[发明专利]一种基于深度学习和迁移学习的3D画智能推荐方法

说明书

本发明公开了一种基于深度学习和迁移学习的3D画智能推荐方法，首先利用公开的大样本场景图片数据集，基于深度学习得到通用的场景图像分类器；然后通过用户收集的3D画场景图片数据集进行迁移学习，将通用的图像分类器转为3D画场景空间分类器；接着通过哈希感知算法构建3D画设计方案推荐图库的信息指纹库；最后将用户拍摄场景图片与3D画设计方案库匹配筛选，得到匹配候选子集，计算该子集中每张图片与用户图片之间的信息指纹汉明距离，再将距离最小的3D图智能推荐给用户。本发明基于深度学习和迁移学习，实现了在特定环境和空间结构对3D画的设计，也缩短了3D画的设计周期。

技术领域

本发明涉及一种机器学习与图像处理领域，特别是涉及一种基于深度学习和迁移学习的3D画智能推荐方法。

背景技术

近年来，裸眼3D画以其特殊的艺术表现、超强的视觉震撼力以及极具趣味的互动性受到越来越多的关注与追捧，覆盖了装修、广告、展会和家居等多个领域，具有广阔的发展前景。3D画是一种利用反透视和视错觉原理的特殊艺术形式，并且需要巧妙利用环境和空间结构融合进行创作。因此根据特定环境和空间结构进行3D画设计是比较费时费力，对画家的经验和水平也有着一定的要求。在传统模式下，画家需要熟练运用绘画中的各种透视关系，以及具备非常强的空间感才能设计出一副好的3D画。一些新人画师也因为缺乏经验无法独立设计3D画，成为3D画绘制行业的一个空缺。

发明内容

本发明提供了一种基于深度学习和迁移学习的3D画智能推荐方法，其克服了现有技术的基于深度学习和迁移学习的3D画智能推荐方法所存在的不足之处。

本发明解决其技术问题所采用的技术方案是：一种基于深度学习和迁移学习的3D画智能推荐方法，包括以下步骤：

S1：构建基于公共图像数据集的图像分类器RCLF；其中，公共图像数据集BS是MIT计算科学Places205公开数据集，选择卷积模型Inception-ResNet在Places205公开数据集上训练后，得到一个识别Places205公开数据集中各个场景的图像分类器RCLF；

S2：基于步骤S1中得到的图像分类器RCLF的3D画场景空间迁移学习；

S21，保持图像分类器RCLF除softmax层以外其他层的参数不变，将softmax层的参数学习率调大2倍，将全连接层其他参数的学习率调小一半；

S22，将用户自己收集的3D画场景数据集SS训练全连接层，以捕获3D画场景空间信息，最后得到一个4分类的3D画场景空间分类器DCLF；

S3：构建3D画设计方案推荐图库的信息指纹；

S31，收集大量的3D画设计方案图像，作为待推荐的结果数据集；

S32，对收集的每张3D画图像构建信息指纹FPS；

S33，然后使用哈希感知算法求步骤S32中各图像的哈希感知指纹；

S4：基于现实场景的3D画设计方案输出；

S41，用户拍摄一张现实场景图片Ps，作为匹配服务请求；

S42，将步骤S41中的图片传给分类器DCLF识别，得到对用户场景的智能识别结果scene；

S43，对用户场景图片Ps采用步骤S3方法计算出其对应的信息指纹fp；

S44，在3D画设计方案推荐图库中寻找属于场景类别为scene的样本子集CSS；

S45，将样本子集CSS中的每一张图片的信息指纹cp与用户场景图片Ps的信息指纹fp求汉明距离，样本子集CSS中汉明距离最小的3D画设计方案图片为推荐结果Ds。