技术领域
[0001] 本
发明属于
图像识别处理技术领域，特别是涉及一种有效的识别低分辨率商品图像的处理算法。
背景技术
[0002] 在
现有技术中，针对图像识别，尤其是商品图像识别，主要解决的是较高分辨率近景拍摄的商品图像，图像中
像素信息丰富，比较容易通过常见的识别算法进行物体或图像识别。常见的大规模图像识别数据以100x100以上分辨率较为常见，但实际场景中采集的图像，尤其是通过手机等移动设备采集的商店、超市货架图像，其中的局部商品图像分辨率非常低，并且极大程度上受采集设备
硬件限制，常见的图像识别技术较难处理这类图像的识别。实际应用识别结果时，识别准确度的标准通常较高，例如95％以上的识别
精度。并且由于低分辨率图像本身尺寸限制，基于
深度神经网络的图像识别技术很难充分发挥其对图像纹理信息、语义信息的优秀能
力，因此也成为影响低分辨率商品图像识别效果的阻碍。因此针对以上问题，提供一种有效的识别低分辨率商品图像的处理算法具有重要意义。
发明内容
[0003] 本发明有效的识别低分辨率商品图像的处理算法能够最终识别准确率大幅度高于基于已知的图像识别算法获得的结果；保证了重点区域特征的纹理真实程度与实际商品差异足够小，极大降低了商品图像最终判别类别时的误分类程度；降低被判别为已知商品的错误率，保证容易且快速建立和扩充已知商品图像库，通过不断
迭代本发明提出的算法，有利于进一步提升低分辨率商品识别的准确率；训练算法模型的速度和效率得到最大程度的提升，在同样数据条件下，达到相同商品识别准确率前提下所需要的计算资源和时间最低，有利于提升资源利用效率。
[0004] 为解决上述技术问题，本发明是通过以下技术方案实现的：
[0005] 本发明的一种有效的识别低分辨率商品图像的处理算法，包括如下步骤：
[0006] S1、通过预训练的常用图像识别算法建立大规模商品指纹库；
[0007] S2、输入目标商品图像，从商品指纹库获取最相似的5张商品图像；
[0008] S3、通过构建的算法模型重建步骤S2所述的目标商品图像，并结合步骤S2所述5张最相似的商品图像优化纹理信息；
[0009] S4、利用步骤S3获得的重建后的商品图像进行分类，输出目标商品类别信息。
[0010] 进一步地，所述步骤S3中，目标商品图像的重建包括以下步骤：
[0011] S31.判断所述目标图像是否有商标区域，若是，则根据步骤S2所述最相似5张商品图像，恢复商标区域纹理特征；若否，则继续下一步；
[0012] S32.判断所述目标图像是否有文本区域，若是，则根据步骤S2所述最相似5张商品图像，恢复文本区域纹理特征；若否，则继续下一步；
[0013] S33.对所述目标图像的背景区域根据则根据步骤S2所述最相似5张商品图像进行重建。
[0014] 进一步地，所述步骤S31、步骤S32、步骤S33中商标区域、文本区域、背景区域的
定位，采用区域特征显著算法，通过有监督的回归定位学习获得。
[0015] 进一步地，所述步骤S31、步骤S32、步骤S33中恢复纹理特征通过有监督的特征迁移算法实现，监督损失函数包括纹理相似性和逐像素判别函数。
[0016] 进一步地，所述步骤S4中，重建后的商品图像通过区域特征显著算法提取
特征向量，共提取三组特征，包括商标区域、文本区域和背景区域。
[0017] 进一步地，所述步骤S4中，重建后的商品图像分类通过提取的三组特征向量，通过三元组损失、中心损失以及基于高维非线性空间的分类输出算法进行判别学习。
[0018] 进一步地，所述步骤S2中，目标图像真实类别不包含在已知商品图像库时，通过提取的图像特征的度量判别，容易归纳为一个未知类别，扩充商品图像库。
[0019] 本发明相对于现有技术具有的有益效果包括：
[0020] 1、本发明对任何低分辨率的商品图像，最终识别准确率大幅度高于基于已知的图像识别算法获得的结果。
[0021] 2、本发明在对低分辨率图像的重建中，保证了重点区域特征的纹理真实程度与实际商品差异足够小，极大降低了商品图像最终判别类别时的误分类程度。
[0022] 3、本发明在当输入的目标商品图像并未包含在已知商品库时，降低被判别为已知商品的错误率，保证容易且快速建立和扩充已知商品图像库，通过不断迭代本发明提出的算法，有利于进一步提升低分辨率商品识别的准确率。
[0023] 4、本发明在当商品库混合大量视觉相似的商品时，训练算法模型的速度和效率得到最大程度的提升，在同样数据条件下，达到相同商品识别准确率前提下所需要的计算资源和时间最低，有利于提升资源利用效率。
[0024] 当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
[0025] 为了更清楚地说明本发明
实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0026] 图1为本发明一种有效的识别低分辨率商品图像的处理算法的步骤图；
[0027] 图2为本发明的一种具体实施例的拓扑结构示意图。
具体实施方式
[0028] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
[0029] 请参阅图1-2所示，本发明的一种有效的识别低分辨率商品图像的处理算法，包括：
[0030] S1.通过预训练的常用图像识别算法建立大规模商品指纹库；
[0031] S2.输入目标商品图像，从商品指纹库获取最相似的5张商品图像；
[0032] S3.通过构建的算法模型重建步骤S2所述的目标商品图像，并结合步骤S2所述5张最相似的商品图像优化纹理信息；
[0033] S4.利用步骤S3获得的重建后的商品图像进行分类，输出目标商品类别信息。
[0034] 其中，输入的目标商品图像为低分辨率图像，此处低分辨率图像通常指像素单位下图像最短边长度小于等于50像素。
[0035] 其中，在步骤S2中，对采集的全量商品图像
数据库进行指纹提取，此处所述指纹提取具体指通过预训练的商品图像识别算法提取的一维图像特征向量，向量长度为512；通过
聚类算法获得每一个商品类别簇的簇中心，并对该类别簇中心匹配一张特征向量距离簇中心最近的代表图像；通过以上配置，完成商品图像指纹库的构建。
[0036] 其中，在步骤S2中，对目标商品图像通过相同的预训练商品图像识别算法获得特征向量，并在构建的商品图像指纹库中与每一个簇中心特征向量进行距离度量，距离度量通常采用曼哈顿距离或欧式距离；获得距离最近的5个簇中心，返回5个簇中心各自的代表图像，即返回5张最相似商品图像。
[0037] 其中，在步骤S3中，对目标商品图像的显著特征区域提取。针对商品图像，本发明提出3种显著特征区域，分别为商标区域，文本区域和背景区域；每一个特征区域通过本发明提出的区域特征显著算法获得定位，区域特征显著算法通过构建对卷积特征通道和卷积空间敏感的
卷积神经网络完成，提出的卷积神经网络对每一个残差卷积模组(3x3x64维度卷积模
块级联3x3x64维度卷积模块，
叠加原始输入)输出的特征图的特征通道进行筛选，获得3个最显著特征通道，并还原到空间维度，叠加回归运算计算3个显著特征区域的坐标
位置。
[0038] 其中，在步骤S3中，对目标商品图像提取到的显著特征区域进行纹理和内容重建；通过对步骤S2获得的5张最相似的商品图像，依次(按照相似程度排序)输入纹理提取网络和内容提取网络；构建的纹理提取网络包含5个卷积模组，4次降
采样层，提取其中4层特征图，将特征图进行尺寸伸缩，伸缩后的特征图纹理信息迁移到步骤S3所述目标图像经过卷积运算获得的特征图中，并对前述提取到的显著特征区域进行精修，精修过程通过增加局部区域
监督学习损失函数的权重完成；构建的内容提取网络主要以预训练的商品识别算法完成，提取4层特征图，与纹理迁移的过程相似，将高维语义信息与步骤S3所述目标图像经过卷积运算获得的特征图进行叠加，增强语义信息，有利于进一步提高识别精度。
[0039] 其中，在步骤S4中，对重建后的商品图像通过深度卷积神经网络提取特征，此处所述深度卷积神经网络采用叠加残差模组，并对残差模组中的卷积模块进行分离，拆分为多种不同尺寸的卷积核，提升深度卷积神经网络对商品图像特征的
感知能力，有利于提升识别精度。
[0040] 其中，在步骤S4中，所述重建后的商品图像分类通过提取的特征向量，通过三元组损失、中心损失以及基于高维非线性空间的分类输出算法进行判别学习。
[0041] 其中，步骤S2中，所述目标图像真实类别不包含在已知商品图像库时，通过提取的图像特征的度量判别，容易归纳为一个未知类别，扩充商品图像库
[0042] 本发明相对于现有技术包括有以下有益效果:
[0043] 1、本发明对任何低分辨率的商品图像，最终识别准确率大幅度高于基于已知的图像识别算法获得的结果。
[0044] 2、本发明在对低分辨率图像的重建中，保证了重点区域特征的纹理真实程度与实际商品差异足够小，极大降低了商品图像最终判别类别时的误分类程度。
[0045] 3、本发明在当输入的目标商品图像并未包含在已知商品库时，降低被判别为已知商品的错误率，保证容易且快速建立和扩充已知商品图像库，通过不断迭代本发明提出的算法，有利于进一步提升低分辨率商品识别的准确率。
[0046] 4、本发明在当商品库混合大量视觉相似的商品时，训练算法模型的速度和效率得到最大程度的提升，在同样数据条件下，达到相同商品识别准确率前提下所需要的计算资源和时间最低，有利于提升资源利用效率。
[0047] 以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本
说明书的内容，可作很多的
修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受
权利要求书及其全部范围和等效物的限制。
