一种基于稀疏表示的超市商品图像识别方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN108280469A(43)申请公布日2018.07.13(21)申请号201810038033.3(22)申请日2018.01.16(71)申请人佛山市顺德区中山大学研究院地址528399广东省佛山市顺德区大良街道办事处云路社区居民委员会南国东路9号申请人广东顺德中山大学卡内基梅隆大学国际联合研究院中山大学(72)发明人滕家宁张东(74)专利代理机构广州嘉权专利商标事务所有限公司44205代理人左恒峰(51)Int.Cl.G06K9/62(2006.01)权利要求书1页说明书7页附图2页(54)发明名称一种基于稀疏表示的超市商品图像识别方法(57)摘要本发明公开了一种基于稀疏表示的超市商品图像识别方法，先采集商品的图像数据，并分成训练集和测试集，首先分别对训练集以及测试集的图像数据进行处理后得到训练集的关键点的局部描述符以及测试集的关键点的局部描述符，根据训练集的关键点的局部描述符可以训练得到稀疏字典，训练好的稀疏字典可以对局部描述符进行稀疏并计算得到全局特征描述符，利用SVM分类方法对图像数据的类标和训练集的全局特征描述符进行训练得到SVM分类器，然后将测试集的全局特征描述符输入到SVM分类器即可完成对商品的识别，本发明的识别方法对超市商品的识别精度较高。CN108280469ACN108280469A权利要求书1/1页1.一种基于稀疏表示的超市商品图像识别方法，其特征在于：包括以下步骤：A、采集商品的图像数据，并分成训练集和测试集，分别对训练集和测试集的各个图像数据进行分割、合并以及提取处理，得到训练集和测试集中各个商品完整的食物区域；B、选取训练集和测试集中对应的食物区域的关键点；C、对每一个关键点进行特征提取后得到每一个关键点的局部描述符；D、根据训练集的关键点的局部描述符，采用稀疏字典训练方法对图像数据进行学习得到一个过完备的稀疏字典；E、利用学习到的稀疏字典对训练集以及测试集的每一个图像数据的关键点的局部描述符进行稀疏表示，并计算得到训练集的全局特征描述符以及测试集的全局特征描述符；F、利用SVM分类方法对图像数据的类标和训练集的全局特征描述符进行训练得到SVM分类器；G、SVM分类器根据测试集的全局特征描述符对商品进行识别。2.根据权利要求1所述的一种基于稀疏表示的超市商品图像识别方法，其特征在于：所述步骤A中分别对训练集和测试集的各个图像数据进行分割处理，采用基于SLIC的超像素分割方法对图像数据进行分割并得到小图像块。3.根据权利要求2所述的一种基于稀疏表示的超市商品图像识别方法，其特征在于：所述步骤A中分别对训练集和测试集的各个图像数据进行合并处理，利用区域合并的方法对相似度高的小图像块进行合并。4.根据权利要求3所述的一种基于稀疏表示的超市商品图像识别方法，其特征在于：所述步骤A中分别对训练集和测试集的各个图像数据进行提取处理，其具体步骤为：采用亮度、颜色和纹理作为合并图像块的特征，利用特征空间进行全局对比度计算后生成对应的亮度显著图、颜色显著图以及纹理显著图，取上述三种显著图的平均值作为合并图像块的显著图，提取合并图像块显著图的显著性部分并得到完整的食物区域。5.根据权利要求1所述的一种基于稀疏表示的超市商品图像识别方法，其特征在于：所述步骤B中选取训练集和测试集中对应的食物区域的关键点，采用SURF算法分别对训练集和测试集的食物区域进行关键点的检测，将检测到的点作为训练集和测试集的食物区域的关键点。6.根据权利要求1所述的一种基于稀疏表示的超市商品图像识别方法，其特征在于：所述步骤C中对每一个关键点进行特征提取后得到每一个关键点的局部描述符，具体步骤为：对以关键点为中心的16*16个像素点的邻域内提取其RGB颜色空间的颜色直方图特征和SURF纹理特征作为每一个关键点的局部描述符。7.根据权利要求1所述的一种基于稀疏表示的超市商品图像识别方法，其特征在于：所述步骤E中利用学习到的稀疏字典对训练集以及测试集的每一个图像数据的关键点的局部描述符进行稀疏表示，其中，稀疏字典采用正交匹配追踪算法对局部描述符进行稀疏表示。8.根据权利要求1所述的一种基于稀疏表示的超市商品图像识别方法，其特征在于：所述步骤E中计算得到训练集的全局特征描述符以及测试集的全局特征描述符，具体步骤为：在得到训练集和测试集的所有稀疏表示的局部描述符后，通过对稀疏的局部描述符的特征向量进行叠加得到图像的全局特征描述符。2CN108280469A说明书1/7页一种基于稀疏表示的超市商品图像识别方法技术领域[0001]本发明涉及计算机视觉与智能识别技术领域，特别是一种基于稀疏表示的超市商品图像识别方法。背景技术[0002]随着计算机及相关技术的迅猛发展，人工智能技术