基于圖像特征的商品分類方法及裝置制造方法
【專利摘要】本發(fā)明提供一種基于圖像特征的商品分類方法及裝置，其中的方法包括，提取圖像的特征點(diǎn)的形狀上下文特征和SIFT特征；根據(jù)圖像的特征點(diǎn)的形狀上下文特征和SIFT特征，匹配圖像間的特征點(diǎn)的相似度，獲得圖像間的特征點(diǎn)的相似度的匹配結(jié)果；根據(jù)圖像間的特征點(diǎn)的相似度的匹配結(jié)果獲取圖像間的相似度；根據(jù)圖像間的相似度采用基于增量類別樹(shù)的分類方法對(duì)所有圖像進(jìn)行分類，獲得分類結(jié)果；將分類結(jié)果作為商品分類結(jié)果輸出。利用本發(fā)明提供的基于圖像特征的商品分類方法及裝置，能夠使用戶根據(jù)款式對(duì)商品進(jìn)行快速瀏覽，避免用戶重復(fù)瀏覽款式相同的商品，提高用戶的購(gòu)物體驗(yàn)。
【專利說(shuō)明】基于圖像特征的商品分類方法及裝置

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及商品分類【技術(shù)領(lǐng)域】，更為具體地，涉及一種基于圖像特征的商品分類 方法及裝置。

【背景技術(shù)】
[0002] 隨著因特網(wǎng)的普及和信息技術(shù)的發(fā)展，電子商務(wù)逐漸進(jìn)入了一個(gè)全新的時(shí)代。就 網(wǎng)購(gòu)來(lái)說(shuō)，京東網(wǎng)上商城、卓越網(wǎng)、eBay、淘寶網(wǎng)等這些國(guó)內(nèi)外大型網(wǎng)站均提供商品的在線 買賣。目前，各大商品購(gòu)物網(wǎng)站的商品搜索結(jié)果表明，商品列表大多是按人氣排名（商品的 價(jià)格、成交量、賣家信譽(yù)、好評(píng)率等等）顯示的，實(shí)際上，用戶在瀏覽這些商品購(gòu)物網(wǎng)站時(shí)， 事先可能并不確定自己想買什么類型的商品，面對(duì)成千上萬(wàn)的搜索結(jié)果，用戶通常不得不 一頁(yè)一頁(yè)重復(fù)瀏覽款式相同的商品，極大地消磨著用戶的耐心和購(gòu)物欲望。
[0003] 因此，需要一種全新的基于圖像的商品分類方法及裝置，使用戶可以根據(jù)款式對(duì) 商品進(jìn)行快速瀏覽。


【發(fā)明內(nèi)容】

[0004] 鑒于上述問(wèn)題，本發(fā)明的目的是提供一種基于圖像的商品分類方法及裝置，以解 決現(xiàn)有檢索方式帶來(lái)的商品大量重復(fù)顯示的問(wèn)題。
[0005] 本發(fā)明提供的基于圖像特征的商品分類方法，包括：
[0006] 提取圖像的特征點(diǎn)的形狀上下文特征和SIFT特征；
[0007] 根據(jù)圖像的特征點(diǎn)的形狀上下文特征和SIFT特征，匹配圖像間的特征點(diǎn)的相似 度，獲得圖像間的特征點(diǎn)的相似度的匹配結(jié)果；
[0008] 根據(jù)圖像間的特征點(diǎn)的相似度的匹配結(jié)果獲取圖像間的相似度；
[0009] 根據(jù)圖像間的相似度采用基于增量類別樹(shù)的分類方法對(duì)所有圖像進(jìn)行分類，獲得 分類結(jié)果；
[0010] 將分類結(jié)果作為商品分類結(jié)果輸出。
[0011] 本發(fā)明提供的基于圖像特征的商品分類裝置，包括：
[0012] 特征提取單元，用于提取圖像的特征點(diǎn)的形狀上下文特征和SIFT特征；
[0013] 特征點(diǎn)相似度匹配單元，用于根據(jù)圖像的特征點(diǎn)的形狀上下文特征和SIFT特征， 匹配圖像間的特征點(diǎn)的相似度，獲得圖像間的特征點(diǎn)的相似度的匹配結(jié)果；
[0014] 圖像相似度匹配單元，用于根據(jù)圖像間的特征點(diǎn)的相似度的匹配結(jié)果獲取圖像間 的相似度；
[0015] 圖像分類單元，用于根據(jù)圖像間的相似度，采用基于增量類別樹(shù)的分類方法對(duì)圖 像進(jìn)行分類，獲得分類結(jié)果；
[0016] 分類結(jié)果輸出單元，用于將分類結(jié)果作為商品分類結(jié)果輸出。
[0017] 利用上述根據(jù)本發(fā)明提供的基于圖像特征的商品分類方法及裝置，能夠取得以下 技術(shù)效果：
[0018] (1)本發(fā)明將相同相似的商品進(jìn)行歸類，使用戶可以根據(jù)款式對(duì)商品進(jìn)行快速瀏 覽，解決了原有檢索方式下商品大量重復(fù)顯示的問(wèn)題，提高用戶的購(gòu)物體驗(yàn)。
[0019] (2)本發(fā)明在現(xiàn)有的商品檢索方式（商品價(jià)格、成交量等）的基礎(chǔ)上，進(jìn)一步完善 了網(wǎng)絡(luò)購(gòu)物的表現(xiàn)形式，能夠從本質(zhì)上解決傳統(tǒng)的單一特征的局限性，提高商品圖像的分 類效果。
[0020] (3)本發(fā)明采用增量類別樹(shù)的方法對(duì)商品進(jìn)行分類，能夠適用于數(shù)量規(guī)模大且更 新?lián)Q代速度快的商品分類。
[0021] 為了實(shí)現(xiàn)上述以及相關(guān)目的，本發(fā)明的一個(gè)或多個(gè)方面包括后面將詳細(xì)說(shuō)明并在 權(quán)利要求中特別指出的特征。下面的說(shuō)明以及附圖詳細(xì)說(shuō)明了本發(fā)明的某些示例性方面。 然而，這些方面指示的僅僅是可使用本發(fā)明的原理的各種方式中的一些方式。此外，本發(fā)明 旨在包括所有這些方面以及它們的等同物。

【專利附圖】

【附圖說(shuō)明】
[0022] 通過(guò)參考以下結(jié)合附圖的說(shuō)明及權(quán)利要求書(shū)的內(nèi)容，并且隨著對(duì)本發(fā)明的更全面 理解，本發(fā)明的其它目的及結(jié)果將更加明白及易于理解。在附圖中：
[0023] 圖1為根據(jù)本發(fā)明實(shí)施例的基于圖像特征的商品分類方法的流程示意圖；
[0024] 圖2為根據(jù)本發(fā)明實(shí)施例的基于圖像特征的商品分類方法的詳細(xì)流程示意圖；
[0025] 圖3為根據(jù)本發(fā)明實(shí)施例的基于圖像特征的商品分類方法分類后的效果圖；
[0026] 圖4為根據(jù)本發(fā)明實(shí)施例的基于圖像特征的商品分類裝置的邏輯結(jié)構(gòu)示意圖；
[0027] 圖5為根據(jù)本發(fā)明實(shí)施例的基于圖像特征的商品分類裝置一個(gè)【具體實(shí)施方式】的 邏輯結(jié)構(gòu)示意圖。
[0028] 在所有附圖中相同的標(biāo)號(hào)指示相似或相應(yīng)的特征或功能。

【具體實(shí)施方式】
[0029] 在下面的描述中，出于說(shuō)明的目的，為了提供對(duì)一個(gè)或多個(gè)實(shí)施例的全面理解，闡 述了許多具體細(xì)節(jié)。然而，很明顯，也可以在沒(méi)有這些具體細(xì)節(jié)的情況下實(shí)現(xiàn)這些實(shí)施例。 在其它例子中，為了便于描述一個(gè)或多個(gè)實(shí)施例，公知的結(jié)構(gòu)和設(shè)備以方框圖的形式示出。
[0030] 針對(duì)現(xiàn)有檢索方式帶來(lái)的商品大量重復(fù)顯示的問(wèn)題，本發(fā)明提出一種基于圖像特 征的商品分類解決方案，先計(jì)算圖像間的相似度，按照?qǐng)D像間的相似度再對(duì)圖像進(jìn)行分類， 使用戶可以根據(jù)款式對(duì)商品進(jìn)行快速瀏覽，同時(shí)，用戶也可以根據(jù)現(xiàn)有的檢索方式（商品 價(jià)格、成交量等）進(jìn)行檢索。
[0031] 以下將結(jié)合附圖對(duì)本發(fā)明的具體實(shí)施例進(jìn)行詳細(xì)描述。
[0032] 圖1示出了根據(jù)本發(fā)明實(shí)施例的基于圖像特征的商品分類方法的流程。
[0033] 如圖1所示，本發(fā)明實(shí)施例提供的基于圖像的商品分類方法，首先，提取圖像的特 征點(diǎn)的形狀上下文特征和SIFT特征（步驟S101);在提取圖像的特征點(diǎn)的形狀上下文特征 和SIFT特征之后，根據(jù)圖像的特征點(diǎn)的形狀上下文特征和SIFT特征，匹配圖像間的特征點(diǎn) 的相似度，獲得圖像間的特征點(diǎn)的相似度的匹配結(jié)果（步驟S102);然后，根據(jù)圖像間的特 征點(diǎn)的相似度的匹配結(jié)果，獲取圖像間的相似度（步驟S103);再根據(jù)圖像間的相似度采用 基于增量類別樹(shù)的分類方法對(duì)圖像進(jìn)行分類，獲得分類結(jié)果（步驟S104);最后，將分類結(jié) 果作為商品分類結(jié)果輸出（步驟S105)。
[0034] 為了更詳細(xì)地說(shuō)明本發(fā)明實(shí)施例提供的基于圖像特征的商品分類方法，圖2示出 了根據(jù)本發(fā)明實(shí)施例的基于圖像特征的商品分類方法的詳細(xì)流程。
[0035] 如圖2所示，本發(fā)明實(shí)施例提供的基于圖像的商品分類方法的包括一下詳細(xì)步 驟：
[0036] 步驟S201 :對(duì)商品的圖像進(jìn)行預(yù)處理，將商品的圖像歸一化為統(tǒng)一尺寸。
[0037] 商品包括各種格式、尺寸的圖像，為了方便后續(xù)的特征提取和匹配，本發(fā)明實(shí)施例 將這些不同尺寸的圖像進(jìn)行歸一化處理，優(yōu)選地歸一化尺寸為300mmX300mm。
[0038] 步驟S202 :根據(jù)預(yù)處理后的圖像提取特征點(diǎn)。
[0039] 提取圖像的特征點(diǎn)包括多種方法，例如金字塔高斯差分方法、Harris方法、FAST 方法等等，由于FAST方法計(jì)算速度快，所以本發(fā)明實(shí)施例優(yōu)先采用FAST方法提取圖像的特 征點(diǎn)，F(xiàn)AST方法是公知技術(shù)，故不在此處贅復(fù)。
[0040] 步驟S203 :獲取并融合特征點(diǎn)的形狀上下文特征和SIFT特征。
[0041] 形狀上下文特征是一種用于刻畫(huà)目標(biāo)形狀的描述子，該特征對(duì)平移和尺度的變換 均具有良好的不變性，但不具備旋轉(zhuǎn)不變性，而這恰恰是商品圖像分類檢索中不可避免的 問(wèn)題。在圖像匹配領(lǐng)域，SIFT特征因其良好的旋轉(zhuǎn)不變性和高魯棒性而取得了巨大成功，但 SIFT特征以圖像局部特征為研究目標(biāo)，不依賴輪廓，缺乏對(duì)目標(biāo)的整體性描述，很容易出現(xiàn) 特征點(diǎn)的誤匹配。
[0042] 針對(duì)上述問(wèn)題，本發(fā)明通過(guò)對(duì)將形狀上下文特征與SIFT特征相結(jié)合，首先，分別 獲取形狀上下文特征和SIFT特征，再將形狀上下文特征和SIFT特征融合在一起。
[0043] 獲取特征點(diǎn)的形狀上下文特征的過(guò)程為：
[0044] 1)提取特征點(diǎn)梯度方向
[0045] 利用Canny算子提取特征點(diǎn)所在位置的梯度信息，本發(fā)明實(shí)施例中的梯度方向提 取方法不限于使用Canny算子，還包括Sobel、Prewitt、Roberts、拉普拉斯算子等等。
[0046] 2)建立極坐標(biāo)系
[0047] 選取特征點(diǎn)所在的邊緣輪廓曲線的切線方向?yàn)閷?duì)數(shù)極坐標(biāo)軸的正方向，以特征點(diǎn) 所在位置為原點(diǎn)，從切線方向出發(fā)，將360°空間分成12份，每份50°，從距離上按照l(shuí)og 2r 的規(guī)則分成5份，將空間分成60 (= 12*5)個(gè)區(qū)域，由于離匹配片越近的特征點(diǎn)其辨別力越 強(qiáng)，因此，每個(gè)區(qū)域從里到外是依次增大的。
[0048] 3)形成形狀上下文特征
[0049] 以一個(gè)特征點(diǎn)為原點(diǎn)，統(tǒng)計(jì)極坐標(biāo)系的60個(gè)區(qū)域中落入每個(gè)區(qū)域的特征點(diǎn)的個(gè) 數(shù)，最后對(duì)極坐標(biāo)系的60個(gè)區(qū)域中落入每個(gè)區(qū)域的特征點(diǎn)的個(gè)數(shù)進(jìn)行歸一化處理，即生成 60維的形狀上下文特征。
[0050] 極坐標(biāo)系的60個(gè)區(qū)域中落入每個(gè)區(qū)域的特征點(diǎn)的個(gè)數(shù)的公式為比⑵= {q e bin(k)}，其中，k = 1，2，…，60 ;q表示落入極坐標(biāo)系第K個(gè)區(qū)域中的特征點(diǎn)的個(gè)數(shù)。
[0051] 獲取特征點(diǎn)的SIFT特征的過(guò)程為：
[0052] 1)確定特征點(diǎn)方向
[0053] 計(jì)算特征點(diǎn)鄰域內(nèi)的像素點(diǎn)的梯度方向，將[0,2 π ]的梯度方化為36個(gè)方向進(jìn)行 梯度直方圖的統(tǒng)計(jì)，確定梯度直方圖的峰值為特征點(diǎn)的主方向，若存在大于峰值80%以上 的方向，則將其作為輔方向，增強(qiáng)匹配的魯棒性。
[0054] 2)生成SIFT特征
[0055] 將梯度方向直方圖平均分為8個(gè)方向進(jìn)行統(tǒng)計(jì)，構(gòu)造一個(gè)128維的SIFT特征。
[0056] 在獲得形狀上下文特征和SIFT特征后，對(duì)形狀上下文特征和SIFT特征進(jìn)行融合， 最終生成188維的特征。
[0057] 步驟S204 :根據(jù)基于特征點(diǎn)的相似度匹配方法匹配圖像間的相似度。
[0058] 匹配圖像間的相似度是以兩個(gè)圖像為基礎(chǔ)進(jìn)行匹配的，匹配兩個(gè)圖像后再匹配兩 個(gè)，一直循環(huán)到匹配完所有的圖像為止。
[0059] 基于特征點(diǎn)的相似度匹配方法匹配兩個(gè)圖像的相似度的過(guò)程為：首先，匹配兩個(gè) 圖像中提取的特征點(diǎn)的相似度，然后采用基于特征點(diǎn)的相似度匹配方法匹配兩個(gè)圖像的相 似度，匹配特征點(diǎn)的相似度與匹配圖像的相似度將在下文做詳細(xì)說(shuō)明。
[0060] 步驟S205 :根據(jù)圖像間的相似度采用基于增量類別樹(shù)的分類方法對(duì)圖像進(jìn)行分 類，獲得分類結(jié)果。
[0061] 傳統(tǒng)的商品分類方法大都在商品類別數(shù)已知的基礎(chǔ)上進(jìn)行的，通過(guò)訓(xùn)練二類/多 類分類器，來(lái)進(jìn)行商品類別的判斷，當(dāng)出現(xiàn)新類型的目標(biāo)時(shí)，原始的分類器對(duì)該目標(biāo)會(huì)失去 識(shí)別能力，此時(shí)，必須將原始的樣本和新的類別的樣本進(jìn)行合并，重新訓(xùn)練出新的分類器。 因此，上述傳統(tǒng)的商品分類方法不適用于數(shù)量規(guī)模大且更新?lián)Q代速度快的商品圖像分類。 針對(duì)上述問(wèn)題，本發(fā)明提出一種增量類別樹(shù)的分類方法，通過(guò)該方法，可以對(duì)相同相似款式 的商品進(jìn)行合并，同時(shí)達(dá)到基于款式的商品分類的目的，具體方法將在下文做詳細(xì)說(shuō)明。
[0062] 步驟S206 :將分類結(jié)果作為商品分類結(jié)果輸出。
[0063] 上述步驟為實(shí)現(xiàn)本發(fā)明實(shí)施例提供的基于圖像特征的商品分類方法所采取的數(shù) 據(jù)處理步驟，其中，本發(fā)明實(shí)施的主要細(xì)節(jié)在于匹配特征點(diǎn)相似度的方法和基于特征點(diǎn)的 相似度匹配方法，以及基于增量類別樹(shù)的分類方法，下面分別對(duì)這三個(gè)方面進(jìn)行詳細(xì)地說(shuō) 明。
[0064] 一、匹配特征點(diǎn)相似度的方法
[0065] 兩個(gè)圖像的特征點(diǎn)之間的相似度可以用距離表示，兩個(gè)圖像的特征點(diǎn)之間的距離 越短表示兩個(gè)特征點(diǎn)的相似度越高，考慮到特征點(diǎn)的形狀上下文特征和SIFT特征，本發(fā)明 分別采用兩種不同的距離計(jì)算方法對(duì)特征點(diǎn)的兩種特征進(jìn)行相似度的匹配，然后將兩種匹 配結(jié)果進(jìn)行線性加權(quán)并采用最近鄰算法計(jì)算方法計(jì)算特征點(diǎn)的相似性的匹配結(jié)果。
[0066] 具體地，本發(fā)明采用歐氏距離計(jì)算方法計(jì)算兩個(gè)特征點(diǎn)（屬于不同的圖像）之間 的SIFT特征的距離，也就是兩個(gè)特征點(diǎn)的SIFT特征的相似度，而采用卡方統(tǒng)計(jì)檢驗(yàn)方法計(jì) 算兩個(gè)特征點(diǎn)（屬于不同的圖像）之間的形狀上下文特征的距離，也就是兩個(gè)特征點(diǎn)之間 的形狀上下文特征的相似度；最后將SIFT特征和形狀上下文特征的相似度進(jìn)行線性加權(quán)， SIFT特征和形狀上下文特征的相似度進(jìn)行線性加權(quán)的公式為：
[0067] d = wXdsc+(l-w) X dSIFT
[0068] d表示兩種特征線性加權(quán)的結(jié)果，ds。表示兩個(gè)特征點(diǎn)的形狀上下文特征的距離； dSIFT表示兩個(gè)特征點(diǎn)的SIFT特征的距離；w為權(quán)重。
[0069] 本發(fā)明采用最近鄰算法計(jì)算兩個(gè)圖像的特征點(diǎn)的相似性的匹配結(jié)果的過(guò)程為：
[0070] 以圖像SA和圖像SB為例，在圖像SA中選取一個(gè)特征點(diǎn)i，采用歐氏距離計(jì)算方法 和卡方統(tǒng)計(jì)檢驗(yàn)方法計(jì)算在圖像SB中與特征點(diǎn)i的距離最近和次近的兩個(gè)特征點(diǎn)p和q， 即利用d = wXdsc；+(l-w) XdSIFT計(jì)算兩次d，特征點(diǎn)p到特征點(diǎn)i的距離最近簡(jiǎn)稱為dl，特 征點(diǎn)q到特征點(diǎn)i的距離次近簡(jiǎn)稱d2,判斷dl與d2的比值是否小于預(yù)設(shè)閾值；如果dl與 d2的比值小于預(yù)設(shè)閾值（預(yù)設(shè)閾值的取值范圍通常在0. 4?0. 8之間，本發(fā)明推薦選擇 0. 65)，則認(rèn)為特征點(diǎn)i與特征點(diǎn)p相似度匹配成功，選擇特征點(diǎn)p作為特征點(diǎn)i所對(duì)應(yīng)的 匹配點(diǎn)，并將該dl作為d(A，B);如果dl與d2的比值大于預(yù)設(shè)閾值，則認(rèn)為特征點(diǎn)i與特 征點(diǎn)P匹配失敗。此時(shí)，需要重新選取特征點(diǎn)進(jìn)行相似度匹配。
[0071] 由于特征點(diǎn)i到特征點(diǎn)p的距離d(A，B)與特征點(diǎn)p到特征點(diǎn)i的距離d(B，A)是 不同的，在計(jì)算出d(A，B)后還需要計(jì)算d(B，A)，d(B，A)的計(jì)算方法與d(A，B)計(jì)算方法同 理。
[0072] 上述步驟僅可以計(jì)算兩個(gè)圖像中的對(duì)應(yīng)的特征點(diǎn)之間的相似度，但無(wú)法衡量?jī)煞?圖像的相似程度，針對(duì)該問(wèn)題，本發(fā)明提出了一種基于特征點(diǎn)的相似度匹配算法。
[0073] 二、基于特征點(diǎn)的相似度匹配算法
[0074] 以圖像SA和圖像SB為例，采用基于特征點(diǎn)的相似度匹配算法計(jì)算圖像S A和圖像 SB的相似度的公式為：D = min {D (A，B)，D (B，A)}，
[0075] 其中，
[0076]

【權(quán)利要求】
1. 一種基于圖像特征的商品分類方法，包括： 提取圖像的特征點(diǎn)的形狀上下文特征和SIFT特征； 根據(jù)圖像的特征點(diǎn)的形狀上下文特征和SIFT特征，匹配圖像間的特征點(diǎn)的相似度，獲 得圖像間的特征點(diǎn)的相似度的匹配結(jié)果； 根據(jù)圖像間的特征點(diǎn)的相似度的匹配結(jié)果獲取圖像間的相似度； 根據(jù)圖像間的相似度采用基于增量類別樹(shù)的分類方法對(duì)所有圖像進(jìn)行分類，獲得分類 結(jié)果； 將所述分類結(jié)果作為商品分類結(jié)果輸出。
2. 如權(quán)利要求1所述的基于圖像特征的商品分類方法，其中，在提取圖像特征點(diǎn)的形 狀上下文特征和SIFT特征的過(guò)程中， 對(duì)商品的圖像進(jìn)行預(yù)處理，將商品的圖像歸一化為統(tǒng)一尺寸； 根據(jù)預(yù)處理后的圖像提取特征點(diǎn)； 根據(jù)特征點(diǎn)提取特征點(diǎn)的形狀上下文特征和SIFT特征。
3. 如權(quán)利要求1所述的基于圖像特征的商品分類方法，其中，根據(jù)最近鄰算法獲得圖 像間的特征點(diǎn)的相似度的匹配結(jié)果，其過(guò)程為： 在圖像SA中選取一個(gè)特征點(diǎn)i，在圖像SB中確定與所述特征點(diǎn)i距離最近和次近的兩 個(gè)特征點(diǎn)P和q ;其中，所述特征點(diǎn)i與所述特征點(diǎn)P的相似度為所述特征點(diǎn)i與所述特征 點(diǎn)P之間的距離；所述特征點(diǎn)i與所述特征點(diǎn)q的相似度為所述特征點(diǎn)i與所述特征點(diǎn)q 之間的距離； 判斷所述特征點(diǎn)i到所述特征點(diǎn)P的距離與所述特征點(diǎn)i到所述特征點(diǎn)q的距離的比 值是否小于預(yù)設(shè)閾值；如果小于，特征點(diǎn)i與特征點(diǎn)P匹配成功；如果大于，特征點(diǎn)i與特征 點(diǎn)P匹配失敗。
4. 如權(quán)利要求1或3所述的基于圖像特征的商品分類方法，其中，根據(jù)圖像間的特征點(diǎn) 的相似度的匹配結(jié)果獲取圖像間的相似度的過(guò)程為： D = min{D(A，B)，D(B，A)};其中，
其中，D為圖像SA與圖像SB的相似度的值；為圖像SA的特征點(diǎn)與圖像S B的特 征點(diǎn)之間的距離的平均值；M(A，B)為圖像SA與SB的特征點(diǎn)匹配成功的數(shù)目;為圖 像SB的特征點(diǎn)與圖像SA的特征點(diǎn)之間的距離的平均值;M(B，A)為圖像SB與S A中的特征點(diǎn) 匹配成功的數(shù)目。
5. 如權(quán)利要求1所述的基于圖像特征的商品分類方法，其中，在根據(jù)圖像間的相似度 采用基于增量類別樹(shù)的分類方法對(duì)所有圖像進(jìn)行分類的過(guò)程中， 初始化類別樹(shù)；其中，所述類別樹(shù)包括多層類別，每層類別包括多個(gè)分類；選取每個(gè)圖 像的相似度最大值作為每個(gè)圖像到第一層類別的當(dāng)前分類的距離； 判斷每個(gè)圖像到第一層類別的當(dāng)前分類的距離是否大于預(yù)設(shè)分類閾值；如果大于，新 增分類，將大于所述預(yù)設(shè)分類閾值的圖像歸在第一層類別的新分類下；如果小于，將小于所 述預(yù)設(shè)分類閾值的圖像歸在第一層類別的當(dāng)前分類下，完成第一層類別的圖像的分類； 循環(huán)第一層類別的圖像的分類過(guò)程完成其他層類別的圖像的分類。
6. -種基于圖像特征的商品分類裝置，包括： 特征提取單元，用于提取圖像的特征點(diǎn)的形狀上下文特征和SIFT特征； 特征點(diǎn)相似度匹配單元，用于根據(jù)圖像的特征點(diǎn)的形狀上下文特征和SIFT特征，匹配 圖像間的特征點(diǎn)的相似度，獲得圖像間的特征點(diǎn)的相似度的匹配結(jié)果； 圖像相似度匹配單元，用于根據(jù)圖像間的特征點(diǎn)的相似度的匹配結(jié)果獲取圖像間的相 似度； 圖像分類單元，用于根據(jù)圖像間的相似度，采用基于增量類別樹(shù)的分類方法對(duì)圖像進(jìn) 行分類，獲得分類結(jié)果； 分類結(jié)果輸出單元，用于將所述分類結(jié)果作為商品分類結(jié)果輸出。
7. 如權(quán)利要求6所述的基于圖像特征的商品分類裝置，其中， 所述特征提取單元包括： 圖像預(yù)處理模塊，用于對(duì)商品的圖像進(jìn)行預(yù)處理，將商品的圖像歸一化為統(tǒng)一尺寸； 特征點(diǎn)提取模塊，用于根據(jù)預(yù)處理后的圖像提取特征點(diǎn)； 形狀上下文特征提取模塊，用于提取特征點(diǎn)的形狀上下文特征； SIFT特征提取模塊，用于提取特征點(diǎn)的SIFT特征。
8. 如權(quán)利要求6所述的基于圖像特征的商品分類裝置，其中，所述特征點(diǎn)相似度匹配 單元根據(jù)最近鄰算法獲得圖像間的特征點(diǎn)的相似度的匹配結(jié)果，其過(guò)程為： 在圖像SA中選取一個(gè)特征點(diǎn)i，在圖像SB中確定與所述特征點(diǎn)i距離最近和次近的兩 個(gè)特征點(diǎn)P和q ;其中，所述特征點(diǎn)i與所述特征點(diǎn)P的相似度為所述特征點(diǎn)i與所述特征 點(diǎn)P之間的距離；所述特征點(diǎn)i與所述特征點(diǎn)q的相似度為所述特征點(diǎn)i與所述特征點(diǎn)q 之間的距離； 判斷所述特征點(diǎn)i到所述特征點(diǎn)P的距離與所述特征點(diǎn)i到所述特征點(diǎn)q的距離的比 值是否小于預(yù)設(shè)閾值；如果小于，所述特征點(diǎn)i與所述特征點(diǎn)P匹配成功；如果大于，所述 特征點(diǎn)i與所述特征點(diǎn)P匹配失敗。
9. 如權(quán)利要求8所述的基于圖像特征的商品分類裝置，其中，所述圖像相似度匹配單 元根據(jù)圖像間的特征點(diǎn)的相似度的匹配結(jié)果獲取圖像間的相似度的過(guò)程為： D = min{D(A，B)，D(B，A)};其中，
其中，D為圖像SA與圖像SB的相似度的值；為圖像SA中特征點(diǎn)與圖像S B中特 征點(diǎn)之間的距離的平均值；M(A，B)為圖像SA與SB的特征點(diǎn)匹配成功的數(shù)目；為圖 像SB中特征點(diǎn)與圖像SA中特征點(diǎn)之間的距離的平均值;M(B，A)為圖像SB與S A中的特征點(diǎn) 匹配成功的數(shù)目。
10. 如權(quán)利要求6所述的基于圖像特征的商品分類裝置，其中， 所述圖像分類單元包括： 類別樹(shù)初始化模塊，用于初始化類別樹(shù)；其中，所述類別樹(shù)包括多層類別，每層類別包 括多個(gè)分類； 當(dāng)前分類距離確定模塊，用于將每個(gè)圖像的相似度最大值作為每個(gè)圖像到第一層類別 的當(dāng)前分類的距離； 新增分類模塊，用于新增分類； 歸類模塊，用于對(duì)每個(gè)圖像進(jìn)行歸類； 距離判斷模塊，用于判斷每個(gè)圖像到第一層類別的當(dāng)前分類的距離是否大于預(yù)設(shè)分類 閾值；如果大于，所述新增分類模塊新增分類，所述歸類模塊將大于所述預(yù)設(shè)分類閾值的圖 像歸在第一層類別的新分類下；如果小于，所述歸類模塊將小于所述預(yù)設(shè)分類閾值的圖像 歸在每層類別的當(dāng)前分類下，完成第一層類別的圖像的分類； 分類循環(huán)模塊，用于循環(huán)第一層類別的圖像的分類過(guò)程，完成其他層類別的圖像的分 類。
【文檔編號(hào)】G06K9/46GK104281679SQ201410520696
【公開(kāi)日】2015年1月14日 申請(qǐng)日期:2014年9月30日 優(yōu)先權(quán)日:2014年9月30日
【發(fā)明者】周宇弘, 鄒博 申請(qǐng)人:東軟集團(tuán)股份有限公司