[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

摘要

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。

主权项

1.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：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；步骤4.计算两个关键词组的相似度，其计算公式为：   W₁和W₂为两个词语，{S₁₁，S₁₂，……S_1n，}和{S₂₁，S₂₂，……S_2n，}分别是其概念集合，S_1n是词语拥有的n个义项；Sim(W₁,W₂)是两个词语的各个义项(概念)的相似度最大值，即是两者的相似度；步骤5.计算两个概念的相似度，其计算公式为：其中β_i(1≤i≤4)是可调节的参数分别表示4个特征：第一基本义原描述、其他基本义原描述、关系义原描述、关系符号描述，且满足：β₁+β₂+β₃+β₄＝1,β₁≥β₂≥β₃≥β₄；步骤6.基于贝叶斯理论的特征融合算法进行决策，其过程可以表示为：其中Ω＝{ω₁,…,ω_c}代表模式空间Ω包含c种模式，x＝[x₁,x₂,…,x_N]是未知样本x由N维实值特征；P(ω_k|x)表示第k类的后验概率，k∈{1,2,…,c}；根据最小错误率的贝叶斯决策理论，若将样本分为第j类，则该类就是在已知样本x条件下后验概率最大的模式类；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；定义一个商标图像的相似性度量,在得到输入商标特征向量与所属类别后，需要计算输入商标的特征向量与所属特征库中特征向量的相似度；判断图像之间是否相似主要是通过判断两幅图像特征向量之间的距离大小；其计算公式如下：其中，m代表特征向量的维度；步骤8.计算商标图像之间的相似度；得到库中每张商标与输入商标的相似度值，并返回相似度高的商标；其计算公式如下：步骤9.构建商标图像检索树；结合商标图像之间的相似度，将每个商标图像对应到商标图像检索树上，用以简化整个搜索过程，建立快速的检索体制；同时，对于商标图像不全，商标图像模糊以及基于用户反馈的商标图像检索结果的优化都有积极的作用。