[发明专利]一种室内商场店铺特征提取方法

权利要求书

1.一种室内商场店铺特征提取方法，其特征在于：所述商场内包括M个店铺；包括以下步骤：S1，构建店铺装饰风格识别神经网络原型，所述装饰风格识别神经网络原型包括卷积层、池化层、激励层和全连接层；S2，构建店铺文字检测神经网络原型，所述文字检测神经网络原型包括卷积层、池化层、激励层和反卷积层；S3，建立该商场内的店铺图像数据集，各图像均包括店铺的文字信息和装饰风格信息，将图像数据集划分为训练集和测试集；通过高斯随机分布初始化所述装饰风格识别神经网络和文字检测神经网络的权值，以最小化代价函数为目标来训练步骤S1中的装饰风格识别神经网络原型和步骤S2中的文字检测神经网络原型，确定出店铺装饰风格识别神经网络和文字检测神经网络的模型结构；S4，对于一张包含店铺名称和内部装饰风格的待识别图片，分别将其输入所述店铺装饰风格神经网络和文字检测神经网络的模型结构中，得到该图片属于各个店铺的概率以及该图片中对应文字部分的区域；S5，将步骤S4中得到的该图片中对应文字部分的区域输入文字识别模块中，得到该图片中文字部分对应的NGRAM编码；S6，根据步骤S4中得到的概率计算店铺装饰风格识别概率，根据步骤S5中得到的NGRAM编码计算文字识别概率，利用加权得到最终对应M个店铺的识别概率，以得到的概率中最高概率值对应的店铺作为该图片的店铺识别结果。

2.根据权利要求1所述的室内商场店铺特征提取方法，其特征在于：步骤S3中，代价函数为：L＝-∑_it_ilog(y_i)+λ||W||²，其中，训练步骤S1中装饰风格识别神经网络原型时，y_i表示所述训练集中的图像经过装饰风格识别神经网络训练后所得到的店铺概率，t_i为所述训练集中的图像属于M个店铺中各个店铺的实际概率，λ表示代价函数的正则项系数，W表示所述装饰风格识别神经网络模型中卷积层和全连接层的权值；训练步骤S2中店铺文字检测神经网络原型时，y_i表示所述训练集中的图像经过店铺文字检测神经网络训练后输出的图像中各个像素点属于文字区域的概率，t_i为所述训练集中的图像中各个像素点属于文字区域的实际概率，λ表示代价函数的正则项系数，W表示所述文字检测神经网络模型中卷积层和反卷积层的权值。

3.根据权利要求1所述的室内商场店铺特征提取方法，其特征在于：步骤S3中，通过Adam算法最小化代价函数确定出店铺装饰风格识别神经网络和文字检测神经网络的模型结构。

4.根据权利要求1所述的室内商场店铺特征提取方法，其特征在于：步骤S3中，确定出的所述装饰风格识别神经网络的模型结构中包括第一卷积单元，N2个全连接层，其中第一卷积单元包括N1个依次串联的卷积层，每个卷积层后均串联一个池化层和一个ReLu激励层，所述第一卷积单元的输出端串联所述N2个全连接层，最后一个全连接层的输出维数为M，用于输出M维的二值向量；其中，N1和N2的取值使得所述模型结构在训练集上达到最高准确率。

5.根据权利要求1所述的室内商场店铺特征提取方法，其特征在于：步骤S3中，确定出的所述文字检测神经网络的模型结构中包括第二卷积单元和N4个反卷积层；所述第二卷积单元包括N3个依次串联的卷积层，在部分卷积层后各串联一池化层和激励层；所述第二卷积单元的输出端串联所述N4个反卷积层，最后一个反卷积层用于输出二值化图片，图片中值为1的像素点代表文字区域，值为0的像素点代表非文字区域，其中，N3和N4的取值使得所述模型结构在训练集上达到最高准确率。

6.根据权利要求1所述的室内商场店铺特征提取方法，其特征在于：步骤S6中，根据如下函数计算得到店铺装饰风格识别概率：s_s＝f_s(a)，其中，a表示所述装饰风格识别神经网络的输出，s_s为该图片属于各个店铺的概率，f_s为sigmoid函数。