CN104766080A - 一种基于电子商务的图像多类特征识别及推送的方法 - Google Patents
一种基于电子商务的图像多类特征识别及推送的方法 Download PDFInfo
- Publication number
- CN104766080A CN104766080A CN201510224103.0A CN201510224103A CN104766080A CN 104766080 A CN104766080 A CN 104766080A CN 201510224103 A CN201510224103 A CN 201510224103A CN 104766080 A CN104766080 A CN 104766080A
- Authority
- CN
- China
- Prior art keywords
- image
- information
- feature
- ecommerce
- multiclass
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于电子商务的图像多类特征识别及推送的方法,包括:采用云模型对待识别图像进行分割,得到多个图像块;采用并行强化学习方法对所述多个图像块进行学习,得到多类特征组合;基于D-S证据理论对所述多类特征组合进行融合,确定所述待识别图像所包含的主题;将与所述主题相关联的信息推送至终端。其基于并行强化学习的多类特征组合优化方法,充分利用图像各单一特征之间的优势特征,综合考虑多类特征对图像进行描述,使得图像识别较准确。并且在图像识别准确的前提下,判断用户所关注的主题,并向用户推送相关的主题信息,提高信息推送的效率,并使所推送的信息更具针对性。
Description
技术领域
本发明涉及图像处理技术领域,具体地是涉及一种基于电子商务的图像多类特征识别及推送的方法。
背景技术
随着互联网购物的蓬勃发展,人们对产品图片进行分组的需求越来越庞大。目前针对产品拍摄图片并进行分组一般是通过人工完成的,其流程大致为:将拍摄相机内的产品图片拷贝到PC机后,通过人工识别将若干张同类图片归为一组,并移动到一个新文件夹中,然后对新文件夹以相应产品条码命名。
上述方法涉及到人工识别产品图片、图片归类及图组命名等环节,当产品图片的数量增大时,在图片识别和图片分类的过程中发生错误的机率也随之增大。除此之外,人工分图的方法效率也较低。而且在图像识别之后需要准确的将相关信息推送给用户。但是现有的消息推送中,向用户所推送的消息较多,缺乏针对性。而且目前的推送方式不够灵活,不能将产品的相关信息以动态的形式展示给用户,使得用户不能更快更准确的获取到产品的相关信息,信息推送效率不高。
因此,本发明的发明人亟需构思一种新技术以改善其问题。
发明内容
为了解决现有技术的问题,本发明提供了一种基于电子商务的图像多类特征识别及推送的方法。
为解决上述技术问题,本发明的技术方案是:
一种基于电子商务的图像多类特征识别及推送的方法,包括如下步骤:
S1:采用云模型对待识别图像进行分割,得到多个图像块;
S2:采用并行强化学习方法对所述多个图像块进行学习,得到多类特征组合;
S3:基于D-S证据理论对所述多类特征组合进行融合,确定所述待识别图像所包含的主题;
S4:将与所述主题相关联的信息推送至终端。
优选地,所述步骤S1具体包括:
S11:将图像空间中的像素用对应的特征空间点表示;
S12:根据所述对应的特征空间点在特征空间的聚集对特征空间进行分割;
S13:将所述对应的特征空间点映射回原图像空间,得到多个图像块。
优选地,所述步骤S2具体包括:
S21:对于多个强化学习代理的每一个强化学习代理,将所述多个图像块的角度调整至预设角度;
S22:分别提取所述多个图像块特征信息,得到所述强化学习代理学习的特征组合。
优选地,所述步骤S4具体包括:
S41:统计与所述主题相关联的信息;
S42:按照匹配度推送预设数目的信息。
优选地,所述特征信息包括颜色特征信息、纹理特征信息和形状特征信息。
采用上述技术方案,本发明至少包括如下有益效果:
本发明所述的基于电子商务的图像多类特征识别及推送的方法,基于并行强化学习的多类特征组合优化方法,充分利用图像各单一特征之间的优势特征,综合考虑多类特征对图像进行描述,使得图像识别较准确。并且在图像识别准确的前提下,判断用户所关注的主题,并向用户推送相关的主题信息,提高信息推送的效率,并使所推送的信息更具针对性。
附图说明
图1为本发明所述的基于电子商务的图像多类特征识别及推送的方法的流程图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
如图1所示,为符合本发明的一种基于电子商务的图像多类特征识别及推送的方法,包括如下步骤:
S1:采用云模型对待识别图像进行分割,得到多个图像块;
S2:采用并行强化学习方法对所述多个图像块进行学习,得到多类特征组合;
S3:基于D-S证据理论对所述多类特征组合进行融合,确定所述待识别图像所包含的主题;
S4:将与所述主题相关联的信息推送至终端。
本实施例采用D-S证据理论对各个强化学习代理的学习结果进行融合,消除多强化学习代理之间可能存在的Q值的冗余和矛盾,并加以互补,降低其不确定性,获得一致的Q值。假设系统中有n个强化学习代理,在所有的强化学习代理完成一个周期的学习之后,对它们的Q表进行融合。归一化Q表中的Q(s,a)值,利用D-S证据组合规则进行融合,每次融合都是两个证据之间的融合。
本实施例提供的方法,基于并行强化学习的多类特征组合优化方法,充分利用图像各单一特征之间的优势特征,综合考虑多类特征对图像进行描述,使得图像识别较准确。
优选地,所述步骤S1具体包括:
S11:将图像空间中的像素用对应的特征空间点表示;
S12:根据所述对应的特征空间点在特征空间的聚集对特征空间进行分割;
S13:将所述对应的特征空间点映射回原图像空间,得到多个图像块。
优选地,所述步骤S2具体包括:
S21:对于多个强化学习代理的每一个强化学习代理,将所述多个图像块的角度调整至预设角度;
S22:分别提取所述多个图像块特征信息,得到所述强化学习代理学习的特征组合。
优选地,所述步骤S4具体包括:
S41:统计与所述主题相关联的信息;服务器根据图像中所包含的主题,从云端或服务器本身所存储的数据中抓取与该主题相关的信息,并统计出与该主题相关信息的数量。
S42:按照匹配度推送预设数目的信息。服务器统计出与该主题相关的信息后,按匹配度来进行排序,匹配度高的信息放在前面,并向用户推送预设数目的信息。其中预设数目可由用户或服务器设定。
本实施例通过识别终端中所存储的图像,判断用户所关注的主题,并向用户推送相关的主题信息,提高了信息推送的效率,并使所推送的信息更具针对性。
优选地,所述特征信息包括颜色特征信息、纹理特征信息和形状特征信息。
在本发明实施例中,该待识别图像可以是从云存储器获取,也可以是从终端获取,也可以是终端拍摄到该待识别图像后,推送至服务器侧。
用户使用手机拍照得到的图像的目标边缘部分由于受其他类别像素的干扰,具有较高的不确定性。另外,用户对图像认知的主观性和检索的需求也往往具有不确定性。云模型是针对模糊集理论的隶属函数提出的定性定量间不确定性转换模型,采用云模型来描述和分析图像中的不确定性问题,更能直观地反映像素聚类为区域后存在的模糊性。本发明实施例采用云模型进行图像分割以解决图像分割的不确定性问题。
本实施例充分利用图像各单一特征之间的优势互补特性,综合考虑多类特征对图像进行描述,具有更高的图像聚类精度。该方法使多个强化学习代理在各自的环境中独立地学习特征组合,避免了在传统Q-学习中,每次迭代时只更新一个状态-动作对的Q值,使多个状态-动作对的Q值更新可并发执行,提高了特征组合优化的效率。由于在学习过程中,多个强化学习代理在各自的环境中独立学习,使海量图像的特征组合优化具有很强的并发性和可扩展性。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (5)
1.一种基于电子商务的图像多类特征识别及推送的方法,其特征在于,包括如下步骤:
S1:采用云模型对待识别图像进行分割,得到多个图像块;
S2:采用并行强化学习方法对所述多个图像块进行学习,得到多类特征组合;
S3:基于D-S证据理论对所述多类特征组合进行融合,确定所述待识别图像所包含的主题;
S4:将与所述主题相关联的信息推送至终端。
2.如权利要求1所述的基于电子商务的图像多类特征识别及推送的方法,其特征在于,所述步骤S1具体包括:
S11:将图像空间中的像素用对应的特征空间点表示;
S12:根据所述对应的特征空间点在特征空间的聚集对特征空间进行分割;
S13:将所述对应的特征空间点映射回原图像空间,得到多个图像块。
3.如权利要求1所述的基于电子商务的图像多类特征识别及推送的方法,其特征在于,所述步骤S2具体包括:
S21:对于多个强化学习代理的每一个强化学习代理,将所述多个图像块的角度调整至预设角度;
S22:分别提取所述多个图像块特征信息,得到所述强化学习代理学习的特征组合。
4.如权利要求1所述的基于电子商务的图像多类特征识别及推送的方法,其特征在于,所述步骤S4具体包括:
S41:统计与所述主题相关联的信息;
S42:按照匹配度推送预设数目的信息。
5.如权利要求3所述的基于电子商务的图像多类特征识别及推送的方法,其特征在于:所述特征信息包括颜色特征信息、纹理特征信息和形状特征信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510224103.0A CN104766080A (zh) | 2015-05-06 | 2015-05-06 | 一种基于电子商务的图像多类特征识别及推送的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510224103.0A CN104766080A (zh) | 2015-05-06 | 2015-05-06 | 一种基于电子商务的图像多类特征识别及推送的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104766080A true CN104766080A (zh) | 2015-07-08 |
Family
ID=53647894
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510224103.0A Pending CN104766080A (zh) | 2015-05-06 | 2015-05-06 | 一种基于电子商务的图像多类特征识别及推送的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104766080A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596616A (zh) * | 2018-04-20 | 2018-09-28 | 平安科技(深圳)有限公司 | 用户数据真实性分析方法及装置、存储介质、电子设备 |
CN109840793A (zh) * | 2017-11-28 | 2019-06-04 | 广州腾讯科技有限公司 | 推广信息的推送方法和装置、存储介质、电子装置 |
CN110826609A (zh) * | 2019-10-29 | 2020-02-21 | 华中科技大学 | 一种基于强化学习的双流特征融合图像识别方法 |
CN111242280A (zh) * | 2020-01-06 | 2020-06-05 | 北京拙河科技有限公司 | 一种深度强化学习模型的组合方法、装置及计算机设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103699594A (zh) * | 2013-12-11 | 2014-04-02 | 深圳先进技术研究院 | 一种信息推送方法及系统 |
CN103942554A (zh) * | 2014-05-07 | 2014-07-23 | 苏州搜客信息技术有限公司 | 一种图像识别方法及装置 |
-
2015
- 2015-05-06 CN CN201510224103.0A patent/CN104766080A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103699594A (zh) * | 2013-12-11 | 2014-04-02 | 深圳先进技术研究院 | 一种信息推送方法及系统 |
CN103942554A (zh) * | 2014-05-07 | 2014-07-23 | 苏州搜客信息技术有限公司 | 一种图像识别方法及装置 |
Non-Patent Citations (2)
Title |
---|
李先锋 等: ""基于svlvl和D一证据理论的多特征融合杂草识别方法"", 《农业机械学报》 * |
童涛 等: ""基于D一S证据理论的多特征融合SAR图像目标识别方法"", 《国土资源遥感》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109840793A (zh) * | 2017-11-28 | 2019-06-04 | 广州腾讯科技有限公司 | 推广信息的推送方法和装置、存储介质、电子装置 |
CN109840793B (zh) * | 2017-11-28 | 2023-11-17 | 广州腾讯科技有限公司 | 推广信息的推送方法和装置、存储介质、电子装置 |
CN108596616A (zh) * | 2018-04-20 | 2018-09-28 | 平安科技(深圳)有限公司 | 用户数据真实性分析方法及装置、存储介质、电子设备 |
CN108596616B (zh) * | 2018-04-20 | 2023-04-18 | 平安科技(深圳)有限公司 | 用户数据真实性分析方法及装置、存储介质、电子设备 |
CN110826609A (zh) * | 2019-10-29 | 2020-02-21 | 华中科技大学 | 一种基于强化学习的双流特征融合图像识别方法 |
CN110826609B (zh) * | 2019-10-29 | 2023-03-24 | 华中科技大学 | 一种基于强化学习的双流特征融合图像识别方法 |
CN111242280A (zh) * | 2020-01-06 | 2020-06-05 | 北京拙河科技有限公司 | 一种深度强化学习模型的组合方法、装置及计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107742311B (zh) | 一种视觉定位的方法及装置 | |
US11321583B2 (en) | Image annotating method and electronic device | |
CN102317929B (zh) | 图像匹配方法和系统 | |
CN102521365B (zh) | 空间图像索引和关联的更新功能 | |
CN205721777U (zh) | 视觉搜索设备和系统 | |
CN103927387A (zh) | 图像检索系统及其相关方法和装置 | |
CN110046266B (zh) | 一种照片的智能管理方法及装置 | |
CN109033989B (zh) | 基于三维点云的目标识别方法、装置及存储介质 | |
CN104915351A (zh) | 图片排序方法及终端 | |
CN110648397A (zh) | 场景地图生成方法、装置、存储介质及电子设备 | |
CN104766080A (zh) | 一种基于电子商务的图像多类特征识别及推送的方法 | |
CN105117399B (zh) | 一种图像搜索方法和装置 | |
CN105279165A (zh) | 一种基于通讯录的照片匹配方法及终端 | |
CN111598176B (zh) | 一种图像匹配处理方法及装置 | |
CN103942554A (zh) | 一种图像识别方法及装置 | |
JP5430636B2 (ja) | データ取得装置、方法及びプログラム | |
CN109034694A (zh) | 基于智能制造的生产原料智能存储方法及系统 | |
CN109598250A (zh) | 特征提取方法、装置、电子设备和计算机可读介质 | |
CN103995864A (zh) | 一种图像检索方法和装置 | |
CN113610967B (zh) | 三维点检测的方法、装置、电子设备及存储介质 | |
CN110569380A (zh) | 一种图像标签获取方法、装置及存储介质和服务器 | |
JP6403201B2 (ja) | 画像特徴量登録装置、方法及びプログラム | |
CN111191065A (zh) | 一种同源图像确定方法及装置 | |
CN106202456A (zh) | 发送图片的方法及装置 | |
CN112257666B (zh) | 目标图像内容的聚合方法、装置、设备及可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150708 |