[发明专利]一种线上商品搜索方法及系统

权利要求书

1.一种线上商品搜索方法，其特征在于，所述方法包括：

获取服务端存储的服务端商品图片；

采用卷积神经网络提取所述服务端商品图片的视觉特征，具体包括：

采用选择搜索算法在所述服务端商品图片中提取预设数量的候选区域；其中预设数量为2000个；

将每个所述候选区域缩放成预设大小后，输入到卷积神经网络中进行深度学习；其中预设大小为227×227的大小；

获取所述卷积神经网络的fc7层的输出作为卷积神经网络特征；

采用支持向量机对所述卷积神经网络特征进行分类，获得所述服务端商品图片的视觉特征；

根据所述视觉特征，采用深层次卷积神经网络结合哈希码创建算法生成深度哈希模型；

采用深层次卷积神经网络结合哈希码创建算法生成深度哈希模型之前，还包括：

对所述视觉特征的格式进行规范化处理，生成格式规范的视觉特征；

利用所述深度哈希模型生成服务端商品图片的服务端哈希码，具体包括：

利用所述深度哈希模型对所述服务端商品图片的多个高维的视觉特征进行哈希计算，生成低维的所述服务端哈希码；其中H表示哈希码；W表示视觉特征的转置矩阵；b表示偏置项；tr()表示求矩阵的迹；N表示输入视觉特征向量的临近集合，S为创建的临近相似矩阵，φC为偏置参数；I为单位矩阵；

获取客户端拍摄的客户端商品图片；

采用卷积神经网络提取所述客户端商品图片的视觉特征；

根据所述客户端商品图片的视觉特征，调用所述深度哈希模型生成客户端商品图片的查询哈希码；

从所述服务端搜索与所述查询哈希码相匹配的匹配服务端哈希码；

根据所述匹配服务端哈希码提取对应的服务端商品图片进行显示。

2.根据权利要求1所述的线上商品搜索方法，其特征在于，所述从服务端搜索与所述查询哈希码相匹配的匹配服务端哈希码，具体包括：

获取服务端中存储的所有服务端哈希码；

将所述查询哈希码与所述服务端哈希码带入到卷积神经网络中进行学习比对，计算每个所述服务端哈希码与所述查询哈希码的相似度；

确定所述相似度大于90％的服务端哈希码为所述匹配服务端哈希码。

3.一种线上商品搜索系统，其特征在于，所述系统包括：

商品信息存储模块，用于获取服务端存储的服务端商品图片；

服务特征提取模块，用于采用卷积神经网络提取所述服务端商品图片的视觉特征；

所述服务特征提取模块具体包括：

候选区域提取单元，用于采用选择搜索算法在所述服务端商品图片中提取预设数量的候选区域；其中预设数量为2000个；

深度学习单元，用于将每个所述候选区域缩放成预设大小后，输入到卷积神经网络中进行深度学习；其中预设大小为227×227的大小；

CNN特征输出单元，用于获取所述卷积神经网络的fc7层的输出作为卷积神经网络特征；

服务特征提取单元，用于采用支持向量机对所述卷积神经网络特征进行分类，获得所述务端商品图片的视觉特征；

深度哈希模型生成模块，用于根据所述视觉特征，采用深层次卷积神经网络结合哈希码创建算法生成深度哈希模型；

格式处理模块，用于在采用深层次卷积神经网络结合哈希码创建算法生成深度哈希模型之前，对所述视觉特征的格式进行规范化处理，生成格式规范的视觉特征；

哈希码创建模块，用于利用所述深度哈希模型生成服务端商品图片的服务端哈希码；

所述哈希码创建模块具体包括：

哈希码创建单元，用于利用所述深度哈希模型对所述服务端商品图片的多个高维的视觉特征进行哈希计算，生成低维的所述服务端哈希码；其中H表示哈希码；W表示视觉特征的转置矩阵；b表示偏置项；tr()表示求矩阵的迹；N表示输入视觉特征向量的临近集合，S为创建的临近相似矩阵，φC为偏置参数；I为单位矩阵；

图片拍摄模块，用于获取客户端拍摄的客户端商品图片；

特征提取模块，用于采用卷积神经网络提取所述客户端商品图片的视觉特征；

查询模块，用于根据所述客户端商品图片的视觉特征，调用所述深度哈希模型生成客户端商品图片的查询哈希码；

哈希码比对搜索模块，用于从所述服务端搜索与所述查询哈希码相匹配的匹配服务端哈希码；

显示模块，用于根据所述匹配服务端哈希码提取对应的服务端商品图片进行显示。

4.根据权利要求3所述的线上商品搜索系统，其特征在于，所述哈希码比对搜索模块具体包括：

服务端哈希码获取单元，用于获取服务端中存储的所有服务端哈希码；

相似度计算单元，用于将所述查询哈希码与所述服务端哈希码带入到卷积神经网络中进行学习比对，计算每个所述服务端哈希码与所述查询哈希码的相似度；

匹配哈希码确定单元，用于确定所述相似度大于90％的服务端哈希码为所述匹配服务端哈希码。