【技術實現步驟摘要】
本專利技術屬于面料檢索方法領域，涉及一種復雜場景下的面料圖像檢索方法。
技術介紹
1、圖像檢索技術允許用戶上傳圖像或拍攝照片來查找相似或相同的產品，有利于提高圖像的查詢效率和滿意度。工業場景、電商平臺中的圖像采集環境通常難以標準化，拍攝光源、角度、分辨率等條件存在一定的差異，此類圖像的檢索屬于復雜場景下的圖像檢索。現有的面料圖像檢索方法通常是基于內容的圖像檢索，所面向的圖像屬于標準采集環境下的圖像，難以應對復雜環境下的圖像檢索，限制了圖像檢索的應用范圍。現有方法一般基于圖像特征提取和相似性度量來實現，所提取的特征主要包括由人為設計的手工特征和由深度網絡提取的深度特征。手工特征計算簡單，可解釋性強，但特征參數不具有普適性。深度特征通常由端到端的訓練方式自動提取，屬于高層語義特征，訓練過程無需人為參與，但需要一定的訓練數據和計算資源。現有手工和深度特征針對的是標準采集環境下的面料圖像，難以適用于復雜環境下采集的面料圖像。從面料圖像手工和深度特征融合的角度入手，可全面表征面料圖像的特征，實現高效、精確的復雜場景下的圖像檢索。
技術實現思路
1、本專利技術的目的在于提出一種高效、精確的復雜場景下的面料圖像檢索方法，快速查找工業、電商等場景中復雜條件下采集的面料圖像。
2、本專利技術的技術方案如下：
3、一種復雜場景下的面料圖像檢索方法，包括以下步驟：
4、s1：建立面料圖像數據庫；
5、所述的面料圖像是在不同的拍攝光源、角度、分辨率等條件下采
6、s2：構建手工特征提取模型，獲取待查詢圖像和數據庫圖像中圖像的手工特征描述；
7、所述的手工特征提取模型首先對面料圖像進行預處理，通過濾波操作去除圖像中的噪聲信息，然后抽取圖像的關鍵點和方向信息作為低階特征，描述面料圖像的細節信息。
8、進一步地，所述的手工特征包括sift、surf和orb特征。
9、s3：搭建圖像深度并行表征模型處理面料圖像，獲取待查詢圖像和數據庫圖像中圖像的深度特征描述；
10、所述的圖像深度并行表征模型共有兩個并行的分支，如圖2所示，分別用于抽取面料圖像的場景特征和類別特征，描述面料圖像的高層語義信息，確保模型能夠區分不同場景下的同一塊面料，并保證檢索到的圖像均屬于同一個類別。
11、所述的圖像深度并行表征模型的兩個并行分支是以卷積神經網絡作為底層框架，以端到端的方式抽取表征面料圖像的深度語義特征。
12、所述的卷積神經網絡為自行搭建的緊湊網絡，共包括1個輸入層、4個卷積和池化層、3個全連接層和1個輸出層。
13、所述的圖像深度并行表征模型的兩個分支均采用三元組損失函數進行優化，并以權重分配的方式形成最終的損失函數，所設計的損失函數l可表示為
14、l＝β1l1+β2l2
15、式中：β1和β2分別為兩個損失函數的權重；
16、s4：設計圖像手工和深度特征融合方式，將s2和s3得到的圖像手工和深度特征進行融合，綜合表征面料圖像；
17、所述的圖像手工和深度特征融合方式，具體如下：
18、在s3所述的圖像深度并行表征模型中引入特征融合模塊，如圖3所示，聚合s2和s3得到的圖像手工和深度特征，分別得到待查詢圖像和數據庫圖像中圖像的融合特征。
19、所述的特征融合模塊是以改進的netvlad模塊為基礎，使得通常采用vlad進行聚合的手工特征，能通過netvlad模塊在圖像深度并行表征模型中參與訓練，避免了手工特征中的人為設計參數過程。
20、所述的改進的netvlad模塊是將原有處理卷積神經網絡中特征圖的結構更改為可同時處理特征圖和手工特征的結構，以達到圖像手工和深度特征融合的目的。
21、s5：將s4獲得的待查詢圖像和數據庫圖像中圖像的融合特征，進行特征間的相似性度量，并根據相似性的大小輸出檢索結果；
22、所述的相似性度量是特征向量間的距離計算方式，可選擇不同的距離公式進行計算。
23、s6：將檢索結果圖像對應的面料產品詳情調出，用于指導面料生產或電商購物推薦。
24、所述的面料產品詳情包括產品標題、描述和屬性信息。
25、本專利技術的有益效果：
26、本專利技術從工業、電商等復雜場景下的檢索需求出發，提出一種復雜場景下的面料圖像檢索方法。通過手工特征捕捉面料圖像的細節信息，通過深度特征抽取圖像的高層語義信息，使得手工特征參與模型訓練，融合兩種特征共同表征面料圖像的內在特性，使兩種特征形成優勢互補。并在圖像深度并行表征模型中引入特征融合模塊，將手工特征引入到深度表征模型中，以端到端的訓練形式自動抽取面料圖像特征，避免了手工特征的參數設計和優化過程。這種融合方法可提高面料圖像檢索的精度和魯棒性，可應用于工業、電商等復雜場景下的面料檢索，及時查找需求的面料產品，進而提升用戶的使用體驗。
本文檔來自技高網...【技術保護點】
1.一種復雜場景下的面料圖像檢索方法，其特征在于，包括以下步驟：
2.如權利要求1所述的一種復雜場景下的面料圖像檢索方法，其特征在于，所述的步驟S2中，所述的手工特征提取模型首先對面料圖像進行預處理，通過濾波操作去除圖像中的噪聲信息，然后抽取圖像的關鍵點和方向信息作為低階特征，描述面料圖像的細節信息。
3.如權利要求1或2所述的一種復雜場景下的面料圖像檢索方法，其特征在于，所述的步驟S2中，所述的手工特征包括SIFT、SURF和ORB特征。
4.如權利要求1或2所述的一種復雜場景下的面料圖像檢索方法，其特征在于，所述的步驟S5中，所述的相似性度量是特征向量間的距離計算方式，選擇不同的距離公式進行計算。
5.如權利要求3所述的一種復雜場景下的面料圖像檢索方法，其特征在于，所述的步驟S5中，所述的相似性度量是特征向量間的距離計算方式，選擇不同的距離公式進行計算。
6.如權利要求1或2或5所述的一種復雜場景下的面料圖像檢索方法，其特征在于，所述的步驟S6中，所述的面料產品詳情包括產品標題、描述和屬性信息。
7.如權
8.如權利要求4所述的一種復雜場景下的面料圖像檢索方法，其特征在于，所述的步驟S6中，所述的面料產品詳情包括產品標題、描述和屬性信息。
...【技術特征摘要】
1.一種復雜場景下的面料圖像檢索方法，其特征在于，包括以下步驟：
2.如權利要求1所述的一種復雜場景下的面料圖像檢索方法，其特征在于，所述的步驟s2中，所述的手工特征提取模型首先對面料圖像進行預處理，通過濾波操作去除圖像中的噪聲信息，然后抽取圖像的關鍵點和方向信息作為低階特征，描述面料圖像的細節信息。
3.如權利要求1或2所述的一種復雜場景下的面料圖像檢索方法，其特征在于，所述的步驟s2中，所述的手工特征包括sift、surf和orb特征。
4.如權利要求1或2所述的一種復雜場景下的面料圖像檢索方法，其特征在于，所述的步驟s5中，所述的相似性度量是特征向量間的距離計算方式，選擇不同的距離公式...
【專利技術屬性】
技術研發人員：張寧，劉怡鑫，潘如如，閆建博，張存逍，
申請(專利權)人：江南大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。