商品识别方法技术

本发明专利技术涉及计算机视觉技术领域，公开了一种商品识别方法。通过对测试商品进行采集，获取一定数量的图像样本并随机分配成训练集和测试集。分别对测试集中各图像样本的不同维度特征进行特征提取和训练，计算各图像样本在不同维度特征的概率相似性，按照一定的权值比例将商品图像的多维度特征融合入测试模型中。使用测试集对测试模型进行测试，以判断训练结果是否达到预期并不断调整各特征所占的权值比例，直至训练得到的测试模型可以对受遮挡的待检测目标图像与不受遮挡条件下的商品图像达到无差别识别的效果。通过本申请提供的商品识别方法所得测试模型可以在目标商品受到局部遮挡条件下，对于商品识别的准确率和稳定性高，受遮挡影响的程度小。

【技术实现步骤摘要】
商品识别方法
本专利技术涉及计算机视觉
，特别是涉及一种商品识别方法。
技术介绍
随着新零售概念大规模推广与兴起，城市繁华区域催生了很多主售饮料和零食的无人售货机。近年来，计算机视觉技术在智能无人售货机商品识别的应用中越来越普遍，顾客反映消费体验总体较好。但是在复杂场景下计算机视觉的准确识别率仍有待提升，比如：消费者拿出目标商品的同时，手对商品不可避免造成非目标因素导致的局部遮挡问题。而这类遮挡问题一直是计算机视觉图像处理领域的难点。当前开门自取式智能无人售货机的商品视觉识别系统对于目标商品受局部遮挡情况下，商品识别的正确识别率不够、稳定性不足。
技术实现思路
基于此，有必要针对目标商品受局部遮挡情况下，正确识别率不够、稳定性不足的问题，提供一种商品识别方法。一种商品识别方法，对测试商品进行采集，获取预设数量的图像样本，并对所述图像样本进行预处理；将所述图像样本随机分配成训练集和测试集，通过特征提取算法对所述训练集的多维特征进行提取和训练，并根据所述多维特征设计测试模型；对测试集中的图像样本进行不同比例的遮挡干扰，并导入测试模型中进行商品识别，以判断训练结果是否达到预期；当训练结果未达到预期时，调整测试模型中各特征所占的权值比例，重复执行训练过程进行重新训练，直至所述测试模型的商品识别达到预期效果。上述商品识别方法，通过对测试商品进行采集，获取一定数量的图像样本并随机分配成训练集和测试集。分别计算测试集中各图像样本在不同维度特征的概率相似性，按照一定的权值比例来组合商品图像的多维度特征。训练得到的测试模型可以对受遮挡的待检测目标图像(测试集)与不受遮挡条件下的商品图像(训练集)达到无差别识别的效果。通过本申请提供的商品识别方法所得测试模型可以在目标商品受到局部遮挡条件下，对于商品识别的准确率和稳定性高，受遮挡影响的程度小。在其中一个实施例中，所述预处理包括对所述图像样本进行归一化处理、灰度处理和数据格式转换。在其中一个实施例中，对所述图像样本进行预处理后，还包括利用翻转、裁剪、旋转、亮度色度调节以及加入不同比例的遮挡干扰的増广操作来增加所述图像样本的数量，将所述图像样本的数量扩增至不少于一万张。在其中一个实施例中，所述特征提取算法包括外形特征提取算法、颜色特征提取算法或纹理特征提取算法。在其中一个实施例中，通过外形特征提取算法对所述训练集的外形特征进行提取的步骤包括对所述训练集中的图像样本进行尺度空间的归一化处理；计算出尺度空间的极值点，运用泰勒级数展开计算，将最接近真实极值点的点作为特征点；对各离散的特征点进行曲线拟合，并采用Hessian矩阵消除边界响应；将所述特征点转换为特征向量，用特征向量来描述所述训练集中的图像样本的外形特征。在其中一个实施例中，将所述特征点转换为特征向量时需要计算梯度和确定方向，梯度的模m(x,y)的计算公式为梯度的方向θ(x,y)的计算公式为：其中，L(x,y)为所述特征点的位置坐标表示，x为所述特征点的横坐标点，y为所述特征点的纵坐标点。在其中一个实施例中，通过颜色特征提取算法对所述训练集的颜色特征进行提取的步骤包括以颜色值作为横坐标，以颜色累加出现的频数作为纵坐标，绘制全局累加直方图；设置预设阈值，提取图像颜色分布范围，用图像颜色分布范围来描述所述训练集中的图像样本的颜色特征。在其中一个实施例中，通过纹理特征提取算法对所述训练集的纹理特征进行提取的步骤包括将所述训练集中的图像样本划分为N个正方形的预设窗口，将窗口中心像素的灰度值作为阈值与周围像素的灰度值进行比较，并将比较结果转化为二进制，其中，N为大于等于1的整数；对N个预设窗口进行直方图统计，获得一个N*N图像子块直方图，用N*N图像子块直方图来描述所述训练集中的图像样本的纹理特征。在其中一个实施例中，二进制转化公式S(x)为其中，x为周围像素的灰度值与窗口中心像素的灰度值的差；LBP算法计算公式为：其中，xc为窗口中心像素的横坐标点，yc为窗口中心像素的纵坐标点，gc为窗口中心像素的灰度值，gp为周围像素的灰度值，p为0～9的自然数。在其中一个实施例中，所述训练集的图像样本占所述图像样本数量的70～90％，所述测试集的图像样本占所述图像样本数量的10～30％。附图说明图1为本专利技术其中一实施例的商品识别方法的方法流程图；图2为本专利技术其中一实施例的外形特征提取方法流程图；图3为本专利技术其中一实施例的颜色特征提取方法流程图；图4为本专利技术其中一实施例的纹理特征提取方法流程图。具体实施方式为了便于理解本专利技术，下面将参照相关附图对本专利技术进行更全面的描述。附图中给出了本专利技术的优选实施方式。但是，本专利技术可以以许多不同的形式来实现，并不限于本文所描述的实施方式。相反的，提供这些实施方式的目的是为了对本专利技术的公开内容理解得更加透彻全面。需要说明的是，当元件被称为“固定于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”、“上”、“下”、“前”、“后”、“周向”以及类似的表述是基于附图所示的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。除非另有定义，本文所使用的所有的技术和科学术语与属于本专利技术的
的技术人员通常理解的含义相同。本文中在本专利技术的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本专利技术。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。近年来，计算机视觉技术在智能无人售货机商品识别的应用中越来越普遍，顾客反映消费体验总体较好。但是在复杂场景下计算机视觉的准确识别率仍有待提升，比如：消费者拿出目标商品的同时，手对商品不可避免造成非目标因素导致的局部遮挡问题。而这类遮挡问题一直是计算机视觉图像处理领域的难点，目前针对该问题的解决办法主要有：基于特征点匹配的算法、模块化模糊分类和基于外形轮廓分段处理的方法等。现有的这些方法虽然在一定程度上降低局部遮挡问题的解决难度，但实际中正确识别率提升的效果还是不明显。单一特征提取和匹配得到的参数模型鲁棒性较差，随着受遮挡比例增大，正确识别率下降速度过快。而且需要建立特征匹配库或者是设计强分类器，操作难度比较大，对算法的要求很高。另外，这个方法对于外形比较规则的目标尚有操作性，一旦目标构造复杂就十分不稳定。分块多示例学习算法是常用的降低遮挡问题难度的方法之一，其关键在于分类器性能，而一般的分类器容易发生跟踪漂移等不稳定问题，因此设计难度较大。而且分块多示例学习的过程会产生大量中间数据，算法计算量大，因此实时性也比较差。本专利技术的技术方案是在Tensorflow(Tensorflow是一个基于数据流编程的符号数学系统本文档来自技高网...

【技术保护点】
1.一种商品识别方法，其特征在于，包括：/n对测试商品进行采集，获取预设数量的图像样本，并对所述图像样本进行预处理；/n将所述图像样本随机分配成训练集和测试集，通过特征提取算法对所述训练集的多维特征进行提取和训练，并根据所述多维特征设计测试模型；/n对测试集中的图像样本进行不同比例的遮挡干扰，并导入测试模型中进行商品识别，以判断训练结果是否达到预期；/n当训练结果未达到预期时，调整测试模型中各特征所占的权值比例，重复执行训练过程进行重新训练，直至所述测试模型的商品识别达到预期效果。/n

【技术特征摘要】
1.一种商品识别方法，其特征在于，包括：
对测试商品进行采集，获取预设数量的图像样本，并对所述图像样本进行预处理；
将所述图像样本随机分配成训练集和测试集，通过特征提取算法对所述训练集的多维特征进行提取和训练，并根据所述多维特征设计测试模型；
对测试集中的图像样本进行不同比例的遮挡干扰，并导入测试模型中进行商品识别，以判断训练结果是否达到预期；
当训练结果未达到预期时，调整测试模型中各特征所占的权值比例，重复执行训练过程进行重新训练，直至所述测试模型的商品识别达到预期效果。


2.根据权利要求1所述的商品识别方法，其特征在于，所述预处理包括对所述图像样本进行归一化处理、灰度处理和数据格式转换。


3.根据权利要求2所述的商品识别方法，其特征在于，对所述图像样本进行预处理后，还包括：
利用翻转、裁剪、旋转、亮度色度调节以及加入不同比例的遮挡干扰的増广操作来增加所述图像样本的数量，将所述图像样本的数量扩增至不少于一万张。


4.根据权利要求1或2所述的商品识别方法，其特征在于，所述特征提取算法包括外形特征提取算法、颜色特征提取算法或纹理特征提取算法。


5.根据权利要求4所述的商品识别方法，其特征在于，通过外形特征提取算法对所述训练集的外形特征进行提取的步骤包括：
对所述训练集中的图像样本进行尺度空间的归一化处理；
计算出尺度空间的极值点，运用泰勒级数展开计算，将最接近真实极值点的点作为特征点；
对各离散的特征点进行曲线拟合，并采用Hessian矩阵消除边界响应；
将所述特征点转换为特征向量，用特征向量来描述所述训练集中的图像样本的外形特征。


6.根据权利要求5所述的商品识别方法，其特征在于，将所述特征点转换为特...

【专利技术属性】
技术研发人员：陈欢欢，王高杰，
申请(专利权)人：广东顺德工业设计研究院广东顺德创新设计研究院，
类型：发明
国别省市：广东;44