[发明专利]一种基于卷积神经网络与尺度不变特征变换的商标检索方法以及装置

权利要求书

1.一种基于卷积神经网络与尺度不变特征变换的商标检索方法，其特征在于，所述方法包括：

建立商标图像数据库步骤，通过爬虫在网络上爬取第一预设数量的全类别商标图像，建立商标图像数据库；

卷积神经网络特征提取步骤，将所述商标图像数据库中的第一预设数量的全类别商标图像切分为训练集、验证集及测试集，分别进行基于卷积神经网络的训练、验证及测试，提取出卷积神经网络特征；

尺度不变特征提取步骤，确定商标图像的关键点及兴趣点方向，并通过商标图像描述符计算提取出尺度不变特征；

融合特征生成步骤，将卷积神经网络特征与尺度不变特征首尾拼接，得到商标图像的融合特征；

融合特征对比步骤，通过计算所述商标图像的融合特征与所述商标图像数据库中商标图像的特征向量的欧式距离判断相似度。

2.如权利要求1所述的方法，其特征在于，所述卷积神经网络特征提取步骤还包括：

将所述商标图像数据库中的第一预设数量的全类别商标图像切分为第二预设数量商标图像的训练集、第三预设数量商标图像的验证集、第四预设数量商标图像的测试集，所述第二预设数量、第三预设数量与第四预设数量之和为第一预设数量。

3.如权利要求2所述的方法，其特征在于，所述方法还包括：

将所述第二预设数量商标图像进行数据增强得到第五预设数量商标图像训练集：

所述数据增强包括五种方式：采用水平镜像将图像左半部分和右半部分以图像竖直中轴线为中心轴进行对换；在原图中随机剪裁一定范围内图像；图像水平位置平移；图像上下位置平移；图像在[0，15]度范围内随机小角度旋转；

所述第五预设数量为第二预设数量的5倍。

4.如权利要求1所述的方法，其特征在于，所述卷积神经网络特征提取步骤还包括：

通过基于ResNet32的深度残差网络及基于PReLU的激活函数提取卷积神经网络特征；

所述深度残差网络包括5层卷积层，4层残差层，1层全连接层和SoftmaxWithLoss分类器层；

所述基于PReLU的激活函数系数值为0.25。

5.如权利要求1所述的方法，其特征在于，所述尺度不变特征提取步骤还包括：

商标图像尺度空间与关键点检测，通过应用Gaussian算子得到sigma值，采用sigma值的LOG滤波图像用于创建尺度空间，通过像素点强度值定位关键点；

计算关键点邻域内导数幅值F(x,y)和方向θ(x,y)：

其中，L为灰度级

通过梯度幅值作为像素方向的分配权重，权重最高的像素方向为兴趣点方向；

通过梯度方向来计算商标图像描述符，提取尺度不变特征。

6.如权利要求1所述的方法，其特征在于，所述通过梯度方向来计算商标图像描述符步骤还包括：

选取商标图像以关键点为中心的16×16的窗口；

将窗口中的像素根据Gaussian加权划分为4×4的区域；

将像素点与关键点的相对方向进行Gaussian加权放入含8个像素的方向直方图，得到尺度不变特征。

7.一种基于卷积神经网络与尺度不变特征变换的商标检索装置，其特征在于，所述装置包括：

建立商标图像数据库模块，用于通过爬虫在网络上爬取第一预设数量的全类别商标图像，建立商标图像数据库；

卷积神经网络特征提取模块，用于将所述商标图像数据库中的第一预设数量的全类别商标图像切分为训练集、验证集及测试集，分别进行基于卷积神经网络的训练、验证及测试，提取出卷积神经网络特征；

尺度不变特征提取模块，用于确定商标图像的关键点及兴趣点方向，并通过商标图像描述符计算提取出尺度不变特征；

融合特征生成模块，用于将卷积神经网络特征与尺度不变特征首尾拼接，得到商标图像的融合特征；

融合特征对比模块，用于通过计算所述商标图像的融合特征与所述商标图像数据库中商标图像的特征向量的欧式距离判断相似度。