本发明涉及计算机领域，特别涉及一种商标图像检索的方法。
背景技术：
近年来，企业的不断增加，商标的注册数量也逐年倍增。随着商标图像的逐渐增加，商标管理部门对商标图像管理的难度更是成倍加大。因此，有效的判别仿冒商标显得尤为重要。商标管理部门传统的管理商标的方法主要是采用以“分类号”为关键词的商标图像检索模式，然而图像之间的相似度还是主要靠人工来识别，这种方式效率低并且准确度不高。
随着hinton等深度学习领域专家解决了深度学习的模型优化问题后，深度学习技术得到了快速的发展，也给图像检索领域带来了新的希望。深度学习可以通过组合浅层特征的方式产生更为抽象的深层次的图像内容特征，利用这些深层次的特征表示图像的属性和内容，因此，近几年来深度学习技术在人工智能领域有了巨大的突破，并在机器视觉和语音识别等方面表现优秀。
传统基于内容的图像检索主要是利用图像浅层的视觉特征进行检索。例如：形状特征、颜色特征、纹理特征、hu矩特征等等。虽然在一些简单商标的图像的检索是能较为容易的找到相似的图像，但是对于一些抽象的、复杂的、甚至较难理解的商标图像，这些传统的图像特征在检索时就很难有较好的检索效果。因为这些方法最大的问题依然是无法克服“语义鸿沟”的问题，使得计算机得到的图像特征与人从高级语义所得到的图像特征存在着差异，从而导致检索准确度不高。
技术实现要素：
本发明所要解决的技术问题是：提供一种准确性高的商标图像检索方法。
为了解决上述技术问题，本发明采用的一种技术方案为：
一种商标图像检索的方法，包括步骤：
s1、生成包含商标图像的商标数据库；
s2、根据所述商标数据库中的商标图像对卷积神经网络模型进行训练，得到稳定的卷积神经网络模型；
s3、将所述商标数据库中的商标图像输入所述稳定的卷积神经网络模型，得到商标特征库；
s4、将待检索的商标图像输入所述稳定的卷积神经网络模型，得到待检索商标特征；
s5、根据所述待检索商标特征在所述商标特征库中获取候选商标图像；
s6、获取所述候选商标图像的前l张商标图像，根据所述前l张商标图像的商标特征，在所述商标特征库中获取与所述待检索商标匹配的商标图像，l为正整数。
本发明的有益效果在于：通过生成包含商标图像的商标数据库；根据所述商标数据库中的商标图像对卷积神经网络模型进行训练，得到稳定的卷积神经网络模型；将所述商标数据库中的商标图像输入所述稳定的卷积神经网络模型，得到商标特征库；将待检索的商标图像输入所述稳定的卷积神经网络模型，得到待检索商标特征；根据所述待检索商标特征在所述商标特征库中获取候选商标图像；获取所述候选商标图像的前l张商标图像，根据所述前l张商标图像的商标特征，在所述商标特征库中获取与所述待检索商标匹配的商标图像，l为正整数，在得到稳定的卷积神经网络模型降低检索误差的基础之上，根据待检索商标图像特征得到前l候选商标图像缩小检索范围，再次进行检索，从而提高检索的准确性。
附图说明
图1为本发明实施例的商标图像检索的方法流程图。
具体实施方式
为详细说明本发明的技术内容、所实现目的及效果，以下结合实施方式并配合附图予以说明。
本发明最关键的构思在于:采用稳定的卷积神经网络模型提取商标图像特征，降低检索误差的基础上，获取候选商标图像的前l张商标图像，根据所述前l张商标图像的商标特征再次进行检索，在所述商标特征库中获取与所述待检索商标匹配程度更高的商标图像。
请参照图1，一种商标图像检索的方法，包括步骤：
s1、生成包含商标图像的商标数据库；
s2、根据所述商标数据库中的商标图像对卷积神经网络模型进行训练，得到稳定的卷积神经网络模型；
s3、将所述商标数据库中的商标图像输入所述稳定的卷积神经网络模型，得到商标特征库；
s4、将待检索的商标图像输入所述稳定的卷积神经网络模型，得到待检索商标特征；
s5、根据所述待检索商标特征在所述商标特征库中获取候选商标图像；
s6、获取所述候选商标图像的前l张商标图像，根据所述前l张商标图像的商标特征，在所述商标特征库中获取与所述待检索商标匹配的商标图像，l为正整数。
从上述描述可知，本发明的有益效果在于：通过生成包含商标图像的商标数据库；根据所述商标数据库中的商标图像对卷积神经网络模型进行训练，得到稳定的卷积神经网络模型；将所述商标数据库中的商标图像输入所述稳定的卷积神经网络模型，得到商标特征库；将待检索的商标图像输入所述稳定的卷积神经网络模型，得到待检索商标特征；根据所述待检索商标特征在所述商标特征库中获取候选商标图像；获取所述候选商标图像的前l张商标图像，根据所述前l张商标图像的商标特征，在所述商标特征库中获取与所述待检索商标匹配的商标图像，l为正整数，在得到稳定的卷积神经网络模型降低检索误差的基础之上，根据待检索商标图像特征得到前l候选商标图像缩小检索范围，再次进行检索，从而提高检索的准确性。
进一步的，步骤s1具体包括：
将商标图像进行分类，生成包含不同类别的商标图像的商标数据库；
步骤s3具体包括：
s31、将所述商标数据库中包含的不同类别的商标图像输入所述稳定的卷积神经网络模型，得到商标图像的特征向量；
s32、根据所述商标图像的特征向量，构建包含不同类别的商标特征的商标特征库。
从上述描述可知，将商标图像进行分类，生成包含不同类别的商标图像的商标数据库，从而构建包含不同类别的商标特征的商标特征库，在待检索商标图像所对应的商标特征库中进行检索，缩小了检索范围，提高了检索效率。
进一步的，步骤s2具体包括：
s21、将所述商标数据库中的商标图像输入alex卷积神经网络模型，得到所述alex卷积神经网络模型的损失值；
s22、根据所述alex卷积神经网络模型的损失值，判断所述alex卷积网络模型是否稳定，若不稳定，则返回步骤s21直至所述alex卷积网络模型稳定。
进一步的，所述步骤s22中根据所述alex卷积神经网络模型的损失值，判断所述alex卷积网络模型是否稳定具体包括：
判断所述损失值是否低于第一预设值，若是，则判断所述alex卷积神经网络模型稳定，否则，判断所述alex卷积神经网络模型不稳定。
从上述描述可知，通过将所述商标数据库中的商标图像输入alex卷积神经网络模型，得到所述alex卷积神经网络模型的损失值，根据所述alex卷积神经网络模型的损失值，判断所述alex卷积网络模型是否稳定，若不稳定，则继续进行循环，确保了得到的alex卷积网络模型是稳定可靠的，保证了后续检索商标图像时检索误差在较小的范围内波动，准确性更高。
进一步的，步骤s4还包括将待检索的商标图像输入所述稳定的卷积神经网络模型，根据所述alex卷积神经网络模型对应的输出图像在不同类别的商标图像上的概率分布，得到所述待检索商标图像所属的类别；
所述步骤s5具体包括：
根据所述待检索商标特征和所述待检索商标图像所属的类别在同类别的商标特征库中获取候选商标图像。
进一步的，所述步骤s5中在同类别的商标特征库中获取候选商标图像具体包括：
计算所述待检索商标图像的特征向量和同类别的商标特征库中商标图像的特征向量之间的距离，根据所述距离，得到待检索商标图像与商标特征中的商标图像的相似度；
获取相似度大于第二预设值的商标图像作为候选商标图像。
从上述描述可知，先将待检索的商标图像输入所述稳定的卷积神经网络模型，得到所述待检索商标图像所属的类别，缩小检索范围，再通过计算所述待检索商标图像的特征向量和同类别的商标特征库中商标图像的特征向量之间的距离，根据所述距离，得到待检索商标图像与商标特征库中商标图像的相似度，获取相似度大于第二预设值的商标图像作为候选商标图像，通过第二预设值进一步缩小检索范围，保证了后续进行再次检索时能得到相似度更高的商标图像。
进一步的，步骤s6具体包括步骤：
s61、对所述l张候选商标图像根据所述相似度由大到小进行排序，得到前m张候选商标图像和后n张候选商标图像，其中，m+n≤l；
s62、对所述后n张候选商标图像的特征向量进行求和并计算均值，得到向量y，令所述待检索商标图像的特征向量为x；
s63、分别计算所述前m张候选商标图像中每一张候选商标图像的特征向量与向量x和向量y之间的距离，分别记为dx和dy，判断所述dx和dy大小，得到正样本商标图像；
s63、对所述正样本商标图像的特征向量进行求和并计算均值，得到向量z；
s64、根据所述向量z，在所述商标特征库中获取与所述待检索商标图像匹配的商标图像。
进一步的，所述步骤s63中判断所述dx和dy大小，得到正样本商标图像具体包括：
若dx小于dy，则所述候选商标图像为正样本商标图像，否则，所述候选商标图像为负样本商标图像。
从上述描述可知，通过第二预设值缩小候选图像范围的基础上，得到l张候选商标图像，通过对所述l张候选商标图像根据所述相似度由大到小进行排序，得到前m张候选商标图像和后n张候选商标图像；再次进行检索，准确性更高。
实施例一
一种商标图像检索的方法，包括步骤：
s1、生成包含商标图像的商标数据库；
步骤s1具体包括：
将商标图像进行分类，生成包含不同类别的商标图像的商标数据库；
具体根据商标图像的形状、轮廓以及边数特征进行分类，可将所述商标数据库分为六类，分别为简单型、圆型、多边型、文字型、组合型以及复杂型；
其中，边的数量或角点的数量小于等于4的商标图像为简单型；
轮廓形状为圆形或椭圆形的商标图像为圆型；
边的数量或角点的数量大于4的商标图像为多边型；
商标图像仅为文字或者字母组成，则为文字型；
商标图像由文字和图案共同组成，且文字和图案不融合，则为组合型；
商标图像是复杂图案或者图案和文字相互融合，则为复杂型；
s2、根据所述商标数据库中的商标图像对卷积神经网络模型进行训练，得到稳定的卷积神经网络模型；
步骤s2具体包括：
s21、将所述商标数据库中的商标图像输入alex卷积神经网络模型，得到所述alex卷积神经网络模型的损失值；
s22、根据所述alex卷积神经网络模型的损失值，判断所述alex卷积网络模型是否稳定，若不稳定，则返回步骤s21直至所述alex卷积网络模型稳定；
所述步骤s22中根据所述alex卷积神经网络模型的损失值，判断所述alex卷积网络模型是否稳定具体包括：
判断所述损失值是否低于第一预设值，所述第一预设值优选为0.1，若是，则判断所述alex卷积神经网络模型稳定，否则，判断所述alex卷积神经网络模型不稳定；
选取alex卷积神经网络模型，并使用caffe深度学习框架对alex卷积神经网络模型进行训练，将所述商标数据库中六种不同类别的商标图像作为alex卷积神经网络模型的输入，获取alex卷积神经网络模型的损失值(loss)，在不断的迭代训练后，所述损失值将逐渐降低，当所述损失值低于0.1时，则判断得到的alex卷积神经网络模型是稳定可靠的模型；
s3、将所述商标数据库中的商标图像输入所述稳定的卷积神经网络模型，得到商标特征库；
步骤s3具体包括：
s31、将所述商标数据库中包含的不同类别的商标图像输入所述稳定的卷积神经网络模型，得到商标图像的特征向量；
s32、根据所述商标图像的特征向量，构建包含不同类别的商标特征的商标特征库；
s4、将待检索的商标图像输入所述稳定的卷积神经网络模型，得到待检索商标特征；
步骤s4还包括将待检索的商标图像输入所述稳定的卷积神经网络模型，根据所述alex卷积神经网络模型对应的输出图像在不同类别的商标图像上的概率分布，得到所述待检索商标图像所属的类别；
对商标图像的特征提取包含商标数据库的特征提取和待检索商标图像的分类提取两个部分，在商标数据库的特征提取部分，将所述商标数据库中不同类别的商标图像依次输入至所述稳定的alex卷积神经网络模型中，并提取网络第七层输出数据作为每张商标图像的特征向量，根据所述商标图像的特征向量，构建包含不同类别的商标特征的商标特征库；在待检索商标图像的分类提取部分，将所述待检索商标图像输入至所述稳定的alex卷积神经网络模型中，当输入图像到达alex网络输出层时，输出层中的softmax分类器得到所述待检索商标图像在不同类别的商标图像上的概率分布，并提取网络第七层输出数据作为所述待检索商标图像的特征向量；
其中，商标图像库的特征提取是在离线部分进行的，即只需提取一次后就无需再次提取；而待检索商标图像的分类提取是在在线部分进行的，每次输入待检索商标图像时都需要提取一次；通过使用“离线+在线”的模型，将商标数据库中商标图像的特征保存下来，从而避免了每次检索商标图像都要构建商标特征库，可以大大提升检索效率；
s5、根据所述待检索商标特征在所述商标特征库中获取候选商标图像；
所述步骤s5具体包括：
根据所述待检索商标特征和所述待检索商标图像所属的类别在同类别的商标特征库中获取候选商标图像；
所述步骤s5中在同类别的商标特征库中获取候选商标图像具体包括：
计算所述待检索商标图像的特征向量和同类别的商标特征库中商标图像的特征向量之间的距离，根据所述距离，得到待检索商标图像与商标特征中的商标图像的相似度；
获取相似度大于第二预设值的商标图像作为候选商标图像；
本发明计算两张商标图像的特征向量之间的距离大小，其中一张商标图像的特征向量为(x1,x2,...,xm)，xi,i＝1,2,...,m，另一张商标图像的特征向量为(y1,y2,...,ym)，yi，i＝1,2,...,m，采用欧式距离公式，具体公式如下：
则两张商标的相似度为
s6、获取所述候选商标图像的前l张商标图像，根据所述前l张商标图像的商标特征，在所述商标特征库中获取与所述待检索商标匹配的商标图像，l为正整数；
步骤s6具体包括步骤：
s61、对所述l张候选商标图像根据所述相似度由大到小进行排序，得到前m张候选商标图像和后n张候选商标图像，l的值大于等于m加n之和，本实施例中m具体取值为10，n具体取值为50；
s62、对所述后50张候选商标图像的特征向量进行求和并计算均值，得到向量y，令所述待检索商标图像的特征向量为x；
s63、分别计算所述前10张候选商标图像中每一张候选商标图像的特征向量与向量x和向量y之间的距离，分别记为dx和dy，判断所述dx和dy大小，得到正样本商标图像；
s63、对所述正样本商标图像的特征向量进行求和并计算均值，得到向量z；
s64、根据所述向量z，在所述商标特征库中获取与所述待检索商标图像匹配的商标图像；
所述步骤s63中判断所述dx和dy大小，得到正样本商标图像具体包括：
若dx小于dy，则所述候选商标图像为正样本商标图像，否则，所述候选商标图像为负样本商标图像。
综上所述，本发明提供的一种商标图像检索的方法，将商标图像进行分类，生成包含不同类别的商标图像的商标数据库，从而构建包含不同类别的商标特征的商标特征库，在待检索商标图像所对应的商标特征库中进行检索，缩小了检索范围，提高了检索效率；通过将所述商标数据库中的商标图像输入alex卷积神经网络模型，得到所述alex卷积神经网络模型的损失值，根据所述alex卷积神经网络模型的损失值，判断所述alex卷积网络模型是否稳定，若不稳定，则继续进行循环，确保了得到的alex卷积网络模型是稳定可靠的，保证了后续检索商标图像时检索误差在较小的范围内波动，准确性更高；先将待检索的商标图像输入所述稳定的卷积神经网络模型，得到所述待检索商标图像所属的类别，缩小检索范围，再通过计算所述待检索商标图像的特征向量和同类别的商标特征库中商标图像的特征向量之间的距离，根据所述距离，得到待检索商标图像与商标特征库中商标图像的相似度，获取相似度大于第二预设值的商标图像作为候选商标图像，通过第二预设值进一步缩小检索范围，保证了后续进行再次检索时能得到相似度更高的商标图像；商标图像库的特征提取是在离线部分进行的，即只需提取一次后就无需再次提取；而待检索商标图像的分类提取是在在线部分进行的，每次输入待检索商标图像时都需要提取一次；通过使用“离线+在线”的模型，将商标数据库中商标图像的特征保存下来，从而避免了每次检索商标图像都要构建商标特征库，可以大大提升检索效率；通过第二预设值缩小候选图像范围的基础上，得到l张候选商标图像，通过对所述l张候选商标图像根据所述相似度由大到小进行排序，得到前m张候选商标图像和后n张候选商标图像；再次进行检索，准确性更高。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等同变换，或直接或间接运用在相关的技术领域，均同理包括在本发明的专利保护范围内。