[发明专利]一种整合深度卷积网络和语义分析的商标图像检索方法

说明书

整合深度卷积神经网络和语义分析的商标图像检索方法，包括：步骤1.预处理图片；步骤2.训练深度卷积神经网络模型；步骤3.将图片输入训练好的模型进行图像匹配；步骤4.计算两个关键词组的相似度；步骤5.计算两个概念的相似度；步骤6.基于贝叶斯理论的特征融合算法进行决策；步骤7.采用欧氏距离判断两幅图像特征向量之间的距离大小；步骤8.计算商标图像之间的相似度；步骤9.构建商标图像检索树。本减少主观因素对于检索效果的影响，解决图像检索信息不准确的问题，实现了高效率的精确商标图像检索效果。

技术领域

本发明涉及深度学习和图像检索。提出了应用深度卷积神经网络的方法进行商标图像的检索，并结合使用关键词组进行语义匹配。

背景技术

商标是商品或服务的标识，是企业信誉和可靠度的象征，并且日益成为激烈的市场竞争活动中不可缺少的武器。新商标必须具有足够的独特性以避免与已注册的商标混淆或冲突。以计算机视觉技术为基础，并利用模式识别等相关计算机辅助知识进行图像检索，为解决当前商标注册问题提供了一个很好的途径。然而，这种方法存在速度慢，受图像复杂度的影响等缺点。而且，传统方法对抽象图像以及比较复杂的图像，受人为主观因素影响严重。尤其是面对那些纯图形商标和说明不完整的商标图像来说，传统商标检索方法使用起来不仅困难而且低效，也不适合我国经济快速发展条件下的商标注册申请要求。目前我国注册商标数目的逐年增多，传统的商标检索方法自身的人工分配主观、具体分类难以界定、商标图像相似性难以描述等问题日益突出，严重制约着我国商标注册领域的发展，因此研究出一个自动且高效的商标检索技术不仅非常重要，而且迫在眉睫。本文在这样一个背景下开展了研究工作。

发明内容

本发明要克服现有技术的上述缺点，提出一种整合深度卷积神经网络和语义分析的商标图像检索方法。提出了应用深度卷积神经网络的方法进行商标图像的检索，提高了商标检索的成功率并且免去了特征工程的大量劳动力。在此基础上，进行关键词组的语义匹配，在检索的时候考虑语义上的相似度，可以在保证正确率的同时提高商标图像检索的时间，提高性能，并在一定程度上解决“语义鸿沟”的问题。

本发明的整合深度卷积神经网络和语义分析的商标图像检索方法，包括以下步骤：

第一大部分，用深度学习的方法提取商标图像特征，并计算相似度，主要包括步骤1-3。

步骤1.预处理图片。

读取用户输入的需要检测的商标图片，检测图片中的商标位置，检测商标中的图像、文字部分，对商标图像进行对齐操作，最后对商标图像大小进行归一化操作，进一步打包为lmdb的文件格式，为进行深度学习打基础；

步骤2.训练深度卷积神经网络模型。

搭建总共10层结构的深度卷积神经网络模型。其中，第一层为输入层，输入经过预处理的商标图像。与输入层相连的是总共5层的卷积层，均包含一个激励函数，也就是激励层，激励函数选择ReLU，目的是引入数据的非线性效果。之后3层为全连接层。第1、2、5个卷积层均包含一个池化层，降采样方式选用maxpooling，目的是降低数据维度。最后一层，也就输出层将输出商标图像的特征信息，即为训练好的深度卷积网络模型。

搭建完成之后，将之前准备好的商标图片相关文件导入，配置相关的prototxt文件，确定模型结构和训练参数，获得训练好的模型。将模型的最后一层提取，作为商标图像的特征库；

步骤3.将图片输入训练好的模型进行图像匹配。

将测试图片输入深度卷积神经网络，提取出目标图片的特征向量，并利用特征销量进行相似度计算；

第二大部分，提取商标图像语义特征，计算相似度，主要包括步骤4-5。

步骤4.计算两个关键词组的相似度。