人工标注的方法不但费时 费力，又难做到准确完整。如果在网站中设置图片分类过滤器，无疑能方便用户进行浏览。 基于视觉信息的图像自动分类技术能够方便商家和用户，如进行商品自动标注和辅助图像 检索。
[0003] 基于视觉信息的图像自动分类是是根据图像的视觉特征对图像进行自动语义 分类，需要克服类内差异、遮挡、姿态变化和背景干扰对分类带来的不利影响，目前是计 算机视觉领域最具挑战的课题之一。针对商品图像分类，S.Jia等（Automatic化St classificationofproductimageswithclass-specificdescriptor，Journal ofElectronics(Qiina).No. 6,pp. 7-10, 2010.)提出了 一种基于类描述的快速图像分 类方法，在30类商品图像中获得了 84 %的正确率。化enBoiman等（InDefenseof Nearest-NeighborBasedImageClassification，ProceedingsofIEEEConferenceon ComputerVisionandPatternReco即ition)提出了一种朴素贝叶斯最近邻的分类器 NB順，（化ive-BayesNearest-Nei曲bor)，在图像局部特征空间采用最近邻方法，计算图 像-类之间的距离，并且证明了在基于贝叶斯假设下，该种分类器可W近似理论上最优的 图像分类器。但由于该种方式基于穷尽捜索，当标记图像数目比较多、类别数比较大时，运 行时间就会变得越来越多，很难达到实际应用的要求。同时，W上的所有方法都是基于人工 提取特征进行商品图像的分类，而且都是对大规模的商品图像进行分类。
【发明内容】
[0004] 为了克服上述的不足，本发明提供了一种商品图像精细分类方法。本发明是研究 商品图像的精细分类，首先应用深度学习中的卷积神经网络自动学习商品图像深层次的抽 象的特征，完全不用人为提取，其次，将自动学习到的图像特征与支持向量机相结合，W克 服传统卷积神经网络训练学习时间长W及对硬件设备高的不足，最后完成对测试商品图像 的分类。本发明可在保证较高正确率的情况下有效提高计算速度，适用于较大规模的商品 图像精细分类。本发明要解决的技术问题是基于深度视觉特征的商品图像分类，提供了一 种基于视觉信息的商品图像分类方法，该种方法提取图像的深层抽象特征，采用支持向量 机方法实现类别识别。
[0005] 本发明采取的技术方案如下：
[0006] 一种商品图像精细分类方法，包括如下步骤：
[0007] 步骤一.输入训练样本：将分好类的商品图像分别分为训练样本与测试样本，其 中训练样本通常多于测试样本；
[000引步骤二.简单预处理：主要包括将输入的RGB形式的训练样本转化为灰度图像，其 次，由于图像库内的图像大小不一要将其归一化到统一大小，同时由于图像像素是在0~ 255的，所有需要对图像像素做除W255的简单操作，将像素统一归一化到0~1，W方便后 续的运算；
[0009] 步骤提取卷积特性；采用卷积神经网络首先对训练样本进行自动提取特征， 通过深层卷积网络结构的作用，从而得到深层抽象的特征；
[0010] 步骤四.转化为特征向量；卷积神经网络经过层层抽象所提取的特征是二维的， 所W要将各类图像提取的特征转换为特征向量W方便分类器使用；
[0011] 步骤五.SVM训练；将所得的特征描述子与支持向量机分类器相结合，分别训练出 各类相应的模型；
[0012] 步骤六.SVM测试；计算出每张测试图像的特征描述子发送给支持向量机，通过与 所得到的模型进行逐一匹配；
[0013] 步骤走.分类结果；对每张测试图像进行模型匹配，所属类别就是最匹配的模型 所属的类别，将分类结果输出。
[0014] 测试图像的特征描述子的产生过程包括如下步骤：
[0015] 步骤一.输入测试样本：将分好类的商品图像部分样本作为测试样本
[0016] 步骤二.简单预处理：与训练样本的处理方式相同主要包括图像的灰度化与图像 大小与像素的归一化；
[0017] 步骤提取卷积特性：该过程与测试图像提取特征过程一致，采用卷积神经网 络首先对训练样本进行自动提取特征，通过深层卷积网络结构的作用，从而得到深层抽象 的特征；
[001引步骤四.转化为特征向量；该过程依然与对测试图像所提取特征的处理方式一 致，由于卷积神经网络经过层层抽象所提取的特征是二维的，所W要将各类图像提取的特 征转换为特征向量W方便分类器使用。
[0019] 本发明的有益效果：
[0020] (1)能够仅根据商品图像的视觉内容实现商品的精细分类；
[0021] (2)采用深度学习中的卷积神经网络对商品图像进行多层次特征提取，W代替传 统的人工提取特征。
[0022] (3)将卷积神经网络与支持向量机相结合，W克服卷积神经网络耗时长，对硬件设 备要求高的不足，同时弥补支持向量机与人工特征才能达到理想分类效果的缺点。
【附图说明】
[0023] 图1是本发明所述分类方法的示意图。
[0024] 图2是本发明实施例中的卷积神经网络提取特征示意图。
[0025] 图3是本发明所述分类方法的流程图。
【具体实施方式】
[0026] 本方明的示意图如图1所示，具体实施如下；
[0027] 步骤一.输入训练样本：将分好类的商品图像分别分为训练样本与测试样本，其 中训练样本通常多于测试样本；获取已知类别的商品图像样本为训练图像，样本示例如表 1所示。由于图像库的内每类样本数量不同，每类随机选取90~300个样本；
[002引步骤二.简单预处理：主要包括将输入的RGB形式的训练样本转化为灰度图像，其 次，由于图像库内的图像大小不一要将其归一化到统一大小，同时由于图像像素是在0~ 255的，所有需要对图像像素做除W255的简单操作，将像素统一归一化到0~1，W方便后 续的运算；对输入样本图像进行简单预处理，为了提高运算速度，将输入的RGB图像转化为 灰度图像，即灰度化处理，其次，由于图像库内的图像大小不一要将其归一化到统一大小， 同时由于像素值都是在0~255,所W要将像素值做除W255的简单运算归一化到0~1的 区间内W方便训练学习。
[0029] 步骤提取卷积特性；采用卷积神经网络首先对训练样本进行自动提取特征， 通过深层卷积网络结构的作用，从而得到深层抽象的特征；采用卷积神经网络提取各类的 图片特征，具体过程如图2所示。
[0030] 卷积神经网络的简介如下所示：
[0031] 根据卷积的数学定义，其主要有标准型与离散型，其中卷积神经网络中卷积层的 网络结构采用的是离散型，在卷积神经网络中表示如下公式所示：
[0032]
【主权项】
1. 一种商品图像精细分类方法，其特征在于：包括如下步骤： 步骤一.输入训练样本：将分好类的商品图像分别分为训练样本与测试样本，其中训 练样本通常多于测试样本； 步骤二.简单预处理：主要包括将输入的RGB形式的训练样本转化为灰度图像，其次， 由于图像库内的图像大小不一要将其归一化到统一大小，同时由于图像像素是在〇~255 的，所有需要对图像像素做除以255的简单操作，将像素统一归一化到O~1，以方便后续的 运算； 步骤三.提取卷积特性：采用卷积神经网络首先对训练样本进行自动提取特征，通过 深层卷积网络结构的作用，从而得到深层抽象的特征； 步骤四.转化为特征向量：卷积神经网络经过层层抽象所提取的特征是二维的，所以 要将各类图像提取的特征转换为特征向量以方便分类器使用； 步骤五.SVM训练：将所得的特征描述子与支持向量机分类器相结合，分别训练出各类 相应的模型； 步骤六.SVM测试：计算出每张测试图像的特征描述子发送给支持向量机，通过与所得 到的模型进行逐一匹配； 步骤七.分类结果：对每张测试图像进行模型匹配，所属类别就是最匹配的模型所属 的类别，将分类结果输出。
2. 根据权利要求1所述的一种商品图像精细分类方法，其特征在于：测试图像的特征 描述子的产生过程包括如下步骤： 步骤一.输入测试样本：将分好类的商品图像部分样本作为测试样本： 步骤二.简单预处理：与训练样本的处理方式相同主要包括图像的灰度化与图像大小 与像素的归一化； 步骤三.提取卷积特性：该过程与测试图像提取特征过程一致，采用卷积神经网络首 先对训练样本进行自动提取特征，通过深层卷积网络结构的作用，从而得到深层抽象的特 征； 步骤四.转化为特征向量：该过程依然与对测试图像所提取特征的处理方式一致，由 于卷积神经网络经过层层抽象所提取的特征是二维的，所以要将各类图像提取的特征转换 为特征向量以方便分类器使用。
【专利摘要】本发明公开了一种商品图像精细分类方法，属于图像处理技术领域。本发明包括如下步骤：步骤一.输入训练样本：将分好类的商品图像分别分为训练样本与测试样本，其中训练样本通常多于测试样本；步骤二.简单预处理：主要包括将输入的RGB形式的训练样本转化为灰度图像，其次，由于图像库内的图像大小不一要将其归一化到统一大小，同时由于图像像素是在0～255的，所有需要对图像像素做除以255的简单操作，将像素统一归一化到0～1，以方便后续的运算；步骤三.提取卷积特性：采用卷积神经网络首先对训练样本进行自动提取特征，通过深层卷积网络结构的作用，从而得到深层抽象的特征。
【IPC分类】G06F17-30, G06K9-00
【公开号】CN104866524
【申请号】CN201510168626
【发明人】贾世杰, 杨东坡, 曾洁, 陈少华
【申请人】大连交通大学
【公开日】2015年8月26日
【申请日】2015年4月10日